根据德国ACAM亚琛增材制造中心，3D打印企业在全世界范围普遍来说并没有实现很好的盈利，一个关键点是从应用的产业化角度来看，可以实现盈利的制造模式应该是具有经济效益的数字驱动的端到端的制造工艺链为核心，而当前3D打印陷入在一个两难的境地，往往是当规模扩大的时候，随之而来的生产成本以级数级别的增加，这反过来使得要实现盈利成为非常具有挑战的事情。增材制造将朝着软件和数据驱动的自进化智造技术方向发展，智能模拟和人工智能的应用将使得硬件拥有更“聪明的大脑“，更”灵敏的神经“以及”更准确的双手“，让加工变得更高效。

▲SEPP项目：开发3D打印智能模拟技术

© RWTH DAP

目前，3D打印在扩大生产规模时往往面临成本急剧上升的问题。这可能是由于生产效率不高、材料成本增加、设备折旧等因素造成的。这种成本的级数增长使得规模化生产变得不经济，从而难以实现盈利。

未来的增材制造技术将朝着自进化的方向发展，这意味着制造系统能够根据实时数据和反馈自我优化，不断改进生产效率和产品质量。”

3D科学谷发现

3D Science Valley Discovery

关键点：

德国亚琛完成的SEPP项目在模拟技术方面的创新主要包括以下几个方面：

• 简化的模拟模型：SEPP项目没有依赖于复杂且计算密集的模型，而是开发了简化的模拟模型，这些模型在保持足够准确性的同时，能够预测如变形等缺陷，适用于大型部件的模拟。
• 提高熔池尺寸计算的准确性：项目进一步开发了PBF-LB/M工艺模型，显著提高了熔池尺寸计算的准确性，这对于预测熔池几何形状和温度分布至关重要。
• 快速的温度场计算方法：项目开发了一种新方法，可以在不到一小时内完成温度场计算，这对于模拟过程的效率提升具有重要意义。
• 数值模型简化技术：成功实施了数值模型简化技术，能够快速计算宏观尺度上的温度和应变分布，进一步提高了模拟过程的效率。

这些创新成果不仅提高了制造质量，还为PBF-LB/M技术的工业应用提供了坚实的基础。

Insights that make better life

 智能模拟

基于激光的增材制造技术，例如使用激光处理粉末材料的 PBF-LB/M 工艺，为功能性金属部件的生产提供了几乎无限的几何设计自由。尽管具有这种潜力，但由于某些与工艺相关的限制，这些技术仅得到部分利用。这些限制会影响工艺区局部和整个部件的物理过程，从而导致残余应力和部件变形等问题。

为了解决这些缺点，SEPP（基于模拟的激光束粉末床金属熔合工艺分析，PBF-LB/M）项目在过去几年中一直致力于优化 PBF-LB/M 工艺的模拟。

SEPP项目是一个专注于优化基于激光的粉末床熔融（PBF-LB/M）工艺的模拟研究项目。该项目的目标是通过智能模拟技术提高金属部件3D打印的效率和准确性。项目团队开发了简化的模拟模型，这些模型足够准确，能够预测如变形等缺陷，同时避免了复杂且计算密集的模型。项目由德国研究联盟（Deutsche Forschungsgemeinschaft，简称DFG）资助，这是一个独立的全国性科学资助机构，负责资助德国高等院校和公共性研究机构的科学研究，是欧洲最大的科研促进机构之一。

SEPP 项目的目标是通过智能模拟技术使金属部件的 3D 打印更加高效和准确。该项目没有依赖难以应用于大型部件的复杂且计算密集的模型，而是寻求开发简化的模拟，这些模拟仍然足够准确，可以预测变形等缺陷。

该项目进一步开发了 PBF-LB/M 工艺模型，该模型已通过实验测量成功验证。熔池尺寸计算的准确性得到了显着提高。现在，一种新方法可以在不到一小时内完成温度场计算。3D科学谷了解到目前该项目在模拟镍基合金 Inconel 718 方面特别成功，可以准确预测熔池几何形状和温度分布。

“ 3D Science Valley 白皮书 图文解析

”

在PBF-LB/M工艺模型的开发上，SEPP项目取得了显著进展，特别是在模拟镍基合金Inconel 718方面。通过实验测量，项目验证了模型的准确性，并显著提高了熔池尺寸计算的准确性。项目还开发了一种新方法，能够在不到一小时内完成温度场计算，这对于预测熔池几何形状和温度分布至关重要。

这些结果为制定最小化残余应力和变形的策略奠定了基础。此外，SEPP项目还成功实施了数值模型简化技术，可以快速计算宏观尺度上的温度和应变分布，进一步提高了模拟过程的效率。还进行了实验变形测量，证实了模拟结果并为进一步优化模型提供了宝贵的数据。

SEPP项目通过智能模拟技术使金属部件的3D打印更加高效和准确，这些技术的应用为3D打印技术的发展和工业应用开辟了新的可能性。

该项目由 DGF – 德国研究联盟 (Deutsche Forschungsgemeinschaft Consortium) 资助，由RWTH DAP （亚琛工业大学数字增材制造生产研究所）和RWTH NLD联合完成。

RWTH DAP

RWTH Aachen University 的 Chair for Digital Additive Production (DAP) 亚琛工业大学数字增材制造生产研究所是一个专注于数字增材制造技术的研究和开发的部门。RWTH DAP 研究所涉及的研究领域包括增材制造过程链的所有垂直和水平元素，从组件设计、供应链、生产和组件处理到增材制造组件的应用属性。RWTH DAP 的研究重点在于面向可扩展规模化生产的增材制造设备、材料、设计、过程及系统技术的进一步发展，以及软件驱动的端到端过程。

RWTH NLD

RWTH Aachen的 Nonlinear Dynamics of Laser Manufacturing Processes (NLD) 是一个专注于激光制造过程中非线性动力学的研究和教学机构。RWTH NLD 与 Fraunhofer ILT-弗劳恩霍夫激光研究所、RWTH LLT亚琛工业大学激光技术、RWTH TOS光学系统技术和RWTH DAP 等机构合作，提供学生和毕业生的工作机会，并在激光技术领域进行基础和应用相关的研究。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

3D打印技术在机器人制造领域发挥着重要作用，它允许快速制造出复杂形状的部件，提高制造效率，降低成本，并且能够实现高度定制化，3D打印技术正在以革命性的方式重塑机器人制造流程，实现从定制化机器人零件和外壳到功能性机械系统的快速生产。

本期，通过节选近期国内其他科研机构在机器人增材制造方面的实践与研究的多个闪光点，3D科学谷与谷友一起来领略的这一领域的研究近况。

© 3D科学谷白皮书

3D打印允许设计师和工程师创建复杂的几何形状，这些形状在传统制造技术中可能难以实现或成本过高。这对于人形机器人的关节、外部结构和定制部件尤其有价值。此外，3D打印可以在同一打印过程中集成电子元件和传感器，这为设计具有嵌入式智能的机器人部件提供了可能。”

3D科学谷发现
3D Science Valley Discovery

3D打印在机器人领域的多点研究进展：

行走式建筑3D打印机器人：这种机器人能够进行室外环境下的大尺度建筑3D打印，具有全向移动和垂直提升功能，解决了复杂工况下的打印难题。

六足仿生机器人：通过3D打印技术制造，采用圆形六足式布局和弹簧机械结构，减少了伺服系统的设计，提高了适应性。

四旋翼无人机底座：通过拓扑优化设计，实现了轻量化，提高了无人机的性能。

高楼玻璃幕墙清洁机器人：设计用于替代人工清洁，具有吸附、爬行和清洁功能，提高了清洁效率和安全性。

小型六轴机械臂：设计用于餐厅、医院等场景，具有高灵活性和定位精准性。

磁控软体机器人：利用3D打印技术制造，展示了在生物医疗等领域的应用潜力。

四足机器人腿部结构：通过拓扑优化设计，提升了机器人腿部结构的力学性能。

高压输电线路机器人：设计了防滑挂线轮毂的H型3D打印装置，提高了打印精度和速度。

介电弹性体驱动器的柔性机器人：研究了3D打印快速制作的介电弹性体驱动器，简化了制作过程，提高了制作效率。

仿人机械手臂：一体化结构设计，基于FOC控制算法进行控制，实现了基本功能需求。

Insights that make better life

 行走式建筑3D打印机器人
     及其配套技术研发与应用

葛杰;白洁;杨燕;韩立芳;黄青隆;连春明;冯俊;许国文;王彬楠;熊浩;贾红学;马俊;沈鹏;陆杨;李鑫

中国建筑第八工程局有限公司

建筑3D打印是当前土木工程领域的前沿技术之一。本项目基于前序课题研究成果,以实现“室外环境下机器人原址打印大尺度建筑”为目标,对行走式建筑3D打印技术开展攻关,取得以下创新成果：

1、研发了由六轴工业机械臂、麦克纳姆轮全向移动底盘、双激光定位导航系统、混合支撑系统、末端供料系统、远程操控器等组成的行走式建筑3D打印机器人(M3DP-Rob)。设备具有零转弯半径、全向移动和垂直提升功能,可在狭小空间范围内灵活作业、在已完成楼面标高继续打印上层建筑,解决了复杂工况下室外原址大尺度建筑3D打印的难题。

2、研发了室外“自生长施工环境”下的一体化导航定位控制技术及无接触式激光标定装置,开发了上位机一体化控制软件(ConRob3D建筑机器人),解决了室外时变环境下行走式建筑3D打印机器人打印过程中导航定位和实时标定的难题,实现了室外现场打印范围内机器人的全自动打印作业。

3、首次提出了包含竖向切片、截面设计、充盈值控制和路径规划等内容的建筑3D打印切片算法,并开发了配套的建筑3D打印切片软件,实现了对打印构件高度误差、线段交叉点表观质量的精确量化控制,减少了打印断点、提高了打印效率,为建筑3D打印机器人施工的规范化和标准化提供支撑。

4、开发了面向空间多尺度的行走式建筑3D打印成套施工工艺,建立了打印参数实时控制方法,实现了打印材料、机械和施工工艺的高效协同,提高了建筑3D打印材料的现场环境适应性和建筑3D打印技术的应用范围。

