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。
人工智能赋能3D打印过程控制
© 3D科学谷白皮书
建立工艺-结构-性能-使役性能（PSPP）
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。
根据中国工程院院刊Engineering上的《基于神经网络的机器学习方法在3D打印中的应用》，使用神经网络建立工艺-结构-性能-使役性能（PSPP）方面会出现爆发性的增长，因为与其他方法和模型相比，神经网络在复杂模型识别中具有内在优势。
人工智能赋能3D打印
© 3D科学谷白皮书
目前人工智能用于3D打印过程控制主要是聚焦于控制孔隙（密度）、局部缺陷、过程中产生的内应力、设计和尺寸精度、微观结构变化等。
控制这些参数中的任何一个都是一项具有挑战性的任务，因为影响它们的变量数量是巨大的。不仅可控的工艺参数会影响结果，几何形状、材料类型、设计类型、零件形式和环境因素等其他因素也会影响结果。
只有某些变量可以控制，而其他变量通常充当噪声或附加参数，其影响只能随着时间的推移而学习。根据中国工程院院刊《基于神经网络的机器学习方法在3D打印中的应用》一文，传感器用于精确地检测光学、热学、声学和超声波信号，并提供有价值的见解来加深对AM的理解。然而，搭建可靠的传感器系统仍然存在巨大的困难。例如，安装在打印机内部的传感器必须能够在恶劣的环境中正常工作很长时间。在EBM技术中，由真空环境中的高能电子束产生的金属蒸气可能会破坏相机镜头。此外，传感器系统必须足够灵敏以捕获熔池的中心位置，因为激光的扫描速度通常非常快。从这个角度来看，AM的快速发展非常需要优质的传感器系统作为支撑。
由于影响过程的参数数量和存在的可变性，科学家需要开发与ML算法一起使用的原位监测系统，以在本地学习和改进每个过程。这在标准化方面很重要。为不同工业部门制造的材料必须能够通过用于这些应用的标准。例如，航空航天应用的质量标准非常严格。在粉末床工艺中，大量工作集中在使用不同技术进行原位温度测量。迄今为止使用的大多数技术都依赖于热成像或光学成像。最先进的方法是超快同步加速器 X 射线成像，可以提供有关表面和深度过程的信息。
3D科学谷在《西南交通大学采用原位X射线成像表征增材铝合金多缺陷主导裂纹扩展行为》一文中分享过西南交通大学在增材材料疲劳性能评价方向取得重要进展，并在国际疲劳领域顶级期刊International Journal of Fatigue上发表题为“In situ X-ray imaging of fatigue crack growth from multiple defects in additively manufactured AlSi10Mg alloy”的学术论文。
根据中国工程院院刊《基于神经网络的机器学习方法在3D打印中的应用》，传感器硬件需要由功能强大的操作软件所控制。控制软件的基本模式包括监视、记录、分析和存储数据。在一般情况下，例如在SLM过程期间，一旦硬件将捕获的熔池图像传递给软件，它就可以计算温度曲线并提取热量和尺寸度量以进行下一步的分析。其他令人关注的功能也可以添加到传感软件中，例如为软件配备检测孔洞、未熔合或孔隙等的算法（特别是机器学习算法）。
人工智能赋能3D打印
© 3D科学谷白皮书
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。（参考资料：Applications of artificial intelligence and machine learning in metal additive manufacturing,2021 J. Phys. Mater.4 042009)
此外，在确定性方法不足以做出本地决策的情况下，可能需要进行统计分析。尽管高速数据收集和分析而具有挑战性，但这可能是流程优化的首选方式，主要是因为使用本地数据收集、分析和校正可以避免机器与机器之间以及测试与测试之间的差异。无论如何，量化这些变量非常具有挑战性。
通过人工智能更好的理解加工过程
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美国的Sigma Labs, 以色列的printsyst，美国的addiguru，德国的nebumind，以及瑞士的Nnaisense 。其中， 以色列的printsyst，美国的addiguru还处于发展的初期阶段。
人工智能赋能3D打印
© 3D科学谷白皮书
想象一下，如果可以缩短航空航天和先进制造等行业中复杂零件的生产周期，可以将CAD文件从中心办公室发送到全球任何地方的远程生产设施，而不必集中生产这些零件，再通过复杂的物流网络运送到世界各处。这其中，可以通过过程质量保证来“现场”监控生产质量，然后通过自动化软件以及后处理程序来增强整个系统的鲁棒性。
根据3D科学谷的市场观察，Hexagon海克斯康旗下的仿真软件Simufact于2020年9月24日推出了Binder Jetting粘结剂喷射金属3D打印工艺的仿真技术，使制造商能够在设计阶段预测并防止烧结过程对零件产生的变形。新的仿真工具标志着增材制造迈出了重要的一步，因为它可以帮助制造商获得所需的质量，从而通过Binder Jetting粘结剂喷射金属3D打印工艺用于批量生产提供独特优势。
