新加坡南洋理工顶刊丨机器学习在增材制造领域的应用现状与展望（二）

1年前浏览2397

本篇承接上一篇主要讲述了机器学习在增材制造粉末铺展的标准、缺陷的在线监测、机器人学习在AM制造产品中的应用以及未来展望等。

3.2 粉末铺展的标准

在PBF（粉末床增材制造）过程中，粉末铺展的均匀性对最终产品质量的影响至关重要。不适宜的粉末铺展会导致不同缺陷的产生，甚至有可能会由于扭曲或者膨胀，直接造成材料的失效。粉末铺展造成的缺陷可谓多种多样，如在铺粉时刮刀的蜷缩或者隆起、在铺粉时的牵引污染、在铺粉时的刮刀损伤、粉末床的碎片等。而且，非常有必要减少或排除利用人力进行探测异常缺陷。因此，为了实现这一目标，采用一种自动探测和对粉末铺展缺陷进行分类的系统非常必要。借助现代的计算机视觉技术，Scime和Beuth应用K-means聚类技术和多尺度CNN技术进行训练系统以正确的粉末铺展的图像进行分类，结果可以分为7大类。这些图片大都是在SLM过程中捕获的，见图8所示。如果设备安装反馈系统的话，这一策略为AM过程中的在线监测铺平了道路。

图7 采用SLM技术制造316L时的介观尺度的预测表征

图8 采用多尺度CNN技术进行自动探测SLM工艺中的异常的流程图

图解：(i)粉末床工艺时制造一层观察到的异常；(ii) 多尺度CNN的结构；(iii) 层中分为两类时的异常

3.3 缺陷的在线监测

在当前，AM工艺仍然经受着大量的同工艺过程中相关生成缺陷的困扰，如裂纹、分层、扭曲、表面粗糙、未熔合、气孔、外来物夹杂工艺不稳定（匙孔、球化）。这些缺陷通常发生于层层堆积的AM工艺中。有时候可能会从一层穿透到紧接着的下一层，从而导致整个制造层的失效。因此，过程监控就显得非常重要。研究人员耗费了大量的精力来研究缺陷的监控。此时，ML技术就为处理这一麻烦提供了一个新颖的解决方案。需要注意的是，利用声音信号进行以声音为主的监控，主要依靠SLM工艺过程中的等离子和FDM工艺中的声学步进器，实现监测。以光学为主的在线监控中，输入信号一般是羽状物和飞溅、熔池形状和强度。与此同时，层状特征的表面图像通过相机和传感器捕获。一个非常有趣的观察是实时显微CT技术，可以借助ML技术将离线的CT检查结果融合进在线监测技术当中。

3.3.1 以声学为基础的在线监测

声学信号同光学信号相比，具有一定的优势，因为现存的声学探测器均具有灵敏度高和相比较于其他传感器来说，成本低廉而且效果好比较有效。同时声学监测系统还可以实现对缺陷位置的追踪的精准定位。而且，处理1D的声学信号时，器处理速度要比处理２D的图像数据要快的多。然而，AM工艺过程中背景中的噪音也比较明显，尤其时在惰性气体环境下采用激光进行金属的AM制造时，更为显著。因此，以ML为基础的智能监控可以提供一个较好的解决方案。

在最近，对粉末床打印工艺，从等离子体中收集到的声音信号可以用来作为PBF时的在线监测的信号。金属粉末的过热或者未热透，会导致部件表面的改变以及密闭室内气压的波动，进而影响到声音的强度。基于这一原理，Ye等人采用一个声音记录仪来收集声音信号，紧接着，利用深度置信网络（DBN）来识别SLM中熔化道状态（球化、正常和过热）。同传统的SLM技术相比，传统的ML技术有很多连续的步骤（如数据加工、去噪音、特征提取）。DBN可以简化和加速这一过程，通过生成预训练和区分微调来实现，见图９所示。Shevchik等人采用一个高灵敏度的布拉格栅极传感器，植入Concept Ｍ2 SLM打印系统中获取SLM过程中空气传播的声音信号。CNN谱线可以用来对不同气孔的水平进行分类，器精度在83~89%。

对于FDM工艺，从挤压机发出的声音和打印部件的声音可以被传感器探测到。Wu等人应用不同的正常和失效的工艺的K-means聚类技术，当声音特征模式变化时，可以反映出工艺的异常。