项目形成专利53项(发明41项),工法1项,论文6篇,授权软件著作权2项。经上海市土木工程学会鉴定,成果总体达到国际先进水平,其中建筑3D打印切片算法达到国际领先水平。目前,项目成果已在深圳市新华医院、上海市机场联络线等多个项目成功应用,节约异形复杂曲面构件加工成本约30～40%、缩短工期约40%～50%,成果合计带来新增产值3491.36万元,新增利润314.22万元,社会、经济和环保效益显著。

行走式建筑3D打印工艺打破了传统打印工艺对构件尺寸的限制,精简工序的同时提升打印质量,适用于各类构件的高精度打印,以及建筑小品或大型建筑物的现场打印。本项技术对于各类劳动力紧张、施工环境恶劣的工程项目,以及定制需求高、环保要求严的城市更新及乡村振兴项目具有广阔的应用前景。

 基于EthernetKRL实时通讯的库卡机械臂
     在线建筑3D打印控制研究与应用

叶华清1岳承涛1韩立芳2

1.上海机器人产业技术研究院有限公司2. 中国建筑第八工程局有限公司

 六足仿生机器人
     结构设计及运动仿真

周梦、郝同鑫、闰文彬、代文杰、韩宁豪

信阳学院理工学院

摘要：

为降低六足机器人制造成本，提高六足机器人在不同环境下的适应性，设计一款新型腿部结构的六足机器人。该机器人使用SolidWorks软件设计结构，机械结构采用3D打印机打印制造，机器人采用圆形六足式布局，腿部关节处使用弹簧机械结构来减少伺服系统的设计，并搭配适用不同地形可拆卸的模块化足端，可以利用较少的伺服系统完成复杂的运动。

通过对机器人进行运动学分析，以3种步态为例分析了不同环境下不同步态的特点，以单腿为例建立坐标系，使用DH法对机器人腿部进行运动学分析，Adams仿真结果表明，机器人在84 mm/s的情况下运行时，机器人重心的变化在9 mm以内，满足设计要求。机器人样机进行了不同地形下运动实验，实验结果与仿真基本一致。仿真实验以及样机运动实验验证了这种新型腿部结构的稳定性与可靠性，说明这种腿部结构在保证稳定性的前提下能够代替同类机器人并降低伺服系统的使用，从而降低了六足机器人的生产成本。

 面向增材制造技术的
     四旋翼无人机底座拓扑优化设计

朱振国1杨海东2王正宗1

1.安徽职业技术学院智能制造学院2. 合肥工业大学机械与汽车学院

摘要：

利用Inspire软件对四旋翼无人机底座进行拓扑优化和轻量化设计。首先根据逆向工程技术得到四旋翼无人机底座的三维模型，然后将三维模型导入到Inspire软件进行有限元分析和拓扑优化。结果显示：无人机底座优化前的质量为66.158 g（材料ABS），通过轻量化设计之后的质量为30.218 g，实现了54.32%的减重，同时，最大米塞斯等效应力为3.213MPa，最大位移为0.190 9 mm，最小安全系数为14，减重后的性能满足要求。最后利用3D打印方法将优化后的底座打印出来，并试验验证了拓扑优化方法的合理性和可行性。

 高楼玻璃幕墙清洁机器人结构设计

侯贤州、庄梓嘉、卢桂芳、黄志维

广东科技学院机电工程学院

摘要：

针对高楼玻璃幕墙人工清洁作业所存在的安全风险高、劳动强度大、作业效率低等问题，设计了一种可替代人工作业的玻璃幕墙机器人。根据实际高楼玻璃幕墙清洁的需求，设计出能实现高楼玻璃幕墙清洁的机器人。运用SolidWorks对清洁机器人结构进行几何建模，运用有限元分析软件对机器人的运动方式进行分析优化，利用3D打印的技术打印出高空玻璃幕墙清洁机器人结构。选择STM32芯片对舵机、真空泵、清洁机构的控制，实现清洁机器人的爬行、吸附、清洁等功能。利用真空泵实现机器人吸附在非水平面上，利用舵机控制机器人的腿部关节移动，利用滚刷实现对幕墙的清洗。基于仿真与实物实验，计算清洁机器人能在高楼玻璃幕墙上行走所需的吸附力参数，并选用相应的真空泵；计算清洁机器人爬行所需的舵机转动角度；在满足清洁需求的情况下，对清洁机构进行优化。设计的清洁机器人具有整体尺寸小、行走灵活、通过性强、应用场合广等特点，为高楼玻璃幕墙清洁作业提供了技术方案。

 多功能小型六轴机械臂的设计与制作

冯婧、莫谋艺、靳瑜、陈思伟、黄志维

广东科技学院机电工程学院

摘要：

针对新型机器人应用场所多样化的需求，以工业机器人为灵感设计了一种小型六轴机械臂，应用于餐厅、医院等场景，在提升人们生活质量的同时降低用人成本以及劳动强度。所设计的机械臂动作灵活性高，工作空间范围大，具有定位精准、制造成本低、体积小的特点。利用SolidWorks对机械臂机座、机身、手臂以及执行末端机构进行三维整体建模，设计出了小型六轴机械臂的主体，通过Arduino实现对机械臂运动轨迹的控制。通过更换机械臂末端执行器的类型实现不同功能的转化，应用于不同场景。针对餐饮服务业设计了菜盘夹紧机构，实现了对不同类型以及尺寸菜盘的夹紧。通过3D打印技术完成机械臂部分结构的制作，实现了设计目的。

 基于3D打印硬磁软材料
的磁控软体机器人开发

黄麟阁1,2张治国1,2,3潘峰3

1.天津科技大学机械工程学院2. 天津市轻工与食品工程机械装备集成设计与在线监控重点实验室3. 新疆农垦科学院机械装备研究所

摘要：

近年来，磁软体机器人因其优异的生物安全性、环境适应性和快速响应能力受到广泛关注，在生物医疗等领域展示出巨大的应用潜力。本文针对磁软体机器人的墨水直写(DIW)3D打印问题，根据需求和材料特性进行材料设计优化，制备了具有稳定可打印性的硬磁软材料墨水。在此基础上，通过流变性实验验证了混合墨水的可打印性，使用DIW完成了对硬磁软体机器人的制造。之后，设计并制造了一种用于货物搬运的多模态磁软体机器人，在外磁场的作用下机器人可以以爬行和滚动两种模式运动，兼具货物搬运和放置的能力。本文所提出的磁软体机器人3D打印方法将为以后磁软体机器人的材料选择和广泛应用提供基础。

 四足机器人腿部结构
     拓扑优化设计及力学性能分析

李伟豪1茅健1郑武2张婷1

1.上海工程技术大学机械与汽车工程学院2. 华融普瑞(北京)科技有限公司

摘要：

基于变密度方法中的SIMP(Solid Isotropic Material with Penalization)模型，提出一种多复合材料3D打印制造的拓扑优化方法对四足机器人腿部结构进行优化设计。采用体积约束下最小应力的优化方式，同时引入复合材料的本构矩阵，使得优化结果更加合理。针对四足机器人常见工况进行静力学分析，并对最大位移下的载荷情况进行拓扑优化设计。为了验证优化后腿部结构的强度，分别制备拓扑增强和轮廓增强腿部结构并进行试验分析。

试验结果表明，拓扑增强结构最大位移比轮廓增强结构在外摆工况下降低了53.57%。拓扑增强结构承载比在0°和30°外摆工况下比轮廓增强结构分别提升了17.98%和24.57%。通过对四足机器人腿部结构优化前后的试验对比可知，经过拓扑优化设计，四足机器人腿部结构力学性能得到提升，优化设计具有可行性。该拓扑优化方法对于提高产品力学性能，具有一定作用。

 高压输电线路机器人防滑挂线轮毂
     的H型3D打印装置的研究

张立军1马哲1王钰文2张晓东3贺庆强1王智伟4王吉岱4马龙5王晓强1李明1

1.中国石油大学(华东)机电工程学院2. 河北北方学院农林科技学院3. 中国石油大学(华东)计算机科学与技术学院4. 山东科技大学机械电子工程学院5. 江苏省送变电有限公司

摘要：

针对目前桌面级3D打印机存在打印速度慢、打印精度低的问题，提出并设计了高压输电线路机器人防滑挂线轮毂的H型结构3D打印机。通过对3D打印机结构建模与运动学分析，建立了其数学模型，推导出其逆运动学方程；提出了H型结构3D打印机的控制算法，运用PID控制调节系统的输入信号和输出信号的误差，获得了3D打印机的稳定工作模式。试验结果表明，提出的H型结构的3D打印机的打印精度高于目前常见Prusa I3型结构，能够实现快速平稳打印，打印速度提高20%左右，末端执行器在80 mm/s速度下仍能平稳工作，且运动轨迹理想，应用前景好。

 基于3D打印介电
弹性体驱动器的柔性机器人

宿森

青岛大学

摘要：

介电弹性体驱动器(DEA)作为柔性材料具有大应变、高效率、高能量密度和快速响应等优点,在近几年被广泛地应用于软体机器人、软夹具和各种人工肌肉等方面。但是目前介电弹性体一般都是旋涂制作,制作过程十分复杂,无法实现大量快速制作。本文研究了一种可以3D打印快速制作的DEA,这种介电弹性体材料可以通过紫外光快速固化,并且具有良好的力学性能和电驱动性能。该材料基于CN 9021(丙烯酸酯)进行改性,通过调整稀释剂和交联剂在油墨中的重量比,获得了可以用3D打印制作的粘度和最佳的力学性能。使用有限元分析DEA在驱动过程中的形变,通过添加增强纤维放大了DEA的单方向形变,制作了可以爬行的柔性机器人,在频率为1 Hz的4 k V电压下爬行速度大约为3 mm/s。使用改性后的油墨进行3D打印测试,分析并改进了打印过程。3D打印制作的DEA可以在2.5 k V的电压下产生7.6 mm的自由端位移。对比旋涂方法与3D打印制作的DEA的驱动性能,两种制作方式制作的DEA表现出了相同的性能,这表明3D打印方式在不降低DEA性能的情况下,简化了DEA的制作过程,提高了制作效率。本研究选用电吸附作为机器人攀爬的附着原理。通过仿真分析对比了不同的电极材料和不同的电极厚度对电吸附力的影响,选择多壁碳纳米管作为电吸附垫的电极材料,电极层厚度在nm级别。使用3D打印制作电吸附垫并测试了在不同材料的基板上产生的法向和切向电吸附力。基于3D打印制作的DEA和电吸附垫制作柔性机器人,测试了在不同电压下机器人的驱动力与伸长量的关系,测试了基板材料、驱动电压大小和驱动电压频率对机器人爬行运动产生的影响,本研究制作的柔性机器人在平面上的最大爬行速度约为5.4 mm/s,在45°倾斜面上的最大爬行速度约为1.8 mm/s。

