机器学习，未来制造业提质增效的“指路明灯”

今年8月，上海工程技术大学张培磊教授与英国华威大学、Amplitude（上海）激光技术有限公司的联合研究团队在《先进制造技术国际期刊》上发表题为《增材制造中的机器学习技术综述：设计与工艺》的综述论文，总结了机器学习在增材制造工艺设计以及工艺过程的应用现状。在本期对话栏目，我们通过与张教授的交流，了解当下机器学习在高端制造业的应用现状并探讨人工智能在未来制造业深入应用所面临的的挑战。

问：请您介绍一下论文的研究背景，以及对于产业应用的意义？

答：我所在的课题团队，近年来研究的内容主要集中在金属材料的激光增材制造，也就是金属3D打印。对于这一块领域，团队之前已经做了多种材料的研究工作，比如像传统材料316不锈钢、718镍基合金、铝合金、TC4钛合金，以及其他常见的牌号材料等。行业对于使用这些牌号的金属材料进行3D打印时，多数情况下可以得到很好的打印质量和预期结果。

以上提及的这些材料在金属3D打印技术问世之后，就开始逐渐发展定型，今天这些材料里不同金属成分的比例都相对固定。对于用户而言，无论用的是哪家厂商提供的金属材料，打印成型后的材料特性差异不会太大。因此，对于上述这些材料的打印，已经形成了标准化的流程和工艺样式。

但对于新材料，或者对材料里的金属元素进行比例调整后，例如将不锈钢的牌号从316换成304，那么之前对应316所研发的工艺参数需要全部替换。并且，激光3D打印的参数就有几十个，这些参数之间的相互作用机理非常复杂。而将几十个参数调整到适合工业加工或者批量生产时，就需要设备厂商或用户投入大量的材料、人力和时间成本。

机器学习，通俗地讲，其实就是训练输入值与输出值之间的关系。当输入值含有一些缺陷时，就会体现在打印结果上，打印材料缺陷包括质量缺陷、表面缺陷和内部缺陷。打印后的缺陷还可以体现在材料的显微组织、材料性能，打印后的材料尺寸等。比如打印一只杯子，长宽高和壁厚有固定的设计尺寸，但最终的生产结果往往会在尺寸上出现偏差。

当前市面上的3D打印设备并不具备人工智能预测和监测功能。但有的设备具备单一参数的监测功能，比如监测打印温度和打印舱室内氧含量的功能。还有的设备装载了激光测量仪，可以测量打印精度和变形量，比对误差。但是通过机器算法或人工智能将所有需要监测的环节耦合在一起的，做成完整的系统，实现打印过程的实时监测和纠正，现在工业界还没有类似的产品问世。

现在，这些构想还只停留在实验室阶段，厂商也没有完全成熟的商业化产品。我想，在明年的慕尼黑上海光博会或TCT Asia展会上，可能会有企业和专家提出类似的想法，因为行业发展至今确实也遇到了生产性的需求。这时候，人工智能和机器学习就是解放未来生产力的一把“金钥匙”，可以打开人类通往高效生产车间的大门。

问：作为人工智能的重要分支，机器学习是当下业界的研究重点，您如何看待其在制造业的作用以及未来的发展潜力？

答：我认为人工智能是一种拟人化的描述。现在无论是ChatGPT还是DeepSeek，这种对话式人工智能并不是落到实处的人工智能，他只是提供资讯类的类人脑思考行为。中国的人工智能发展到后期是一定要赋能制造业，服务于实体企业。人工智能对生产端的助力和贡献，主要围绕质量、效率和成本三个方面。

机器学习就是类似于训练输入值跟输出值之间对应关系的计算公式，不同的模型对应不同的算法，不同模型的准确度又不一样。因此，机器学习的模型或者算法是连接输入值和输入之间的关系，对机器学习本身的学习也是永无止境的。

理想化的场景是，我们将激光与材料的相互作用的每一个环节都可以用数学公式来表达，这个时候就能够通过控制输入值得出理想的输出值。但是，现在就拿增材制造来说，还远远没有达到将物理现象完全转化为数学公式，通过计算得出结论的阶段。

