算法 l 在增材制造(AM)过程中应用机器学习(ML)的算法

增材制造界的全球发展趋势正在将注意力转向寻求质量保证的新兴研究领域,评估和改进现有的控制策略。机器学习算法可以用于优化、诊断和预测,以提高增材制造过程的控制精度和预测未来的性能。

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

Valley PBF DFED▲ 当前用于增材制造的机器学习类型
© 3D科学谷白皮书

block 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。

block 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。

Valley_AI_ML▲ 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。

block 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。

谷专栏


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

分享:

你可能也喜欢...

发表评论