 仿人机械手臂一体化
     结构设计及其控制系统研究

陈炳阳

北京化工大学

摘要：

伴随着人们日常生活需求的提高与各种机器人相关技术的快速发展,对仿人机器人的研究也逐渐增多。而仿人机械手臂作为仿人机器人重要的组成部分,对其进行设计与研究便具有了很重要的实际意义。

本课题通过对人体手臂的分析,并结合了当今国内外先进的仿人机械手臂的优点,基于解剖学、机器人学、控制系统仿真技术以及机电一体化技术等学科设计了一种仿人机械手臂一体化结构,并基于FOC控制算法对其进行控制。

通过参考人手臂的结构以及运动状况,确定了仿人机械手臂一体化结构的设计方案,并对传动方式与驱动方式进行选择,利用Solidworks软件设计三维模型。对仿人机械臂与机械灵巧手进行运动学分析,利用D-H参数法求解二者的运动学正、逆解,并利用Matlab软件验证运动学正、逆解的正确性,并对二者的工作空间与轨迹规划进行仿真。控制系统方面,基于FOC控制算法,设计了仿人机械手臂一体化结构的控制系统,并用Matlab软件进行仿真,验证控制系统的功能性、稳定性等,并利用试凑法得到合适的参数,使实际运动曲线贴合目标运动曲线。利用3D打印技术搭建仿人机械手臂一体化结构的样机,并搭建其硬件控制系统,利用Visual Studio软件开发上位机,使控制程序的调试与运动控制更加方便与高效。对搭建的样机进行运动试验,试验证明本文设计的仿人机械手臂一体化样机能够实现基本功能需求。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

根据3D科学谷《算法 l 在增材制造（AM）过程中应用机器学习（ML）的算法》一文，传统的实验方法来确定金属增材制造（MAM）部件的机械性能不仅耗时，而且成本高昂，通常还受限于特定材料和工艺。这些限制使得实验方法难以广泛应用。机器学习提供了一种替代方法，它可以分析大量的数据，学习加工参数和材料特性与机械性能之间的关系，从而预测部件的性能。这种方法更加灵活，成本效益更高，并且可以处理更广泛的材料和工艺组合。

近日，卡内基梅隆大学和匹兹堡大学的研究人员在《Additive Manufacturing》期刊上发表了一篇关于金属增材制造（MAM）机械性能预测的研究。本期谷.专栏将对该文的研究背景、最新进展及总结进行分享。

“ 3D Science Valley 白皮书 图文解析

”

▲基准研究中使用的工作流程，包括数据采集、特征提取、机器学习模型的训练、预测任务和模型分析。

▲论文链接：https://doi.org/10.1088/2631-7990/acded2

这项研究对于金属增材制造领域具有重要意义，因为它提供了一种有效的方法来预测构件的机械性能，从而有助于提高生产效率和产品质量，同时降低成本。”

3D科学谷发现

3D Science Valley Discovery

研究亮点：

1. 模型的通用性：开发的机器学习模型不仅适用于特定的材料和工艺，而且具有跨不同材料、工艺和机器的通用性，这意味着模型可以广泛应用于多种MAM场景。
2. 成本效益：与传统的实验方法相比，机器学习模型提供了一种成本效益更高的解决方案，可以减少实验的需要，加快预测过程。
3. 预测性能：研究中测试的ML算法，如随机森林、梯度提升和神经网络，显示出比其他模型更优的性能，这有助于提高预测的准确性。

Insights that make better life

人工智能将重新定义增材制造，解决制约3D打印产业化方面有关产品质量的两个关键挑战：Predictability（质量的可预测性）与Repeatability（质量的可重复性）。人工智能将成为3D打印技术的内核，赋能3D打印技术突破成本与可复制性的束缚，将扫平原型制造与量产之间的鸿沟，开辟指数级别增长之路，也将重新定义增材制造领域的诸多商业模式。

3D科学谷

 低成本的预测手段

这项研究利用机器学习模型，通过广泛的数据集来预测金属增材制造构件的机械性能，如屈服强度、极限抗拉强度、弹性模量、伸长率、硬度和表面粗糙度等。研究中使用了多种机器学习算法，包括随机森林、梯度提升决策树、支持向量机、高斯过程回归、LASSO回归、Ridge回归、神经网络和XGBoost等，以评估它们在预测方面的性能。

研究的亮点在于，机器学习模型在多个机械性能预测实验中达到了85%以上的预测准确率，并且具有较高的可解释性。这为金属增材制造的工艺优化、材料选择和性能评估提供了一种低成本的预测手段，同时也是机器学习在制造领域的重大进展。

研究团队成功开发了能够准确预测MAM过程中机械性能的机器学习模型，研究人员比较了多种机器学习模型，包括随机森林、梯度提升决策树、支持向量机、高斯过程回归、LASSO回归、Ridge回归、神经网络和XGBoost等，以评估它们在预测机械性能方面的能力。这些模型具有跨不同材料、工艺和机器的通用性，并且通过SHAP分析提高了模型的可解释性。

“ 3D Science Valley 白皮书 图文解析

”

与实验和模拟方法相比，ML 机器学习模型提供了更大的灵活性和适应性，可以根据需要轻松调整。因此，实施基于实验数据构建的 ML机器学习

模型可以提供一种更具成本效益的解决方案。此外，使用 ML 机器学习

算法可以检查加工参数对机械性能的集体影响，并有助于在实验数据点之外进行推断。

因此，将 ML 机器学习集成到 MAM 过程中不仅有助于预测各种加工参数的机械性能，而且还有助于确定最佳加工参数以确保所需的机械性能。认识到这些优势，数据驱动分析和机器学习的集成已成为先进制造的标准做法，并在增材制造研究中越来越普遍。然而，由于高度异构且获取成本高昂的数据可用性有限，机器学习算法在 金属增材制造（MAM）中的应用遇到了挑战，当前可用于机器学习的增材制造数据明显小于可用于其他机器学习任务的数据集。

 基于数据

凭借研究人员手中的大量数据集，研究人员在这项名为 MechProNet 的计划中的目标是通过制定一套专门针对增材制造的机器学习方法来预测增材制造部件的机械性能。还评估了与构建过程相关的各种参数如何影响所采用的 ML 模型的预测性能。此外，可解释的 AI 方法，特别是 SHAP 分析，用于阐明 ML 机器学习模型的预测结果，使其可解释。此外，还引入了一种基于数据的模型识别方法，以揭示 MAM金属增材制造工艺中加工参数、材料特性和由此产生的机械特性之间的明确联系。

“ 3D Science Valley 白皮书 图文解析

”

研究人员框架的关键创新在于它适用于各种材料、加工条件和 MAM 工艺。基于物理的特征化确保研究人员的模型可以预测功率、层厚度、MAM 工艺、子工艺、构建方向和后处理方法的任意组合的机械性能。

这种适应性意味着研究人员的框架甚至可以预测数据集中未包含的材料（包括新开发的材料）的属性。这个全面且适应性强的框架代表了该领域的重大进步，因为以前从未开发过这样的通用方法。

▲图：显示了研究人员基准数据集中 Inconel 718 机械性能的 Pearson 相关矩阵。该矩阵是总结综合数据集的强大工具，可显示所有变量之间的相关系数和模式。值得注意的是，屈服强度、极限拉伸强度和弹性模量彼此呈正相关，而与伸长率呈负相关。此外，硬度（维氏硬度和洛氏硬度）与材料强度特性呈强正相关，但与伸长率呈负相关。

研究人员收集了一个全面的实验数据集，涵盖各种 MAM 工艺、材料和机器，特别关注它们对机械性能的影响。3D科学谷了解到，研究人员的基准机器数据集包括由各种 AM 机器（如 EOS、SLM Solutions、Renishaw、Concept Laser、3D Systems、Velo3D 和 AddUp）制造的增材制造部件的机械性能。出了PBF增材制造工艺，研究人员开发的数据集还涵盖了一系列 DED 工艺，包括 Optomec、Markforged、Meltio 和 Desktop Metal 等公司提供的工艺。此外，还包括 Sciaky 提供的 E-DED 工艺，以及电弧-DED 工艺。
“ 3D Science Valley 白皮书 图文解析

”

研究人员探索了几种特征化技术来提高多个 ML 模型的性能，同时还研究了评估指标和超参数优化方法。 在测试的 ML 机器学习算法中，包括随机森林、梯度提升和神经网络，研究人员发现这些模型的表现始终优于其他模型。因此，研究人员成功开发了一种能够预测 MAM 工艺中机械性能的精确基准 ML 模型，该模型可适用于不同的材料、工艺和机器。

总之，研究人员努力通过研究可解释的 AI 方法（特别是 SHAP 分析）来提高可解释性，以阐明 ML 模型对屈服强度等性能的预测。此外，研究人员还设计了一种数据驱动的模型识别方法，以基于数据集处理参数和材料特性建立明确的机械性能模型，旨在比所采用的 ML 模型具有更高的可解释性。

最重要的，通过提供一个标准化的比较和评估平台，研究人员建立的基准 MechProNet 将促进增材制造工艺的优化，并成为金属增材制造机器学习社区的宝贵资源。

来源
Additive Manufacturing l
Machine learning prediction of mechanical properties in metal additive manufacturing

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

近日，作为在3D打印中实施AI 的先行者，Aibuild 推出了该公司软件平台的最新版本 Aibuild 2.0，引入了增强的功能、新的战略合作伙伴关系，旨在加速大幅面增材制造行业的创新。

▲ Aibuild从切片到过程控制
© Aibuild

 单个云平台

Aibuild 代表了一个独特的软件类别——在单个 AI 驱动的云平台内无缝集成从切片和优化到实时控制和监控的整个制造过程。

▲ AI赋能3D打印
© 3D科学谷白皮书

Aibuild 平台深受福特、波音和尼康等世界领先制造商的信赖，可在机器人和龙门系统上为各种工业AM-增材制造技术提供全自动加工路径生成，包括聚合物挤压、金属DED定向能量沉积、WAAM、冷喷涂以及混凝土挤压。

