2026年7月29日，西班牙IMDEA材料研究所与美国劳伦斯伯克利国家实验室合作开发了一种算法，可检测看似相同的3D打印机之间隐藏的行为差异，并自动决定如何纠正。△相关研究已发表在《Advanced Engineering Informatics》期刊上，研究题目为“针对名义上相同的制造和测量系统，针对高吞吐量并行工作流程进行噪声感知优化”（传送门）
在三台“相同”的打印机上测试理论
这项研究针对一个随着制造规模扩大而日益严重的问题：同一品牌、同一型号甚至序列号相邻的机器，运行情况也很少完全相同。这些微小偏差在整个生产过程中累积，最终变成真正的零件缺陷。新系统并非对整个打印机群采用统一优化策略，而是先对每台机器单独分析——运行诊断评估、构建性能特征、用统计量化机器间实际差异，然后决定：如果机器足够相似则统一优化，如果差异显著则单独调参。
为了验证这种方法的可行性，研究团队对三台理论上完全相同的3D打印机进行了案例研究，预期在硬件配置相同的情况下，它们的性能也应几乎相同。然而，对打印输出的统计差异、打印颗粒的密度估计以及机器间的成对差异值进行分析后发现，每台打印机都在独特的输出模式下运行，这进一步证实了在这种情况下采用独立优化而非联合优化的合理性。研究人员表示，与将所有机器视为同等设备且不纠正个体偏差的做法相比，这种方法的优势在于能够更快地实现收敛，并大幅降低打印部件重量的误差。“即使是批量生产的机器也可能具有自身的运行‘特性’，”研究团队解释说，并指出该系统能够判断将机器视为一个团队还是单个机器更为高效。
缩小自动化制造中的可重复性差距
大多数用于制造业的人工智能工具优化打印过程中的操作，但都假设机器之间可以互换。而IMDEA算法则直接测量机器间的差异，并针对每个批次的机器，决定是进行整体优化还是单独优化，提前优化流程中的某个步骤，目标是规模化生产，而非单次打印。
多年来，打印过程中实时检测缺陷一直是行业关注焦点。堪萨斯州立大学开发了基于支持向量机（SVM）的系统，用摄像头和图像处理捕捉打印失败和几何缺陷；Printpal的PrintWatch插件可实时监控并在缺陷形成时立即中止打印。但这些方法都将每台打印机视为独立问题，而非一个拥有自身特性的打印机群中的节点。近期其他研究则朝相反方向发展：伊利诺伊大学厄巴纳-香槟分校与SyBridge
Technologies合作，训练了一个深度学习模型，能利用人眼不可见的表面纹理，以98%的准确率追溯打印部件的来源打印机。这项研究证实了“打印机有不同性格”这一事实，只是他们用于溯源而非优化。
不仅仅是打印机的工具
IMDEA和伯克利实验室的系统介于这两者之间：它不会在打印过程中检查缺陷，也不会在事后对机器进行指纹识别，而是将机器身份本身作为输入来决定如何运行一个机队。这种方法的应用范围远不止3D打印。它适用于任何依赖于名义上相同的硬件稳定运行的高通量实验，例如材料发现、化学合成、传感器校准等，未经校正的设备漂移都会悄然损害实验可重复性。研究人员称，这是迈向全自动实验室和工厂的一步，这些实验室和工厂能够自动校正硬件差异，无需逐台机器调整。项目得到了二维颠覆性材料MAD2D-CM计划的支持，该计划由马德里自治区、西班牙复苏、转型和韧性计划以及欧盟的NextGenerationEU倡议共同资助。
来源：南极熊
0 留言