增材制造中的机器学习综述：设计与工艺

1.引言

增材制造（AM）也被称为3D打印，是一项快速发展的数字制造技术，利用计算机辅助模型逐层堆叠材料来创建三维物体。机器学习（ML）是人工智能的分支，研究计算机系统如何通过学习数据来改进性能，现如今ML因为基于底层模式和在数据中发现特征，学习数据原则的能力而受到广泛关注。

AM被广泛认为是具有潜力的制造方式，然而其工艺过程存在材料特性不匹配、工艺参数众多、构建过程的一致性缺乏、数据集复杂从而导致打印件存在缺陷。ML与AM相结合能即时分析打印件的工艺-结构-性能之间的关系，用ML对AM特定的范围进行约束来应对各种挑战，例如几何设计，工艺参数优化，缺陷检测，质量评估。图1所示为从工艺角度出发描述ML在AM工艺前、工艺中、工艺后三个阶段的应用。

 

2.增材制造设计中的机器学习

2.1 增材制造设计
AM的材料要求包括以适合特定工艺形式生产原料的能力、AM对材料的适当加工和可接受后处理以增强几何形状和性能的能力，高产量对许多用户而言是非常重要的。AM粘合、放置或转换原材料的体积基元或体素以制造最终产品，每个体素的尺寸和形状以及体素之间的结合强度取决于原材料的特性、AM机器参数（例如喷嘴直径）和工艺参数，因此增材制造设计（DfAM）的概念被提出。

 

图1：机器学习集成到增材制造三个工艺过程的应用。(a)工艺前的增材制造设计应用。(b)工艺前的拓扑优化应用。(c)工艺中的缺陷检测应用，用于自动检测和表征零件内部缺陷。(d)更多机器学习模型在增材制造的应用。(e)不同类型的机器学习模型驱动增材制造实现高性能、高质量、高效率发展

DfAM的目标在于优化产品设计，以应对生产过程的复杂性，并最大限度地减少开发时间和成本。同时，该设计方法皆在明确定义基于增材制造的产品在整个生命周期中所具有的决定性优势，从而更好满足产品在使用阶段优势。然而，在DfAM的多维空间设计中探索设计解决方案是一项具有挑战性的任务。随着可用的AM数据越来越多、设计变量数量的增加，适应所有设计变量并反应变量之间的相互作用已变得十分困难。由于ML学习数据之间复杂关系和强大的非线性能力，现在可以将ML应用到DfAM上。

 

图2：知识图谱应用在AM中的设计框架

jiang等人提出了一种针对AM框架的ML集成设计，该研究使用图像结构的卷积神经网络（CNN）模型作为AM设计的框架，用ML探索设计变量和性能之间复杂的相互作用。Zhang等人利用ML提出了一种基于网络的自动化可制造分析器和AM推荐器（MAR-AM），通过选定的材料和工艺参数预测给定设计的适应性能力，他们的研究在很大程度上帮助AM用户提供对给定设计快速、自动化、易于访问且全面的可制造性分析的解决方案。

Ko等人介绍了一种基于知识图ML的多学科设计和缩小AM功能之间差距的方法来辅助DfAM，在这项工作中所提出的方法由4个模块组成如图2所示，他们的工作是将知识表示、提取和推理形式化，从而增强DfAM规则的自动化和自主构建和改进。

知识图包括AM先验知识结构、知识到DfAM本体的转换、从AM中提取知识使用ML数据以及设计规则转换，作者通过将非结构化AM先验知识形式化为结构化知识，并基于ML从AM数据中提取知识获得设计基础、原理和规则，然后这些设计知识被编码成带有知识图的本体，最后利用先验知识和新发现的知识进行推理，构建设计规则，该研究采用ML对AM的数据进行可制造预测知识提取，以构建一个包含知识图谱的DfAM本体。

2.2 拓扑优化
拓扑优化(TO)的主要目的是改进几何形状，以最大限度地提高承载能力，同时使用尽可能少的材料将刚度和寿命保持在所需标准。在AM中，TO通过分析零件的受力情况，确定在结构中需要强度和刚度的区域，以优化零件结构的方式实现更轻量、更高强度的设计。如图3所示，TO方法已被证明是适用并且有效的。

 

图3：(a)结构问题。(b)优化拓扑结构。(c)带有支撑结构的制造零件

TO可能需要多次迭代设计和原型制作，对于大规模、复杂的结构来讲需要庞大的算力，因此结合ML能快速计算大量复杂数据以及模型经过训练可以快速输出有利设计的特点，用ML辅助TO工艺。Zhang等人使用生成对抗网络从原始设计中获得详细的优化结果，显著提高了拓扑优化的效率。为快速确定模型的最佳设计方向，并避免传统基于特征和计算的方法，研究提出带有k均值聚类的非监督学习方法，该方法可以用于生成具有相关规则的构建方向，还可以用于深度分析。