新版本的主要功能包括：

完全自动化：平台上的每个操作都是可跟踪和可重复使用的，允许用户定义一次制造策略，只需单击一下即可生成可打印的加工路径。

AI 副驾驶：Aibuild 的内置 AI 助手可自主推荐和执行操作，使所有经验水平的工程师都可以使用 AM。

无缝集成：该软件与不断扩展的AM硬件和材料网络无缝集成，为整个制造过程提供统一的平台，无需反复试验。

无限灵活性：开放平台架构和可视化编程界面允许无限制地创建高级加工路径。

随处访问：Aibuild 安全的、经 ISO 27001 认证的云基础设施无需安装、升级或文件管理 – 使 AM 增材制造工作流程可从任何设备和位置访问。

除了软件增强功能外，Aibuild 还建立了新的合作伙伴关系，以推动行业创新。其中一个值得注意的合作伙伴是意大利大幅面 3D 打印机制造商 WASP。Aibuild 与 WASP 合作，将新的 Cerebro 硬件无缝集成到其平台上作为数字孪生。Cerebro 在 Aibuild 软件上的实施已成功完成，展示了两个系统的完全兼容性，并为利用 WASP 的所有挤出系统（包括颗粒和陶瓷挤出机）开辟了无限可能性。

 进入现实的未来主义图景

把跨时代的转变看作一个缓慢的过程大有裨益，每个微小的变革都让我们更接近于范式的转变，突然之间，物换星移。我们常常忽略的微小变化在逐渐积累，可以把它想象成正在填满容器的缓慢滴落的水滴，滴滴答答的声音让人想起了时钟，传递出一种时光流逝的感觉。当水突然从容器中溢出来的时候，我们惊醒，闹钟铃声大作。

《趋势2030》

根据3D科学谷《洞悉数据与软件赋能增材制造走向智造的发展》一文，机器视觉和机器学习算法就像3D打印设备的眼睛与大脑，赋能设计者与制造者更敏捷的设计与制造能力，赋予3D打印设备监测和控制打印质量的自进化智能制造属性，降低发生打印错误的风险。

在过去十年中，关于 AM-增材制造加工过程监测的论文和专利数量急剧增加。这是因为AM-增材制造加工过程是一个动态过程，更是个数字化的过程，在构建过程中具有改进的潜力。

▲ AI赋能3D打印
© 3D科学谷白皮书

根据3D科学谷的市场研究，人工智能在每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化。

根据3D科学谷的市场研究，目前所有算法，包括监督、无监督和强化算法都已在 AM-增材制造中使用。无监督和强化算法可以从过程中本地学习并开发模型，并在同一构建中改变参数以减少错误、最小化缺陷或定制微观结构。在这种情况下，本地监控、本地数据处理、结果分析和本地控制反馈是必不可少的。这需要广泛的数据收集、数据的快速分析和处理以及大的存储空间。

这种快速生产的未来主义图景会从根本上改变整个行业，根据3D科学谷的市场判断，曾经耗时数月的复杂零件的制造，质量保证和后处理方法可以缩短为几天。而这一切，随着类似于 Aibuild 这样的平台化解决方案的完善，一切都在发生。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

根据3D科学谷，工业制造经常采用严格的质量标准来确保组件的一致性和性能。由于AM-增材制造流程通常用于制造单个或小批量零件，因此达到与传统制造流程相同的统计质量保证变得昂贵且困难。增材制造的质量控制仍然是阻碍高价值行业进一步采用这类工艺的突出问题。

随着人工智能技术的快速发展，国内外学者们开始尝试采用机器学习、强化学习算法进行DED定向能量沉积增材制造过程中实时信号分析、工艺优化、闭环控制等方面的研究。上海科技大学智造系统工程中心（CASE）的翟梓融课题组提出了一种基于深度强化学习算法的工艺参数与加工路径相匹配的综合优化框架。

▲Fig. https://doi.org/10.1016/j.jmapro.2024.05.001

人工智能软件可以添加到数字设计平台的优势是能够在现有的仿真工具中工作，并减少计算所涉及的每个微分方程的需要。虽然机器学习肯定有利于任何类型的制造工艺，但由于3D打印这项技术的数字化天然属性，人工智能可能与增材制造 (AM) 最具互补性。机器学习可以充分探索增材制造设计与制造空间，识别适用于特定组件的每种物理类型的真正极限。这释放了增材制造的独特能力，可以提供极具加工挑战的复杂几何设计，从而为困难的工程挑战提供最具创意和成本效益的解决方案。更重要的是，某些3D打印-增材制造系统制造商也认识到这种能力对于改进自己设备的价值——节省时间、提高性能并微调3D打印的准确性。

3D科学谷

© 3D科学谷白皮书

 研究背景

由于沉积速度快、工艺灵活性高，定向能量沉积（Directly Energy Deposition，DED）技术，作为增材制造（Additive Manufacturing, AM）大家庭中的重要成员，已经在复杂零件再制造领域广泛应用。其基本制备工艺过程是，将原材料以金属粉末或丝材形式输送至聚焦的激光束、电子束或等离子/电弧能量源下的基板上，熔化后形成小熔池，并按照预先设计的路径逐层连续沉积材料，最后形成零件。

在零件制备过程中，工艺参数与加工路径的匹配是影响零件性能和成型质量的重要因素。随着人工智能技术的快速发展，国内外学者们开始尝试采用机器学习、强化学习算法进行DED过程中实时信号分析、工艺优化、闭环控制等方面的研究。考虑到DED过程中零件反复经历快速加热-冷却循环，局部温差会导致零件收缩变形，需采取工艺参数与加工路径同时调整的策略。

▲图：深度强化学习算法优化增材制造镍基高温合金工艺参数整体流程图。利用深度强化学习智能体的探索能力在高效的仿真环境中进行大量交互，根据奖励函数的设定完成相应策略的学习，将最优策略部署到真实环境中测试与打印。

 内容简介

智造系统工程中心（CASE）的翟梓融课题组提出了一种基于深度强化学习算法的工艺参数与加工路径相匹配的综合优化框架。通过修正Rosenthal方程从而快速求解DED加工过程中每层的温度场，在毫秒级计算出不同扫描策略的单层温度场；并针对20种不同镍基高温合金，利用近端策略优化（Proximal Policy Optimization，PPO）生成降低层间温度场变化的定制化综合控制策略。通过对比IN718合金的打印结果发现，与基于速度控制或功率控制的往返路径相比，综合控制策略助力样品成形精度提高约35%，样品水平和垂直方向的硬度分散性分别降低31.8%和27.1%。此项研究表明深度强化学习算法在定向能量沉积领域的参数优化方面具有应用潜力，能够显著改善产品质量分散性。

▲图：定向能量沉积（Directly Energy Deposition，DED）过程中温度场快速仿真器。Rosenthal方程给出单道激光移动过程中的温度场分布，修正计算道间与层间切换导致的热量损失，利用偏微分求解完成数据的快速采样。

该项成果以 “An intelligent process parameters optimization approach for directed energy deposition of nickel-based alloys using deep reinforcement learning”为题发表在制造领域的国际著名期刊《Journal of Manufacturing Processes》上，上海科技大学是该研究的第一完成单位，CASE的2021级硕士研究生石帅为第一作者，翟梓融为通讯作者。

▲图：定向能量沉积过程中工艺参数控制的深度强化学习框架。DED仿真环境给定当前的奖励值与状态信息，深度强化学习框架选取当前工艺参数动作更新环境，直到累积奖励值最大完成策略学习。

▲图：深度强化学习策略与常规单因子往返策略的对比分析。深度强化学习策略能够有效控制温度在目标区间，控制温度质心相对均衡分布。

▲图：不同打印策略的样品硬度分散性对比。由等高线图对比发现深度强化学习策略样品平均硬度相对较高，硬度分散性显著降低，整体控形能力较强，相对符合打印预期。

 研究亮点

1. 通过修正Rosenthal方程快速求解DED加工过程中每层的温度场，在毫秒级计算出不同扫描策略的单层温度场，为后续深度强化学习算法提供了高效的采样仿真器。

2. 提出了一种基于深度强化学习算法的工艺参数与加工路径相匹配的综合优化框架，利用近端策略优化（Proximal Policy Optimization，PPO）生成降低层间温度场变化的定制化综合控制策略，显著改善产品质量分散性。

3. 通过对比IN718合金的打印结果发现，综合控制策略助力样品成形精度提高约35%，样品水平和垂直方向的硬度分散性分别降低31.8%和27.1%。

论文：https://doi.org/10.1016/j.jmapro.2024.05.001

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

▲ LPBF 制作的样品的等高线图以及不同的激光功率和扫描速度
© Journal of Materials Research and Technology

3D打印-增材制造可以在不同材料分布的帮助下根据负载和其他要求调整局部密度。此外，借助定制的数字材料，可以优化组件的重量、成本和生产时间。增材制造 (AM) 作为一项突破性的生产技术，由于其几何自由度和免模具生产，成为可以高效生产数字材料的工艺。

3D科学谷

 不需要大量试错

尽管增材制造在促进新颖设计和制造方法方面具有变革潜力，但其过程控制仍然非常具有挑战性，因此这种创新制造技术的全面突破尚未实现。根本原因是需要正确选择大量的加工参数，才能成功制造具有所需微观结构和性能的致密部件。确定最终的最佳加工参数并非易事，到目前为止，尽管有实验设计和统计分析的支持，但主要基于反复试验。通过数据驱动的机器学习 (ML) 方法提供了一种不需要大量试错的方法 ，机器学习可以充分发挥金属增材制造技术的潜力。

© 3D科学谷白皮书

3D科学谷了解到增材制造工艺的复杂性以及工艺和材料参数的众多，通常阻碍了分析或第一原理建模方法的使用。在这种情况下，统计和机器学习方法对于破译复杂模式、预测结果和指导增材制造的最佳决策过程变得非常有价值。因此，将机器学习集成到增材制造中不仅可以提高生产效率和零件质量，而且还显示出开拓先前未知设计领域的潜力。因此，这推动了增材制造领域的进一步创新。

到目前为止，增材制造的机器学习方法主要应用于两个不同的方向：原位监测以及识别或优化 处理参数。在后一种情况下，目标是确定一组加工参数，根据组件或材料所需的特性，这些参数将导致其成功制造。当需要优化两个或多个竞争属性时，情况会变得更加复杂。这一挑战被认为是多目标优化。与单目标优化不同，单目标优化的目标是找到一组参数来优化特定的输出，多目标优化涉及平衡几个所需的参数之间的权衡。结果。这本质上使优化任务变得更加复杂，因为可能改善一种结果的更改可能会同时降低另一种结果。此外，多目标优化问题的解不是单个最优点，而是一组所谓的帕累托最优解。

