人工智能+3D打印=？
对于许多公司而言，数字化和自动化是增材制造进一步发展的关键。因此，越来越多的制造商依赖基于云的解决方案，并将各种算法集成到他们的 3D 打印解决方案中，以充分发挥该技术的潜力。未来几年，机器学习在制造商生产过程中的使用将继续增加。到 2028 年，全球人工智能和高级机器学习市场预计将达到 4713.9 亿美元，增长率 (CAGR) 为 35.2%。作为数字化过程本身，3D 打印是工业4.0 的一部分，因此是机器学习等人工智能越来越多地成为优化价值链的重要组成部分。人工智能 (AI) 能够在很短的时间内处理大量复杂数据，这就是为什么AI作为决策者变得越来越重要的原因。本期，3D科学谷与谷友一起来领略解人工智能如何塑造增材制造的未来。
© 3D科学谷白皮书
人工智能照进3D打印的现实
基于增材思维的先进设计与智能制造, 与新一代人工智能技术深度融合，形成高吞吐量、高产品质量控制能力、高产品复杂性的新一代智能制造技术，进而成为第四次工业革命的核心技术引擎。机器学习是人工智能的一个子类别，被定义为使用算法检查数据并随后识别模式或确定解决方案的系统或软件。与人们普遍认为机器学习是一种新奇现象相反，机器学习的起源可以追溯到 1940 年代，当时第一批研究人员开始用电路重建大脑的神经元。1957 年，通过感知器在该领域取得了第一个重大成功：该机器能够独立地对输入数据进行分类。在这样做的过程中，该设备从之前的尝试中所犯的错误中吸取了教训，随着时间的推移改进了分类。
从那时起，人工智能的基础就奠定了，研究人员开始对这项技术的可能性和潜力着迷。发展至今，人们每天都会在生活的各个领域遇到人工智能。从语音识别到智能聊天机器人再到个性化治疗计划，机器学习正被用于各种应用。机器视觉和机器学习算法是与增材制造硬件设备密切相关的人工智能技术。机器视觉和机器学习算法就像3D打印设备的眼睛与大脑一样，赋予3D打印设备监测和控制打印质量的智能化属性，降低发生打印错误的风险。
监督与无监督机器学习
在机器学习范围内，区分不同的方法和模型非常重要。并非所有机器学习都是一样的。例如，必须区分有监督和无监督机器学习。监督机器学习要求分类数据（输入数据）和目标变量（输出数据）可用。从这些导出模型，然后检查（新）未分类数据并确定这些数据本身的目标变量。这种形式的机器学习可以用于预测，例如：预测维护间隔。
在无监督机器学习中，作为起点，情况正好相反。该软件没有目标变量（输出数据），但必须识别模式或根据输入数据提出解决方案。除其他外，这种类型的机器学习可用于营销以识别客户群，即所谓的“聚类”。
但还有其他类别，例如，还有半监督学习，只使用大量原始数据中的少量预定义数据来训练模型。还有强化学习，其中系统根据预定义规则进行自我学习。因此，用户必须根据原始数据和目标变量选择合适的方法。
机器学习如何用于增材制造？
作为数字化生产过程，增材制造受益于机器学习的能力。由于沿着附加价值链（实时）收集和处理了无数数据，机器学习可用于分析实际状态并随后重新定义目标状态。为此，首先要定义哪些数据是相关的。这个决定在每种情况下都取决于所使用的过程。下一步是在为数据收集和处理定义合适的模型或算法之前，找到并集成合适的测量工具来捕获值。在这种情况下，了解附加价值链上的所有步骤相互影响也很重要，这就是为什么孤立的观点在大多数情况下并不合适。例如，设计已经影响了后续的组件质量，而所需的组件质量影响了设计。出于这个原因，越来越多的公司正在尝试提供全面的软件解决方案，通过该解决方案，可以以最佳方式为增材制造过程利用人工智能的优势。
人工智能赋能智能化设计
每个 3D 打印零件的起始点都是一个设计文件，在大多数情况下是一个 CAD 文件。这已经是公司可以从人工智能中受益的地方，例如，当今市场上的大多数软件解决方案已经使用人工智能根据预定义的变量向用户建议智能设计方案。此过程被称为创成式设计。机器学习也用于拓扑优化，目前许多软件解决方案也提出了建议。
© 3D科学谷白皮书
3D科学谷在《人工智能给制造业带来的三大关键革命》一文中谈到，设计师或工程师将设计目标以及材料，制造方法和成本限制的参数输入到创成式设计软件中。然后，通过创成式软件探索解决方案的所有可能的排列，并快速“生成”设计备选方案。最后，它利用机器学习来测试和学习每次迭代哪些有效，哪些无效。创成式设计软件可以帮助人类完成难以实现的复杂建模过程，如果你正在尝试优化飞机的机翼设计，或新电动车的扰流板或电池设计甚至只是用于手机外壳的塑料模具 ，通过创成式设计软件，可以在一天内完成相当于50,000天的工程设计。
