机器学习可以用来预测、性能优化、缺陷探测、分类和退化和预告。机器学习是人工智能技术的一个分支技术。它可以促使一个系统或机器自动的向系统学习，从而作出决定来预测和优化过程的结果，但不需要进行特别的编程。该技术是一种数据驱动的办法，其决定或预测是基于输入的数据的模式来决定的。数据的收集在机器学习的过程中是非常重要的一个方面。
图24-7 Procedure of geometric error compensation of Ti-6Al-4V in the L-PBF process. Zhang等人使用CNN来预测气孔的气孔率，该预测是基于DED是一个同轴的高速数字相机所捕获的图像而实现的，见图26。该预测结果的准确率可以达到91.2%。此外，Razvi等人还使用CNN进行图像的数据处理。Yuan
等人发展了一个以CNN为基础的模型来通过PBF过程中熔池的视频数据来预测熔覆道的宽度和熔覆道次的连续性。离轴CMOS相机工作在可见光的工作区间，被Grasso等人用于捕获制造层。他们采用PCA进行特征提取，并使用K均值串分析进行缺陷的自动探测。Ｙｅ等还监测了SLM过程中的羽化现象和飞溅信号，使用的是IR相机。他们对比了MPL-NN和CNN以及DBN之间的精度的分类。DBN优于MLP-NN，ＣＮＮ用于监控和控制SLM的工艺过程。Khanzadeh等人使用组织图来进行熔池的分串、CMOS相机探测器用于配备双波长高温计，以及红外相机用来捕获DED过程中的熔池信号。Zhang等人使用离轴的IR相机来收集DED过程中的熔池温度用于数据的训练。他们使用两种不同的机器学习手段来预测基于加工参数的变化时的熔池温度。他们的研究结果证明在SLM时具有较好的预测精度。
沉积过程的稳定性和精确性可以通过控制机理并结合监控技术来实现。控制机理则极力最小化设置点和测量的工艺信号之间的误差，通过调整输入的工艺参数来实现。激光功率、扫描速度和材料的添加速率（对PBF来说就是每层粉末的厚度、对送丝来说就是送丝的速率、对DED送粉来说就是粉末的输送速率）是最主要的影响参数，经常用来作为控制工艺的输出。这一控制可以是直接的，也可以是间接的。在直接控制时，主要控制监测的工艺信号，而输出几乎是同一的。然而，在非直接控制时，输出结果的控制取决于监控信号和系统输出的相关性，见图27所示。 
图27 Examples of (a) Indirect, and (b) Direct control.
为了使控制机理发挥出最大的效用，工艺参数和输出变量（直接控制时）之间的相关性或基于工艺参数的监控工艺和输出。变量之间的变化应当首先知晓（对非直接控制来说）。经常的，PID或PI控制器以及他们的扩散功能结合输出系统用来控制激光沉积的过程中的质量控制。基于预期建立了一个反馈系统。基于反应的反馈系统是基于工艺模型的数值化来实现的，并且需要有相关工艺扰动的相关知识。使用沉积工艺控制制造高精度的薄壁墙，在当前仍然是一个巨大的挑战，这是因为制造过程中的温度梯度的非均匀性和热积累。Bi等人使用PID为基础的控制器来基于熔池温度来控制激光功率。Bi等人应用SISO，使用PID为基础的控制器来调节激光功率，激光功率的变化是基于熔池的温度变化而实现的。他们使用基于设定的数值来调节激光功率，可以很好的控制薄壁墙的成型精度。相似的，Hu和Kovacevic使用同轴红外相机获得熔池的面积，并且用来建立闭环控制。输入的激光功率的变化由此实现了控制。闭环控制得到的沉积层具有更好的尺寸精度。Farshidianfar等人使用红外为基础的热影响系统来监控熔池温度和冷却速率。闭环控制的PID控制器整合在一起来通过调节激光器扫描速度来控制冷却速率。基于LAbVIEW为基础的PID控制器发展起来用于离轴LMD时的温度控制器。Ding等人使用红外影像装置来监控熔池的尺寸。通过调节激光功率，可以实现在增材时得到均匀的熔池尺寸。沉积层的厚度也可以通过控制PID为基础的控制器来实现控制。PID的控制是采用一个知识为基础的模型，使用一个CCD相机作为反馈装置。激光脉冲能量通过调节能量的输入来进行控制。闭环控制的应用效果通过两种不同激光吸收行为的基材（喷砂和表面光亮的）吸收效果来评估。结果发现闭环控制可以在光亮表面的基材上实现能量的补偿。