 可扩展

在这项研究中，研究人员提出了一种 LPBF 激光选区金属熔融增材制造的多目标优化方法，特别针对确定制造所需微结构的最佳加工条件。研究人员通过选择Zr基玻璃形成合金作为研究对象，关注其在LPBF过程中的密度和非晶度。使用高斯过程回归（GPR）和非支配排序遗传算法II（NSGA-II）进行双目标优化。

研究人员的实验表明，加工参数对密度和非晶度产生相反的影响，证明了研究人员基于机器学习的方法的有效性。研究人员采用高斯过程回归的多目标优化来建模和预测 LPBF（一种广泛使用的金属增材制造技术）制造的零件的目标属性及其不确定性。以密度和非晶度作为目标参数，研究人员使用非支配排序遗传算法 II 促进的帕累托前沿优化模型。尽管非晶度数据存在偏差，研究人员还是证明了这种方法可以识别工艺参数的高性能区域，并且能够通过额外的实验数据迭代增强其能力。这种双目标优化方法为 LPBF 处理提供了强大的工具集。它可以轻松扩展到更大的目标属性集并转移到进一步的增材制造技术。

© 3D科学谷白皮书

尽管实验数据集存在不确定性，尤其是非晶性的情况，但研究人员的方法显示了迭代改进和逐步细化模型以获得最佳处理参数的潜力。后者是通过执行额外的实验、用新数据点丰富数据集并相应地更新模型来实现的。尽管目前的数据集提出了某些挑战，但研究人员基于机器学习的方法的适应性为实现最佳的增材制造结果提供了一条稳健的途径。

▲图 1. 用于识别最佳 LPBF 处理参数的基于 ML 的方法的示意图

NSGA-II 算法是解决各种多目标优化问题的最稳健和最有效的算法之一。它是一种进化优化算法，旨在找到描述帕累托前沿的多种非支配解。

研究人员还相信这种机器学习框架的应用领域可以扩展到热电、磁性或其他功能材料。通过这种方式，构建的机器学习框架利用了工艺参数-结构-性能关系，允许通过设计制造材料。最后，研究人员想强调所提出的基于机器学习的方法的可移植性。这项工作中提出的稳健框架不仅可以扩展到 LPBF 加工的其他合金和目标性能，还可以扩展到进一步的增材制造技术。更准确地说，研究人员的双目标机器学习框架不仅限于 LPBF，还可以扩展到其他基于粉末床或定向能量沉积 (DED) 的 AM 增材制造技术，例如涉及粉末或线材作为原料的激光 DED 定向能量沉积增材制造或线弧DED定向能量沉积增材制造 。这些增材制造技术由于其数字化处理控制，可以通过机器学习进行优化。

这项研究强调了机器学习在优化增材制造过程中的关键作用，特别是在处理需要同时考虑多个属性的复杂优化问题时。通过结合GPR和NSGA-II，研究者能够更有效地探索参数空间，找到最佳的加工条件，从而提高零件的性能和质量。此外，研究人员还提出了机器学习框架在未来可能的发展方向，包括扩展到其他材料和增材制造技术。

 NSGA-II遗传算法

NSGA-II（非支配排序遗传算法II）
NSGA-II（非支配排序遗传算法II）是一种用于解决多目标优化问题的遗传算法。它最初由Kalyanmoy Deb等人在1999年开发，旨在改进早期的NSGA（非支配排序遗传算法）算法。NSGA-II在处理多目标问题时，特别强调了算法的收敛性和多样性。

在材料开发领域，NSGA-II可以用于优化材料的设计参数，以满足多个性能指标。例如，可以利用NSGA-II来寻找具有最佳强度、韧性和成本效益的合金配方，或者用于确定具有特定电导率、热导率和机械性能的复合材料的最佳制造过程。

NSGA-II算法的主要特点包括：

非支配排序：算法首先将种群中的个体根据非支配关系进行排序。非支配关系意味着一个解在所有目标上都不比另一个解差。

拥挤距离：为了维持种群多样性，NSGA-II引入了拥挤距离的概念。拥挤距离是一个度量，用于衡量一个解周围有多少空间可以用于生成新的解，从而避免解的聚集。

精英策略：在生成下一代种群时，NSGA-II使用精英策略，即在父代和子代中选择最好的个体进入下一代。

快速非支配排序：NSGA-II改进了非支配排序的算法，使其更加高效。

二进制编码：该算法通常使用二进制编码来表示解，并通过交叉和变异操作来生成新的解。

在材料开发中应用NSGA-II时，通常需要：

定义多个目标函数，这些函数代表了材料的不同性能指标。

确定设计变量的范围，这些变量是材料设计中可以调整的参数。

设定算法的参数，如种群大小、交叉率、变异率等。

运行算法，直到达到预定的迭代次数或解的质量不再显著提高。

通过使用NSGA-II，研究人员可以获得一组在多个性能指标上表现良好的材料设计方案，从而为实验和进一步研究提供指导。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

3D打印发展到通过技术创新和智能系统来提高金属增材制造部件质量的节点，以满足工业界对可靠性和安全性的高要求，机器学习扮演了关键的作用，机器学习可以辅助增材制造中的闭环控制，通过智能决策和预测能力来优化工艺参数，实现更高质量的制造。

人工智能将重新定义增材制造，解决制约3D打印产业化方面有关产品质量的两个关键挑战：Predictability（质量的可预测性）与Repeatability（质量的可重复性）。人工智能将成为3D打印技术的内核，赋能3D打印技术突破成本与可复制性的束缚，将扫平原型制造与量产之间的鸿沟，开辟指数级别增长之路，也将重新定义增材制造领域的诸多商业模式。

3D科学谷创始人王晓燕

▲ 当前用于增材制造的机器学习类型
© 3D科学谷白皮书

 提高质量和工艺可靠性

在金属增材制造（AM）中，确实存在着传统闭环控制（CLC）策略在处理高度动态和随机的增材制造过程中的局限性。机器学习（ML）技术提供了一种新的方法，能够通过数据驱动的模型来优化工艺参数、预测和诊断缺陷，从而提高制造过程的质量和可靠性。

传统闭环控制的局限性：传统CLC策略通常基于确定性的规则，可能不足以应对增材制造过程中的复杂性和不确定性。这是因为增材制造过程中材料的微观结构和零件几何形状是逐步形成的，且受到多种因素的影响，包括材料特性、工艺参数、环境条件等。

离线和在线机器学习模型的应用：离线模型主要用于在构建开始之前通过历史数据来优化工艺参数，而在线模型则利用实时传感数据来检测和诊断制造过程中的缺陷。这种实时反馈机制对于提高制造过程的适应性和鲁棒性至关重要。

机器学习模型的预测功能：具备预测功能的机器学习模型能够为现场过程控制提供基于上下文的建议，这对于实现自适应控制和实时决策至关重要。这些模型通常需要结合物理信息和数据驱动的方法，以提高预测的准确性和可靠性。

强化学习和逆向机器学习模型：研究人员倾向于使用强化学习或逆向机器学习模型来做出快速、情境感知的控制决策。这些方法能够根据实时数据和历史经验来优化控制策略，从而实现对缺陷的有效管理。

缺陷的自主量化和管理：目前，机器学习辅助的原位控制策略主要针对那些可以相对容易地自主量化的缺陷。缺陷管理通常涉及避免、纠正和修复三种策略，而机器学习模型在纠正缺陷方面显示出了较大的潜力。

技术整合与自适应控制：为了实现工业环境中的自主现场控制，必须无缝整合包括传感器技术、数据采集、机器学习模型、实时处理和执行机构等多种技术。此外，自适应控制的相关主题，如模型泛化、实时性、可解释性和鲁棒性，也是实现自主控制的关键因素。

 提高质量和工艺可靠性

机器学习技术在增材制造领域具有巨大的潜力，尤其是在提高过程控制的适应性、灵活性和可扩展性方面。然而，要实现这一目标，还需要在算法开发、数据集成、模型解释性、实时处理和系统集成等方面进行更多的研究和开发。

来自澳大利亚国立大学计算机学院，劳伦斯利弗莫尔国家实验室，田纳西大学，GE，弗劳恩霍夫增材制造技术研究所 IAPT的科研人员提出了三种在增材制造（AM）过程中应用机器学习（ML）的算法，具体包括：

优化工艺参数（ML1）：这类算法通过机器学习技术来确定最佳的工艺参数，以避免在生产过程中出现缺陷和异常。这些参数定义了最佳的加工路线。通常，这些算法在构建开始之前会离线进行，最近的研究工作表明，使用强化学习（RL）算法可以在生产过程中进行原位优化。

缺陷和异常检测（ML2）：这些算法用于持续评估生产过程的性能，检测过程中的缺陷、异常和错误。它们通过与性能要求的比较，从感官数据构建过程，以在线运行的方式提供即时警告。这些算法依赖于对现场传感器信号的快速分析。

预测和控制（ML3）：基于机器学习的预测算法允许在构建过程中部署预测性过程控制。这些控制措施旨在确保增材制造过程保持在规定的性能要求范围内，以避免、减轻或修复缺陷或异常，或最大限度地减少过程偏差。这些算法同样需要在线工作。

▲ 人工智能+3D打印
© 3D科学谷白皮书

这些算法的应用有助于提高增材制造过程的质量和效率，通过预测、检测和优化工艺参数来减少生产中的不确定性和潜在的缺陷。强化学习在原位优化中的应用表明，机器学习技术不仅限于静态的参数优化，还可以动态地用于改进生产过程。

 重塑竞争壁垒

全球范围内，增材制造正处在人工智能为其插上腾飞翅膀的前夕。根据德国ACAM亚琛增材制造中心，3D打印企业在全世界范围普遍来说并没有实现很好的盈利，一个关键点是从应用的产业化角度来看，可以实现盈利的制造模式应该是具有经济效益的数字驱动的端到端的制造工艺链为核心，而当前3D打印陷入在一个两难的境地，往往是当规模扩大的时候，随之而来的生产成本以级数级别的增加，这反过来使得要实现盈利成为非常具有挑战的事情。增材制造将朝着软件和数据驱动的自进化智造技术方向发展，人工智能的应用将使得硬件拥有更“聪明的大脑“，更”灵敏的神经“以及”更准确的双手“，让加工变得更高效。