图９采用声音信号并结合DBN进行SLM工艺中的缺陷探测

图解：(a)收集声音信号的机器设置，并输入b中， (b) DBN的区分；(c) 5种不同的状态以及相应的信号：从A到E分别为球化、轻微球化、正常、轻微过热和过热

3.3.2 以光学为基础的传感器

光学为基础的传感器广泛的应用于AM工艺中的在线监控。数字相机、高速相机和红外相机，都是常见的用来捕获光信号的探测器。有时候，光电二极管和高温计可以提供额外的信息。通常来说，羽状物和飞溅的信号、熔池的形状和温度分布、制造层最表面的图像，可以在层层堆积时收集起来作为输入信号。考虑图像的高特征尺寸，ML技术在AM工艺的在线监测中获得了较广泛的关注和应用。

在金属PBF工艺中的高温熔化过程中，由于熔池表面金属蒸汽的电离而产生羽状物，在反冲压力的作用下可能会使液态熔滴在垂直方向以高速逃离，由此形成飞溅。尽管羽状物和飞溅会扰乱熔池，这些信息却可以提供关于熔池稳定性的信息，因为这些信息都是激光与材料相互作用的副产物。因此，Grasso等人采用无人监督ML技术来自动地探测SLM加工Zn粉时地不稳定地熔池。底部区域刚开始地四层图像作为训练数据，接下来地10层用以监控。并将热图像处理为灰度照片，感兴趣地区域通过图像门槛值和分割技术进行提取，于是只有同图像相关地部分才会用于监控以有效地减少处理时间和计算成本。与此类似，Ye等人利用MLP、CNN和DBN（见图10）将熔化状态分为5类。此时，DBN可以呈现出在低的信号预处理时间内以较少地数据选择和特征提取方面获得高的精度（大约为83.4％）。以上三个方面结合在一起可以显著提高熔池异常分类的精确性。在给他们的工作中，CNN要优于SVM，因为它可以自动的从原始数据中提取特征，而不需要预先有专业的知识。

图10 SLM在线监测装置的示意图

图解：羽状物和飞溅的信号通过IR相机进行采集，并通过DBN来区分５种不同的熔化状态

熔池图像在在线监测方面属于最丰富的工艺处理信息，这是因为熔池的形状和温度决定着缺陷的生成与否和尺寸的精度。AM系统中安装排列的典型的探测器见图11。熔池图像可以采用高速相机（获取形状特征）和红外相机（获取温度分布特征）。如Kwon等人使用高速相机自动的收集在SLM工艺过程中不同功率时的熔池图像和位置信息。由于过热区域的熔池图像的像素会显著的同正常熔化区域的图像像素不一致，可以采用K-means聚类技术来探测和定位缺陷。为了弥补无人监督ML和监督ML之间的鸿沟，采用一种特征提取的办法来从熔池进行原位地识别缺陷。而SVM技术则用来构建原位和非原位形貌之间地连接，用以区分在熔化悬垂时地熔池特征，分类见图图12a。在有些实践场合，完成对所有目标信息地标记会是非常费钱或不现实的。如对疲劳测试来说就是如此。采用高斯混合模型，标记（相应的拉伸强度）和未标记（无相应的拉伸强度）的熔池数据可以直接利用，从而自低拉伸强度下实现AM工艺中缺陷的探测，这为AM制造的低成本的自动验证铺平了道路。在DED工艺过程中，熔池的热曲线可以通过自组织映射（SOM），借助离线CT扫描数据实现对熔池异常和气孔的识别，见图12b.

图11 捕获熔池图像的探测器的布局：(a) SLM和 (b) DED 工艺

图12 IR相机捕获的熔池图像采用ML技术进行在线监测

图解：(a) 应用SVM技术来识别分类熔池形貌的流程图；(b)利用无人监督SOM技术进行DED工艺种的熔池的异常探测

在激光PBF工艺中，层层堆积的图像在每层粉末铺展前后是相互补充的，尤其是当卷曲发生的时候。不同的ML算法，包括CNN、SVM和RF（随机森林）均可以用来探测SLM工艺中的缺陷。与此相似，通过离线的CT扫描数据也可以获得层状特征的图像，从而用于精准的定位缺陷。与此同时，当缺陷在几层之间扩展时，通过CT扫描得到的数据就更真实。于是，Gobert等人利用这个办法来识别和定位缺陷。如果可以有8张不同的照片的前提下，他们发现分类的精确度可以显著的从62%提升道85%，见图13。

图13 应用ML技术，采用原位层顶部的图像并结合离线CT扫描来进行SLM工艺中的缺陷特测

4 机器学习在AM制造产品中的应用

4.1 在AM制造规划上的应用

由于AM工艺在当前仍然属于一种相对来说比较昂贵的工艺，如何提高产出对终端客户来说是非常重要的。因此从CAD的设计开始到最终的产品质量控制的精准的预制造计划是非常有必要的。因此，采用一些辅助的工作来将ML应用于AM的规划就非常有必要了。

