AI人工智能能否克服 3D 打印缺陷？

导读：越来越多的学术和工业研究团体将人工智能的算法集成到 3D 打印过程中，希望借助AI提高 3D 打印技术质量和效率。

虽然工业增材制造（3D 打印）已发展到前所未有的技术水平，但对制造缺陷的控制仍然是一个巨大的挑战。增材制造在汽车、航空航天、生物医学等广泛的工业领域发挥着重要作用，它能够低成本和小批量生产具有复杂几何形状、内部结构细节和个性化定制设计的零件。

△AI在3D打印中应用

然而，目前，在制造满足苛刻标准所需的高质量零件时，无法充分发挥出增材制造高精度以及低成本的优势。调研生产中涉及的 3D 打印环节，不同的制造缺陷会影响 3D 打印材料的一致性、可靠性和性能，从而提高的次品率。

3D 打印过程质量控制的因素是多种多样的。这些可能与使用的源材料（塑料细丝、金属粉末或光固化聚合物）的质量有关，也可能与工艺相关，例如过度挤压和挤压不足、烧结材料中的气穴、层分离等等。在大多数情况下，这些缺陷会导致制造零件的孔隙率增加和机械性能变差。


建立控制过程

△3D 打印过程

首先，确保 3D 打印组件符合要求的标准取决于原材料的质量。对于大多数增材制造公司来说，原材料质量控制是一个持续的挑战。此外，从初始设计到 3D 打印和后处理，可能影响最终产品质量的各种变量涵盖整个增材制造工作流程。例如，这些可以是烧结激光的路径和强度或喷头挤出速度。其他因素可能包括支撑结构的设计，甚至金属粉末被回收和再利用的次数。

目前，试错法是优化 3D 打印过程以实现组件质量一致性的最常见方法。这种方法通常涉及多次重复制造步骤和对最终零件进行广泛测试。结果通常是一个昂贵且低效的制造过程，这有悖于增材制造的主要优势——小批量的经济高效制造。


减少人为错误

△图片来源于网络

大多数增材制造过程仍然需要额外的人工干预。这可能涉及组件的初始设计、后处理（移除支撑和精加工）以及最终产品是否符合要求的手动测试。因此，减少人为错误的可能性对于消除 3D 打印缺陷至关重要。增材制造专家认识到需要可持续和可行的方法来进行加工和质量控制。实现这一目标的最有希望的方法之一是使用人工智能 (AI) 算法来自动化 3D 打印过程。

准备阶段的有效控制

△3D打印中出现的缺陷

基于人工智能的软件包，如 Autodesk 的 Netfabb 和 Sculpteo（巴斯夫子公司）的 Agile Metal Technology，可以通过在所谓的生成式设计方法中使用机器学习算法来评估和优化 3D 打印的设计文件。制造商可以输入所需的设计参数，人工智能分析设计要求以找到最有效的生产途径。

自动缺陷检测和闭环控制

△3D打印缺陷检测

闭环控制系统的开发一直是增材制造工程师长期以来的关键目标，随着AI技术的发展，使这个目标逐步成为可能。位于纽约 Niskayuna 的通用电气添加剂研究实验室的研究人员开发了一种专门的机器学习平台，该平台使用高分辨率相机逐层监控打印过程，并检测通常肉眼看不见的条纹、凹坑、空隙和其他缺陷。数据与使用计算机断层扫描 (CT) 成像预先记录的缺陷数据库进行实时匹配。借助高分辨率成像和 CT 扫描数据，可以训练 AI 系统在打印过程中预测问题并检测缺陷。总部位于伦敦的 Ai Build 公司采用了类似的综合机器学习方法，专门开发基于 AI 的自动化 3D 打印技术，以创建用于增材制造的智能打印机。它是工业机械臂的高精度附件，能够高精度高速的打印大型物体。通过将先进的人工智能算法与传感器数据实时处理相结合，智能 3D 打印挤出机可以检测任何问题并做出自主决策，以实现最佳打印质量。

人工智能创造新型 3D 打印材料

△3D打印材料缺陷

剑桥大学的一家名为 Intellegens 的衍生公司在其 Alchemite 平台中使用机器学习算法来开发用于 3D 打印的新材料。该公司已成功使用 AI 平台创建了一种适用于直接激光沉积制造工艺的新型镍基合金。 Alchemite 的深度学习功能使您能够使用大型材料属性数据库来确定最佳合金成分，以实现最终产品的最佳加工性能和质量。

到目前为止，在增材制造中使用人工智能的重点是增强设计、提高 3D 打印过程的效率以及实现自主制造。很快，先进的人工智能解决方案将有助于降低设计复杂性，降低增材制造行业的知识门槛。


参考材料
1. Zhu, Z., et al. (2021) 3D-printed multifunctional materials enabled by artificial-intelligence-assisted fabrication technologies. Nat Rev Mater 6, 27–47.
2. Paraskevoudis, K., et al. (2020) Real-Time 3D Printing Remote Defect Detection (Stringing) with Computer Vision and Artificial Intelligence. Processes 8, 1464.
3. K. Sertoglu (2020) Argonne scientists use machine learning to predict defects in 3D printed parts[Online] www.3dprintingindustry.com
4. C. Valdivieso (2020) Why combine artificial intelligence and 3D printing? [Online] www.3dnatives.com