如何实现更好的盈利？根据《AI未来进行式》，只有当业界预见到一些高价值的应用能够落地时，那些与之相关的耗资巨大的技术才会有机会不断发展、走向成熟。如果一种技术能解决某种特别关键的需求，一些公司往往愿意为该技术在发展初期的巨额投入甚至亏损买单，以换取后期依靠这种技术进行扩张、获取更高利润的可能性。可以遇见，在人工智能成为智能制造的智能中枢的历史节点，科研机构在推动3D打印成为软件和数据驱动的自进化智造技术方面将获得不断的长足进步，而未来则属于那些看得到趋势所在，并将趋势融入进自身发展中的企业。

3D科学谷创始人王晓燕认为，人工智能将迅速推翻此前依靠试错累积的经验所搭建的竞争壁垒，并将依赖经验的人工成本对冲为企业发展劣势，聪明的企业将适当的布局和调整发展战略，以适应人工智能重新塑造增材制造领域的增长逻辑。

参考资料：《Machine learning-assisted in-situ adaptive strategies for the control of defects and anomalies in metal additive manufacturing》

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

▲ 机器学习与热成像结合监测3D打印过程
© 卡耐基梅隆

▲ 当前用于增材制造流程优化任务的机器学习类型
© 3D科学谷白皮书

 理解扫描策略的影响

卡耐基梅隆大学的研究人员提出了一种基于机器学习的方法，用于使用红外模式实时检测金属增材制造中的热量积累区域。对识别和跟踪的扫描区域进行了表征，并研究了扫描策略对热量积累的影响。
此外，通过使用 X 射线计算机断层扫描证明了局部热量积累对孔隙形成的影响。该方法的有效性通过在 SS316L 合金打印零件上的实施得到验证，该零件旨在包含多种几何特征。

研究结果：

• 算法能够检测到90%以上的热量积累点。
• 发现扫描策略（如条纹角度和扫描矢量长度）对热均匀性、热量积累和孔隙形成有显著影响。
• 条纹角度与扫描区域面积呈正相关，影响蓄热区的平均温度。
• 在薄壁和几何特征周围，小条纹角度和短扫描矢量会导致更高的激光扫描温度。

重要发现：

• 最佳的条纹角度和扫描矢量长度可以增强热均匀性并减少热点。
• 局部热积累点通常集中在边缘和局部特征周围，这可能导致孔隙形成，增加疲劳失效的风险。

未来研究方向：

• 需要进一步研究以全面理解热量积累对微观结构的影响。
• 需要确定可能产生有害影响的热量积累程度。

技术挑战：

• 检测薄壁和小特征中的局部热量积累仍然是一个挑战，可以通过使用具有更高帧速率的先进成像系统来解决。

结论：

• 条纹角度是扫描策略优化过程中需要考虑的重要因素，因为它对热量积累有显著影响。

这些结果共同提供了关于扫描策略对热均匀性、热量积累和孔隙形成的显着影响的重要见解。已观察到条纹角度与扫描区域面积之间呈正相关。因此，蓄热区的平均温度升高。此外，在薄壁和几何特征周围的小条纹角度和短扫描矢量下，激光扫描的温度要高得多。事实证明，考虑到3D打印部件的几何特征，最佳条纹角度和扫描矢量长度可以显着增强热均匀性并消除热点。最后，局部热积累点集中在边缘和局部特征周围。在边缘处观察到孔隙图案，这些孔隙图案很可能由于严重的热量积累而形成在小角度扫描条纹的角部处。边缘的图案化孔会使3D打印部件更容易出现疲劳失效。因此，条纹角度对热量积累的影响是扫描策略优化过程中需要考虑的重要因素。

 可预测的加工过程

© 3D科学谷白皮书

这项工作将金属3D打印过程变得可预测、可控制具有重要的价值，3D科学谷将卡耐基梅隆大学的研究人员的发现概括如下：
机器学习与红外成像的结合：机器学习算法可以与红外成像技术相结合，以实时检测金属增材制造过程中的局部热量积累。这种方法可以通过分析红外图像来预测热点区域，从而为工艺优化提供数据支持。

热量积累的位置：热量容易在内部特征周围和薄壁处积聚，这些区域的热集中可能会导致不均匀的凝固条件和微观结构。

扫描策略的优化：通过优化扫描策略，如调整条纹角度和扫描矢量长度，可以减轻局部热点的问题，从而提高热均匀性。

设计特征的考虑：在执行激光扫描策略时，考虑零件的设计特征可以显著提高热均匀性，减少热量积累。

局部热量积累与缺陷的关系：局部热量积累与零件边缘孔隙的形成有关，通过实时监测和调节温度，可以减少这类缺陷的产生。

原位监测的重要性：原位监测对于确保金属增材制造过程的质量和可靠性至关重要。它可以帮助实现缺陷监控、自动反馈控制、过程参数映射和减少材料浪费。

计算框架的开发：卡耐基梅隆大学的研究人员开发了采用机器学习的计算框架，以实时识别局部热量积累的区域。这种方法的有效性已在具有各种几何特征的构建上得到了验证。

通过上述方法，可以更好地理解和控制金属增材制造过程中的热量积累问题，从而提高零件的质量和生产的可靠性。这些技术的进一步发展和优化有望推动金属增材制造技术在更多行业中的应用。

 红外成像

© 3D科学谷白皮书

红外热成像技术是一种非常有用的工具，能够通过检测和分析物体表面的热辐射来监测和预测各种物理过程。这项技术被用于多种应用，包括：
监测构建过程中的温度分布：红外成像技术可以用来监测物体在构建过程中的温度变化，这对于理解和控制制造过程中的热行为至关重要。

缺陷和异常检测：通过红外成像可以检测出过热、孔隙率、裂纹等缺陷，这对于保证产品质量和安全至关重要。

机械和微观结构特性的预测：红外成像数据可以用来预测材料的微观结构演变，如晶粒结构的变化和发展。

过程的自动控制：红外数据可以作为自动反馈控制系统的输入，用于监测和控制零件的温度均匀性，从而提高制造过程的效率和质量。

材料特性研究：热成像技术还可以作为研究材料特性（如反射率和导热率）的辅助工具。

热模型验证：红外成像技术可以用于验证热模型的准确性。

卡耐基梅隆大学的研究人员还提到了一些挑战和解决策略，例如：

校准的复杂性：红外热像仪的校准是一个复杂的过程，其准确性受到多种因素的影响。

局部热量积累的识别：由于热历史和多种参数的影响，识别局部热量积累是一个复杂的任务。

大型3D打印过程监控限制：对于大型零件的3D打印，现场监控可能会受到数据采集、空间分辨率和帧速率的限制。

为了克服这些挑战，卡耐基梅隆大学的研究人员提出了一种自动化方法来实时跟踪和识别局部热量积累事件，并将这些事件映射到3D打印零件的CAD几何结构中。这种方法可以分析激光扫描区域的局部热量积累以及激光刀具路径的影响，并通过X射线计算机显微断层扫描来评估其对孔隙缺陷的影响。

▲ 热量聚集对孔隙产生的影响
© 卡耐基梅隆

考虑到捕获帧速率和视场尺寸之间的权衡，利用红外成像的另外一个挑战是检测薄壁和小特征中的局部热量积累。通过使用具有更高帧速率的先进成像系统可以缓解这一挑战。尽管这项研究揭示了条纹角度和扫描矢量长度对局部热量积累高度的影响，但仍需要进一步的研究来全面研究这一重要课题。未来的工作可能会探讨热量积累对微观结构的影响以及可能产生有害影响的热量积累程度。

总的来说，红外热成像技术在工业和科学研究中的应用非常广泛，它为监测和控制复杂的物理过程提供了一种强大的工具。通过不断的技术创新和改进，这项技术有望在未来发挥更大的作用。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

本期，通过芬兰的坦佩雷大学工程与自然科学学院，法国的南特中央理工学院，以及芬兰的芬兰技术研究中心有限公司联合研究的基于深度学习神经网络的定向能量沉积过程监控，3D科学谷与谷友一起来领略人工智能在3D打印实时过程控制中的“小荷才露尖尖角‘。

▲ 航空疲劳与结构完整性国际委员会
© ICAF

3D打印由于其天然的数字化特征，且涉及到的海量数据难以通过人类的大脑来理解，人工智能将“主宰”3D打印的发展。

3D科学谷《3D打印与工业制造》

 走向智能制造

根据3D科学谷全球战略合作伙伴-增材制造市场研究机构AMPower, 能量沉积增材制造技术之前的应用基本停留在零件修复方面，尤其是送粉的DED技术，2021年出现的一个显著变化是激光熔丝能量沉积增材制造技术开始更多的用于零件制造用途，包括MELTIO和MITSUBISHI ELECTRIC-三菱电机等企业提供的激光熔丝能量沉积增材制造交钥匙项目服务使得这项技术在随后的几年中将有更大的市场发展可能。

根据德国ACAM亚琛增材制造中心，3D打印企业在全世界范围普遍来说并没有实现很好的盈利，一个关键点是从应用的产业化角度来看，可以实现盈利的制造模式应该是具有经济效益的数字驱动的端到端的制造工艺链为核心，而当前3D打印陷入在一个两难的境地，往往是当规模扩大的时候，随之而来的生产成本以级数级别的增加，这反过来使得要实现盈利成为非常具有挑战的事情。增材制造将朝着软件和数据驱动的自进化智造技术方向发展，人工智能的应用将使得硬件拥有更“聪明的大脑“，更”灵敏的神经“以及”更准确的双手“，让加工变得更高效。

在所有的3D打印技术中，激光熔覆并非是新技术，然而正是近几年的加速发展，使得这项技术越来越获得行业的重视。芬兰的坦佩雷大学工程与自然科学学院，法国的南特中央理工学院，以及芬兰的芬兰技术研究中心有限公司联合的研究提出了一种新型的 LW-DED 现场监测方法，利用过程图像进行熔池分割、熔池几何特征估计、过程稳定性评估和焊道几何形状预测。

▲ 人工智能用于过程监控
© 3D科学谷白皮书

使用基于卷积神经网络 (CNN) 的模型成功完成了熔池对象的分割，能够预测熔池面积、高度、宽度、区域中心以及边界框的中心点等基本参数。熔池。团队使用 Inconel 合金 625 丝和两种不同的基材进行沉积，使用带有 3 kW 光纤激光器的同轴激光焊接头，以及用于监控的离轴焊接摄像机。使用受控中心复合材料设计和随机实验对多个模型的准确性和处理速度进行了比较。

