增材制造目前属于颠覆性的数字制造技术。然而，该技术在工业中的应用受到一定的限制，主要来自增材制造设计的限制、有限的材料数据库、不同类型的工艺缺陷、产品质量的不均匀等。近些年，机器学习（Machine learning, ML）在增材制造中得到了持续地应用和关注，这是因为ML在数据任务，如分类、回归和归类等方面所具有地无与伦比的性能。本文对ML技术在AM领域中的应用进行了全面综述。
在增材制造的设计方面，ML可以用来输出高性能地超材料和优化拓扑设计。在AM工艺中，现代ML算法可以帮助优化工艺参数、实施粉末铺展地检查以及工艺在线缺陷的检查。在AM的产品设计阶段，ML可以帮助实践者提高对AM中数据安全的认识，如数据破坏的可能性，客户可以借助ML技术的帮助。最后，对ML在AM中的研究以及应用进展给予了介绍和展望。
增材制造技术（AM）是一种颠覆性的数字制造技术，它依据CAD技术通过层层堆积，实现3D实体的制造。同传统的制造技术相比，在制造复杂形状部件的制造和设计上具有独特的优势，同时还可获得独特的显微结构与性能，并可以减少制造时间和成本。因此，在最近，AM技术在科学研究和工业应用上得到了广泛的应用。 依据ASTM F42，AM技术从广义上来说可以分为7大类，在本文中主要涉及到三类技术，分别为粉末床熔化技术（PBF）、直接能量成绩技术（DED）和材料挤出技术。这是因为这几种技术是当前的主流AM技术，并在科学研究和工业中得到广泛关注和应用。见图1。尽管ML技术也会应用于其他类型的AM技术当中，但以上ML 在AM中的应用同本文的主题不相关，所以我们不讨论。 
在粉末床熔化技术（PBF）当中，采用激光束或者电子束作为能量源来选择性的熔化粉末，该粉末均匀的层层分布。在DED工艺中，聚焦的激光束或丝材连续输送粉末束流或者丝材，粉末或丝材通过喷嘴连续地输送到熔池中以制造出近净成型地部件。另外一个典型地材料挤出工艺是FDM。丝材以玻璃态地状态进入液化地头部。半固态地丝材通过挤压喷嘴挤出，然后层层堆积形成相应地部件。 ML是一种人工智能技术，可以允许机器或者系统从数据库中进行自动学习，并作出决策或者预测，而不需要进行复杂地编程。在研究领域，ML在医疗诊断、材料性能预测、智能制造、自动驾驶、自然语言处理和目标识别中应用较普遍。ML算法通常分为三大类，即监督、无人监督和强化学习。 监督学习使得计算机编程可以通过向一定的目标数据学习进行训练，然后能够从一大堆非常相似的物体中识别同目标数据不一致的目标。这一目标数据可以以大量的形式存在，如大量的图片、文本或者音频剪辑。在这里有一个目标功能称之为成本功能，可以计算预测的结果同实际结果之间的误差。在训练过程中，参数或者重量相邻之间的神经元的参数或者重量会更新以减少每次迭代的成本功能。在测试阶段，早先未发现的新数据，即测试组，会被引入并提供公正的精准模型。 
无人监督学习则直接从未标签地数据中推断出来。这是一个数据驱动地ML技术，可以从一随机地数据中揭开背后隐藏地模式或者相似地数据组（或数据串）。无人监督学习广泛地应用于自动探测、再推荐系统和标记分割。 加强学习是一个半监督ML算法，可以允许模型同环境交互并学习采取最佳地行动以获取最佳地结果。这一手段不需要训练数据组，模型从自己本身地行动中进行学习。加强学习广泛地应用于机器人手臂、自动驾驶汽车和阿法狗（Alphgo）。 本文要为大家提供当前ML技术在不同地AM产品实践中地应用现状和未来的发展方向。为了清晰地说明ML技术在AM中应用地优点，我们将应用分成三大类，即AM的设计（DfAM）、AM工艺和AM产品，见图２所示。这正好是从设计、工艺优化、过程监控的逻辑顺序进行的，至于制造规划、产品质量控制和数据安全则同整个产品的制造密切相关。 