Wu等人利用ML开发了一种优化框架用于DfAM的晶格结构，为晶格开发了一种多尺度的TO方法，所开发模型的目标是优化非均匀晶胞以实现尽可能均匀的应变模式，图4显示了晶格试样和数字图像相关（DIC）测试结果，(a)和(b)为初始晶格设计和等效应变分布，(c)和(d)为优化后的晶格设计和等效应变，通过对比初始设计，优化后的设计表现出更均匀的等效应变分布，他们的研究通过实际案例成功证实了使用ML进行TO的可行性。

 

\

图4：晶格设计和DIC实验测试。(a)初始设计的晶格结构。(b)初始设计的等效应变轮廓。(c)优化后的晶格结构。(d)优化后的等效应变轮廓

2.3几何偏差
在DfAM中控制几何偏差至关重要，由于材料经历快速的局部加热和冷却循环，其复杂的热历史会在零件内部积累不均匀的残余应力。当零件从基板移除或支撑结构被移除时，应力会导致宏观上的翘曲变形、收缩和尺寸失真，不同材料的热膨胀系数会加剧这一问题。

zhu等人通过ML对AM中的几何偏差进行预测，该方法从变换的角度将面内几何偏差映射到已建立的偏差空间中，从偏差数据中学习并对局部偏差进行建模，实验结果证明了使用ML方法的有效性，预测的准确率超过90%。Sushmit等人使用ML从有限元模拟收集热机械变形数据训练模型来研究零件的变形，从而实现补偿零件的几何偏差。

 

图5：模型框架示意图，包括针对模型的输入工艺参数-模型结构-输出参数

 

3.增材制造工艺中的机器学习

3.1工艺参数优化
选择合适的工艺参数是AM的下一个关键挑战，虽然设计阶段解决了形状和结构方面的问题，但在制造过程中需要仔细选择和调整工艺参数。零件质量在很大程度上取决于工艺参数的正确选择，不当的参数设置可能直接导致零件的表面粗糙度过高、内部形成气孔或未熔合缺陷，进而削弱零件的致密度、强度及疲劳性能。

传统上工艺参数的研究与优化主要依赖经验调试和实验设计方法，然而鉴于AM工艺参数众多，实验缺乏可重复性且难以推广至新材料或新设备，传统方法通常意味着更多的时间以及更大的经济成本。ML的非线性拟合能力能够在AM工艺中构建“参数-属性”的代理模型，从而以远低于实验的成本实现工艺优化。

Caiazzo等人进行了工艺参数与单道熔覆轨迹几何形貌之间定量关系的研究。他们应用了基于人工神经网络的ML方法，构建了一个预测模型。该模型以激光功率、扫描速度和送粉速率为输入变量，以铝合金基板上沉积道的几何尺寸为输出。研究结果表明所开发模型表现出优异的预测精度，其对熔覆道宽度、高度等关键几何尺寸的预测值与实验值的平均绝对百分比误差均在较低水平。Akbari等人开发了一套基于ML的AM方法来表征熔池行为，通过数据驱动的模式识别方法来根据材料特性估计熔池几何形状,所开发的模型框架如图5所示，该模型可以预测优化熔池的加工参数以预测零件的孔隙，通过模型还可以找到数据-材料属性-熔池几何形状之间的明确关系。

Lee等人研究了工艺参数对熔池形成的影响，该研究中对于AM所制造的合金625和合金718实施了六种不同的ML算法，基于交叉验证并通过计算实际与预测之间的决定系数来评估ML的可预测性，所预测熔池的几何形状目标参数为：深度、宽度、高度、面积基于高度和基板内面积，他们的模型对于熔池的宽度、深度和基板内面积显示出较高的可预测性，结果表明使用高级特征优化的机器学习模型可以准确预测在基材中测量的熔池几何形状。

Wang等人提出了采用基于卷积神经网络的ML调整工艺参数的新方法，如图6所示，利用这种范式来推导出应该调整哪些参数以及如何调整，提供了控制多个工艺参数的可能性，他们将图像作为CNN的输入来探索激光功率与孔隙的关系。

3.2缺陷检测
AM零件存在许多缺陷，例如孔隙、裂纹、球化、表面粗糙、几何缺陷等，这些缺陷可能导致零件的强度、硬度和韧性降低，零件在应力作用下更容易发生破裂且零件的机械性能降低。AM零件缺乏质量保证是阻碍制造商采用AM工艺的关键技术障碍之一，特别是对于不能容忍零件故障的高价值应用而言。

 

图6：基于卷积神经网络的ML调整工艺参数的工作流程

因此，针对零件的缺陷检测方法对于减少制造过程中的缺陷，提高零件表面质量和增加零件系统可靠性非常重要。每种缺陷检测技术都基于不同的物理原理，每种技术的选择和正确使用取决于应用、制造工艺、材料类型和可能的不连续性。

一般的缺陷检测方法包括声发射（AE）、红外热成像技术、超声波缺陷检测技术、涡流缺陷检测、X射线计算机断层扫描技术（CT）等。ML模型由不同类型的数据进行训练，这些数据分为三类：一维数据（例如光谱）、二维数据（例如图像）、三维数据（例如断层扫描）。

