利用AI技术来在线监测SLM打印时质量的异常

来源：江苏激光联盟


据悉，来自美国橡树岭国家实验室的研究人员提出了一种利用人工智能软件来对SLM打印时的质量进行在线监控，从而实现了对产品质量的在线监控和质量评估，而不需要额外的且昂贵的分析表征设备来评估产品质量。该技术以发表在近期发表的期刊《Additive Manufacturing》上。

为了提高粉末床3D打印技术在工业中的认可度和进一步的提高其应用范围，就必须提高在线监测探测的能力和提高对异常行为、现象的识别和分类能力。大多数的打印异常行为，如刮粉时刮刀过程中的碰撞、粉末铺设不均匀、飞溅的产生以及气孔等问题，都是在沉积每一层时就可以观察发现的现象。在这里，来自美国橡树岭国家实验室的研究人员采用一种新颖的卷积神经网络结构 （Convolutional Neural Network architecture）的像素定位（语义分割）技术来获得每层堆积时的粉末床的影像数据进行3Ｄ打印时的质量监控手段。这种算法的优点就在于影像传感时自身分辨率返回分割结果的稳定性、不同3D打印机之间已知知识之间的无缝转移（即数据可以兼容和共享）并且可以提供实时的性能预测。该算法的正确性在六种不同的设备制造商的设备上（分别是EOS、Conceptlaser、Renishaw、Arcam、 SLM、 Exone）、三种不同打印技术（SLM、粘合剂喷射和电子束熔化（EBM））上进行了验证。最后，该算法的性能比早先作者提出的算法要先进，不管是在位置、精度、计算时间还是在通用性上都比以前的算法要好。

研究人员正在使用以AI为基础的Peregrine软件进行3D打印时的在线监测和数据分析

该在线监测软件，取名字为 “Peregrine”，支持了先进制造的数字生产线，是由美国橡树岭国家实验室的人员开发出来的，用于收集和分析打印制造全过程中的每一步的数据，从而实现从产品设计、到打印制造到材料表征测试的全过程的分析于表征。

“捕获生产过程中的每一个信息并转化成数据且互相“克隆”，提供从原材料粉末到操作打印成部件过程中的海量数据“，橡树岭国家实验室影像、信号和机器学习研究小组的先进制造数据分析研究课题组的负责人Vincent Paquit说到：”我们使用该数据来评估部件的质量，并利用该数据作为后续打印部件的参考和打印多材料时的依据，从而使得制造进入自动化生产的新层面和确保制造质量。

该数据线支撑未来工厂在客户的部件是CAD格式时可以接受，然后通过先进的网络通讯实现３D打印机的自修正，从而实现同传统的打印制造相比，可以花费更少的金钱、时间和材料来实现打印。该控制方法的理念需要一个过程控制来确保打印的部件安装在诸如汽车、航空和能源等领域的应用不会出任何问题。

为了设计一种控制方法来实现表面可见缺陷的在线监测并且能够在不同打印机之间实现兼容，橡树岭实验室的研究人员发明了一种新颖的卷积神经网络结构 （Convolutional Neural Network architecture），一种计算机视觉技术，可以模仿人类的大脑进行快速的分析打印过程中相机捕获的照片。该软件使用一种自定义算法来对照片的像素值进行加工，同时考虑分析数据组成的边缘、线、角以及纹路。如果Peregrine软件探测到可能影响到产品质量的异常现象，该软件就会自动的对设备操作者进行报警，从而采取必要的措施进行修正。

被DSCNN所消化的 平铺数据 的示意图

目前该软件对铺粉３D打印（SLM）的适应性非常好。这种类型的打印机在打印的时候每层的粉末分布相对比较均匀且粉末比较精细，材料在激光束或电子束的扫描下熔化粉末材料。而粘合剂喷射打印机则依靠液体粘结剂而不是粉末材料的熔化来实现连接。这种系统在CAD蓝图的指引下实现层层打印，同时也是金属打印机中比较流行的设备。

