人工智能对于增材制造发展的重要性不言而喻。目前，影响激光粉末床融合构建的变量主要有激光功率、孵化距离、气体流量等。将用户“思维”实现数字化、模拟和外包给计算机，具有重要意义。

但是，打开增材制造构建人工智能的正确方法是什么呢？过去，行业通常采取了植根于机器视觉或监督学习的方法，简单来说就是教机器人像人类老师一样识别错误和异常。作为一种人工智能的策略，虽然比较费时但还算有效，但作为推进增材制造技术的广泛适用解决方案，这种方法显然是“只见树木不见森林”。

■在直接金属激光烧结构建中为每一层捕获的光学断层扫描图像被证明是深度数字孪生的正确预测目标（来源：NNAISENSE）

近期，瑞士公司NNAISENSE与EOS合作构建了用于直接金属激光烧结的“深度数字孪生”（deep digital twin），使用更全面且劳动密集程度更低的方法。NNAISENSE公司不是以特定打印参数和像素级输出的形式为模型提供单独标记的“树”，而是提供了更像“森林”的东西。

每个打印层的光学断层扫描热图，与工艺输入相关，例如零件几何形状、激光功率和扫描路径。像气体流量等不可观察的影响，对人工智能无关紧要。但重要的是这些因素如何相互作用以在打印的每一层中形成热足迹，并且该图像提供了有关系统和构建的足够信息，以检测异常、模拟结果甚至促进实时过程控制。

无论在哪个领域，构建深度数字孪生都需要数据，而且需要大量数据。这意味着制造商需要与客户一起确定哪些信息可用，可以捕获哪些附加数据，以及哪些部分对流程重要。有时，数据不容易被获取但又十分关键，或者有时信息数据被标记为仅供人类使用，而不适用于机器学习。

■EOS直接金属激光烧结3D打印机，广泛用于从医疗植入物到航空航天部件的领域。但在自我监督深度学习的帮助下，可以更远、更快地发展（来源：Incodema3D）

在增材制造行业，EOS已经通过EOState Monitoring Suite捕获了大量可用数据，该套件可以跟踪从重涂错误到构建期间熔池行为的所有内容，并将这些信息与预期的构建指令关联。与模型学习从结构化数据中识别缺陷或其他兴趣点的监督机器学习不同，NNAISENSE公司使用自监督学习创建深度数字孪生的过程模型。在这种方法中，计算机会收到来自传感器和控制动作的时间序列输入，并自行学习以预测这些传感器的未来数值。

自监督深度学习策略，是未来增材制造的正确选择。以往，特别像激光粉末床熔融，在其构建中生成的数据量庞大；另外还包括零件的多样性以及缺乏哪些变量对哪些结果有贡献的洞察力。自监督深度学习的策略避免了用户将“矛盾”引入系统的机会。

虽然许多因素会影响激光粉末床融合构建的结果，但不一定存在所有这些因素的数据。例如，烟雾会干扰激光器的运行，但在EOS 3D打印机内部并没有相应的传感器检测。而NNAISENSE公司并没有试图解释增材制造中的所有这些影响，而是将注意力集中在EOState已经使用光学断层扫描相机捕获的每一层热图像上，这些图像反映了打印机内部的条件以及原始构建参数。

当前，NNAISENSE公司能够使用过去EOS打印的构建指令作为输入，以训练模型预测下一层的光学断层扫描热图。这种训练的过程实现了自我监督，让模型根据EOState中记录的实际结果检查，而不是人工干预。

光学断层扫描图像非常适合作为预测目标，因为直接金属激光烧结是一个热过程，温度会影响3D打印和最终零件质量。热量是熔化和融合材料所必需的，但热量分布和积聚是金属3D 打印中许多问题的根本原因。

■人工智能可以通过“研究”来自真实构建的光学断层扫描图像来学习每个连续打印层的预期行为（来源：EOS）

为了始终如一地实现所需的零件属性，理想的条件通常是使零件的温度分布均匀。但实际上，由于激光扫描策略、气流等，零件会形成热点和冷点。热成像在每一层上捕捉所有这些因素的结果。因此，没必要教机器人直接金属激光烧结的工作原理，只需提供足够的构建指令数据及其相应的热图像供其学习。

在使用历史EOS构建数据在GPU集群上训练数周后，该模型现在可以在单个GPU上运行，并已部署在欧洲的多个EOS用户中。人工智能模型将使这些公司和未来的采用者能够更有信心地预测新零件设计的结果，并选择构建指令来实现应用程序的目标。

一旦零件投产，实际构建中的任何意外影响都可以理解为虚假偏差，从而缩小了可能原因和纠正的范围。流程开发将变得更快、更容易，并且不再依赖人为的事后弥补。不过，更广泛地说，在最少人工监督的情况下创建基于数据模型的能力使人工智能更容易有效应用。

虽然该模型仅进行了钛金属直接激光烧结的训练，但NNAISENSE公司相信它可以通过额外的数据和训练扩展到更多的增材制造材料和机器类型。对增材制造的总体影响，可能是在试错、故障排除和过程纠正上花费的时间更少；减少失败的构建和原型设计造成的浪费；最终是一种更可靠和更广泛适用的制造方法。