增材制造中機器學習研究綜述：設計與工藝

來源：長三角G60激光聯(lián)盟

上海工程技術大學、英國華威大學和上海振幅激光技術有限公司的科研人員綜述了機器學習在增材制造中的應用：設計與工藝的研究,。相關論文以“A review of machine learning in additive manufacturing: design and process”為題發(fā)表在《The International Journal of Advanced Manufacturing Technology》上,。

增材制造（AM）因其獨特的制造方法,，可在工業(yè)4.0的背景下推動制造業(yè)向更高水平的復雜性、靈活性和智能化發(fā)展,。然而，AM系統(tǒng)的復雜性及其作為數(shù)據(jù)密集型制造領域的性質(zhì),，給生產(chǎn)高質(zhì)量產(chǎn)品帶來了挑戰(zhàn),。隨著數(shù)字和計算機技術的發(fā)展，數(shù)據(jù)驅(qū)動的機器學習（ML）已被廣泛應用于自動機械制造,，因為它為質(zhì)量控制,、流程優(yōu)化和復雜系統(tǒng)建模提供了有效的方法。

圖1使用機器學習,、物聯(lián)網(wǎng),、大數(shù)據(jù)、數(shù)字孿生和區(qū)塊鏈技術的增材制造解決方案的系統(tǒng),。

本文簡明扼要地總結了利用ML協(xié)助AM流程的各個階段,。從增材制造設計（DfAM）和參數(shù)優(yōu)化的前處理階段，到缺陷檢測的加工階段,，再到零件質(zhì)量評估的后處理階段,，它闡明了在每個階段使用ML相對于傳統(tǒng)方法的優(yōu)勢。DfAM的目標是優(yōu)化產(chǎn)品設計,，同時考慮到多個變量之間的相互作用,。在DfAM中可以有效利用ML的非線性能力。缺陷檢測旨在確保零件的可重復性,、耐用性和可靠性,。將傳感器與ML相結合可確保零件質(zhì)量。最后,，從零件微觀結構的角度評估零件質(zhì)量和檢測AM的各種子系統(tǒng),。本綜述探討了如何應用ML解決與AM工藝流程有關的眾多問題。它全面系統(tǒng)地總結了各種ML模型在不同階段的應用,，研究了較新的ML技術在未來協(xié)助AM的潛力,，并總結了當前ML在AM中應用的局限性以及未來的發(fā)展方向。

圖2 AM中三種常見工藝設備的概述以及常用術語,。底部的兩張圖片說明了從航空航天到生物打印的各種應用,，強調(diào)了將ML與先進制造相結合的廣泛影響。

圖3將ML集成到AM中的三種工藝的應用概覽,。

圖4將AM的主要數(shù)據(jù)源作為輸入數(shù)據(jù)送入ML進行處理的流程概覽,。

圖5根據(jù)紅外攝像機拍攝的熔池圖像，使用SVM對熔池形態(tài)進行分類的過程,。

圖6晶格設計和DIC實驗測試,。

圖7紅外熱成像技術收集熔池圖像并提取熔池輪廓,。

圖8使用計算機斷層掃描技術在Inconel 718增材制造試樣中檢測到的一個鎖孔和兩個缺乏熔合孔缺陷的實例。圖中放大了一個鎖孔和兩個最大的缺乏熔合孔,，突出后者的不規(guī)則形態(tài),。

