在過去的幾十年里，金屬 AM 增材制造的日益成熟正在吸引高價值行業直接用于生產制造，而金屬零件生產的兩個主要工藝是激光粉末床熔融 (PBF-LB/M) 和激光束定向能量沉積技術 (DED-LB/M)。 盡管這些技術取得了許多進步，但該過程的高度動態特性經常導致缺陷的形成。 《Process monitoring and machine learning for defect detection in laser-based metal additive manufacturing》這篇論文回顧了各種機器學習 (ML) 方法和現場監測技術在缺陷檢測中的應用。 討論了這些方法實現過程控制的潛力。

在《基于激光的金屬增材制造過程監控和機器學習》系列文章中，3D科學谷將結合這篇論文對數據結構和 ML 算法的使用趨勢進行回顧，并比較不同傳感技術的能力及其在激光金屬 AM 增材制造監測任務中的應用，最后討論機器學習和過程監控在增材制造領域的未來方向。

▲論文鏈接：

https://link.springer.com/article/10.1007/s10845-023-02119-y

邁過自動化門檻

由增材思維驅動的產品設計開發，例如功能梯度材料 (FGM)、多材料結構零件，這些都難以通過傳統方法生產，盡管包括金屬增材制造的3D打印技術帶來了嶄新的價值創造機遇，但其廣泛的工業應用仍然存在一些障礙。L-PBF選區激光熔融3D打印技術和 L-DED激光束定向能量沉積3D打印技術都需要訓練有素的技術人員來啟動、監控和移除組件，這與過去幾十年自動化不斷提高的傳統制造相反。

此外，由AM-增材制造工藝生產的零部件經常受到工藝引起的缺陷的困擾，例如孔隙、裂紋和殘余應力引起的變形，從而影響部件質量和一致性。零件內的工藝缺陷會降低機械性能和疲勞性能，導致其在低于設計的操作限制時失效。

工業制造經常采用嚴格的質量標準來確保組件的一致性和性能。由于AM-增材制造流程通常用于制造單個或小批量零件，因此達到與傳統制造流程相同的統計質量保證變得昂貴且困難。增材制造的質量控制仍然是阻礙高價值行業進一步采用這類工藝的突出問題。

缺陷帶來的挑戰

工藝引起的缺陷的形成對激光增材制造技術的工業應用提出了重大挑戰。孔隙是所有增材制造工藝中的常見缺陷，尤其是那些需要粉末作為原料的工藝。PBF 工藝中最常見的小孔誘導孔是在過多的能量沉積到表面時形成的，導致熔池深入滲透到之前的層中。流體的不穩定性隨后會導致型腔頂部閉合，在底部產生一個空隙，該空隙通過熔池向后和向上移動，變成球形以最小化表面能。

缺少熔合孔通常是由于傳遞到表面的能量密度不足而形成的，這可能導致粉末熔化不完全，這些孔隙形狀不規則，將影響零件的機械和疲勞性能。這些可能會被其他孔隙消耗、逸出、溶解或被困在固化材料中。

增材工藝產生的極高熱梯度和冷卻速率會導致部件收縮不均勻，從而在部件內產生殘余應力。這些殘余應力使部件偏離其預期的幾何形狀，并且可能大到足以使零部件無法使用。或者，這些應力會導致3D打印的零部件斷裂，或者在連續層之間斷裂，如分層，或者在多層之間斷裂，如開裂。

建立相關性分析

目前檢測過程引起的缺陷的做法依賴于生產后檢查。這被稱為異地或事后監測，可以通過破壞性和非破壞性測試方法進行。雖然破壞性測試可以為研究加工參數對微觀結構和機械性能的影響提供有用的信息，但非破壞性測試方法，如 X 射線計算機斷層掃描 (XCT)，可以在不影響內部缺陷的情況下繪制內部缺陷圖。不過盡管無損檢測具有明顯的優勢，但這些方法既昂貴又耗時。質量檢測為零件認證和缺陷研究提供了價值，但僅提供有關最終產品的信息，因此這些數據反饋出來的缺陷實際形成的能力有限。

近年來，機器學習 (ML) 算法開始用于金屬增材制造中的缺陷檢測和質量預測。這些算法可以有效地查詢增材工藝現場監測生成的大量數據，并有助于建立工藝特定輸入參數與最終零件質量之間的相關性。

如今，我們已經習慣于看到 AI 接管越來越多的任務——不僅在我們的日常生活中，而且在醫療應用或工業生產中。人工智能的發展取得了很大進展。現在可以通過人工智能預測生產中的組件故障或從圖像中提取信息以在幾分之一秒內執行干涉任務。

在過去十年中，關于 AM-增材制造加工過程監測的論文和專利數量急劇增加。這是因為AM-增材制造加工過程是一個動態過程，更是個數字化的過程，在構建過程中具有改進的潛力。

根據3D科學谷的市場研究，人工智能在每個特定領域發揮著越來越重要的作用，包括：缺陷檢測和糾正、在構建過程中和構建之后減少殘余應力和故障、原位計量和設計精度、微結構設計、合金設計和優化。

▲人工智能+3D打印

ML 是人工智能 (AI) 的一個分支，它使用算法逐步調整程序對輸入數據的響應，隨著計算能力和程序設計的進步，機器學習在許多不同領域取得了顯著成功。特別是，深度學習 (DL) 在過去二十年中在許多分類和識別任務中取得了巨大進步。

根據訓練數據的輸入-輸出結構，ML機器學習方法可分為四大類：監督學習、無監督學習、半監督學習和強化學習 (RL)。在AM-增材制造領域，大多數機器學習應用都屬于監督學習范疇。

ML機器學習方法可以適應各種數據類型，從可見圖像到聲學信號和提取的特征向量。因此，“增材制造的原位監控”的多種原位監控方法適用于不同的 ML機器學習方法。例如，視覺和熱成像產生空間分辨圖像，這些圖像可直接用于卷積神經網絡 (CNN) 或處理以提取其他算法使用的指標。

l實時自適應控制

根據3D科學谷的市場觀察，Relativity Space專門申請了使用機器學習對增材制造過程進行實時自適應控制Real-time adaptive control of additive manufacturing processes using machine learning的專利（相關專利號為US10921782B2）。

根據Relativity Space的專利，過程模擬數據可以并入機器學習算法使用的訓練數據集中，該算法能夠自動分類對象缺陷、預測過程控制參數的最優組或序列、過程控制參數的調整。例如，可以使用諸如有限元分析（FEA）之類的過程模擬工具來模擬根據指定函數的過程控制。

過程表征數據可以并入機器學習算法使用的訓練數據集中，該算法能夠自動分類對象缺陷、預測過程控制參數的最優組或序列、實時調整過程控制參數，或其任何組合。可以將過程表征數據饋送到機器學習算法以便實時更新增材制造設備的過程控制參數。

可以將過程中或構建后檢查數據并入機器學習算法使用的訓練數據集中，該算法能夠自動分類對象缺陷、預測過程控制參數的最優集合或序列、過程控制的調整實時參數等等。

機器學習算法可以使用過程中檢查數據（例如，自動缺陷分類數據）向操作員發送警告或錯誤信號，或自動中止增材制造沉積過程。

原始參考文獻： https://link.springer.com/article/10.1007/s10845-023-02119-y