通过机器学习映射增材制造射频器件的几何和电磁特征空间

供稿人：冉阳、鲁中良 供稿单位：西安交通大学机械制造系统工程国家重点实验室


直写成型（DIW）技术是一种具有代表性的增材制造（AM）方法，由于其可重复的特征分辨率和形成导电粘弹性油墨的能力，该方法能够打印在射频（RF）波段工作的高导电迹线。新型导电和介电油墨的快速发展拓展了增材制造电磁（EM）器件的设计空间，但也对工艺和性能控制提出了新的挑战，其中构建质量缺陷是追求一致的几何和操作规范时普遍存在的主要挑战。理解AM和EM性能标准之间的联系对于减轻工艺特定缺陷的影响至关重要。但是由于评估射频性能域的计算成本，和缺乏对工艺特定缺陷影响的经验以及需要对单个元件进行仿真，在线表征缺陷具有挑战性，几何结构和射频性能之间的映射通常是一项艰难的任务。

最近美国宾夕法尼亚州立大学电气工程系Deanna等人通过将几何方差映射到电磁性能度量，提出了一个识别缺陷机制及其性能影响的框架。该方法在避免在线电磁模拟的高计算成本的同时，可以加速增材制造反馈。他们首先使用降维来探索几何制造异常和电磁性能的总体，然后训练卷积神经网络来预测打印几何图形的电磁性能。在生成网络时研究了两个输入：一个是图像派生的几何描述，另一个是使用相同的描述和附加的模拟电磁信息。结果表明，无需在线仿真即可创建快速的增材反馈系统来预测电磁性能。其概念系统流程图以及如何从具有不同缺陷水平的总体中选择三个元素来实现流形映射如图1所示，图2显示了统一流形近似和投影（UMAP）。

图1 映射增材制造反馈回路中的制造缺陷和电磁性能歧管。 （a）简化的增材反馈流程图；（b）用制造和性能歧管表示制造和性能块的示意图。

图2 神经网络训练和密集层降维。（a）可接受（蓝色）和不可接受（橙色）二值输出着色的制造螺旋的UMAP流形投影，（b）具有二值输出着色的电磁传输响应曲线的UMAP流形投影，（c）边界轮廓图像示例和相应的CNN拓扑，（d）表面电流图像示例和相应的CNN拓扑，边界轮廓密集层降维：（e）用户定义输出，（f）CNN预测值，（g）CNN假阳性和假阴性，表面电流图像密集层降维：（h）用户定义输出，（i）CNN预测值，（j）CNN假阳性和假阴性。

这项研究为机器学习技术如何应用于快速的增材制造反馈过程提供了新的视角。这些技术可用于了解制造差异，并纠正由工艺特定缺陷引起的性能错误。

参考文献：Deanna S、Venkatesh M、Andrew G 等人。 （2022 年）。 使用机器学习为增材制造的射频设备映射几何和电磁特征空间，增材制造，ISSN 2214-8604