图３ 给定理想材料的性能时通过计算得到的极端显微组织 DfAM显著不同于常规的传统制造阶段的设计，这是因为AM阶段的设计没有边界，是自由。在这里，ML在DfAM中的应用可以从两个方面给予说明，即材料设计和拓扑优化。 几十年来，材料科学家和工程技术人员发明了大量的复合材料，其性能是自然界中未曾发现的但其性能优于材料本身成分的任何一个成分所组成的块体材料，这一材料我们称之为超材料。然而，设计超材料则主要采用手动的办法，利用Edisonian的法则进行。这是一项非常有挑战的工作。这是因为背后存在大量的可能的组合。借助ML技术，研发设计超材料的进程则可以大为缩短。ML的最新进展使得科学家和工程技术人员则可以直接从预测材料的性能发展到设计新颖的超材料。然而，AM技术的材料设计则不同于先前的材料设计。 当前ML技术在材料设计和AM技术中的应用尚处于开始阶段。Chet等人发展了一种完全自动化的过程来进行超材料的结构优化，最后选用SLS工艺进行了验证，见图３。对于给定的理想弹性材料的性质，即杨氏模量、泊松比和剪切模量，系统可以生成专门定制的显微结构以匹配ＭＬ所指定的目标。图４是一个多材料挤出的AM工艺的设计例子。需要强调的是，采用FEM模型模拟计算其机械性能花了5天时间，而采用CNN（卷积神经网络）只需要10h进行训练，只需要不到1min就输出同样的数据。 比较不幸的是，使用ML技术进行AM的拓扑优化的工作并不多。Yao等人提出了一种复合ML技术来进行AM的概念设计特征的推荐，采用按照等级划分的聚类（无人监督ML）并结合支持向量机（SVG）来进行的。其中的一个例子见图5。然而，这一工作只是在原始的体结构的设计阶段替换为轻质结构，这是从数据输出的，实际上并不包含拓扑优化的过程。 
图４采用ML进行优化显微结构后得到的强且韧性好的材料
Tougher and stronger materials could be designed by optimizing the microstructures by ML
拓扑优化（TO）是一个系统的过程，可以通过优化材料在一定的空间、一定的载荷和应变下优化材料的分布。比较典型的，传统的TO过程需要大量的设计和原型来进行迭代，并且需要进行大量的运算，尤其是大尺度。复杂结构的时候，运算量更大。ML模型，尤其是深度神经网络在训练阶段，也面临着挑战。然而，一旦ML模型训练好了，他们可以快速输出有益的设计，而不需要从草图开始，这使得ML技术开始成为传统TO技术的替代。 为了解决机械问题，CNN被用来从传统TO工艺传输过程中的数据在中间阶段进行训练。即TO的解决办法在运行的中间阶段就停止了，采用迭代，然后预测优化结构。研究发现采用CNN模型可以预测最后的拓扑优化结构，其速度比标准的各向材料惩罚模型要快20倍。总的来说，以ML为基础的TO，可以用作粗糙的快速的初步和预测。 
图解：现有的传统的赛车的设计方案同采用SLM技术进行AM制造，并引入ＭＬ进行设计的推荐方案
3 在AM制造过程中的机器学习
传统的工艺参数的发展和优化是通过实验设计或者模拟来实现AM制造新材料的。然而，传统的实验设计是一个试错的实验办法，这是非常耗时和费钱的过程，尤其是对金属的AM制造更是如此。数值模拟技术可以揭示工艺过程中的机理，如熔池形状、匙孔、显微组织等。对宏观尺度的模拟，如FEM，可能会同实验结果存在偏差，这是因为简化假设的问题。增加的更加复杂的技术，如计算流体动力学，通常聚焦于单一轨迹或一定数量的轨迹或者层数。这对预测部件在宏观尺度上的机械性能带来挑战。因此，许多研究方法开始探究引入ML技术来解决上述挑战，进而解决金属AM的工艺优化。研究发现在不同的AM工艺中，ML主要起到连接关键工艺同产品质量在两个层面的关系，即介观尺度（主要指气孔、相对密度、熔池形状）和宏观尺度（如机械性能）。而且，一些研究者应用ML来构建工艺图，这可以作为可视化的工具来识别工艺窗口。 未完待续，欢迎各位读者继续关注！