人工智能赋能工艺方案和质量保证
首先我们来理解一下，为什么对于在增材制造 (AM) 机器中收集的大量监控数据也不能实现很好的质量控制？我们需要制造典型的增材制造加工过程由数千个层组成，每个层都会生成几 MB 的光栅化或时间序列监控和传感器数据，从而为常见的生产场景产生技术数据包。在节省时间、可重复性和数据效率方面，通过数据来指导加工作业好处将是巨大的。
到目前为止，使用图像和信号处理技术的经典数据分析也可以工作，事实上它们被广泛用于这项任务。但是，由于 AM 增材制造设备中不同的零件几何形状和工艺条件会导致如此多的工艺相互依赖，因此事实证明，找到传统分析算法的正确参数化以对设备提供“正确”指示几乎是不可能的。
在《增材制造设计（DfAM)指南》这本书中，援引了AM零件质量影响因素的石川图，在石川图中详细的举出了影响加工质量的160多种因素，仅仅是激光扫描过程，就包括了扫描线长度，扫描线种类，外轮廓，内轮廓，扫描方式，扫描速度，光束矫正，收缩补偿，扫描线顺序，填充间距，填充方向，激光功率，（离）聚焦，表面填充参数，偏移等等。可见要通过人的经验来驾驭和平衡160多种影响加工质量的变量是非常难的。
人工智能正在用于工艺方案的优化，包括材料和3D打印构建空间的最佳利用。这不仅可以节省成本，而且不仅可以更有效地生产零件，而且更可持续。
如果 3D打印文件已经过优化，那么人工智能的重点可能会放在所使用的 3D 打印工艺、材料质量和组件质量上。如今，许多制造商已经在他们的机器中集成了摄像头和传感器，可以跟踪打印并发出警报或在必要时停止打印。在此步骤中，重要的是要了解在打印过程中如何定义零件的质量，以便能够定义所需的测量值。定义机器应该在哪个阈值下执行哪个动作也很重要。今天，一些算法已经能够独立定义这些参数，并在已经收集的数据的基础上进一步开发模型。
人工智能优化打印工艺与质量控制
© EOS
根据3D科学谷的市场了解，具有集成 AI 的过程监控系统将支持这种转变，并实现从全细节测试演变为智能测试的直接方法。根据3D科学谷的市场观察，国际上通过AI来进行增材制造加工质量控制的公司目前包括以色列的printsyst，美国的addiguru，德国的nebumind，以及瑞士的Nnaisense 。
其中，EOS 与瑞士软件提供商 NNAISENSE 合作，为其DMLS 3D打印流程开发数字双胞胎。在打印过程中，使用光学断层扫描 (OT) 从每个打印层捕获热图像，并与 AI 预测的图像进行比较。这样可以立即检测到异常情况，并在必要时停止打印过程，从而节省材料和成本。
NNAISENSE 开发的模型是一种自我监督的深度学习策略。目前，受 PyraMiD-LSTM（并行多维长短期记忆）的启发，采用了卷积和循环处理。强大的并行化使EOS 与 Nnaisense 公司能够以每层 4MP 的分辨率通过GPU 在不到 2 小时的时间内计算约 1000 层的预测。
将原始监测数据与预测数据进行对比，然后可以在质量评估中更详细地考虑预测结果对加工结果的影响。当然，AI 必须针对不同的材料类别进行训练，根据3D科学谷的了解，不同的材料对加工要求，对过程的敏感程度是不一样的。AI不仅可以学习不同材料在一些已知的悬垂和狭窄位置中过热的影响，而且还学习机器内空气流动分布和零件摆放位置对加工结果产生的影响。
像这种外径约为 140 毫米的碎石机齿这样的磨损部件通过 LMD 工艺进行修复。由于人工智能，修复不规则表面的过程将得到优化。
© Apollo Machine and Welding Ltd, Fraunhofer ILT
开发的 AI 的另一个用例是优化扫描策略或流程设置，以接收更均匀的监控结果，从而获得更均匀的零件质量。而且，这些都无需构建单个作业，使用宝贵的机器打印时间并浪费宝贵的资源（粉末、能源、测试、体力劳动……）。实现这一目标将真正改变当今如何实现 AM 增材制造生产作业的优化，并向负责任的制造迈出重要一步。
在研发端，根据3D科学谷的市场观察，Fraunhofer旗下的研究所在人工智能与增材制造结合中获得了很多前沿性的进展，其中Fraunhofer IWS的专家通过“人工智能”（AI）和“机器学习”的先进方法来提升对加工过程的理解，由Fraunhofer IWS图像处理和数据管理工作组进行研究。通过人工智能，可以找到这些数据泛洪中的隐藏联系。
