通過機器學習映射增材制造射頻器件的幾何和電磁特征空間

供稿人：冉陽、魯中良 供稿單位：西安交通大學機械制造系統工程國家重點實驗室


直寫成型（DIW）技術是一種具有代表性的增材制造（AM）方法，由于其可重復的特征分辨率和形成導電粘彈性油墨的能力，該方法能夠打印在射頻（RF）波段工作的高導電跡線。新型導電和介電油墨的快速發(fā)展拓展了增材制造電磁（EM）器件的設計空間，但也對工藝和性能控制提出了新的挑戰(zhàn)，其中構建質量缺陷是追求一致的幾何和操作規(guī)范時普遍存在的主要挑戰(zhàn)。理解AM和EM性能標準之間的聯系對于減輕工藝特定缺陷的影響至關重要。但是由于評估射頻性能域的計算成本，和缺乏對工藝特定缺陷影響的經驗以及需要對單個元件進行仿真，在線表征缺陷具有挑戰(zhàn)性，幾何結構和射頻性能之間的映射通常是一項艱難的任務。

最近美國賓夕法尼亞州立大學電氣工程系Deanna等人通過將幾何方差映射到電磁性能度量，提出了一個識別缺陷機制及其性能影響的框架。該方法在避免在線電磁模擬的高計算成本的同時，可以加速增材制造反饋。他們首先使用降維來探索幾何制造異常和電磁性能的總體，然后訓練卷積神經網絡來預測打印幾何圖形的電磁性能。在生成網絡時研究了兩個輸入：一個是圖像派生的幾何描述，另一個是使用相同的描述和附加的模擬電磁信息。結果表明，無需在線仿真即可創(chuàng)建快速的增材反饋系統來預測電磁性能。其概念系統流程圖以及如何從具有不同缺陷水平的總體中選擇三個元素來實現流形映射如圖1所示，圖2顯示了統一流形近似和投影（UMAP）。

圖1 映射增材制造反饋回路中的制造缺陷和電磁性能歧管。 （a）簡化的增材反饋流程圖；（b）用制造和性能歧管表示制造和性能塊的示意圖。

圖2 神經網絡訓練和密集層降維。（a）可接受（藍色）和不可接受（橙色）二值輸出著色的制造螺旋的UMAP流形投影，（b）具有二值輸出著色的電磁傳輸響應曲線的UMAP流形投影，（c）邊界輪廓圖像示例和相應的CNN拓撲，（d）表面電流圖像示例和相應的CNN拓撲，邊界輪廓密集層降維：（e）用戶定義輸出，（f）CNN預測值，（g）CNN假陽性和假陰性，表面電流圖像密集層降維：（h）用戶定義輸出，（i）CNN預測值，（j）CNN假陽性和假陰性。

這項研究為機器學習技術如何應用于快速的增材制造反饋過程提供了新的視角。這些技術可用于了解制造差異，并糾正由工藝特定缺陷引起的性能錯誤。

參考文獻：Deanna S、Venkatesh M、Andrew G 等人。 （2022 年）。 使用機器學習為增材制造的射頻設備映射幾何和電磁特征空間，增材制造，ISSN 2214-8604