![]()
AM易道导语
这是一篇发表在2025年土耳其工程期刊(Turkish Journal of Engineering)上的综述论文。
![]()
作者来自印度和保加利亚的研究机构，对机器智能在增材制造(3D打印)领域的应用进行了全面的综述。
相比于之前AM易道分享过的类似的机器学习综述，本文章更注重应用分析。
在当前AI技术快速发展的背景下，本文的研究发现和见解对3D打印行业的从业者和研究人员都具有重要的参考价值。
注：本文内容主要来自编译，有大量专业的机器学习词汇，比较适合专业内读者阅读。
制造业的活动依赖于数据驱动的技术，并利用深度学习(DL)这一机器学习的子集，进行高效决策和制造过程优化。制造单元在产品开发、工艺规划、物流、故障评估、质量保证、可靠性分析、预测性维护和机器人技术等方面使用ML和DL。当采用新的3D打印机代替现有打印机时，研究打印零件的特性和优化工艺参数需要大量的实验和模拟，因此所需时间和成本都非常高。为了克服这个挑战，Sen Liu等人提出了一种使用先前从现有打印机获得数据的数据挖掘辅助ML技术。通过评估CAD模型与使用传感器收集的数据生产的实际零件之间的尺寸变化，使用ML算法来预测熔融沉积建模(FDM)打印件的质量。随机森林(RF)、梯度提升(GB)、极限梯度提升(XGB)、轻量级梯度提升机(LGBM)、线性回归(LR)、决策树、岭回归、Lasso和AdaBoost是用于此目的的ML算法。Zeqing Jin等人展示了一个自主的熔融沉积建模平台，用于实时监控和基于ML算法训练调整打印条件，以实现更好的打印件质量。由于其在复杂MNIST图像数据集上的出色性能,使用残差网络(ResNet)来训练卷积神经网络(CNN)的分类模型。Weizhe Tian等人提出了一个使用ML技术的虚拟模型来辅助AM，制定了一个量化制造缺陷(如波纹、节点位移和半径变化)的方案，这些缺陷极大地影响了复合结构的成形性能。要在增材制造中实施AI和ML进行熔池分析，以预测制造组件的精度和质量,研究人员需要解决许多挑战，如图2所示。![]()
Won-Jung Oh等人利用ML技术研究焊道几何，以解决电弧增材制造(WAAM)中的不规则沉积和电弧起弧区域偏差问题。他们考虑了送丝速度(WFS)、移动速度(TS)和层厚作为输入参数。使用Python语言编程，并使用Scikit-learn、Pandas、Numpy和Matplotlib等包进行机器学习计算。在WAAM中如果不考虑中心角进行焊道沉积，则由于进一步层的沉积可能会导致形状变形。为了解决这个问题,Dong-Ook Kim等人采用SVM分类器来优化焊道几何。Jan Patrik等人使用门控循环单元(GRU)这一循环神经网络技术，解决了在WAAM中沿曲线路径分析沉积焊道形状的AI实现问题。在金属增材制造中使用MeltpoolNet(一套开发的ML方法)进行熔池表征。这用于预测熔池的几何特征，如宽度、长度和深度，以及缺乏熔合、球化和熔孔等缺陷类型。使用ML来预测使用VAT光聚合方法制造的复合材料零件的机械性能。这种预测有助于减少或消除制造后的大量测试，从而加速产品开发周期。使用偏最小二乘回归(PLSR)这种监督学习技术来预测激光粉末床熔融(LPBF)中的制造参数，这有助于在线工艺控制，提高制造产品的质量。声发射(AE)信号用于有效监控过程并控制不同制造方法制造的零件质量。但在激光增材制造的情况下，由于其高动态特性,处理AE信号变得困难。为了克服这个问题，Kilian Wasmer等人采用AI在较短时间内处理大量数据，并提出了一种替代AI方法来减少训练所需的数据量。
Jan Zenisek等人在激光金属沉积(一种AM方法)中提出了一种基于ML的数据流合并方法。涉及以下三个步骤:
基于使用ML的模型进行数据流分类;