特殊的分析算法将测得的传感器值与研究所的粉末数据库联系起来，并评估进一步的工艺参数。根据3D科学谷的了解，机器逐渐学习如何做出自己的决定。例如，可以自主确定是否可以容忍激光熔覆增材制造过程中温度的轻微升高，还是必须在导致整个组件的加工出现质量缺陷之前立即采取对策。
在“ futureAM-下一代增材制造”联合项目中，Fraunhofer 的六个研究所汇集了材料、人工智能、激光、工艺控制能多项技术和专业知识，以将增材制造推向新的高度。
人工智能赋能材料开发
正如人工智能在药物领域的作用，一款新药从开始研发到临床试验再到投入市场，通常需要10-15年；随着数字经济时代的到来，大数据、人工智能等技术的应用，将大大缩短药物研发时间，提升效率和质量。在制药行业，人们有兴趣实施AI驱动的解决方案以发现新药并加快将其推向市场的速度。食品和药物管理局进一步推动了这种兴趣，促进将基于AI的技术用于药物开发的创新。总体来说，AI和机器学习旨在改变药物发现过程，从而降低财务成本和上市时间。
全世界有数以百万计的商业材料，其特点是数百种不同的特性。使用传统技术探索我们对这些材料所了解的信息，提出新的物质，基质和系统，是一个艰苦的过程，可能需要数月甚至数年。通过了解现有材料数据中的基础相关性，估算缺失的属性，人工智能可以快速，高效，准确地提出具有目标属性的新材料 – 从而加快开发过程。
同样的事情，将发生在3D打印领域的材料开发方面，人工智能将在两个维度上发挥作用：降低材料开发的财务成本和开发周期。
人工智能将在创建更坚固、更轻、更灵活且生产成本更低的材料中发挥超乎想象的作用。
在这种特定情况下，机器学习通常可以用来开发新材料。材料科学家只需要将所需的特性输入程序，机器学习算法便可以预测哪些化学结构单元可以在微观水平上结合在一起，从而创建具有所需功能和特性的结构。
根据3D科学谷的市场观察，由英国剑桥的一家人工智能公司Intellegens开发的一种新的机器学习算法已被用于设计一种新的金属增材制造镍基合金。根据Intellegens的说法，该算法为团队节省了大约15年的材料研究时间和大约1000万美元的研发成本。Intellegens的Alchemite™深度学习算法设计的新合金是通过定向能量沉积（DED）金属3D打印工艺进行制造的，该合金可满足增材制造所需的性能目标，用于制造喷气发动机零部件。
另外一个商业化的案例是Citrine智能材料平台基于尖端AI工具和智能数据管理基础架构搭建而成，可用于数据驱动的材料和化学品开发。平台可基于机器学习模型，结合用户企业的行业知识来预测材料在各种配方下的性能，加速材料研发工作。
Citrine智能材料平台可以快速搜索1150万种粉末和纳米颗粒的组合。平台通过针对目标材料的性质按批次寻找组合，识别关联的数据集和数据流，创建材料感知的数据结构；然后基于数据来，生成，细化和验证模型。
而此前，揭示了Intellegens的Alchemite™深度学习算法设计的另外一款新合金，这款新合金是通过定向能量沉积（DED）金属3D打印工艺进行制造的，该合金可满足增材制造所需的性能目标，用于制造喷气发动机零部件。
除了单一材料的开发，正如Fraunhofer在futureAM项目中的发现，通常采用单一材料设计飞机发动机整个组件不是很有效，因为组件不会在所有点上都受到相同的热量。最好只在温度很高的地方使用昂贵的高电阻材料，在其他地区，使用较便宜的材料就足够了。这正是增材制造系统可以实现的，一旦人工智能学会了加工所需的超合金，下一步是将各种高性能材料整合到一个组件中。
可以预见，未来任何不使用AI的软件驱动技术迟早会被替代。软件开发人员和设备制造商肩负着共同开发产品，重新定义增材制造边界的巨大责任。如果一台增材制造设备能够通过AI 为其客户带来实用或商业价值，则其他没有应用AI 技术的竞争产品极有可能在未来5-10年内难以在市场上生存。
(责任编辑：admin)
Conflux Technology 获110
通用汽车向Forge Nano投资
华中科技大学：增材制造Si
赋能汽车、医疗等行业｜TP
Amnovis利用3D打印技术制
国产连续纤维3D打印开拓
创想三维2023全球
上海交大谷国迎教
3D打印假体植入内
FRI：降脂油包水
少年骨折后感染致
打出一片“新天地
