數字化在製造領域發揮了越來越重要的作用，依託數字化製造中產生的大量數據的土壤，人工智能（AI）將賦予製造更強的生命力，從設備的實時維護到創新性的產品設計，到智能供應鏈和創建新的商業模式，都是能夠被人工智能所賦能的領域。

增材製造-3D打印作爲典型的數字化製造技術，從設計到生產再到質量保證（QA）的整個工作流程中都運轉着海量的數據。增材製造設計的複雜性與材料、生產參數、質量要求等衆多因素相互依存，面對巨大的複雜性，人類的經驗很難激發增材製造技術的潛能，使之成爲一種用於生產的製造技術。這些特點恰好爲人工智能提供了應用土壤。

本期，3D科學谷就與谷友一起通過增材製造中的人工智能應用領略人工智能如何賦能增材製造。

推動增材製造的生產級應用

儘管增材製造技術在實現批量定製化生產以及實現複雜設計方面獨具魅力，但該技術在製造業中的應用仍受到諸多阻力，不利因素包括：速度和最終零件的質量或需要進一步的投資才能匹配該技術，企業出於財務方面的考慮等。但人工智能技術在增材製造設計、工藝開發、質量控制、材料開發等關鍵領域激發增材製造技術的潛能，推動該技術在生產中的應用。

l 設計複雜性對AI 的需求

增材製造設計的複雜性與衆多因素相互依存，如材料質量將影響零件性能，從而影響設計決策；生產參數將影響質量保證，而質量保證要求將反映在那些設計決策中……等等。

面對如此巨大的設計複雜性，我們更加應當思考的問題不是如何在增材製造中利用AI，而是如果沒有AI 驅動的設計、生產、質量保證流程，僅憑人類設計師和工程師的力量，我們還能不能利用好增材製造技術在提高產品性能、加速創新等方面的優勢。

例如，Additive Flow 公司在面向增材製造的設計軟件中引入了幾何自由概念與在不同區域實現定製化材料屬性的“多屬性”概念，這使得增材製造設計的複雜性更高。增材製造提供了在整個打印過程中調整參數或將不同的參數應用於零件的不同區域的機會。從這一點上來看，與傳統制造工藝相比，增材製造技術具有釋放生產率、成本和性能改進的巨大潛力。然而，依靠設計師的經驗來手動決定哪些區域應具有哪些屬性集，是一個非常複雜又無法保證成功率的過程。FormFlow 中的多屬性人工智能優化算法恰好能夠克服這一挑戰。該軟件建立在Additive Flow的多材料領導地位的穩固基礎之上，能夠處理優化中的不同參數集，同時使熟練的工程師能夠在分離的網格上無縫地應用其參數知識。

同樣在面向增材製造的設計領域，作爲增材製造的天生“好夥伴”的創成式設計，也是人工智能一個人工智能驅動的流程。3D科學谷在《人工智能給製造業帶來的三大關鍵革命》一文中談到，設計師或工程師將設計目標以及材料，製造方法和成本限制的參數輸入到創成式設計軟件中。然後，該軟件探索解決方案的所有可能的排列，並快速“生成”設計備選方案。最後，它利用機器學習來測試和學習每次迭代哪些有效，哪些無效。創成式設計軟件可以幫助人類完成難以實現的複雜建模過程，如果你正在嘗試優化飛機的機翼設計，或新電動車的擾流板或電池設計甚至只是用於手機外殼的塑料模具 ，通過創成式設計軟件，可以在一天內完成相當於50,000天的工程設計。

l 3D打印設備的“眼睛”與“大腦”

根據面向未來工廠開發增材製造軟件和硬件的Ai Build 公司，任何不使用AI的軟件驅動技術遲早會被替代。軟件開發人員和設備製造商肩負着共同開發產品，重新定義增材製造邊界的巨大責任。如果一臺增材製造設備能夠通過AI 爲其客戶帶來實用或商業價值，則其他沒有應用AI 技術的競爭產品極有可能在未來5-10年內難以在市場上生存。

Ai Build 在2016年開始在3D打印機中使用機器視覺技術，以進行自主刀具路徑規劃，並進行自動故障檢測。當時，嵌入攝像機的工業3D打印設備並不常見，而如今大多數工業3D打印設備都附帶內置相機。Ai Build 現在能夠爲不同打印平臺的合作伙伴和應用開發計算機視覺解決方案。Ai Build 認爲預計在未來5年，沒有基本計算機視覺功能的工業3D打印設備將不會存在。

Ai Build 開發的AiSync軟件中避免使用gcode文件來描述刀具路。這是非常違反直覺的方式，因爲市場上的所有3D打印機和CNC機器都使用gcode或品牌特定的gcode類語言來驅動機器運動。gcode在完美的確定性世界中可以很好地工作，可以高精度地預測整個過程。然而，在現實中，增材製造過程還遠達不到完美，因此3D打印零件的物理形式是難以被精確預測的。這是由於即使在生產過程中最小的構建體積變化也可能導致增材製造過程中的致命性偏差。即使增材製造環境能夠被完全控制，並且如果有一個功能強大的仿真引擎可以準確預測一層中99.9％的時間的材料行爲，則在具有數千個相互支持的層的典型零件上進行整體預測的成功率會出於統計原因，仍低於30％。

