增材制造中機器學習研究綜述：設計與工藝

來源：長三角G60激光聯(lián)盟

上海工程技術(shù)大學、英國華威大學和上海振幅激光技術(shù)有限公司的科研人員綜述了機器學習在增材制造中的應用：設計與工藝的研究。相關論文以“A review of machine learning in additive manufacturing: design and process”為題發(fā)表在《The International Journal of Advanced Manufacturing Technology》上。

增材制造（AM）因其獨特的制造方法，可在工業(yè)4.0的背景下推動制造業(yè)向更高水平的復雜性、靈活性和智能化發(fā)展。然而，AM系統(tǒng)的復雜性及其作為數(shù)據(jù)密集型制造領域的性質(zhì)，給生產(chǎn)高質(zhì)量產(chǎn)品帶來了挑戰(zhàn)。隨著數(shù)字和計算機技術(shù)的發(fā)展，數(shù)據(jù)驅(qū)動的機器學習（ML）已被廣泛應用于自動機械制造，因為它為質(zhì)量控制、流程優(yōu)化和復雜系統(tǒng)建模提供了有效的方法。

圖1使用機器學習、物聯(lián)網(wǎng)、大數(shù)據(jù)、數(shù)字孿生和區(qū)塊鏈技術(shù)的增材制造解決方案的系統(tǒng)。

本文簡明扼要地總結(jié)了利用ML協(xié)助AM流程的各個階段。從增材制造設計（DfAM）和參數(shù)優(yōu)化的前處理階段，到缺陷檢測的加工階段，再到零件質(zhì)量評估的后處理階段，它闡明了在每個階段使用ML相對于傳統(tǒng)方法的優(yōu)勢。DfAM的目標是優(yōu)化產(chǎn)品設計，同時考慮到多個變量之間的相互作用。在DfAM中可以有效利用ML的非線性能力。缺陷檢測旨在確保零件的可重復性、耐用性和可靠性。將傳感器與ML相結(jié)合可確保零件質(zhì)量。最后，從零件微觀結(jié)構(gòu)的角度評估零件質(zhì)量和檢測AM的各種子系統(tǒng)。本綜述探討了如何應用ML解決與AM工藝流程有關的眾多問題。它全面系統(tǒng)地總結(jié)了各種ML模型在不同階段的應用，研究了較新的ML技術(shù)在未來協(xié)助AM的潛力，并總結(jié)了當前ML在AM中應用的局限性以及未來的發(fā)展方向。

圖2 AM中三種常見工藝設備的概述以及常用術(shù)語。底部的兩張圖片說明了從航空航天到生物打印的各種應用，強調(diào)了將ML與先進制造相結(jié)合的廣泛影響。

圖3將ML集成到AM中的三種工藝的應用概覽。

圖4將AM的主要數(shù)據(jù)源作為輸入數(shù)據(jù)送入ML進行處理的流程概覽。

圖5根據(jù)紅外攝像機拍攝的熔池圖像，使用SVM對熔池形態(tài)進行分類的過程。

圖6晶格設計和DIC實驗測試。

圖7紅外熱成像技術(shù)收集熔池圖像并提取熔池輪廓。

圖8使用計算機斷層掃描技術(shù)在Inconel 718增材制造試樣中檢測到的一個鎖孔和兩個缺乏熔合孔缺陷的實例。圖中放大了一個鎖孔和兩個最大的缺乏熔合孔，突出后者的不規(guī)則形態(tài)。

