复杂人工智能开发的深度数字孪生，赋能3D打印进入生产

| 3DScienceValley · 2021/06/08

根据3D科学谷的市场观察，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。

本期，结合3D打印领域内，复杂的人工智能开发的深度数字孪生如何推动3D打印进入生产，3D科学谷与谷友一起来领略正在进行时的人工智能赋能增材制造新气象。

Nnaisense

AI赋能加工的稳定性

首先我们来理解一下，为什么对于在增材制造 (AM) 机器中收集的大量监控数据也不能实现很好的质量控制？我们需要制造典型的增材制造加工过程由数千个层组成，每个层都会生成几 MB 的光栅化或时间序列监控和传感器数据，从而为常见的生产场景产生技术数据包。在节省时间、可重复性和数据效率方面，通过数据来指导加工作业好处将是巨大的。

到目前为止，使用图像和信号处理技术的经典数据分析也可以工作，事实上它们被广泛用于这项任务。但是，由于 AM 增材制造设备中不同的零件几何形状和工艺条件会导致如此多的工艺相互依赖，因此事实证明，找到传统分析算法的正确参数化以对设备提供“正确”指示几乎是不可能的。

在《增材制造设计（DfAM)指南》这本书中，援引了AM零件质量影响因素的石川图，在石川图中详细的举出了影响加工质量的160多种因素，仅仅是激光扫描过程，就包括了扫描线长度，扫描线种类，外轮廓，内轮廓，扫描方式，扫描速度，光束矫正，收缩补偿，扫描线顺序，填充间距，填充方向，激光功率，（离）聚焦，表面填充参数，偏移等等。可见要通过人的经验来驾驭和平衡160多种影响加工质量的变量是非常难的。

AI释放产业化潜能

好在人工智能 (AI) 已经取得了长足的进步，让一台机器来接管 AM 中的一些质量保证任务，这听起来有些离谱，根据3D科学谷的市场观察，事实证明，在 AM增材制造工作期间收集的监控数据的问题与离线测试（例如 CT 扫描或超声波测试）收集的数据有很大不同。离线测试数据表征最终 AM增材制造零部件的特性，而监控数据仅表征构建的特定层的特性。

在增材制造中，仍然非常需要降低所生产零件的成本。这与可能由数十万个层层加工组成的过程的有关。根据3D科学谷的市场了解，离线 CT 测试不仅会增加总体成本，而且还会限制几何形状，因为零件必须具有适当的形状才能进行扫描和测试。如果通过智能过程中监控和测试来取代离线监测，这开辟了新的空间，并可能降低总体成本。

根据3D科学谷的市场了解，具有集成 AI 的过程监控系统将支持这种转变，并实现从全细节测试演变为智能测试的直接方法。根据3D科学谷的市场观察，国际上通过AI来进行增材制造加工质量控制的公司目前包括以色列的printsyst，美国的addiguru，德国的nebumind，以及瑞士的Nnaisense 。

更好的质量

根据3D科学谷的市场观察，EOS 与 Nnaisense 公司合作，开发了一种 AI 来模拟 EOS LPBF 流程，作为实现自动质量监控的第一步。允许预测分层监控数据，这些数据由过程监控系统收集。将预测与实际结果进行比较可以更快地评估流程中的违规行为。这有助于在构建工作之前更好地了解在质量数据方面的预期。用户还可以了解不同的零件设计和工艺设置是如何影响传感器读数的，而随着人工智能不断从过程中学习，这将提高准确性。

目前，受 PyraMiD-LSTM（并行多维长短期记忆）的启发，采用了卷积和循环处理。强大的并行化使EOS 与 Nnaisense 公司能够以每层 4MP 的分辨率通过GPU 在不到 2 小时的时间内计算约 1000 层的预测。

将原始监测数据与预测数据进行对比，然后可以在质量评估中更详细地考虑预测结果对加工结果的影响。当然，AI 必须针对不同的材料类别进行训练，根据3D科学谷的了解，不同的材料对加工要求，对过程的敏感程度是不一样的。AI不仅可以学习不同材料在一些已知的悬垂和狭窄位置中过热的影响，而且还学习机器内空气流动分布和零件摆放位置对加工结果产生的影响。

开发的 AI 的另一个用例是优化扫描策略或流程设置，以接收更均匀的监控结果，从而获得更均匀的零件质量。而且，这些都无需构建单个作业，使用宝贵的机器打印时间并浪费宝贵的资源（粉末、能源、测试、体力劳动……）。实现这一目标将真正改变当今如何实现 AM 增材制造生产作业的优化，并向负责任的制造迈出重要一步。

巨大的创新空间

根据国内安士亚太的判断，在仿真、数字孪生等技术加持下，增材制造将会突破瓶颈，充分发挥优势，实现人们所期许的巨大创新空间。但随着增材制造技术的发展，增材工艺仿真技术也将不断进步。未来的发展趋势主要在以下几个方向：