然而，在打印过程中，诸如粉末分布不均与或者粘结剂分布不均匀、飞溅、热能量不足以及气孔等的存在会导致在每一层都出现缺陷。有的时候以上缺陷会在某一非常短的时间就发生了，以至于在采用传统的技术进行诊断的时候会错过这一信息。

”对于3D打印来说，其中最大的一个 挑战就是，当你关注的事情发生在十分之一毫米尺度的范围内和微秒时间的范围内的时候，或者说你关心的是需要打印几天乃至几个星期的部件的时候“，橡树岭实验的Peregrine项目研究的负责人说到：”由于缺陷可能发生在打印的任何一个地方和打印的任何一个时间里，这就为我们理解打印过程和控制打印质量带来巨大的挑战。

DSCNN结构的示意图

丰富数据支撑3D打印技术用于制造紧凑型核反应堆

Peregrine软件已经安装在ORNL的多类型打印机上进行测试，打印了部件变压挑战反应堆 （Transformational Challenge Reactor, or TCR，又叫快速生产原型反应堆核心），这是一个展示项目，显示出追求世界第一个打印出来的核反应堆。TCR项目可以展示ORNL实验室在核科学与技术工程、材料科学和先进制造技术上的悠久历史，展示出该实验室是如何在短时间内、采取低成本和利用新材料确保在未来可以制造出无碳的清洁能源出来。
Scime说：”对于TCR，你可以有一个场景，假设可以调节你需要的详细的数据来确定如何制造出一个部件出来，我们可以利用Preregrine软件来为您提供出样本数据。

ORNL的科学家花了三个月时间打印的核反应堆的原型

”建立起在打印过程中收集到的数据信号和在使用过程中的性能之间的联系，将会是评估核反应堆部件的关键的数据和信息“。TCR项目的主任Kurt Terrani说：”事实上，它可以在制造过程中完成以排除时间漫长和成本高昂的质量认证过程，这非常明显，对大家来说是非常有益的。

以AI为基础的 Peregrine 软件探测到3D打印过程中存在的缺陷

ORNL的研究人员特别强调指出，这次他们开发出来以人工智能为基础的在线监测软件Peregrine ，可以安装在任何一种粉末床为基础的打印设备上，这对打印产品的提供商来说可以减少打印产品进行论证的时间，从而使得推向市场的时间缩短。Peregrine软件中产生的照片是通常的照片数据，可以在每一种机器上进行转换和传输，从而让每一个新机器可以通过神经网络快速的学习。而且该软件只需要一个普通的笔记本电脑或者台式机就可以进行运行。拍摄照片所用的相机也是常用的标准相机，每张照片的容量大小为4到20M（兆），对每一打印层进行拍照。该软件在上述提到的7种打印机上均进行了测试，包括电子束粉末熔化、激光束粉末熔化和粘合剂喷射，详细的介绍请读者查阅原文。

快速生产原型反应堆核心展示项目使用热图像来动态的监控采用不锈钢直接沉积打印的部件

图解：该六边形结构的打印花费了40小时，熔池附近的温度超过1400摄氏度，注意：本文的主要内容讨论的是SLM，该图系LDM。

“ 我们所做的就是帮助操作者和设计者知道那些会起到作用，那些并不会帮助打印的部件进行应用”， Scime说到，当你有了3D图像的每一个像素点的时候，网络就会告诉你那个地方存在异常，并且还会思考可能是存在什么问题，该技术为我们理解打印工艺打开一个大门，让我们看到了整个世界。”

随着监控系统的不断演化，Scime认为研究者有能力将其他打印机中的数据文件，如打印的日志、激光系统和操作者的脚本整合在一起，允许每一部件都可以拥有独一无二的识别身份和对每个部件实现统计和 评估。

三种不同监测方式的结果比较

图解：（a）检验真实性；（b）采用 ConceptLaser 3D打印机打印时且采用DSCNN技术，没有进行转移学习时的分割；（c）采用 ConceptLaser 3D打印机打印时且采用DSCNN技术，进行了转移学习时的分割

