生产中的人工智能，Fraunhofer ILT使用AI显著改善金属3D打印的结果
如今，我们已经习惯于看到 AI 接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。
增材制造-3D打印作为典型的数字化制造技术，从设计到生产再到质量保证（QA）的整个工作流程中都运转着海量的数据。增材制造设计的复杂性与材料、生产参数、质量要求等众多因素相互依存，面对巨大的复杂性，人类的经验很难激发增材制造技术的潜能，使之成为一种用于生产的制造技术。这些特点恰好为人工智能提供了应用土壤。
本期，结合3D打印领域内弗劳恩霍夫激光技术研究所Fraunhofer ILT在激光加工中应用人工智能的进展，洞悉复杂的人工智能开发的深度数字孪生如何推动3D打印进入生产，一起来领略正在进行时的人工智能赋能增材制造新气象。
机器学习允许理解来自不同传感器的复杂数据并将其用于过程控制
© 亚琛Fraunhofer ILT
AI赋能过程自适应
弗劳恩霍夫激光技术研究所 ILT 是世界范围内激光制造技术的“心脏与大脑”。弗劳恩霍夫激光技术研究所 ILT将在 2021 年 9 月 28 日至 29 日举行的第二届“激光技术人工智能大会”上，与会者将讨论人工智能目前如何应用于激光材料加工。研究人员和工厂工程师、软件开发人员和机器制造商将在这里会面交流想法。除了技术演示之外，弗劳恩霍夫激光技术研究所 ILT 的实验室也将开放进行虚拟参观。
两年前的第一届“AI for Laser Technology”大会上，讨论的问题仍然是人工智能（AI）可以在制造中的哪些地方使用。与此同时，人工智能的发展十分迅速，许多想法已经到达了工厂车间。
各种趋势汇聚在一起：例如，制造商需要 100% 的质量控制。如果过去只能通过随机样本检查汽车生产中的焊缝，现在人工智能可以高精度地现场监控每个单独零件的质量并快速识别可能的生产故障，这需要近年来开发的在线过程诊断。实时处理由此产生的大量数据是人工智能的领域，这也只有通过现代计算技术才能成为可能。
捕获复杂数据并将其用于过程控制
在制造业中使用 AI 的方法有多种，通常从分析图像或其他数据开始。有了人类“老师”给予的人工智能的算法，人工智能甚至可以识别复杂数据中的结构。因此，它可以在早期检测到与预定义最佳值的偏差，从而可以对过程进行调节。当数据的记录和处理与过程控制相结合形成一个自主过程时，就达到了最高水平：智能化调整加工策略。
在3D打印方面，弗劳恩霍夫激光技术研究所Fraunhofer ILT目前能够通过 AI 显著改善金属 3D 打印的结果。在激光粉末床选区金属熔化 (LPBF) 工艺系统中，使用高分辨率 HDR 相机对每一层中的组件表面进行拍照。图像数据可以捕捉到两种影响：一方面，可以测量过程中组件可能发生的翘曲；另一方面，可以仔细检查表面的粗糙度。因此，可以在生产过程中对缺陷进行分类。
人工智能可以实时控制激光焊接等制造过程
© 亚琛Fraunhofer ILT
而在人工智能的帮助下，激光参数也可以在过程中进行特定的更改，以便对过程状态的变化做出动态反应。这提高了零件的质量，并在缺陷发生之前加以预防。
相应地，今年弗劳恩霍夫激光技术研究所Fraunhofer ILT举办的“AI for Laser Technology Conference”-激光技术人工智能大会的演讲将重点关注激光焊接等生产过程数据的获取和处理。这里的一个关键目标是端到端的流程和质量控制。
第二个重点是基于人工智能的控制过程。此外，会议还将讨论人工智能软件在各种应用中的开发。在这里，人工智能不仅使用户能够优化生产流程，实现零缺陷生产。在具有大量复杂数据的过程中，例如现代光学的发展，人工智能也降低了复杂性。开发过程变得更加清晰、更加确定并且更少依赖于个别专家的直觉。
解锁3D打印潜能
通常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。
离线 CT 测试不仅会增加总体成本，而且还会限制几何形状，因为零件必须具有适当的形状才能进行扫描和测试。如果通过智能过程中监控和测试来取代离线监测，这开辟了新的空间，并可能降低总体成本。
在商业化方面，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商业化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 。
而在科研端，位于德国亚琛的ACAM亚琛增材制造中心通过其研发联合体的紧密合作，ACAM亚琛增材制造中心将研究维度放在了推动3D打印进行量产的目标上，研究重点包括功能集成，多材料打印，下一代设备与材料开发，自动化，可持续性发展，批量化执行，增材制造中的人工智能，5G赋能自适应自进化制造，协作生产，增材制造过程的数字化管理等等。
(责任编辑：admin)
适配多类别高温聚合物FFF
埃肯与Startuplab合作加速
NAMIC 全球增材制造峰会GA
3iD率先引进全新粘结剂喷
Freeform人工智能3D打印工
Biomaterials science:牛
卡内基梅隆研究人
Align Technology
AM Craft在种子轮
Aerojet拿下五角
印度初创公司在Gi
美军使用金属3D打