使用合并数据流的算法;
基于虚拟传感器的验证。
由于AM是一个复杂的多输入输出过程，具有高度的不确定性，在过程控制中使用比例-积分-微分(PID)控制器及其制定是一个挑战。
强化学习(RL)这种ML模型由于其试错概念和数据驱动性质以及制定框架和控制任务的灵活性，适用于过程控制。
2.2 材料和设计
Hyunwoong Ko等人开发了一种方法:
a) 使用ML从AM数据中提取预测可制造性知识;
b) 使用知识图谱存储以前和新的AM知识;
c) 利用获得的知识构建激光粉末床熔融工艺的设计规则。
2.2.1 材料结构
使用ML技术控制和理解AM中不同材料和零件设计的自由度，大大减少了时间，从而降低了成本并优化了工艺。
AM过程中遇到的问题可能是由于所选合金的成分，这会由于快速热变化导致成分元素汽化而影响质量。
Chi Wu等人提出了一种基于ML技术的导数感知神经网络(DANN)，开发了基于晶格的多尺度结构设计框架。由于DANN在设计非均匀晶格结构方面的计算效率高于其他传统优化技术，因此用于设计优化。Petros Siegkas提出了一种基于ML的工艺来开发增材制造的3D钛多孔结构。使用生成对抗网络(GAN)和特征包(BoF)方法作为组合技术来模仿3D多孔材料。对于高维GAN，深度生成ML和BoF的组合被用作替代方法。尽管该方法在制造多孔结构方面是成功的，但在规则晶格结构和封闭式泡沫方面是不成功的。通常在计算上成本高昂的多尺度建模与ML相结合，开发以降低计算成本。同时,在设计用于化工行业的催化反应器的背景下,提供对新形成工艺的详细分析。增材制造有助于将上述组合方法的设计结果转化为定制几何形状的原型制作和生产。Afdhal等人使用ML开发了一个模型，在使用VAT光聚合(VPP)制造的六角形结构中，建立设计参数与所需性能之间的关系，并获得最优设计参数。使用高斯过程回归(GPR)构建孔隙率和泊松比模型，并使用全局敏感性分析(GSA)和Shapley加性解释(SHAP)进行敏感性分析，以了解它们对设计参数的影响。Rajat Neelam等人使用六种ML算法预测FFF 3D打印高密度聚乙烯(HDPE)基泡沫的拉伸和弯曲强度，其中两种算法XGBoost和LightGBM作为基于集成的算法，另外四种MLBox、TPOT、AutoSKL和H2OAutoML作为自动化ML算法。由于构建模型的时间减少,自动化ML比传统ML更有效。Ruijun Cai等人应用了六种ML方法(决策树、支持向量回归(SVR)、随机森林、ANN、K近邻(KNN)和极限梯度提升(XGB))来预测使用不同材料和不同工艺参数制造的打印丝材挤出试样的动态机械性能。使用决定系数、平均绝对误差(MAE)、均方根误差(RMSE)和中值绝对误差对模型进行评估。Jorge Lizarazu等人应用ML算法基于训练的微观结构特征和基于代表性体积单元(RVE)图像预测低碳钢的应力-应变曲线。使用了线性回归、岭回归、Lasso、k近邻(KNN)、决策树、随机森林、弹性网络、梯度提升和Ada提升等多输出回归器。支持向量机、随机森林、前馈神经网络、卷积神经网络、基于模糊系统的自适应网络和物理信息神经网络(PINN)是用于预测增材制造材料疲劳寿命的ML策略,而只有随机森林用于预测疲劳裂纹扩展速率。深度学习技术是在电子束熔化(EBM)过程中开发智能监控系统的理想方法,因为它能够轻松处理特征选择，这对于获得准确结果非常重要。Léopold Le Roux等人使用了五种深度学习算法(AlexNet、SqueezeNet、ResNet、DenseNet和VGGNet)来识别EBM中出现的膨胀和孔隙缺陷。为了预测零件高度和孔隙率,Jeong Ah Lee等人使用扫描速度、进给速度和激光功率等输入参数训练了高斯过程回归(GPR)模型。