增材制造中机器学习研究综述：设计与工艺

来源：长三角G60激光联盟

上海工程技术大学、英国华威大学和上海振幅激光技术有限公司的科研人员综述了机器学习在增材制造中的应用：设计与工艺的研究。相关论文以“A review of machine learning in additive manufacturing: design and process”为题发表在《The International Journal of Advanced Manufacturing Technology》上。

增材制造（AM）因其独特的制造方法，可在工业4.0的背景下推动制造业向更高水平的复杂性、灵活性和智能化发展。然而，AM系统的复杂性及其作为数据密集型制造领域的性质，给生产高质量产品带来了挑战。随着数字和计算机技术的发展，数据驱动的机器学习（ML）已被广泛应用于自动机械制造，因为它为质量控制、流程优化和复杂系统建模提供了有效的方法。

图1使用机器学习、物联网、大数据、数字孪生和区块链技术的增材制造解决方案的系统。

本文简明扼要地总结了利用ML协助AM流程的各个阶段。从增材制造设计（DfAM）和参数优化的前处理阶段，到缺陷检测的加工阶段，再到零件质量评估的后处理阶段，它阐明了在每个阶段使用ML相对于传统方法的优势。DfAM的目标是优化产品设计，同时考虑到多个变量之间的相互作用。在DfAM中可以有效利用ML的非线性能力。缺陷检测旨在确保零件的可重复性、耐用性和可靠性。将传感器与ML相结合可确保零件质量。最后，从零件微观结构的角度评估零件质量和检测AM的各种子系统。本综述探讨了如何应用ML解决与AM工艺流程有关的众多问题。它全面系统地总结了各种ML模型在不同阶段的应用，研究了较新的ML技术在未来协助AM的潜力，并总结了当前ML在AM中应用的局限性以及未来的发展方向。

图2 AM中三种常见工艺设备的概述以及常用术语。底部的两张图片说明了从航空航天到生物打印的各种应用，强调了将ML与先进制造相结合的广泛影响。

图3将ML集成到AM中的三种工艺的应用概览。

图4将AM的主要数据源作为输入数据送入ML进行处理的流程概览。

图5根据红外摄像机拍摄的熔池图像，使用SVM对熔池形态进行分类的过程。

图6晶格设计和DIC实验测试。

图7红外热成像技术收集熔池图像并提取熔池轮廓。

图8使用计算机断层扫描技术在Inconel 718增材制造试样中检测到的一个锁孔和两个缺乏熔合孔缺陷的实例。图中放大了一个锁孔和两个最大的缺乏熔合孔，突出后者的不规则形态。

图9利用OT和CT图像作为ML数据，预测LPBF中出现的缺陷。

图10 TL在AM中的应用，包括工艺优化、几何偏差预测、熔池尺寸预测和缺陷检测。

图11检测具有各种缺陷的样品。

图12基于机器学习的金属激光粉末床熔融增材制造质量可重复性研究

ML在识别错综复杂的模式和探索参数关系方面具有巨大的潜力，从而为增强AM的决策过程提供了新的途径。这些模型能够准确捕捉材料特性、工艺参数和零件质量之间的细微关系。本文从AM工艺不同阶段的角度出发，总结了三个不同阶段的各种应用。从预处理阶段开始，ML被集成到工艺优化中，探索结构的可行性、训练设计变量并预测给定条件下的最佳工艺参数。在加工阶段，通过与传统方法的对比，阐明了使用ML进行缺陷检测的优势，即把从传感器收集的数据输入ML模型，探索参数与微观结构之间的关系。在后处理阶段，ML可以检测零件的微观结构，评估各种性能指标和零件质量。最后，综述探讨了各种新型ML技术在AM中的应用，强调了ML技术当前的局限性和未来发展的潜在方向。

未来，将有更多关于将ML与AM结合应用的研究。但是，不同的AM问题和应用场景涉及各种类型的数据，包括结构化数据和图像数据。要有效处理不同类型的数据，需要使用不同类型的算法。因此，要利用ML解决AM问题，必须准确理解ML的机制和AM流程。综上所述，目前的研究存在以下不足：

1.根据调查发现，ML在AM中主要应用于PBF、DED和MEX过程，未来ML可以应用于更多AM工艺。

2.AM是一个复杂的逐层制造系统，其中多个子系统和制造过程会受到各种相关因素的影响。因此，有必要整合数据进行联合分析，如从原始数据中提取特征以降低数据维度，或利用分解技术进行异构数据融合，以增强ML模型的性能，提高模型精度。

3.研究人员必须在ML的透明度和准确性之间做出权衡。ML模型生成的结果需要可解释且易于处理，来帮助决策者理解结果及其基本原理，而一些传统的ML算法（如LR和SSL）能够生成可解释的结果。在AM系统中，可解释的ML模型可以帮助工程师提高对制造过程的理解，并制定相应的控制策略。目前一种可行的策略是将ML结果与相关部件、流程或流程条件的高保真模拟相结合，帮助研究人员理解ML。

4.如上所述，许多研究工作都将物理定律纳入了ML。物理定律能更好地帮助决策者理解加工-结构-性能（PSPP）制造步骤之间存在的关系。因此，对于复杂的AM系统，未来的研究可以更多地探索如何将物理定律纳入ML。

图13机器学习在材料挤压增材制造工艺-结构-性能建模中的应用

论文链接：
Chen, K., Zhang, P., Yan, H. et al. A review of machine learning in additive manufacturing: design and process. Int J Adv Manuf Technol 135, 1051–1087 (2024). https://doi.org/10.1007/s00170-024-14543-2

Pant, R., Singh, R., Gehlot, A. et al. A Systematic Review of Additive Manufacturing Solutions Using Machine Learning, Internet of Things, Big Data, Digital Twins and Blockchain Technologies: A Technological Perspective Towards Sustainability. Arch Computat Methods Eng (2024). https://doi.org/10.1007/s11831-024-10116-4

https://doi.org/10.1016/j.matdes.2021.109606

Abdelhamid, Z., Mohamed, H. & Kelouwani, S. The use of machine learning in process–structure–property modeling for material extrusion additive manufacturing: a state-of-the-art review. J Braz. Soc. Mech. Sci. Eng. 46, 70 (2024). https://doi.org/10.1007/s40430-023-04637-5