圖9利用OT和CT圖像作為ML數(shù)據(jù)，預測LPBF中出現(xiàn)的缺陷,。

圖10 TL在AM中的應用,，包括工藝優(yōu)化、幾何偏差預測,、熔池尺寸預測和缺陷檢測,。

圖11檢測具有各種缺陷的樣品。

圖12基于機器學習的金屬激光粉末床熔融增材制造質(zhì)量可重復性研究

ML在識別錯綜復雜的模式和探索參數(shù)關系方面具有巨大的潛力,，從而為增強AM的決策過程提供了新的途徑,。這些模型能夠準確捕捉材料特性、工藝參數(shù)和零件質(zhì)量之間的細微關系,。本文從AM工藝不同階段的角度出發(fā),，總結了三個不同階段的各種應用。從預處理階段開始,，ML被集成到工藝優(yōu)化中,，探索結構的可行性、訓練設計變量并預測給定條件下的最佳工藝參數(shù),。在加工階段,，通過與傳統(tǒng)方法的對比，闡明了使用ML進行缺陷檢測的優(yōu)勢,，即把從傳感器收集的數(shù)據(jù)輸入ML模型,，探索參數(shù)與微觀結構之間的關系。在后處理階段,，ML可以檢測零件的微觀結構,，評估各種性能指標和零件質(zhì)量。最后,，綜述探討了各種新型ML技術在AM中的應用,，強調(diào)了ML技術當前的局限性和未來發(fā)展的潛在方向。

未來,，將有更多關于將ML與AM結合應用的研究,。但是，不同的AM問題和應用場景涉及各種類型的數(shù)據(jù),，包括結構化數(shù)據(jù)和圖像數(shù)據(jù),。要有效處理不同類型的數(shù)據(jù)，需要使用不同類型的算法,。因此,，要利用ML解決AM問題,，必須準確理解ML的機制和AM流程。綜上所述,，目前的研究存在以下不足：

1.根據(jù)調(diào)查發(fā)現(xiàn),，ML在AM中主要應用于PBF、DED和MEX過程,，未來ML可以應用于更多AM工藝,。

2.AM是一個復雜的逐層制造系統(tǒng)，其中多個子系統(tǒng)和制造過程會受到各種相關因素的影響,。因此,，有必要整合數(shù)據(jù)進行聯(lián)合分析,，如從原始數(shù)據(jù)中提取特征以降低數(shù)據(jù)維度,，或利用分解技術進行異構數(shù)據(jù)融合，以增強ML模型的性能,，提高模型精度,。

3.研究人員必須在ML的透明度和準確性之間做出權衡。ML模型生成的結果需要可解釋且易于處理,，來幫助決策者理解結果及其基本原理,，而一些傳統(tǒng)的ML算法（如LR和SSL）能夠生成可解釋的結果。在AM系統(tǒng)中,，可解釋的ML模型可以幫助工程師提高對制造過程的理解,，并制定相應的控制策略。目前一種可行的策略是將ML結果與相關部件,、流程或流程條件的高保真模擬相結合,，幫助研究人員理解ML。

4.如上所述,，許多研究工作都將物理定律納入了ML,。物理定律能更好地幫助決策者理解加工-結構-性能（PSPP）制造步驟之間存在的關系。因此,，對于復雜的AM系統(tǒng),，未來的研究可以更多地探索如何將物理定律納入ML。

圖13機器學習在材料擠壓增材制造工藝-結構-性能建模中的應用

論文鏈接：
Chen, K., Zhang, P., Yan, H. et al. A review of machine learning in additive manufacturing: design and process. Int J Adv Manuf Technol 135, 1051–1087 (2024). https://doi.org/10.1007/s00170-024-14543-2

Pant, R., Singh, R., Gehlot, A. et al. A Systematic Review of Additive Manufacturing Solutions Using Machine Learning, Internet of Things, Big Data, Digital Twins and Blockchain Technologies: A Technological Perspective Towards Sustainability. Arch Computat Methods Eng (2024). https://doi.org/10.1007/s11831-024-10116-4

https://doi.org/10.1016/j.matdes.2021.109606

Abdelhamid, Z., Mohamed, H. & Kelouwani, S. The use of machine learning in process–structure–property modeling for material extrusion additive manufacturing: a state-of-the-art review. J Braz. Soc. Mech. Sci. Eng. 46, 70 (2024). https://doi.org/10.1007/s40430-023-04637-5