2026年1月14日，增材制造工艺和材料数据分析软件开发公司Senvol已获得美国海军的资助，将牵头开展一项专注于金属增材制造中传感器融合的研究项目。项目将致力于研究能否利用原位监测数据预测采用金属丝定向能量沉积系统制造的零件的材料性能，从而为质量验收和安装决策提供支持。
项目名为“用于过程监控的增材制造传感器融合技术”，于2025年7月启动，计划持续到2027年7月。项目的工作将评估机器学习方法是否能够分析制造过程中收集的数据，从而直接从过程监控信息中确定零件的性能特征。
软件开发商将应用机器学习软件Senvol ML，对金属丝定向能量沉积成型过程中产生的现场监测数据进行分析。该软件平台旨在通过参数化收集到的信息，并计算与材料性能相关的制造现象的概括特征，来处理来自多种传感器类型和模式的数据。
△SenvolML 的一个分析示例——不锈钢粉末和激光粉末床熔融。图片来自 Senvol。
本项目的目标是建立一套标准化的、数据驱动的增材制造零件质量和安装适用性评估流程。项目将利用机器学习模型，把现场监测数据与机械性能要求关联起来，提供量化证据，以支持验收决策，而无需完全依赖大量的后期验证和测试。
对于海军供应链而言，增材制造技术的应用取决于能否确保产品质量的稳定性和性能的可预测性。目前正在评估的方法旨在增强人们对增材制造零件的信心，使其能够被接受并投入使用，从而解决增材制造技术在保障和生产领域更广泛应用的关键障碍。
项目展示的方法旨在支持更灵活、更具可扩展性的增材制造供应链。通过减少对重复认证活动的依赖，力求实现海军内部设施和商业供应商之间同等零部件的生产。这种方法可以在保持所需性能特征的同时，从更广泛的增材制造供应商处采购合格部件。
△森沃尔标志。图片来自 Senvol。
将现场监测数据整合到正式验收流程中是项目的另一重点。项目成果有望为如何将监测要求纳入美国海军海上系统司令部（NAVSEA）的政策框架提供指导，从而使制造过程中收集的过程数据能够作为验收标准的一部分加以考虑。
在项目实施过程中，Senvol公司的软件还将用于评估工艺参数如何影响最终材料的性能。除了根据监测数据预测性能特征外，Senvol ML系统还旨在识别可能生产出具有目标机械性能零件的参数组合。
Senvol总裁ZachSimkin在评论项目时表示：“增材制造的质量保证至关重要。零件要被供应链接受，就必须对成形性能有足够的信心。这一领域的研究仍在不断发展，我们相信，开发一套一致的方法来分析原位监测数据，并从中提炼出可操作的指导原则，将使增材制造用户更容易达到零件验收标准。”
来源：南极熊
0 留言