然而，在光亮表面的基础上熔覆时，熔覆层会出现断续的状态，这主要是由于低的控制循环速率、工艺过程的反应时间较长和激光系统的原因。PI为基础的控制器也可以用来实现闭环控制。通过变化激光功率来实现熔池形状的稳定性。通过闭环控制，他们可以很好地实现对沉积波浪的控制。CMOS相机在具有帧率为150fps时，同轴来监控熔池。PI控制器的反馈用于熔池的闭环控制。在这一研究中，激光功率作为输入控制的变量。Chakraborty和Dutta发展了一个线性衰退模型，该模型基于能量平衡来评估基于熔覆层形状（高度、宽度）所非线性相关的稀释率来进行评估的。这一研究排除了粉末流速的不规则性和边缘效应的影响。他们的研究结果证实，发展的模型可以用来利用LMD，利用熔覆层形状作为监控变量来控制稀释率。其中激光功率和扫描速度也相应的变化。进一步的，Cao和Ayelew利用MIMO技术来实现理想的熔覆层和热性能。他们提出了一种多变量的预测控制手段。熔池温度、沉积层厚度的控制同时可以调节激光功率、扫描速度来实现。他们同时也认为其可能的扰动是激光吸收率和粉末获取效率的原因。4.3.7 数字孪生
层层堆积的参数优化经常是通过试错法进行的。由于这种方法耗费大量的能量、材料和时间，所以数字孪生就成为一种革新的实现一种具有真实的物理世界的数字化呈现。包括设计、构建以及测试目标的可视性。然而，该技术并不是替代实验，而是用于缩小实验的窗口范围，并由此减少试错的时间。数字孪生是工业4.0中的一个非常有价值的工具，并且可以对工艺过程或服务或产品系统或物理目标的形状、材料和行为进行实时的数字化呈现。数字孪生多用来理解和预测目标的性能，是通过多物理模拟、数据加工和机器学习等实现的。由此可以节省发展物理模型的必要。这就使得数字孪生就成为理解和发展工艺或服务产品系统或物理目标的一个重要的工具。
数据驱动模型（黑匣子）和物理为基础的模型（白匣子）结合在一起形成灰匣子模型或数字孪生，该技术在增材制造中的重要的效果见图30所示。白匣子模型，基于物理过程的现象不适合过程的不确定性。而黑匣子模型则依靠原位探测所获得的经验数据可以捕获过程的不确定性。然而，它理解工艺过程的特定的不确定性的能力是有限的。这一有限性限制了模型为基础的校正工艺，这是因为它并不知道如何支撑工艺到无缺陷的状态，在观察到任何不规则时，两个模型结合在一起可以减少总体的错误和提高性能。
图28 Front view of the (a) deposited wall, and (b) magnification of edge
图 29 Single bead wall: (a), (b) made without control, and (c), (d) made with control
图30 Concept of Digital Twin or Gray box model
图31 为计算得到的沉积层同实验所得到结果的对比。
图32 the application of Blockchain in the phases of the AM process of building a digital twin
图33 A vision for digital twin enabled additive manufacturing
基于现有的文献，激光为基础的再制造大多数使用激光沉积技术，且多为同轴送粉进行精确控制。尽管目前在沉积层的形状的监控和控制上取得了一定的进展，再制造的质量目前仍然是一个问题。为了解决这个问题，后加工和检测就在大多数情况下仍然是必须的。数字孪生技术可以减少试错的过程，从而找出适宜的参数并结合多物理场为基础的模拟和机器学习、实时传感数据等来实现。然而，这一技术仍然处于初级阶段。随着减少－再利用－再循环技术的发展以及对应气候的挑战，将继续得到关注，更多的研究会倾向于激光再制造。这是因为该技术的准确性、精度等。结合在线监测和控制技术，将会使激光再制造技术的份额越来越大。原文链接：Addressing the challenges in remanufacturing by laser-based material deposition techniques, Optics & Laser Technology, 144, 107404.
https://doi.org/10.1016/j.optlastec.2021.107404
