​中国：将神经网络机器学习应用于增材制造流程

来源：增材之光

在“将基于神经网络的机器学习应用于增材制造：当前的应用，挑战和未来前景”，作者们研究机器学习（ML）和神经网络算法（NN）可以应用于增材制造。

尽管增材制造工艺的诸多优势仍然存在，并使其应用于当今无数的行业，但仍存在许多缺陷和情况，这些缺陷继续挑战世界各地的用户，从孔隙度到各向异性微结构，再到变形等等。

应用神经网络模型预测增材制造结构的变形。（a）在控制载荷条件下制造和试验的试样；（b）有限元，其模拟结果由试样验证；（c）神经网络，由有限元生成的数据训练，然后用于以比有限元更快的方式预测变形历史。FC：完全连接的层。根据参考文献[31]转载，经爱思唯尔公司许可，©2018。

原型可能并不总是需要完美的简单模型，但是，用于真正功能性，工业用途的部件必须坚固并且在不损害其整体完整性的情况下生产出来。作者指出了解以下内容的重要性：
•粉末的冶金参数
•3D打印流程
•微观结构
•增材制造部件的机械性能

在机器学习中，神经网络算法只是越来越受欢迎使用，目前正在“快速发展”，最常用于计算机视觉、语音识别、语言处理和自动驾驶车辆。它是一种有监督的ML类型，使用标记的数据进行操作，并且在增材制造中显示出很好的适用于工业中的“敏捷制造”。

研究人员表示：“神经网络对从产品设计、制造、资格认证到交付的所有产业价值链创新都产生了深刻而广泛的影响，人们相信神经网络的影响将越来越强烈。”
最常见的神经网络类型是：
•多层感知器（MLP）
•卷积神经网络（CNN）
•递归神经网络（RNN）

增材制造质量监测分析系统方案。工作流程如下：在增材制造过程中发出声信号，然后由传感器捕获；最后将SCNN模型应用于记录的数据，以便区分打印层的质量是否合适。转载自参考文献[35]，经爱思唯尔公司许可，©2018。

在增材制造设计中，工程师创建了CAD模型，然后将其应用于增材制造仿真的分析软件中。然而，在将模型与实际3D打印进行比较时发现了许多偏差，通常是由于生产过程中的应力和产生的变形。研究人员表示他们通常会进行补偿以获得更好的准确度。

已经为硬件和软件创建了传感器，并且各种不同的传感器也可以用于原位测量。“这项工作的范围涵盖了各种应用场景中的神经网络的多种变体，包括：用于链接增材制造过程，属性和性能的传统MLP；用于增材制造熔池识别的卷积神经网络；LSTM用于再现有限元模拟结果；和用于数据增强的变分自动编码器。然而，正如他们所说，“事情都具有两面性。”

“很难控制增材制造部件的质量，而神经网络则强烈依赖于数据收集。因此，这个跨学科领域仍然存在一些挑战。我们为这些挑战提出了潜在的相应解决方案，并概述了我们对该领域未来趋势的看法。”研究人员总结道。机器学习通常与3D打印相关联，从不同的监控方法和更智能的金属增材制造到施工。

SLM过程监控配置方案。一个高速摄像机被用来捕捉建造过程的连续图像；一个CNN模型被用来识别质量异常。投资回报率：感兴趣的区域。根据参考文献[37]转载，经爱思唯尔公司，©2018。