加速先进制造技术的发展
ORNL国家实验发展的AI软件，是致力于同工业一起，发展、测试和精细化新型的现代化的先进制造技术的机构。基于此AI为基础的在线监测技术，以时间为钥匙，我们可以很容易的放置探测器，技术人员则可以确保每件事都在按照计划进行工作，并且获得我们所需要的全部数据。在加上有经验的专业人士的后台支持，就非常容易获得专业人士的支持来确定到底哪里会出问题和出了什么问题。

采用DSCNN预测采用 ConceptLaser M2打印时的过度铺粉的结果

在另外的工艺控制工作中，研究人员可以发展监控的办法来监控在制造过程中亚表面的缺陷并探测可能在更深层面的气孔，包括使用高速相机和光电计。

我们研究焊接工作已经有好几百了，但对于增材制造来说，才不过几十年的时间，并且我们还不知道在其他情况下会发生什么。Scime认为，机器学习技术可以允许我们快速的收集和分析大量的数据。同时可以快速的识别出问题，并获得更好的理解和预防异常的知识。

两种不同监测方法得到的打印异常的监测结果

图解：（a）采用离线观察得到的打印异常的结果；（b）采用本文报道的以AI技术为基础的DSCNN在线监测技术得到的异常结果

橡树岭国家实验室（Oak Ridge National Laboratory，简称ORNL）是美国能源部所属最大的科学和能源研究实验室。作为美国曼哈顿秘密计划的一部分，从事核武器研发，首先开发出生产和分离钚。橡树岭国家实验室于1943 年成立，原称克林顿实验室， 2000 年 4 月以后由田纳西大学和 Battelle 纪念研究所合伙管理。20世纪50、60年代，ORNL主要从事核能、物理及生命科学的相关研究；70年代成立能源部后，研究计划扩展至能源的产生、传输和保存领域；目前的定位是通过开展基础和应用项目研发，提供知识和技术上的创新方法，以增强美国在主要科学领域里的领先地位、提高洁净能源的利用率、恢复和保护环境，以及为国家安全作贡献。ORNL在许多科学领域都处于国际领先地位，主要研究领域包括：中子科学、能源、高性能计算、复杂生物系统、先进材料和国家安全。

橡树岭国家实验室鸟瞰

橡树岭国家实验室拥有的大科学装置主要包括：等时性回旋加速器、直线加速器脉冲中子源、散裂中子源，高通量同位素反应堆、放射性离子束装置、大尺度气候模拟器和“顶点”超级计算机等。其中最为知名的当属散裂中子源 (Spallation Neutron Source，SNS)（见下图）。SNS是以加速器为基础的中子源，占地30英亩，耗资14.117亿美元，历经10 年于2006年6月竣工。由能源部6个国家实验室共同建造，包括：阿贡国家实验室、劳伦斯伯克利国家实验室、布鲁克海文国家实验室、托马斯杰斐逊国家加速器设施、洛斯阿拉莫斯国家实验室和ORNL。它能提供世界上最强的脉冲中子束流，用于科学研究和工业发展。2018年6月8日，ORNL宣称由其研发、IBM公司负责制造的超级计算机“顶点”(Summit)，浮点运算速度峰值可达20亿亿次/秒，接近“神威·太湖之光”超级计算机的两倍，能为人工智能和科学发现的整合提供前所未有的机会。

散裂中子源分工示意图

2017年，ORNL拥有雇员4628人，其中直接参与研究的科学家和工程师达3000人。此外，还接待了3000名客座（为期2周或更长时间）研究人员参与实验室工作，其中约25%来自工业部门。

文献来源：Luke Scime et al, Layer-wise anomaly detection and classification for powder bed additive manufacturing processes: A machine-agnostic algorithm for real-time pixel-wise semantic segmentation, Additive Manufacturing (2020). DOI: 10.1016/j.addma.2020.101453

参考资料：微言创新、Luke Scime/ORNL, U.S. Dept. of Energy