3D打印-增材制造领域的一个特殊挑战是实现工艺可重复性和可预测性以及制造材料/组件的结构特性的验证。根据3D科学谷，3D打印-增材制造 (AM) 技术例如选区激光熔融 (SLM)、选区激光烧结 (SLS) 或电子束熔化 (EBM)等方法是目前用于从粉末材料制造零件的相对众所周知的方法。在层层加工过程中，复杂的物理过程会影响 3D 打印或制造的结果。今天在绝大多数情况下尚不清楚加工过程各个因素之间的相关性，譬如随着时间的推移，哪些物理过程影响和决定了3D打印的质量。这些影响的因素可能是 SLM 机器特性、粉末床上的气流模式、粉末质量、粉末床温度、暴露于光束辐射时的实际层厚度、激光或光束质量等等。
近日，美国能源部橡树岭国家实验室公开发布了一组新的增材制造数据，行业和研究人员可以使用这些数据来评估和提高3D打印组件的质量。数据集的广度可以极大地促进仅使用打印过程中收集的信息来验证增材制造零件的质量的工作，而无需昂贵且耗时的后期生产分析。
▲ 人工智能模型对同一打印部件的数字副本（右）进行了分析，以定位其结构中的异常情况
© ORNL
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
▲ AI用于增材制造
© 3D科学谷白皮书
独特能力
十多年来，美国能源部在橡树岭国家实验室 (ORNL) 的制造演示设施 (MDF) 定期采集数据，先进制造的早期研究加上对所得组件的全面分析，已经创建了大量有关3D打印机性能的信息。多年利用新型材料、机器和控制装置突破3D打印能力界限的经验为ORNL提供了开发和共享综合数据集的独特能力。
传统制造业受益于几个世纪的质量控制经验。然而，增材制造是一种较新的非传统方法，通常涉及用于监控零件质量的昂贵评估技术。这些技术可能包括破坏性机械测试或非破坏性X射线计算机断层扫描，可在不损坏物体的情况下创建物体的详细横截面图像。尽管信息丰富，但这些技术也有局限性——例如，它们很难在大型零件上执行。ORNL 的综合 3D 打印数据集可用于训练机器学习模型，以改进任何类型组件的质量评估。
3D科学谷了解到ORNL正在为行业提供值得信赖的数据集，用于产品认证，这个数据管理平台，旨在讲述增材制造组件的“完整故事”，目标是使用过程中的测量来预测3D打印部件的性能。
这个 230 GB 的数据集涵盖了五组不同几何形状零件的设计、打印和测试，所有这些零件均使用激光粉末床3D打印系统制成。研究人员可以访问机器健康传感器数据、激光扫描路径、30,000 张粉末床图像以及 6,300 次材料拉伸强度测试。
这是 ORNL 公开提供的一系列增材制造数据集中的第四个也是最广泛的数据集。以前的数据集主要关注在 MDF 上使用电子束粉末床和粘结剂喷射打印制成的零件的构造。用户可以搜索数据集以获取了解罕见故障机制、开发在线分析软件或模拟材料特性所需的特定信息。
ORNL 研究人员演示了如何通过使用 3D 打印过程中进行的测量来训练机器学习算法来应用数据集。与高性能计算方法相结合，经过训练的算法可以可靠地预测机械测试是否会成功。它还将预测零件极限拉伸强度的错误减少了 61%。
智能中枢
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。
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。
3D科学谷创始人王晓燕
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。
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