 更好的算法

在评估的 CNN 架构中，研究检查了四种基于 YOLO 的算法，包括用于训练数据集的大型模型（YOLOv5l 和 YOLOv8l）和小型模型（YOLOv5s 和 YOLOv8s）。分析表明，由于独特的视觉和表面特征，SS 基材的熔池几何形状建模在相同模型中表现更好。

▲ 芬兰坦佩雷大学工程与自然科学学院

YOLOv8l 表现出了卓越的准确性，对于不锈钢 (SS) 和低碳钢 (S355) 基板，平均精度 (mAP) 值分别为 0.925 和 0.853。此外，YOLOv8s 表现出每秒超过 114 帧的显着处理速度，这表明它适合实时过程控制。此外，结果表明工艺参数和熔池几何变量之间存在显着相关性。值得注意的是，熔池特性和通过显微镜检查获得的几何形状（包括渗透深度和热影响区）之间建立了明确的相关性。分析揭示了焊道面积和宽度参数之间的显着相关性。

为了确保稳健的统计分析，必须关注稳定的沉积条件。为了实现这一目标，研究了两个关键方面。首先，分析集中于沉积过程的稳定阶段，该稳定阶段发生在初始瞬态阶段之后并持续到过程结束。这种方法允许检查一致的过程行为。其次，引入了不稳定性指标来量化偏差，包括固有的不稳定性和缺陷测试。这是通过计算熔池边界框的中心与分段熔池区域的中心之间的距离来实现的。距离超过 100 μm 的实例被标记为不存在缺陷的稳定工艺条件下固有的不稳定性。表现出不稳定性的框架被排除在统计分析之外，从而提高了有关工艺属性的熔池特性统计分析的准确性。

结果证明了基于 YOLO 的算法用于检测和分割熔池的有效性。统计分析证实了稳定工艺数据的重要性和熔池几何模型的准确性。团队证明，使用 CNN 等人工智能方法集成先进的监测和控制技术可以促进过程稳定性和质量控制。此外，研究团队计划探索将所提出的框架集成到传感器融合平台中，从而实现全面的实时监测系统，该系统将图像、声发射和温度传感结合起来，使用基于人工智能和统计的方法来获取数字和分类数据。这些进步将有助于开发更强大、更高效的监测和控制系统，以提高增材制造的工艺性能和产品质量。

根据《AI未来进行式》，只有当业界预见到一些高价值的应用能够落地时，那些与之相关的耗资巨大的技术才会有机会不断发展、走向成熟。如果一种技术能解决某种特别关键的需求，一些公司往往愿意为该技术在发展初期的巨额投入甚至亏损买单，以换取后期依靠这种技术进行扩张、获取更高利润的可能性。可以遇见，在人工智能成为智能制造的智能中枢的历史节点，科研机构在推动3D打印成为软件和数据驱动的自进化智造技术方面将获得不断的长足进步，而未来则属于那些看得到趋势所在，并将趋势融入进自身发展中的企业。

 国内近期研究聚焦

l 基于改进神经网络的增材制造刀轨优化研究

董海1郭煜峰2

1. 沈阳大学应用技术学院2. 沈阳大学机械工程学院

摘要：

本文针对选择性激光烧结增材制造(selecting laser sintering, SLS)内部质量问题,提出贝叶斯优化BP神经网络(BO-BP神经网络)路径优化模型,提高了SLS成型质量,减少打印过程能源消耗.首先,建立打印件路径规划流程,利用动态规划技术得到给定激光网格中最终路径并移除冗余路径,针对激光烧结过程建立基于导热微分方程的SLS模型,并对其路径进行数值模拟,利用各网格节点最终温度值计算材料网格内部节点温度梯度值并排名,以此值作为神经网络算法训练并测试数据的数据集;其次,通过对所得激光路径进行数值图像转化,得到相应的平均热梯度分布图,将所得到的激光路径转化成灰度路径图像,采用改进BO-BP神经网络算法进行训练;最后,使用Softmax函数将神经网络输出数字转换为每个图像的概率,选取线性优化、无监督学习神经网络、遗传-反向传播神经网络(GA-BP)和反向传播(BP)神经网络进行预测结果比较,得出BO-BP神经网络算法相较于其他算法具有预测精度高、搜索速度快的优点.

l 金属增材制造条件下二元合金三维微观组织的相场法-有限元法预测

曹流1孟瑞繁1张沁丹1张珞2

1. 广州大学机械与电气工程学院系统流变学研究所2. 北京科技大学机械工程学院

摘要：

基于开源相场法代码PRISMS-PF所提供的相场法-有限元法计算架构，开展了A356铝合金MAM过程的模拟仿真研究。计算分析了工艺参数（温度梯度与扫描速率）以及初始固相形貌对溶质浓度、一次枝晶臂间距和晶粒形貌的影响，再现了微观偏析、晶粒竞争生长以及二次枝晶臂等现象，并与实验结果进行了对比验证。对比不同工艺参数（温度梯度与扫描速率）情形下的预测结果，发现一次枝晶臂间距随温度梯度与扫描速率乘积的减小而增大，而随着温度梯度与扫描速率的比值逐渐减小，晶粒形貌由平面晶逐渐向胞状晶、柱状晶以及树枝晶转变。对比不同初始固相形貌情形下的预测结果，发现当温度梯度与扫描速率的比值较小时，即液-固界面前沿的成分过冷区越大时，非平整的初始固相形貌对晶粒生长过程造成的影响越明显。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

“首件即合格”，数据与算法的驱动的智能化增材制造方式正在掀起3D打印行业的自我革命，是增材制造走向智能制造的跨时代金矿与赋能工具。如今，我们已经习惯于看到 AI 接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。在过去十年中，关于 AM-增材制造加工过程监测的论文和专利数量急剧增加。这是因为AM-增材制造加工过程是一个动态过程，更是个数字化的过程，在构建过程中具有改进的潜力。根据3D科学谷的市场研究，人工智能在每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化。

本期，通过节选近期国内数值模拟在增材制造领域方面的实践与研究的多个闪光点，3D科学谷与谷友一起来领略快速发展的数值模拟及机器学习在3D打印领域的研究情况。

© 3D科学谷白皮书

如今，我们已经习惯于看到 AI 接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。

3D科学谷

 高斯移动热源作用下的
     选区激光熔化近场动力学模型

© 3D科学谷白皮书

杨凯亮、李怀学

中国航空制造技术研究院高能束流加工技术重点实验室

摘要：

残余应力和变形的有效预测能够保证金属增材制造零件质量。基于网格的传统有限元法已经能够为许多增材制造过程建立相应的高保真度模型，但其在复杂的边界条件、大变形和裂纹扩展、界面运动和相变等问题的求解方面存在不足。提出了一个三维近场动力学模型，用于模拟激光增材制造过程中温度场和变形。

首先，模型主要考虑了激光增材制造的基本热物理过程，基于近场动力学方法对选区激光熔化过程中热力耦合模型、粉末材料模型、热源模型等方面进行了建模；其次，通过多个单独的物理过程对模型进行验证，结果表明该模型稳定、准确，有望用于模拟激光增材制造过程；最后，将近场动力学模型用于模拟选区激光熔化单层制造过程并进行了分析。

 粗晶组织材料的超声检测
     有限元仿真方法研究

© 3D科学谷白皮书

杨功鹏1周正干1,2马腾飞3王俊1李洋2周文彬1

1.北京航空航天大学机械工程及自动化学院2. 北京航空航天大学宁波创新研究院3. 北京航空航天大学能源与动力工程学院

摘要：

粗晶组织金属材料具有晶粒粗大、声学各向异性、结构非均匀性等特点。超声波在其内部传播时，上述特点会引起强烈的波形畸变、声能衰减及结构声散射，导致超声检测回波信号信噪比差。为了掌握超声波在粗晶组织材料中的传播规律，为其超声检测方案提供理论指导，研究了粗晶组织材料的超声检测有限元仿真方法。基于维诺图算法生成了材料二维晶粒模型，通过材料弹性张量的形式对晶粒的各向异性取向进行了定义，建立了可实现参数化计算的有限元声学仿真模型。基于提出的有限元声学仿真模型，从单声束超声检测和阵列超声检测两个方面展开仿真方法研究：以具备等轴晶结构特征的镍基高温合金GH4169和具备柱状晶结构特征的增材制造钛合金为例，建立了单声束声衰减反射法测量仿真模型与阵列超声全矩阵数据采集仿真模型；仿真分析了不同各向异性指数以及平均晶粒尺寸下不同频率超声波的声衰减规律，计算了不同各向异性指数及不同检测方向下全聚焦成像的信噪比，并对其进行了相位相干成像降噪。对GH4169试样及增材制造钛合金试样的实验结果证明了以上仿真总结的规律，验证了仿真方法的有效性。

 数据与连续损伤力学双驱动的
     增材疲劳寿命预测模型

© 3D科学谷白皮书

王谙斌1甘磊2淦志强1范志明1苏永辉1吴昊1

1.同济大学航空航天与力学学院2. 哈尔滨工业大学(深圳)理学院

摘要：

传统的力学模型与新兴的数据驱动模型目前广泛用于增材制造的疲劳寿命预测中。其中，以连续损伤力学(Continuum Damage Mechanics，CDM)为代表的传统模型寿命预测模型存在着精度低、适用范围有限等问题，而以神经网络(Artificial Neural Network， ANN)为代表的数据驱动模型则始终受限于小样本工况。为解决上述问题，融合物理知识和数据信息的知识-数据双驱动模型近年来发展迅速。以此类双驱动模型为研究目标，本研究以激光粉末床熔融成型(Laser Powder Bed Fusion， LPBF)AlSi10Mg合金为研究对象，构建了可自动标定的CDM模型，并将其与基于ANN的数据驱动模型在各种工况下进行了结合，再进一步通过特征融合、参数融合和输出融合方法的手段，构建了三类以CDM模型与ANN模型为基础的知识-数据双驱动模型，并量化分析了它们在预测精度和数据需求等方面的性能。

研究结果表明：基于参数融合的模型，训练数据修正作用较为显著，在预测精度方面受CDM模型影响最小，并在CDM模型拟合结果较差时也能确保一定精度；基于特征融合的双驱动模型能最大化利用CDM模型中的物理信息，在数据充足时具有最高的预测精度与稳定性；基于输出融合的模型以CDM模型的结果为主导，利用ANN进行修正，具有五种模型中最好的非训练域（外推）预测性能。这些结果对于进一步发展知识-数据双驱动的高精度增材制造疲劳寿命预测模型具有重要的参考价值。