這是Ai Build 放棄gcode，而開發從頭開發更具彈性的全新機器控制過程的關鍵原因。AiSync軟件結合使用離線和在線優化方法來控制3D打印機的動作。AiSync無需切片設計並將靜態gcode文件上傳到計算機，而是使用雲上功能強大的計算機來分析設計，並以抽象格式將優化的指令發送到計算機。然後，這些指令將被位於邊緣的另一臺計算機實時地逐位解釋並轉換爲機器級指令，該計算機可以實時訪問來自3D打印設備的傳感器數據。這種雙重優化基礎架構能夠將雲超級計算的優勢與路徑規劃和邊緣計算等高級任務結合在一起，用於故障檢測和質量保證等時間緊迫的任務，從而充分利用AI算法的優勢。

機器視覺和機器學習算法是與增材製造硬件設備密切相關的人工智能技術。機器視覺和機器學習算法就像3D打印設備的眼睛與大腦一樣，賦予3D打印設備監測和控制打印質量的智能化屬性，降低發生打印錯誤的風險。

卡內基梅隆大學的研究人員創建的一種機器學習算法可以幫助我們更好的理解這些技術對於增材製造技術的意義。該算法能夠對激光粉末牀熔融技術進行過程監控糾錯。卡內基梅隆大學研究人員通過計算機視覺算法拍攝粉末牀的圖像並提取特徵，研究人員將這些特徵進行分組並在不同層次的分析中進行比較，直到創建圖像的指紋。人工智能已經學會了如何識別不同的缺陷，這是因爲研究人員提供了數百個預標記的訓練圖像。現在，它可以比較它接收到的新圖像的指紋和它已知的指紋以隔離各種異常。這種原位監測和分析粉末牀圖像的方法，可能成爲粉末牀金屬熔融實時控制系統的一個組成部分。這項工作將使金屬3D打印成爲工業生產中具有高可靠性工藝的發展道路上向前邁出一大步。

l 分析工藝參數與材料性能

人工設置3D打印參數難以避免導致大量報廢零件的產生，但是人工智能驅動的參數設置軟件是擺脫對於人工經驗依賴，降低報廢率的有效方式。

視頻：OPTOMET自動化工藝參數開發

根據3D科學谷的市場觀察，OPTOMET軟件將人工智能應用到選區激光熔化SLM系列加工準備中，將參數準備時間從數週減少到幾天，這個軟件的智能化程度很高，只需要輸入粉末的參數和加工要求，系統會自動優化加工參數，這量級的節約了人工設置參數時間，並且避免了人工設置參數導致的大量報廢零件產生。OPTOMET軟件還通過人工智能預測零件的機械性能，爲新材料的開發打開了一扇智能化的大門。

另一家從事增材製造數據與軟件的公司Senvol 開發了一種數據驅動的機器學習軟件Senvol ML，用於分析增材製造工藝參與材料性能之間的關係。

Senvol ML 可用於分析來自任何增材製造工藝、設備和任何增材製造材料的數據。該軟件能夠幫助企業快速表徵和鑑定增材製造材料和工藝。Senvol ML 有助於開發經統計證實的材料特性，減少開發設計允許量所需的常規材料表徵和測試。還允許用戶在給定機械性能的情況下，在特定的增材製造機器上選擇適當的工藝參數，這意味着可以減少所需的人工反覆試驗，從而節省大量時間和金錢。

l 創建具有新特性的新材料

人工智能將在創建更堅固，更輕，更靈活且生產成本更低的材料中發揮超乎想象的作用。

在這種特定情況下，機器學習通常可以用來開發新材料。材料科學家只需要將所需的特性輸入程序，機器學習算法便可以預測哪些化學結構單元可以在微觀水平上結合在一起，從而創建具有所需功能和特性的結構。

根據3D科學谷的市場觀察，由英國劍橋的一家人工智能公司Intellegens開發的一種新的機器學習算法已被用於設計一種新的金屬增材製造鎳基合金。根據Intellegens的說法，該算法爲團隊節省了大約15年的材料研究時間和大約1000萬美元的研發成本。Intellegens的Alchemite™深度學習算法設計的新合金是通過定向能量沉積（DED）金屬3D打印工藝進行製造的，該合金可滿足增材製造所需的性能目標，用於製造噴氣發動機零部件。

l 數據、數據還是數據！

毫無疑問，人工智能需要與增材製造協同工作。但阻礙人工智能技術與增材製造相集成的挑戰之一是數據。3D打印的高度複雜性催生了對於人工智能技術的需求，但這需要大量的數據來保證機器學習算法能夠進行正確的“學習”，最佳的優化需要最佳的數據集，然而增材製造領域中的數據獲取、管理仍存在挑戰。

根據3D科學谷的市場觀察，ASTM國際標委會與Americas Makes 已經有所行動，他們合作推出增材製造數據戰略指南，該指南指出了增材製造（AM）數據的差距、挑戰、解決方案和行動計劃。ASTM在增材製造數據戰略指南中提出了創建一個健全有力的增材製造數據生態系統，以此推動3D打印進入指數級增長態勢。

儘管人工智能和增材製造之間有着完美集成與匹配的天然基礎，但距離實現這一目標還有很長的路要走。能夠激發人工智能潛能的要素是數據，然而獲取增材製造過程中的海量數據，將人工智能正確集成到增材製造過程中，這一領域中的相關利益者之間的標準化和協作都是必要的。

相關文章