新聞中心
人工智能(AI)對(duì)增材制造研究的影響
發(fā)布時(shí)間:2025-08-26
2025年8月,來(lái)自波爾圖大學(xué)、弗勞恩霍夫 IWS、呂勒奧理工大學(xué)、牛津大學(xué)、INESC TEC和德累斯頓工業(yè)大學(xué)的研究人員在《IEEE Access》上發(fā)表了一篇系統(tǒng)綜述,概述了人工智能 (AI) 在基于激光的增材制造 (LAM) 過(guò)程控制中的新興應(yīng)用。

通過(guò)分析2021年至2024年間發(fā)表的16項(xiàng)研究,綜述發(fā)現(xiàn)62.5%的研究已在現(xiàn)實(shí)環(huán)境中部署了AI驅(qū)動(dòng)的控制器,而56%的研究將AI專門應(yīng)用于強(qiáng)化學(xué)習(xí) (RL) 等控制策略。在所審查的研究中,62.5%的研究將AI用于過(guò)程建?;虮O(jiān)控,68%的研究針對(duì)由過(guò)熱或過(guò)熱引起的不穩(wěn)定性——這是LAM中缺陷的主要來(lái)源。激光增材制造 (LAM) 是增材制造的一個(gè)分支,它使用粉末床熔合 (PBF) 或定向能量沉積 (DED) 逐層構(gòu)建金屬零件。PBF的激光功率較低,通常低于1千瓦,掃描速度高達(dá) 2,000 毫米/秒,可小規(guī)模生產(chǎn)高精度零件。DED 使用粉末或線材原料,激光功率可達(dá)40千瓦,可實(shí)現(xiàn)更高的沉積速率和更大的結(jié)構(gòu)。這些工藝差異會(huì)產(chǎn)生不同的熔池特性、熱梯度和缺陷輪廓,需要單獨(dú)的控制策略。審查確定了可以應(yīng)用人工智能的五個(gè)關(guān)鍵階段:智能采樣、過(guò)程監(jiān)控、建模、控制器設(shè)計(jì)和性能評(píng)估。盡管激光輔助顯微成像 (LAM) 試驗(yàn)成本高昂,但經(jīng)典的實(shí)驗(yàn)設(shè)計(jì) (DoE) 方法仍然是采樣中最廣泛的應(yīng)用,而貝葉斯優(yōu)化等自適應(yīng)技術(shù)(可根據(jù)快速變化或高度非線性的區(qū)域調(diào)整數(shù)據(jù)收集)不太常見,但在其他制造環(huán)境中顯示出效率提升。監(jiān)測(cè)方法通常結(jié)合熱傳感和視覺(jué)傳感來(lái)捕捉熔池的幾何形狀和溫度,這些參數(shù)與零件質(zhì)量密切相關(guān)。傳感器安裝在軸上,與激光器對(duì)齊,或安裝在軸外進(jìn)行外部監(jiān)測(cè)。在已審查的研究中,卷積神經(jīng)網(wǎng)絡(luò)處理基于圖像的數(shù)據(jù),而人工神經(jīng)網(wǎng)絡(luò)在多模態(tài)監(jiān)測(cè)中被證明是有效的,可以整合視覺(jué)、熱和聲學(xué)信號(hào)。一項(xiàng)研究發(fā)現(xiàn),這種多模態(tài)ANN方法在測(cè)試模型中實(shí)現(xiàn)了最高的缺陷預(yù)測(cè)準(zhǔn)確率。數(shù)據(jù)標(biāo)記仍然是一個(gè)限制因素:許多研究依賴于簡(jiǎn)化的熔池特征或最終檢測(cè)結(jié)果,而不是連續(xù)的實(shí)時(shí)標(biāo)記,這限制了PBF等高速工藝的響應(yīng)能力。