用数学计算解决物理问题，可以排除很多不必要的干扰，抓住问题的本质。对于机器学习而言，就是通过算法抓住材料相互作用的机理，为我们找到从输入端到输出端一一对应的关系。人工智能要想赋能制造业就必须把算法研究透彻。所以说，机器学习才是人工智能赋能制造业的核心。只有当机器学习的算法直接嵌入生产环节，提高生产效率和产品质量，降低成本的时候，它才能为制造业带来真正的增长作用。

激光加工尤其是皮秒、飞秒加工都是瞬态过程，材料之间的相互作用时间非常短，这也给将物理现象与数学公式之间建立关系，造成困难。因此，当我们还无法全面掌握规律的情况下，人工智能、机器学习就相当于一个黑盒子，我们只要找到足够多的数据，就能让其通过迭代和训练，帮助我们实现输入值与输出值一一对应的联系，快速找到规律。

问：制造业每天都会产生大量数据，您如何看待大数据时代的信息挖掘？如何才能高效地利用好数据？对于企业而言，有哪些可行性的建议？

答：我们看到，现在行业内有相当一部分企业已经实现了数字化或者半数字化的管理模式。但当某一个工位或某一个生产环节出现问题时，企业们往往还是通过传统方法进行排查。具体来说，就是需要人工调出生产记录，看一看生产要素、人员和设备运行的情况，再对缺陷进行归类。按照传统方式靠人力去解决问题，效率低且被动，原来积累的大量数据，对优化生产的指导意义不大，因为最终解决问题的还是人。

所以，要想让生产累积的数据真正发挥作用，就需要进入到系统里面。系统不仅仅有记录的功能，还要具备有一定的分析和主动提示的能力。当生产环节出现问题前，系统就主动报错提示，以免造成更大的损失。这也是未来智能工厂的发展趋势，系统在出现问题前就已经发出提示并且能主动干预纠正错误。系统提示和纠错的准确率，需要依靠大量数据通过机器学习进行训练，这就是数据与机器学习（算法）之间的逻辑关系。

从长远来看，今后中小型企业要想超越大公司的难度将大大增加，原因就在大公司可以掌握大量且有质量的数据，而这些都是中小型企业所不具备的。对于公司而言，海量的设计、生产、质量等数据信息才是真正有价值的无形资产。

机器学习的前提是数据，而高质量的数据又为企业筑起了“数字壁垒”和护城河，可以有效抵御行业竞争。但是，大公司并不是有了数据后就高枕无忧，中小企业也不是一点机会都没有，关键还是要找准创新点，是否能给行业带来颠覆性的改变。就工业生产数据而言，将成为企业的核心资产，对后续生产的提升更多是集中在生产过程的积累，再加上先进算法的加持，输出的质量和效率将越来越高。

问：在您看来，让人工智能深度参与制造生产，还需要克服哪些障碍和挑战？

答：目前来看，要想让人工智能更专业，更准确，那就一定要缩小应用场景，固化应用对象。

这样做的目的，也是基于当前机器学习的算力不够，因为需要计算的因子太多了。以激光焊接为例，不仅是激光器自身的参数，还包括材料、运动控制系统和机器人的参数。如果把这些参数因子全部考虑进去后，这些因子相互作用的机理非常复杂，需要强大的算力做支撑。

因此，对于机器学习来说，也是遵循“先易后难”的原则。当应用场景固化后，掌握简单材料与工艺参数的作用关系和规律后，再替换复杂材料和添加更多的参数，让机器学习进行算法训练。但另一方面我们也看到，一些简单的应用场景可以率先实现人工智能的介入，比如激光清洗、激光打标，搭载激光雷达的搬运小车等。因为这些场景并不需要太多复杂的参数设置，而且结果要求也相对简单。

对于人工智能、机器学习在国内的推广，按照以往经验，都需要行业内的标杆企业先做出示范后，才会有更多的企业跟进。期间，可能也会出现和其他行业发展时遇到一样的情况，但是经过时间积累和大浪淘沙后，企业运用人工智能和机器学习的方法会越来越成熟，体系也会更完善，行业标准也会更规范。

都说制造业是一个国家的基石，未来人工智能的发展也一定会落到实体经济也就是制造业上，只有这样才能真正发挥其效能。只有把人工智能和机器学习放到具体的生产工具中，才能让机器人、激光器或是加工机床等生产工具形成更高的新质生产力。

来源：荣格-《国际工业激光商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。