圖9利用OT和CT圖像作為ML數(shù)據(jù)，預測LPBF中出現(xiàn)的缺陷。

圖10 TL在AM中的應用，包括工藝優(yōu)化、幾何偏差預測、熔池尺寸預測和缺陷檢測。

圖11檢測具有各種缺陷的樣品。

圖12基于機器學習的金屬激光粉末床熔融增材制造質(zhì)量可重復性研究

ML在識別錯綜復雜的模式和探索參數(shù)關系方面具有巨大的潛力，從而為增強AM的決策過程提供了新的途徑。這些模型能夠準確捕捉材料特性、工藝參數(shù)和零件質(zhì)量之間的細微關系。本文從AM工藝不同階段的角度出發(fā)，總結(jié)了三個不同階段的各種應用。從預處理階段開始，ML被集成到工藝優(yōu)化中，探索結(jié)構(gòu)的可行性、訓練設計變量并預測給定條件下的最佳工藝參數(shù)。在加工階段，通過與傳統(tǒng)方法的對比，闡明了使用ML進行缺陷檢測的優(yōu)勢，即把從傳感器收集的數(shù)據(jù)輸入ML模型，探索參數(shù)與微觀結(jié)構(gòu)之間的關系。在后處理階段，ML可以檢測零件的微觀結(jié)構(gòu)，評估各種性能指標和零件質(zhì)量。最后，綜述探討了各種新型ML技術(shù)在AM中的應用，強調(diào)了ML技術(shù)當前的局限性和未來發(fā)展的潛在方向。

未來，將有更多關于將ML與AM結(jié)合應用的研究。但是，不同的AM問題和應用場景涉及各種類型的數(shù)據(jù)，包括結(jié)構(gòu)化數(shù)據(jù)和圖像數(shù)據(jù)。要有效處理不同類型的數(shù)據(jù)，需要使用不同類型的算法。因此，要利用ML解決AM問題，必須準確理解ML的機制和AM流程。綜上所述，目前的研究存在以下不足：

1.根據(jù)調(diào)查發(fā)現(xiàn)，ML在AM中主要應用于PBF、DED和MEX過程，未來ML可以應用于更多AM工藝。

2.AM是一個復雜的逐層制造系統(tǒng)，其中多個子系統(tǒng)和制造過程會受到各種相關因素的影響。因此，有必要整合數(shù)據(jù)進行聯(lián)合分析，如從原始數(shù)據(jù)中提取特征以降低數(shù)據(jù)維度，或利用分解技術(shù)進行異構(gòu)數(shù)據(jù)融合，以增強ML模型的性能，提高模型精度。

3.研究人員必須在ML的透明度和準確性之間做出權(quán)衡。ML模型生成的結(jié)果需要可解釋且易于處理，來幫助決策者理解結(jié)果及其基本原理，而一些傳統(tǒng)的ML算法（如LR和SSL）能夠生成可解釋的結(jié)果。在AM系統(tǒng)中，可解釋的ML模型可以幫助工程師提高對制造過程的理解，并制定相應的控制策略。目前一種可行的策略是將ML結(jié)果與相關部件、流程或流程條件的高保真模擬相結(jié)合，幫助研究人員理解ML。

4.如上所述，許多研究工作都將物理定律納入了ML。物理定律能更好地幫助決策者理解加工-結(jié)構(gòu)-性能（PSPP）制造步驟之間存在的關系。因此，對于復雜的AM系統(tǒng)，未來的研究可以更多地探索如何將物理定律納入ML。

圖13機器學習在材料擠壓增材制造工藝-結(jié)構(gòu)-性能建模中的應用

論文鏈接：
Chen, K., Zhang, P., Yan, H. et al. A review of machine learning in additive manufacturing: design and process. Int J Adv Manuf Technol 135, 1051–1087 (2024). https://doi.org/10.1007/s00170-024-14543-2

Pant, R., Singh, R., Gehlot, A. et al. A Systematic Review of Additive Manufacturing Solutions Using Machine Learning, Internet of Things, Big Data, Digital Twins and Blockchain Technologies: A Technological Perspective Towards Sustainability. Arch Computat Methods Eng (2024). https://doi.org/10.1007/s11831-024-10116-4

https://doi.org/10.1016/j.matdes.2021.109606

Abdelhamid, Z., Mohamed, H. & Kelouwani, S. The use of machine learning in process–structure–property modeling for material extrusion additive manufacturing: a state-of-the-art review. J Braz. Soc. Mech. Sci. Eng. 46, 70 (2024). https://doi.org/10.1007/s40430-023-04637-5