該圖表展示了近年來(lái)論文數(shù)量的增長(zhǎng) 以及人工智能在語(yǔ)言建模(LAM)領(lǐng)域的主要應(yīng)用
審查指出,人工智能在激光增材制造(LAM)中的應(yīng)用存在一些系統(tǒng)性缺陷。數(shù)據(jù)采集受到成本、代表性樣本有限以及極端情況需求的限制。有限元法(FEM)、強(qiáng)化學(xué)習(xí)(RL)和深度學(xué)習(xí)的計(jì)算需求需要專門的硬件和專業(yè)知識(shí)。許多方法僅在模擬或小規(guī)模實(shí)驗(yàn)中得到驗(yàn)證,很少有方法在生產(chǎn)環(huán)境中得到驗(yàn)證。模型的可解釋性也是一個(gè)障礙;所有審查的研究均未將三個(gè)關(guān)鍵評(píng)估指標(biāo)——可解釋性、不確定性和魯棒性——納入人工智能性能評(píng)估。 在應(yīng)用評(píng)估指標(biāo)時(shí),使用了諸如SHapley值或LIME等技術(shù)來(lái)評(píng)估可解釋性,貝葉斯網(wǎng)絡(luò)和高斯過(guò)程來(lái)評(píng)估不確定性,以及對(duì)抗性訓(xùn)練或穩(wěn)健優(yōu)化來(lái)評(píng)估穩(wěn)定性。然而,這些指標(biāo)的報(bào)告并不一致,使得跨研究比較變得困難。缺乏標(biāo)準(zhǔn)化指標(biāo)被認(rèn)為是技術(shù)向工業(yè)環(huán)境轉(zhuǎn)移的主要障礙。 作者確定了未來(lái)工作的幾個(gè)重點(diǎn)。擴(kuò)展自適應(yīng)采樣方法(例如貝葉斯優(yōu)化)可以提高數(shù)據(jù)效率。增強(qiáng)多模態(tài)傳感器集成度,例如結(jié)合視覺(jué)、熱和聲學(xué)監(jiān)測(cè),可以增強(qiáng)缺陷檢測(cè)和過(guò)程穩(wěn)定性。開發(fā)融合有限元法 (FEM) 和人工智能 (AI) 的混合建??蚣埽梢援a(chǎn)生更易于計(jì)算且更準(zhǔn)確的過(guò)程模擬。將模型預(yù)測(cè)控制 (MPC) 和強(qiáng)化學(xué)習(xí) (RL) 擴(kuò)展到生產(chǎn)環(huán)境需要優(yōu)化算法以降低延遲并減少計(jì)算開銷,同時(shí)構(gòu)建強(qiáng)大的實(shí)時(shí)數(shù)據(jù)管道。整合可解釋性、不確定性和魯棒性指標(biāo)的標(biāo)準(zhǔn)化評(píng)估框架將有助于跨研究進(jìn)行有意義的比較,并加速工業(yè)應(yīng)用。 雖然人工智能在激光增材制造 (LAM) 中的應(yīng)用仍處于早期階段,但審查顯示,該領(lǐng)域正逐漸從監(jiān)控轉(zhuǎn)向主動(dòng)過(guò)程控制。PID控制器和經(jīng)典采樣等傳統(tǒng)方法仍然占據(jù)主導(dǎo)地位,但基于模型的強(qiáng)化學(xué)習(xí)和 FEM-AI混合建模等先進(jìn)策略正日益受到關(guān)注。已證實(shí)的優(yōu)勢(shì)包括降低表面粗糙度、提高工藝穩(wěn)定性以及更快地收斂至最佳制造參數(shù)。如果與標(biāo)準(zhǔn)化指標(biāo)、自適應(yīng)采樣和實(shí)時(shí)連續(xù)控制相結(jié)合,這些方法可以支持完全自主的金屬增材制造系統(tǒng),并實(shí)現(xiàn)自我監(jiān)控和自我校正。

控制器開發(fā)流程,重點(diǎn)介紹關(guān)鍵步驟: 采樣、監(jiān)控、建模(動(dòng)態(tài))、規(guī)劃(最優(yōu)控制措施)和評(píng)估
本文轉(zhuǎn)自 南極熊3D打印 如侵請(qǐng)聯(lián)系