大多数研究人员利用ML实现AM的缺陷检测基于两种策略：传感器图像和信号，传感器采集的现场监控提供了AM过程中有关零件质量的第一信息，如果能够对这些实时数据进行同步准确的分析，就可以实现制造的完整闭环控制。

在AM中，传感器的应用与ML结合可以提供实时监测、优化和控制制造过程的能力，ML通过分析传感器数据来识别制造过程中的潜在优化条件，如图7所示为传感器捕获熔池图像流程。

Montazeri等人在打印机上配备了多光谱光电探测器传感器，传感器用来捕获光发射特征，在不同的加工条件下构建了圆柱形零件，用CT对零件每层的孔隙率进行量化，从传感器上获取图傅里叶变换系数，将系数作为ML的输入特征，研究中使用了六种流行的ML分类算法，该研究结果表明该方法可以在小于0.5秒的计算时间内逐层预测孔隙率并且准确度达到90%。Feng等人在LPBF中通过原位断层扫描图像作为ML的输入数据来预测零件未熔合和孔隙缺陷，如图8所示，使用多个连续层的目的是提高预测精度，经过训练的ML模型能够利用多层原位光学断层扫描图像（OT）的复合数据准确预测各层内的孔隙发生情况。

单个传感器提供的数据受到限制只能捕捉到特定参数或局部信息，因此，现如今许多研究的工作目标是开发多传感器融合方法获取复杂数据集来作为ML的输入特征以监测零件的多尺度缺陷，使用多个数据特征可以使模型更具适应性提供更准确的模型和预测。Bevans等人研究了一种异构传感器数据融合方法，将红外相机、飞溅成像相机和PBF成像相机数据作为ML数据集输入来检测LPBF零件几何形状和构建条件的多尺度缺陷，所研究的方法可以检测孔隙度、几何缺陷和层级变形，准确率超过93%。

Lu等人提出了基于连续纤维增强复合材料（CFRP）的多传感器融合框架，该传感器由红外相机、视觉相加、激光位移传感器集成，将该数据集经过预处理后作为ML模型输入，用于分析打印件的分层表面粗糙度、光纤错位程度以及缺陷数量。

3.3质量检测
由于AM是逐层堆叠材料的过程，材料的快速熔化和凝固会产生独特的微观结构，微观结构直接影响零件的各种性能。ML已成功用于预测AM零件的特性和性能，机械性能、表面质量、疲劳寿命和晶粒生长被视为零件特性和性能标准。目前阻碍AM零件的质量评价的一个关键因素是同一工艺不同机器，或者同一机器不同制造阶段的产品质量不一致，这种不一致可能会导致零件的几何精度、相对密度、工艺稳定性和机械性能的变化。

 

图7：用于捕获熔池图像的传感器布局

图8：OT图像和CT图像作为数据通过ML预测缺陷。(a)工作流程。(b)左侧图像为重建后的OT图像。中间图像为组装数据集和ML原理图。右侧图像为重建后的CT图像

Hassanin等人使用ML预测AM零件晶格结构力学性能的精确方法，该研究中对钛合金样品进行压缩测试以测量极限强度，弹性模量和比强度，开发了不同的模型与实验统计方法进行比较，结果表明经训练后的模型对极限强度、弹性模量和比强度的预测有很高的准确率。

 

图9：模型结构与预测结果。(a)模型结构。(b)基于工艺参数引导的ML模型的拉伸性能预测结果。(c)基于工艺参数与微观结构引导的ML模型的拉伸性能预测结果

Wang等人研究了AM制造Ti6Al4V合金的微观结构演变，使用ML来分析工艺参数、构建方向和退火温度对零件拉伸性能的影响，他们的研究表明结合微观结构的ML模型精度更高，并能很好预测拉伸性能，图9展示了模型预测结果，从图9(b)和(c)对比可以看出，微观结构的拉伸性能模型相比于工艺参数引导的拉伸性能模型表现出了更高的预测精度。

 

4.总结

ML在识别复杂模式和探索参数关系方面具有显著潜力，为提升AM的决策过程提供了新的可能，这些模型能够准确捕捉材料性能、工艺参数和零件质量之间的关系。本文从AM设计和工艺角度，总结了两个方向的应用。从工艺前的设计出发，探索结构的可行性，将ML融入到工艺优化来对设计变体进行训练并预测给定参数下的最佳工艺参数。在工艺中，通过使用传感器收集到的数据输入到ML模型以探索参数和微观结构之间的关系。在工艺后，ML可以检测零件的微观结构以此来衡量零件的各种性能，对零件质量进行评估。

数据驱动的ML算法在解决现如今以数字孪生驱动AM发展问题是有效的。在智能工业背景下，自动化程度提高以及工业数字化转型趋势推动AM发展，未来将ML与AM相结合的应用研究也将更多。值得注意的是，不同的AM问题和应用场景涉及到各种各样的数据，包括结构化数据、图像数据等，为了有效处理不同类型的数据需要使用不同类型算法，因此使用ML解决AM问题必须准确理解ML算法机制以及AM工艺过程。

 

供稿：上海工程技术大学教授张培磊

 

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。