同时，使用相同的输入工艺参数训练支持向量机(SVM)模型来分类缺陷。此外，在上述两种方法中都使用了可解释机器学习(xML)来预测和分析不同输入特征的相对重要性。Rodríguez-Martín等人使用ML技术从热成像输出数据预测增材制造尼龙和聚乳酸(PLA)零件的缺陷长度。使用线性回归、高斯回归和支持向量机这三种算法进行预测，并使用MAE、RMSE和相关系数等统计技术检查学习模型的拟合度。Christian Gobert等人开发并实施了一种使用监督ML在粉末床熔融制造的零件中预测缺陷的策略。在激光粉末床熔融中研究熔池形态以检测孔隙率和球化缺陷，使用计算机视觉和无监督ML方法来区分观察到的熔池。在WAAM制造的零件中观察到气孔、残余应力和变形、裂纹和分层、各向异性、切除和凸起等缺陷。为了获得无缺陷的高质量零件，监控和控制工艺非常重要。AI技术用于通过检测对象、识别和分类图像来监控WAAM过程。Denys Y. Kononenko等人提出了一种基于声发射和机器学习的裂纹检测协议,裂纹在观察到的缺陷中对增材制造零件质量造成恶性影响。支持向量(带线性和平方指数核)、逻辑回归、随机森林和高斯过程是用于此目的的分类器算法。Meritxell Gomez-Omella等人指出,在线激光金属沉积AM过程中,每个零件大约生成19,000个数据。这些数据提供了关于位置(由X、Y和Z坐标定义)、使用的激光功率、送丝速度和每层打印后表面几何形状随时间变化的信息。根据这些信息，使用AI分类技术在早期阶段就检测到孔隙率的出现,并预测由于存在孔洞而导致的失效。增材制造是制造具有均匀孔径和均匀分布孔隙的支架的重要方法。Aikaterini Dedeloudi等人讨论了ML在AM中用于制造精确定制药物递送系统的实施情况。同时解释了各种增材制造工艺中使用的不同ML技术和算法以及分析的参数。AI在AM中的种应用有助于制造基于患者的植入物，并创建用于术前训练的器官模型。AI技术被用来优化工艺参数，以实现使用聚乳酸(PLA)涂覆纳米纤维通过AM制造的骨科板的热机械性能。由于缺乏实用的设计优化方法，陶瓷AM在生物医学工业中的全部潜力尚未被探索。为了弥补这一差距，Chi Wu等人在基于光刻的陶瓷制造(LCM)中提出了ML技术来优化陶瓷支架的设计。使用U-net NN(一种卷积神经网络)来预测局部应变变化，并使用带动量的随机梯度下降(SGDM)算法作为优化器。其他先进技术在增材制造中的应用
工业4.0的发展促进了工业数字化转型和新商业模式的创建，如图3所示的不同先进技术的应用。
![]()
3.1 物联网、边缘计算和区块链
David Miller等人提出了一个使用物联网(IoT)和边缘计算技术的系统，用于在激光基增材制造(LBAM)中收集数据和分析。从这些数据中,使用ML过程识别缺陷的出现。Erik Westphal等人描述了通过结合区块链技术来改善金属挤出(MEX)(一种增材制造工艺)质量的理论方面。作者还解释了基于区块链技术的质量管理的设计和开发，用于在MEX中映射价值链的数字零件记录，并建议在这方面需要关注的未来可能工作。区块链技术被用来解决增材制造中的以下两个挑战：(i) 保护制造公司对数字产品设计的版权；(ii) 对AM制造的备件进行认证和认证。Gunasekaram等人指出，增材制造尚未在商业上获得普及，原因如下：i) 质量零件的重复性差；ii) 由于试错确定最优工艺参数而造成的高浪费；iii) 成本高。然而，AI与先进技术在AM中的应用显著有助于克服上述缺点。通过数字孪生(DT)(物理过程的虚拟复制)在AM中应用AI可以进一步降低成本，通过完全或部分消除人工干预以及材料和时间的浪费。Slim Krückemeier和Reiner Anderl介绍了一种新的AM质量保证方法，在现有方法无法有效使用的情况下使用。数字主模型在用于AM时将代表设计、预处理步骤的所有数据信息，数字影子代表AM过程中观察到的所有参数数据。由于AM过程的不稳定性，即使使用适当的工艺参数，生产的零件中也可能存在缺陷。为了克服这一点，Raven T Reisch等人提出了一种使用数字孪生的智能制造方法，通过相应地修改WAAM中的工艺参数来帮助补偿先前出现的缺陷。在AM中实施ML和AI的挑战
