在过去的几十年里，金属 AM 增材制造的日益成熟正在吸引高价值行业直接用于生产制造，而金属零件生产的两个主要工艺是激光粉末床熔融 (PBF-LB/M) 和激光束定向能量沉积技术 (DED-LB/M)。 尽管这些技术取得了许多进步，但该过程的高度动态特性经常导致缺陷的形成。 《Process monitoring and machine learning for defect detection in laser-based metal additive manufacturing》这篇论文回顾了各种机器学习 (ML) 方法和现场监测技术在缺陷检测中的应用。 讨论了这些方法实现过程控制的潜力。

在《基于激光的金属增材制造过程监控和机器学习》系列文章中，3D科学谷将结合这篇论文对数据结构和 ML 算法的使用趋势进行回顾，并比较不同传感技术的能力及其在激光金属 AM 增材制造监测任务中的应用，最后讨论机器学习和过程监控在增材制造领域的未来方向。

▲论文链接：

https://link.springer.com/article/10.1007/s10845-023-02119-y

迈过自动化门槛

由增材思维驱动的产品设计开发，例如功能梯度材料 (FGM)、多材料结构零件，这些都难以通过传统方法生产，尽管包括金属增材制造的3D打印技术带来了崭新的价值创造机遇，但其广泛的工业应用仍然存在一些障碍。L-PBF选区激光熔融3D打印技术和 L-DED激光束定向能量沉积3D打印技术都需要训练有素的技术人员来启动、监控和移除组件，这与过去几十年自动化不断提高的传统制造相反。

此外，由AM-增材制造工艺生产的零部件经常受到工艺引起的缺陷的困扰，例如孔隙、裂纹和残余应力引起的变形，从而影响部件质量和一致性。零件内的工艺缺陷会降低机械性能和疲劳性能，导致其在低于设计的操作限制时失效。

工业制造经常采用严格的质量标准来确保组件的一致性和性能。由于AM-增材制造流程通常用于制造单个或小批量零件，因此达到与传统制造流程相同的统计质量保证变得昂贵且困难。增材制造的质量控制仍然是阻碍高价值行业进一步采用这类工艺的突出问题。

缺陷带来的挑战

工艺引起的缺陷的形成对激光增材制造技术的工业应用提出了重大挑战。孔隙是所有增材制造工艺中的常见缺陷，尤其是那些需要粉末作为原料的工艺。PBF 工艺中最常见的小孔诱导孔是在过多的能量沉积到表面时形成的，导致熔池深入渗透到之前的层中。流体的不稳定性随后会导致型腔顶部闭合，在底部产生一个空隙，该空隙通过熔池向后和向上移动，变成球形以最小化表面能。

缺少熔合孔通常是由于传递到表面的能量密度不足而形成的，这可能导致粉末熔化不完全，这些孔隙形状不规则，将影响零件的机械和疲劳性能。这些可能会被其他孔隙消耗、逸出、溶解或被困在固化材料中。

增材工艺产生的极高热梯度和冷却速率会导致部件收缩不均匀，从而在部件内产生残余应力。这些残余应力使部件偏离其预期的几何形状，并且可能大到足以使零部件无法使用。或者，这些应力会导致3D打印的零部件断裂，或者在连续层之间断裂，如分层，或者在多层之间断裂，如开裂。

建立相关性分析

目前检测过程引起的缺陷的做法依赖于生产后检查。这被称为异地或事后监测，可以通过破坏性和非破坏性测试方法进行。虽然破坏性测试可以为研究加工参数对微观结构和机械性能的影响提供有用的信息，但非破坏性测试方法，如 X 射线计算机断层扫描 (XCT)，可以在不影响内部缺陷的情况下绘制内部缺陷图。不过尽管无损检测具有明显的优势，但这些方法既昂贵又耗时。质量检测为零件认证和缺陷研究提供了价值，但仅提供有关最终产品的信息，因此这些数据反馈出来的缺陷实际形成的能力有限。

近年来，机器学习 (ML) 算法开始用于金属增材制造中的缺陷检测和质量预测。这些算法可以有效地查询增材工艺现场监测生成的大量数据，并有助于建立工艺特定输入参数与最终零件质量之间的相关性。

如今，我们已经习惯于看到 AI 接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。

在过去十年中，关于 AM-增材制造加工过程监测的论文和专利数量急剧增加。这是因为AM-增材制造加工过程是一个动态过程，更是个数字化的过程，在构建过程中具有改进的潜力。

根据3D科学谷的市场研究，人工智能在每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化。

▲人工智能+3D打印

ML 是人工智能 (AI) 的一个分支，它使用算法逐步调整程序对输入数据的响应，随着计算能力和程序设计的进步，机器学习在许多不同领域取得了显著成功。特别是，深度学习 (DL) 在过去二十年中在许多分类和识别任务中取得了巨大进步。

根据训练数据的输入-输出结构，ML机器学习方法可分为四大类：监督学习、无监督学习、半监督学习和强化学习 (RL)。在AM-增材制造领域，大多数机器学习应用都属于监督学习范畴。

ML机器学习方法可以适应各种数据类型，从可见图像到声学信号和提取的特征向量。因此，“增材制造的原位监控”的多种原位监控方法适用于不同的 ML机器学习方法。例如，视觉和热成像产生空间分辨图像，这些图像可直接用于卷积神经网络 (CNN) 或处理以提取其他算法使用的指标。

l实时自适应控制

根据3D科学谷的市场观察，Relativity Space专门申请了使用机器学习对增材制造过程进行实时自适应控制Real-time adaptive control of additive manufacturing processes using machine learning的专利（相关专利号为US10921782B2）。

根据Relativity Space的专利，过程模拟数据可以并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优组或序列、过程控制参数的调整。例如，可以使用诸如有限元分析（FEA）之类的过程模拟工具来模拟根据指定函数的过程控制。

过程表征数据可以并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优组或序列、实时调整过程控制参数，或其任何组合。可以将过程表征数据馈送到机器学习算法以便实时更新增材制造设备的过程控制参数。

可以将过程中或构建后检查数据并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优集合或序列、过程控制的调整实时参数等等。

机器学习算法可以使用过程中检查数据（例如，自动缺陷分类数据）向操作员发送警告或错误信号，或自动中止增材制造沉积过程。

原始参考文献： https://link.springer.com/article/10.1007/s10845-023-02119-y