人工智能對增材制造的重要性

導讀：對于許多公司來說，數(shù)字化和自動化是進一步發(fā)展增材制造的關鍵。因此，越來越多的制造商正在依賴基于云的解決方案，并將各種算法整合到他們的3D打印解決方案中，以充分挖掘該技術的潛力。

作為一個數(shù)字過程本身，3D打印是工業(yè)4.0的一部分，因此人工智能（如機器學習）越來越多地被用于優(yōu)化價值鏈的時代的重要組成部分。人工智能（AI）能夠在很短的時間內處理大量的復雜數(shù)據(jù)，這就是為什么它作為一個決策者變得越來越重要。本文解釋了什么是機器學習，以及為什么這種形式的人工智能正在幫助塑造增材制造的未來。

機器學習是人工智能的一個子類別，被定義為一種系統(tǒng)或軟件，它使用算法來檢查數(shù)據(jù)，隨后識別模式或確定解決方案。與人們普遍認為機器學習是一種新奇的現(xiàn)象相反，可以說它的雛形可以追溯到20世紀40年代，當時第一批研究人員開始用電路重新創(chuàng)建大腦的神經(jīng)元。1957年，Mark I Perceptron是該領域的第一個重大成功：該機器能夠對輸入數(shù)據(jù)進行獨立分類。在這樣做的過程中，該設備從以前的嘗試中的錯誤中學習，從而隨著時間的推移改進了分類。從那時起，基礎已經(jīng)奠定，研究人員開始對該技術的可能性和潛力著迷。與此同時，我們每天都會在生活的各個領域遇到人工智能。從語音識別到智能聊天機器人，再到個性化的治療方案，機器學習正在被用于各種應用中。

△馬克一世的感知器為后來的機器學習奠定了基礎。

有監(jiān)督與無監(jiān)督的機器學習

在機器學習的范圍內，區(qū)分不同的方法和模型是很重要的。不是所有的機器學習都是一樣的。例如，必須對有監(jiān)督和無監(jiān)督的機器學習進行區(qū)分。有監(jiān)督的機器學習要求有分類數(shù)據(jù)（輸入數(shù)據(jù)）和目標變量（輸出數(shù)據(jù)）。從這些中得出模型，然后檢查新的未分類的數(shù)據(jù)，并確定這些本身的目標變量。這種形式的機器學習被用于預測，例如：預測維修間隔時間。

在無監(jiān)督機器學習中，作為一個起點，情況正好相反。軟件沒有目標變量（輸出數(shù)據(jù)），但必須根據(jù)輸入數(shù)據(jù)來識別模式或建議解決方案。這種類型的機器學習，除其他外，在市場營銷中被用來識別客戶群，即所謂的 "聚類"。但也有其他區(qū)別。例如，還有半監(jiān)督學習，即在大量的原始數(shù)據(jù)中只使用少量的預定義數(shù)據(jù)來訓練模型，以及強化學習，即系統(tǒng)根據(jù)預定義規(guī)則進行自我學習。因此，用戶必須根據(jù)原始數(shù)據(jù)和目標變量來選擇合適的方法。

機器學習如何應用于增材制造？

作為一個數(shù)字化的生產(chǎn)過程，增材制造得益于機器學習的能力。由于在增材制造價值鏈上收集和處理了無數(shù)的實時數(shù)據(jù)，它們可以被用來分析實際狀態(tài)，并隨后重新定義目標狀態(tài)。在這樣做時，公司首先要確定哪些數(shù)據(jù)是相關的。這一決定在每個案例中都取決于所使用的過程。下一步是在定義數(shù)據(jù)收集和處理的合適模型或算法之前，找到并整合合適的測量工具來捕捉數(shù)值。在這種情況下，了解增材價值鏈上的所有步驟相互影響也很重要，這就是為什么在大多數(shù)情況下，孤立的觀點是不合適的。例如，設計已經(jīng)影響到后續(xù)的部件質量，而所需的部件質量又影響到設計。出于這個原因，越來越多的公司正試圖提供一個全面的軟件解決方案，通過該方案，人工智能的優(yōu)勢可以在增材制造過程中得到最佳利用。

智能設計

每個3D打印部件的開始是一個文件，在大多數(shù)情況下是一個CAD文件。這已經(jīng)是公司可以從人工智能中受益的地方。例如，今天市場上的大多數(shù)軟件解決方案已經(jīng)使用人工智能，根據(jù)預定的變量向用戶建議智能設計變體。這個過程被稱為生成式設計，以及其他方面。機器學習也被用于拓撲結構優(yōu)化。許多軟件解決方案還對生產(chǎn)方法、材料和安裝空間的最佳使用提出建議。這可以節(jié)省成本，不僅更有效地生產(chǎn)零件，而且更可持續(xù)。

△nTop軟件的模擬工具提出了晶格結構的幾種變體，并根據(jù)重量和機械性能對其進行排序（圖片來源：nTopology）

質量保證

如果3D打印文件已經(jīng)被優(yōu)化，那么重點可能轉而放在所使用的3D打印工藝、材料質量和部件質量上。今天，許多制造商已經(jīng)在他們的機器上集成了攝像頭和傳感器，它們可以跟蹤打印，并在必要時發(fā)出警報或停止打印。在這個步驟中，重要的是要知道在打印過程中如何定義部件的質量，以便能夠定義所需的測量值。同樣重要的是，要定義機器在哪個閾值時應該執(zhí)行哪個動作。今天，一些算法已經(jīng)能夠獨立定義這些參數(shù)，并在已經(jīng)收集的數(shù)據(jù)基礎上進一步發(fā)展模型。用一個實際的例子可以最好地解釋這一點。

EOS與瑞士軟件供應商NNAISENSE合作，為DMLS工藝開發(fā)了一個數(shù)字孿生技術。在打印過程中，使用光學斷層掃描（OT）從每個打印層采集熱圖像，并與AI預測的圖像進行比較。這使得異常情況可以被立即發(fā)現(xiàn)，并在必要時停止打印過程，從而節(jié)省材料和成本。NNAISENSE開發(fā)的模型是一種自我監(jiān)督的深度學習策略。西門子強調，使用人工智能和機器學習的增材制造（AM）質量保證可以縮短從原型到成品部件的時間，并加快大批量生產(chǎn)的效率。該公司對EOS集成的用于監(jiān)控各個打印層的攝像頭表示贊賞，因為它可以實時識別待打印部件上的缺失粉末（左）或重涂期間的粉末掉落（右）。

△左圖：缺粉導致的異常情況；右圖。重涂時的錯誤（圖片來源：西門子）

每個涂層的質量被記錄為一個數(shù)值，并自動進行評估。當這個所謂的嚴重性分數(shù)達到一定的閾值時，它可以表明涂層存在嚴重問題（如上面的例子）。該公司表示，這簡化了光學檢查，因為只有關鍵層需要由專家來評估。

進一步的應用

Post Process公司的后處理軟件——AUTOMAT3D，可以實時監(jiān)測關鍵的工藝因素，并自主地做出反應，以實現(xiàn)3D打印部件的最佳完成度。為了做到這一點，該公司使用來自數(shù)十萬個基準零件的數(shù)據(jù)。此外，人工智能正被越來越多地用于自動化和優(yōu)化工作流程。在關鍵部件中安裝了智能傳感器，它是智能和預防性維護，或"預測性維護"的測量工具。可以預見的是，在未來幾年，機器學習在制造商生產(chǎn)過程中的應用將繼續(xù)增加。預計到2028年，全球人工智能和高級機器學習的市場將達到4713.9億美元，增長率（CAGR）為35.2%。