这方面的工作目前首先集中在利用ML技术来预测部件的可制造性。结合CNN和MLP的多模型学习，用来预测金属部件是否可以采用SLM在设计、材料和工艺参数三个方面进行成功的打印。与此类似，Lu等人使用SVM来提高3D打印检查软件的精度，可以帮助用来评估AM工艺是否适合某一特定的设计。此外，为了精准的预测打印时间，应用MLP来构建和训练，可以将错误从20-30%减少到2-15%，这是同现有的参数和经验相比较的结果。

4.2 机器学习在AM质量监控中的应用

限制AM制造产品认证的一个关键因数是：即使采用同一工艺，不同的机器制造出来的产品质量不一致，甚至有可能在同一台设备上也会出现这一情况。其不一致导致尺寸精度、相对密度、工艺稳定性和机械性能不一致。于是，大量的工作集中在如何利用ML技术来进行AM产品的质量控制。

尺寸误差可以通过三个办法来减少，即对最终产品进行尺寸缩放、修改原始CAD数据、引入在线监测技术。部件尺寸的缩放比例可以通过MLP或CNN在部件制造前进行整个尺寸的调节。部件尺寸的变化源于热应力，可以采用ML算法进行模拟，从而在CAD中进行尺寸修改。更为特殊的是，MLP可以引入进来补偿尺寸的变形来应对SLM制造中的热效应、FEM模拟数据可以用来训练预测变形的位置以修改原始的CAD形状（见图14）。

图14 利用ML技术来抵消SLM工艺中的热变形

为了提高制造部件的相对密度、工艺稳定性和机械性能，在线监测技术中应用各种不同的探测器和相机来实现上述目标。这些发射的信号主要是视觉信号、声音信号和热信号，收集起来并用于不同的ML算法，进而监控打印工艺。于是，在AM工艺中，ML可以用来自动诊断打印状态、失效模式、熔化状态、气孔的探测、拉伸性能预测和表面粗糙度的预测等。

4.3 机器学习在AM制造中数据安全方面的应用　

知识产权的保护被认为对许多场合来说都是非常重要的。通常来说，数字制造包括两个主要部分，即网络域和物理域，见图15。尽管数据的泄露或者知识产权被盗取经常是由于网络域造成的。它有时也会通过物理域发生，这是因为AM系统也会泄露各种不同的信号出来。知识产权的间谍活动会更好的利用AM技术的优势，即利用AM制造时释放出的信号进行重构以重新构建CAD数据。

直到今天，利用ML来依据3D打印释放出来的信号进行重构3D打印的目标是可行的。如图15b所示，就是这样的一个案例。FDM打印中的步进电机的声音信号利用声音记录仪进行收集。这一信号可以间接的反映出G代码的信息。还可以泄露出轴的运动、喷嘴的速度、FDM工艺中的挤出材料的温度和挤出量。挤出特征的声音信号可以收集起来进行训练，然后重建关键模型。结果发现，轴的预测精度可达78%，长度误差精度未18%，如图15c所示。

5 未来的展望

对于未来的发展，主要集中在如下几个方面，分别是：

显微组织的表征；

显微组织与性能的关联性

新材料设计和发展

实验、模拟和机器学习的并行

图15 机器学习在数据安全中的作用

(a) AM系统中的生命循环中网络域和物理域的攻击；(b) 声音方面对模型的攻击；(c) 采用该模型进行数据重构的案例

论文链接:

Machine learning in additive manufacturing: State-of-the-art and perspectives, Additive Manufacturing, 2020, 36, 101538.

https://doi.org/10.1016/j.addma.2020.101538

来源：增材制造硕博联盟

Additive SLM 疲劳光学航空航天增材声学裂纹电机材料机器人多尺度控制

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2023-08-09

新加坡南洋理工顶刊丨机器学习在增材制造领域的应用现状与展望（二）

有问必答第2期-无主题自由问答专场【直播回放】

大学本科课程 现代通信系统概论（上）

金砖大赛工程仿真执行仲裁长赵敏专家：工业软件定义金砖工业未来

ALIAS汽车设计职业培训班-汽车A面从入门到精通（提高班-持续加餐更新）

Ansys 动态分析（模态/扫频/随机振动/响应谱/瞬态分析）

工程类专业和结构仿真必修课13讲——全解结构动力学核心理论与实践技能

揭秘航空航天DfAM增材设计一体化解决方案（回放）

哈尔滨工业大学王苹：焊接残余应力场模拟，调控及影响（回放）

大学本科课程现代通信系统概论（上）