L-PBF金属3D打印方面，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。
对物理驱动的人工智能模型的需求正在快速增长——尤其是在能源、气候科学和生命科学等行业。3D科学谷了解到借助 NVIDIA Modulus 等框架，制造商和设计工程师可以创建物理驱动的 AI 模型并释放工业仿真的新功能。
NVIDIA Modulus 是一个神经网络框架，它将物理和偏微分方程的力量与人工智能相结合，以构建更强大的模型以进行更好的分析。Modulus 训练神经网络从数据中学习并使用物理定律对复杂系统的行为进行建模。然后，代理模型可以用于各种应用，从工业用例到气候科学。一旦模型经过训练，Modulus 就可以近乎实时或交互式地进行推理。
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。
I Sigma Labs
Sigma Labs的IPQA系统代表一项新的创新技术，用于监控金属增材制造过程（金属3D打印）。之所以需要这样做，是因为如果没有确保质量的保障措施，新兴的金属增材制造（AM）行业根本无法被接受为值得信赖的技术。
不过IPQA实现的难度相当高，Sigma Labs的IPQA面临的一个挑战是，需要以200 kHz的频率进行采样，专门查看高温或相对温度，以了解熔池中发生的情况。根据3D科学谷的了解，幸运的是，Sigma Labs能够克服这一200kHz采样难题，不仅如此，目前Sigma Labs能够推进和开放其他架构。
更重要的是，当前的质量管理规范是在零件制造完成之后进行的，这增加了很多额外的步骤，成本和时间。而Sigma Labs的IPQA允许零件在构建过程中进行调整和修正，使得质量检测与控制同步实现。
Polaris Motion的Polaris UniverseOne™同步数据采集系统，它是Sigma Labs IPQA解决方案的组成部分。根据3D科学谷的了解，Polaris UniverseOne™的信号质量很重要。如果没有良好的信噪比，过程控制技术将无法正常工作。Polaris Motion是Sigma Labs数据采集方面的合作伙伴。通过合作以实现优势结合，就过程中质量控制技术而言，这是非常令人激动的，因为这种组合技术打破了增材制造工艺的发展限制。
I Monolith AI
使用来自先前模拟的数据来训练机器学习模型，以缩小设计空间并确定关键设计参数。Monolith AI 是 NVIDIA Inception 计划的成员，旨在支持全球创业生态系统，通过减少模拟、测试和原型的数量，帮助制造公司优化研发流程。这使公司能够通过将机器学习应用于工程设计过程中生成的数据来交付更快、更好的产品。
而根据3D科学谷的市场观察，领先的设计和工程AI平台Monolith AI在2021年开始与Siemens Digital Industries Software-西门子数字工业软件建立新的合作伙伴关系。根据3D科学谷的了解，该合作伙伴关系专注与Siemens的Simcenter™仿真和测试解决方案组合，可以促进将Simcenter数据源和仿真环境与Monolith AI的软件平台紧密集成。
Monolith AI基于云的AI软件使团队能够以前所未有的速度进行协作，分析和设计产品。对于市场而言，这意味着更低的风险，更敏捷的项目以及更好的产品。
通过构建一个超级智能的AI平台，使工程师能够解决以前棘手的问题，Generative Design-创成式设计和Digital Twin-数字孪生等功能被民主化给每位工程师。Monolith AI平台彰显了Monolith对工程技术发展的承诺，以及设计师和工程师改变世界的能力。
根据3D科学谷的了解，Monolith AI使用户能够利用其CAD，仿真和测试数据获利，无需进行新的仿真或物理测试即可使用其预测设计行为。Monolith AI平台可以通过降低内部成本，更快地将更好的产品投放市场并增加销售量来优化研发流程，提高敏捷性并让客户满意。
使用机器学习对DED 3D打印过程进行实时自适应控制
国际上，根据3D科学谷的市场观察，结合人工智能驱动的控制，融资额超过 12 亿美元的3D打印火箭公司Relativity Space的 Stargate 3D 打印机不断优化生产，从而以指数方式提高产品质量和缩短生产时间，降低成本，并实现传统航空航天制造无法实现的产品设计。
零件数量减少了100倍，火箭研发速度提升了10倍，Relativity Space正在打破可重复使用的火箭制造的成本极限，这背后的主要逻辑是3D打印带来的技术突破，而Relativity Space的3D打印技术的特别之处还在于将人工智能作为其3D打印技术的“大脑”，不断从数据中萃取智慧，不断精进加工过程。
