新聞中心
人工智能(AI)對增材制造研究的影響
發(fā)布時間:2025-08-26
2025年8月,來自波爾圖大學(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) 過程控制中的新興應(yīng)用。

通過分析2021年至2024年間發(fā)表的16項研究,綜述發(fā)現(xiàn)62.5%的研究已在現(xiàn)實環(huán)境中部署了AI驅(qū)動的控制器,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用于過程建模或監(jiān)控,68%的研究針對由過熱或過熱引起的不穩(wěn)定性——這是LAM中缺陷的主要來源。激光增材制造 (LAM) 是增材制造的一個分支,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,可實現(xiàn)更高的沉積速率和更大的結(jié)構(gòu)。這些工藝差異會產(chǎn)生不同的熔池特性、熱梯度和缺陷輪廓,需要單獨的控制策略。審查確定了可以應(yīng)用人工智能的五個關(guān)鍵階段:智能采樣、過程監(jiān)控、建模、控制器設(shè)計和性能評估。盡管激光輔助顯微成像 (LAM) 試驗成本高昂,但經(jīng)典的實驗設(shè)計 (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)測方法通常結(jié)合熱傳感和視覺傳感來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,與激光器對齊,或安裝在軸外進(jìn)行外部監(jiān)測。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)測中被證明是有效的,可以整合視覺、熱和聲學(xué)信號。一項研究發(fā)現(xiàn),這種多模態(tài)ANN方法在測試模型中實現(xiàn)了最高的缺陷預(yù)測準(zhǔn)確率。數(shù)據(jù)標(biāo)記仍然是一個限制因素:許多研究依賴于簡化的熔池特征或最終檢測結(jié)果,而不是連續(xù)的實時標(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論文數(shù)量的增長 以及人工智能在語言建模(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)的計算需求需要專門的硬件和專業(yè)知識。許多方法僅在模擬或小規(guī)模實驗中得到驗證,很少有方法在生產(chǎn)環(huán)境中得到驗證。模型的可解釋性也是一個障礙;所有審查的研究均未將三個關(guān)鍵評估指標(biāo)——可解釋性、不確定性和魯棒性——納入人工智能性能評估。 在應(yīng)用評估指標(biāo)時,使用了諸如SHapley值或LIME等技術(shù)來評估可解釋性,貝葉斯網(wǎng)絡(luò)和高斯過程來評估不確定性,以及對抗性訓(xùn)練或穩(wěn)健優(yōu)化來評估穩(wěn)定性。然而,這些指標(biāo)的報告并不一致,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。 作者確定了未來工作的幾個重點。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、熱和聲學(xué)監(jiān)測,可以增強(qiáng)缺陷檢測和過程穩(wěn)定性。開發(fā)融合有限元法 (FEM) 和人工智能 (AI) 的混合建模框架,可以產(chǎn)生更易于計算且更準(zhǔn)確的過程模擬。將模型預(yù)測控制 (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算開銷,同時構(gòu)建強(qiáng)大的實時數(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)向主動過程控制。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。已證實的優(yōu)勢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)采樣和實時連續(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),并實現(xiàn)自我監(jiān)控和自我校正。

控制器開發(fā)流程,重點介紹關(guān)鍵步驟: 采樣、監(jiān)控、建模(動態(tài))、規(guī)劃(最優(yōu)控制措施)和評估
本文轉(zhuǎn)自 南極熊3D打印 如侵請聯(lián)系