 基于机器学习的增材制造金属
     力学性能预测研究进展与挑战

© 3D科学谷白皮书

胡雅楠1余欢1吴圣川2奥妮2阚前华1吴正凯2康国政1

1.西南交通大学力学与航空航天学院2. 西南交通大学轨道交通运载系统全国重点实验室

摘要：

增材制造是现代高端装备制造领域的革命性突破技术之一。其中，增材构件的大批量生产和高可靠应用，关键在于制造可重复性、质量可靠性与性能可预测性。而在各向异性组织、广域分布缺陷、深部残余应力和复杂表面粗糙度等诸多因素的共同影响下，基于传统经验模型和有限数据的增材制造金属力学性能预测效率与准确性面临着严峻挑战。近年来，作为大数据与人工智能发展到一定阶段的必然产物，机器学习（Machine learning, ML）方法为有效处理高维物理量之间的复杂非线性关系提供了契机，在增材制造力学性能预测领域得到持续关注。

本研究综述了机器学习在增材制造材料及构件力学性能预测中的国内外研究进展。首先简述了常见的机器学习算法和通用的机器学习流程，重点分析了融合物理信息的机器学习（Physics-informed machine learning, PIML）方法的特点与构造方式；然后概述了增材制造力学性能四大影响因素的形成原因及机器学习在这些影响因素预测中的应用现状；重点介绍了ML和PIML在增材制造拉伸性能和疲劳断裂性能预测中的代表性研究成果；最后指出当前机器学习在增材制造力学性能预测中的局限性，并探讨了发展趋势和技术前景。

 大物性差异多材料
     激光增材制造界面研究进展

© 3D科学谷白皮书

孙小婧、袁丁、韦超、杨潇、李琳

中国科学院宁波材料技术与工程研究所激光极端制造研究中心

摘要：

随着多材料激光增材制造科学与技术的不断进步，一体化制备极端使役性能的大物性差异材料与元件成为可能。但大物性差异多材料增材制造成形界面问题尤为凸显。本文根据大物性差异多材料激光增材制造成形的进展，聚焦大物性差异材料的界面问题和界面优化方法。分别以激光吸收率差异、热物性差异、界面生成脆性相分类阐述界面问题。以工艺优化、功能梯度设计、复合制造三个方面对界面优化方法进行总结，为实现大物性差异材料的高质量成形提供方法。阐述大物性差异多材料激光增材制造建模与仿真研究进展，通过宏观和介观尺度模拟指导大物性差异材料的激光增材制造成形参数优化。并对多材料激光增材制造大物性差异材料的应用和共性科学问题及技术挑战给出展望和思考。

 增材制造成形件中
     位错的研究进展

© 3D科学谷白皮书

田根、王文宇、王晓明、赵阳、韩国峰、任智强、朱胜

陆军装甲兵学院装备再制造技术国防科技重点实验室

摘要：

增材制造是通过逐层堆积的方法制造实体零件的一种革命性技术，其成形性能受成形工艺、微观结构、沉积路径等影响，其中，位错作为晶体微观结构中广泛存在的一种线缺陷，是决定金属性能的一个重要因素。为深层次理解增材制造性能影响的本质机制，需进一步了解增材制造成形件中的位错特点。本文基于近年来增材制造成形件中位错的研究成果，梳理了位错的起源、特征和密度，分析了位错对强度等性能的影响。

与传统制造相比，增材制造成形过程中因固有的循环加热-冷却而造成的压缩-拉伸应力循环使得增材制造成形件中的位错具有独特的结构和性质。在塑性变形中，位错随应变变化明显，不同的初始位错影响成形件对应变的响应；增材制造成形件中测量的位错密度高于锻件或铸件，不同位置、不同形状的位错密度也存在一定的差异；位错强化是增材制造成形件中的主要强化作用，与此同时，在钢的成形件中，位错还可诱发马氏体相变，促使再结晶，另外还影响成形件的腐蚀、蠕变和氢脆等。

 晶体塑性有限元方法在增材制造
     金属材料力学性能研究中的应用

冯振宇1张宏宇1马佳威1陈琨1周良道2沈培良2陈向明3

1.中国民航大学安全科学与工程学院2. 上海飞机设计研究院3. 中国飞机强度研究所

摘要：

增材制造作为先进制造技术的代表，已被广泛应用于航空航天等高新技术领域。金属增材制造技术的高能量密度、高热和快速冷却等复杂工艺特点使得成形件的微观结构与传统制造技术所得成形件显著不同，这对金属材料力学性能有着重要影响。晶体塑性有限元方法将晶体塑性理论与有限元方法相结合，能够跨尺度分析增材制造金属材料微观结构与力学性能之间的关系，为优化工艺过程提供支撑。本文综述了近年来晶体塑性有限元方法在金属增材制造中的应用，阐述了代表增材制造金属材料微观结构特征的几何模型的建立方法和有限元应用，提出了相关发展趋势。

 立上电弧增材制造板件的
     成形精度影响与优化

陈昌荣1,2唐宝林1,2叶宇杰3练国富1,2黄旭1,2

1.福建理工大学福建省智能加工技术与装备重点实验室2. 福建理工大学机械与汽车工程学院3. 福建理工大学材料科学与工程学院

摘要：

目的 针对悬臂结构立焊位置成形质量差的问题，本研究旨在探究电弧增材制造工艺参数对悬臂结构多道搭接质量及组织的影响规律，以实现悬臂结构工艺参数的预测与优化，从而提高多道搭接焊道表面质量与内部组织性能。方法 采用响应面Box-Behnken方法，分析焊接电流、焊接电压和偏移量对焊接接头成形与性能的影响规律，建立了工艺参数与焊接接头响应指标的数学模型。

结果 试验结果表明，表面平整度与焊接电压成正比，与搭接率成反比；偏移量的增加先使总高减小，然后有所增加，而焊接电流与总高成正比；偏心率与焊接电流成正比，与搭接率成反比。以平整度大、总高大、偏心率接近于1为优化目标，最佳工艺参数为电流85.4 A，电压22 V，偏移量为3 mm。与预测值相比较，实际值的平整度、总高和偏心率的误差率分别为0.48%、4.40%和1.89%。研究还探究了单道多层焊接接头组织性能与工艺参数的关系，发现了焊接热影响重合区组织细化的现象。

结论 研究结果验证了所构建数学模型的可靠性，对改善高难度悬臂结构制造的形貌以及提高成形质量具有重要的指导意义。

 超声波辅助增材制造
     温度场数值分析

© 3D科学谷白皮书

张伟博1,2刘伟1,2李谦3荀巍3李素丽4张振超4

1.陕西国防工业职业技术学院智能制造学院2. 航天高端制造陕西省高校工程研究中心3. 西安沣东生产力促进中心有限公司4. 西安科技大学机械工程学院

摘要：

文中基于增材制造激光数值模拟理论、送丝和超声模拟理论，对熔池内超声波辅助作用相关的空化效应、声流强化作用和声流热效应进行分析，采用高斯热源模拟现实中的激光对增材制造的材料进行加热熔化，通过对熔体的单独建模，并辅以超声振动和高斯热源加热，观察超声振动对熔池内流速场变化产生的影响。深入研究超声辅助打印时的温度场、温度梯度差异及熔池内的流速场分布，选择出最佳的超声辅助增材制造工艺参数并进行试验验证。

结果表明：超声振动有利于熔池内流体流动，还会使熔池内的温度分布更加均匀，温度梯度更小。最后对仿真结果中层间温度最低点、中间截面和中心轴线上温度分布和温度梯度分布进行分析，并选定最佳激光功率和超声振幅进行了试验验证，验证了模型的正确性，为相关的研究提供了新思路。

 面向增材制造的
     数字孪生实施方法综述

© 3D科学谷白皮书

孟德状1杨伟东1,2蔡子行1郭智3

1. 河北工业大学机械工程学院2. 国家技术创新方法与实施工具工程技术研究中心3. 北京机科国创轻量化科学研究院有限公司

摘要：

增材制造以其全数字化加工方式可为数字孪生模型提供可靠的数据支撑；数字孪生有助于增材制造在设计、制造、服务等过程中充分发挥其不同于传统制造的优势，二者的结合在工业制造领域受到广泛关注。以总结数字孪生在增材制造中的实施方法为目的，首先介绍数字孪生的概念和发展历程，分析了增材制造中实施数字孪生的关键技术；其次基于数字孪生对于增材制造全生命周期过程的应用潜力，从设计、制造、质量检测以及服务4个阶段阐述了国内外相关研究的方法和侧重点。另外，展望了粘结剂喷射工艺中实施数字孪生的挑战，并提出了针对其的一种数字孪生技术路线。最后总结了增材制造中实现数字孪生存在的难题以及未来的发展方向。

 变位磁场作用电弧增材中
     电弧和熔池传热与流动数值模拟

周祥曼1,2杨胜波1王礴允1吴海华1,3田启华1付君健1,2张海鸥4

1.三峡大学机械与动力学院2. 三峡大学水电机械设备设计与维护湖北省重点实验室3. 石墨增材制造技术与装备湖北省工程研究中心4. 华中科技大学机械科学与工程学院

摘要：

为了揭示具有纵向和横向分量的外加变位磁场对TIG电弧增材成形过程中电弧和熔池传热与流动的影响机理，基于流体动力学软件Fluent，建立了电弧与熔池耦合的三维瞬态模型。对比分析了不同角度的变位磁场对电弧形貌、电磁力、热流密度、熔池形貌及熔池速度场的影响规律与机理。

结果表明：无外加磁场时，电弧与熔池对称分布，施加变位磁场时，电弧和熔池中产生周向旋转和偏向一侧的电磁力，使电弧与熔池发生旋转与偏移，熔池除了具有由内向外的流动，还具有围绕中心旋转和偏向一侧的流动；增大变位磁场的变位角度使横向磁场分量减小，纵向磁场分量增加，从而使偏向一侧的电磁力减小，周向旋转电磁力增大，进而使电弧偏转与熔池偏移减弱，熔池旋转流动趋势增强。研究结论可为后续磁控电弧增材制造传热、传质的机理分析及工艺参数的选择提供理论依据和参考。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