根据3D科学谷的市场观察，Relativity Space专门申请了使用机器学习对增材制造过程进行实时自适应控制Real-time adaptive control of additive manufacturing processes using machine learning的专利。
根据专利的描述，Relativity Space开发了用于对设计后自由形式沉积工艺或设计后接合工艺进行实时自适应控制的方法。根据Relativity Space的专利，对于定向能量沉积3D打印过程，通过执行有限元分析(FEA)、有限体积分析(FVA)、有限差分分析(FDA)、计算流体动力学(CFD)计算或其任何组合来提供过程模拟数据。
根据Relativity Space的专利，过程模拟数据可以并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优组或序列、过程控制参数的调整。例如，可以使用诸如有限元分析（FEA）之类的过程模拟工具来模拟根据指定函数的过程控制。
过程表征数据可以并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优组或序列、实时调整过程控制参数，或其任何组合。可以将过程表征数据馈送到机器学习算法以便实时更新增材制造设备的过程控制参数。
可以将过程中或构建后检查数据并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优集合或序列、过程控制的调整实时参数等等。
机器学习算法可以使用过程中检查数据（例如，自动缺陷分类数据）向操作员发送警告或错误信号，或自动中止增材制造沉积过程。
展望边缘云计算
正如特斯拉可以通过新软件神奇的改变汽车的驾驶性能，续驰里程或者加速能力，这些功能通过云端，神奇的潜入驾驶者的车中，不仅使得车辆的性能实现了某种意义上的自进化，也将驾驶的体验不断的注入了新奇感。
不仅仅是汽车驾驶本身，而更是从汽车、飞机、能源等工业领域的制造源头，将搭载5G带来的神奇翅膀，完成一次崭新的升级，通过云端发出指令，进行加工过程中的自适应调整，实现真正意义上的自适应制造模式的工业4.0。
如何通过人工智能让3D打印变得更加敏捷？3D打印产生海量的人类难以理解的数据，这些数据需要低延时、高通量的传输速度以进行算法解读，5G的低延时、高通量为3D打印产生的数据传输插上了腾飞的翅膀，而边缘云技术进一步为3D打印提供了敏捷的“大脑”。
根据生产场景的不同，制造工厂的生产区域内可能有数以万计传感器和执行器，需要通信网络的海量连接能力作为支撑。自动化控制是制造工厂中最基础的应用，核心是闭环控制系统。在该系统的控制周期内每个传感器进行连续测量，测量数据传输给控制器以设定执行器。典型的闭环控制过程周期低至ms级别，所以系统通信的时延需要达到ms级别甚至更低才能保证控制系统实现精确控制，同时对可靠性也有极高的要求。如果在生产过程中由于时延过长，或者控制信息在数据传送时发生错误可能导致生产停机，会造成巨大的财务损失。在规模生产的工厂中，大量生产环节都用到自动控制过程，所以将有高密度海量的控制器、传感器、执行器需要通过无线网络进行连接。
自适应生产和边缘云计算方面，欧洲5G工业园成立了ICNAP（网络化自适应生产国际中心），以亚琛弗劳恩霍夫生产技术研究所IPT，亚琛弗劳恩霍夫激光技术研究所ILT以及分子生物学和应用生态学IME的三个研究所为中心，通过与其他专家合作，以找出信息技术中哪些新解决方案可以真正过渡到工业4.0自适应生产的真实应用场景。
5G环境下的自适应智能工厂
© Fraunhofer IPT
ICNAP的核心是“智能制造网络”，在该网络中，机器、生产系统、数据库和模拟系统是相互通信的，并在云中提供其数据和服务。除了常见的可商购的云体系结构之外，Fraunhofer为生产应用开发的独立安全的云系统“ Virtual Fort Knox”。通过移动设备连接到流程，并且可以直接与所有子系统交互，控制它们或查询数据。
目前对于燃气轮机叶片的制造和维修已经置于5G和边缘云计算的环境中，亚琛的科学家们使用特定应用检查了虚拟计划工具，例如用于增材和减法制造和维修过程（例如铣削和激光金属沉积金属3D打印技术（LMD））的过程仿真和过程链重新配置。通过在过程中详细记录实际数据，可以通过优化的计划工具使数据一致性并确保计划的透明性。
根据3D科学谷的市场判断，在不久的未来，下一步的人工智能将跨越单台3D打印设备，实现设备与设备之间的协调与工艺优化。在软件的作用下，年轻的3D打印产业正期待着一个完全自动化的工厂，进行生产的不只是一个产品，而是几百个，甚至上千个的数字串行制造模式。
基于算法的软件正在赋能整个世界，3D科学谷认为很快3D打印行业会发现，一家3D打印企业最好团队中有一些人精通算法，或者可以编写代码或者善于使用软件，否则这样的企业将变得寸步难行。
未来即将到来，这其中需要多种因素的结合。值得注意的是如果没有良好的数据，多么优秀的算法、技术和流程将毫无意义。深刻理解数据、算法在第四次工业革命中的互动关系，请参考3D科学谷发布的《3D打印与第四次工业革命-第二版》。
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。