在实施AI和ML的增材制造中遇到的一些挑战总结如下：
AI和ML方法的性能取决于预测所需输出的大数据集。由于3D打印过程中可用的数据有限，预测变得不太准确。此外，开发可靠的ML模型所需的数据可访问性及其质量也是一个严重问题。在去除噪声后使用正确的数据是ML方法进行准确预测的关键步骤。在3D打印中，由于生成的大量数据需要处理，热成像图像的建模和处理是一个问题。此外，在过程中熔池尺寸和位置的变化需要额外的努力来精确匹配以获得更好的预测方法性能。金属3D打印过程中物理变化的复杂性导致打印零件重复性问题，这影响预测的准确性。打印的每一层的质量对零件的整体质量有重大影响，因此需要在打印每一层时进行适当的数据采集，以使用ML技术进行精确预测。需要建立一个包含各种基于电弧的硬件系统以及使用不同金属通过增材制造制造的零件详细信息的详尽数据库，以制定精确的操作规则，并根据其成形特性确保零件质量。
需要开发基于ML的辅助、学习和培训系统，以帮助和培训工人取得更好的表现。需要探索ML技术的改进，以实施在优化工艺参数、预测金属性能、检测异常和控制制造零件的尺寸和形状偏差方面，特别是在金属增材制造(MAM)的情况下。需要一个分析WAAM中多道焊缝和多层焊接重建的模型。还需要解决曲线路径半径、送丝速度、焊接速度和表面温度等参数的影响。需要在混合制造（传统制造工艺和增材制造的组合）中实施AI技术以优化工艺。需要探索将人工智能、增材制造和边缘计算相结合，以建立高效的AM产品生命周期系统的未来研究。结论
虽然在增材制造工艺中使用了大量计算算法，但尚未明确定义特定应用的具体算法选择。此外，由于工艺的复杂性，这些先进技术在各种增材制造方法中的应用非常有限，需要探索。
影响产品质量的各种工艺参数尚未被完全考虑，无法基于特定应用获得最优设置参数。由于增材制造中可用的数据有限，需要开发算法以在使用AI和ML时获得更好的准确性。只针对AM工艺中可能出现的少数缺陷进行了分析和预测，其他可能的缺陷如层间粘结不足、翘曲等需要关注。在多材料AM中使用这些技术是另一个带来更多挑战的领域。此外，需要有效应用区块链、数字孪生等新兴技术，以提高从设计到制造的AM性能。从制造过程控制、材料设计到缺陷检测，AI技术正在重塑整个增材制造产业链。然而文章也指出了目前AI技术在增材制造中应用的局限性。最突出的是数据获取难、质量参差不齐的问题。这提醒我们，要真正发挥AI的价值，首先要解决数据基础设施建设这个根本问题。这需要产业各方的共同努力。人工智能与增材制造的深度融合代表了先进制造业的发展方向。虽然目前还存在诸多挑战，但随着技术的不断进步，特别是数字孪生、物联网等新兴技术的协同应用，智能化增材制造必将迎来更大的发展机遇。感谢您阅读到了最后，如果觉得AM易道文章有价值，请您点赞、转发、关注AM易道，与您一道发现3D打印的下一个奇点。
Reference:
1. https://doi.org/ 10.31127/tuje.1502587注：
AM易道与文中提到公司不存在任何形式的商业合作、赞助、雇佣等利益关联。图片视频来自于网络，仅作为辅助阅读之用途，无商业目的。权归原作者所有，如有任何侵权行为，请权利人及时联系，我们将在第一时间删除。本文图片版权归版权方所有，AM易道水印为自动添加，辅助阅读，不代表对该图片拥有版权，如需使用图片，请自行咨询版权相关方。
