人工智能是企业获得指数级增长的新质生产力，增材制造业界目前已有通过人工智能获得与日俱增的竞争力企业，例如Relativity Space。根据3D科学谷的了解，Relativity Space 的创始人Tim Ellis还有一个精湛的洞见，他认为市场上普遍对3D 打印没有真正了解的是，3D打印对制造的颠覆性实际上更像是从燃气内燃机过渡到电动，或从内部部署服务过渡到云，3D 打印是一项很酷的技术，但更重要的是，3D打印实际上是软件和数据驱动的制造和自动化技术。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。
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
