人工智能對于增材制造發(fā)展的重要性不言而喻。目前，影響激光粉末床融合構建的變量主要有激光功率、孵化距離、氣體流量等。將用戶“思維”實現(xiàn)數(shù)字化、模擬和外包給計算機，具有重要意義。

但是，打開增材制造構建人工智能的正確方法是什么呢？過去，行業(yè)通常采取了植根于機器視覺或監(jiān)督學習的方法，簡單來說就是教機器人像人類老師一樣識別錯誤和異常。作為一種人工智能的策略，雖然比較費時但還算有效，但作為推進增材制造技術的廣泛適用解決方案，這種方法顯然是“只見樹木不見森林”。

■在直接金屬激光燒結(jié)構建中為每一層捕獲的光學斷層掃描圖像被證明是深度數(shù)字孿生的正確預測目標（來源：NNAISENSE）

近期，瑞士公司NNAISENSE與EOS合作構建了用于直接金屬激光燒結(jié)的“深度數(shù)字孿生”（deep digital twin），使用更全面且勞動密集程度更低的方法。NNAISENSE公司不是以特定打印參數(shù)和像素級輸出的形式為模型提供單獨標記的“樹”，而是提供了更像“森林”的東西。

每個打印層的光學斷層掃描熱圖，與工藝輸入相關，例如零件幾何形狀、激光功率和掃描路徑。像氣體流量等不可觀察的影響，對人工智能無關緊要。但重要的是這些因素如何相互作用以在打印的每一層中形成熱足跡，并且該圖像提供了有關系統(tǒng)和構建的足夠信息，以檢測異常、模擬結(jié)果甚至促進實時過程控制。

無論在哪個領域，構建深度數(shù)字孿生都需要數(shù)據(jù)，而且需要大量數(shù)據(jù)。這意味著制造商需要與客戶一起確定哪些信息可用，可以捕獲哪些附加數(shù)據(jù)，以及哪些部分對流程重要。有時，數(shù)據(jù)不容易被獲取但又十分關鍵，或者有時信息數(shù)據(jù)被標記為僅供人類使用，而不適用于機器學習。

■EOS直接金屬激光燒結(jié)3D打印機，廣泛用于從醫(yī)療植入物到航空航天部件的領域。但在自我監(jiān)督深度學習的幫助下，可以更遠、更快地發(fā)展（來源：Incodema3D）

在增材制造行業(yè)，EOS已經(jīng)通過EOState Monitoring Suite捕獲了大量可用數(shù)據(jù)，該套件可以跟蹤從重涂錯誤到構建期間熔池行為的所有內(nèi)容，并將這些信息與預期的構建指令關聯(lián)。與模型學習從結(jié)構化數(shù)據(jù)中識別缺陷或其他興趣點的監(jiān)督機器學習不同，NNAISENSE公司使用自監(jiān)督學習創(chuàng)建深度數(shù)字孿生的過程模型。在這種方法中，計算機會收到來自傳感器和控制動作的時間序列輸入，并自行學習以預測這些傳感器的未來數(shù)值。

自監(jiān)督深度學習策略，是未來增材制造的正確選擇。以往，特別像激光粉末床熔融，在其構建中生成的數(shù)據(jù)量龐大；另外還包括零件的多樣性以及缺乏哪些變量對哪些結(jié)果有貢獻的洞察力。自監(jiān)督深度學習的策略避免了用戶將“矛盾”引入系統(tǒng)的機會。

雖然許多因素會影響激光粉末床融合構建的結(jié)果，但不一定存在所有這些因素的數(shù)據(jù)。例如，煙霧會干擾激光器的運行，但在EOS 3D打印機內(nèi)部并沒有相應的傳感器檢測。而NNAISENSE公司并沒有試圖解釋增材制造中的所有這些影響，而是將注意力集中在EOState已經(jīng)使用光學斷層掃描相機捕獲的每一層熱圖像上，這些圖像反映了打印機內(nèi)部的條件以及原始構建參數(shù)。 

當前，NNAISENSE公司能夠使用過去EOS打印的構建指令作為輸入，以訓練模型預測下一層的光學斷層掃描熱圖。這種訓練的過程實現(xiàn)了自我監(jiān)督，讓模型根據(jù)EOState中記錄的實際結(jié)果檢查，而不是人工干預。

光學斷層掃描圖像非常適合作為預測目標，因為直接金屬激光燒結(jié)是一個熱過程，溫度會影響3D打印和最終零件質(zhì)量。熱量是熔化和融合材料所必需的，但熱量分布和積聚是金屬3D 打印中許多問題的根本原因。

■人工智能可以通過“研究”來自真實構建的光學斷層掃描圖像來學習每個連續(xù)打印層的預期行為（來源：EOS）

為了始終如一地實現(xiàn)所需的零件屬性，理想的條件通常是使零件的溫度分布均勻。但實際上，由于激光掃描策略、氣流等，零件會形成熱點和冷點。熱成像在每一層上捕捉所有這些因素的結(jié)果。因此，沒必要教機器人直接金屬激光燒結(jié)的工作原理，只需提供足夠的構建指令數(shù)據(jù)及其相應的熱圖像供其學習。

在使用歷史EOS構建數(shù)據(jù)在GPU集群上訓練數(shù)周后，該模型現(xiàn)在可以在單個GPU上運行，并已部署在歐洲的多個EOS用戶中。人工智能模型將使這些公司和未來的采用者能夠更有信心地預測新零件設計的結(jié)果，并選擇構建指令來實現(xiàn)應用程序的目標。

一旦零件投產(chǎn)，實際構建中的任何意外影響都可以理解為虛假偏差，從而縮小了可能原因和糾正的范圍。流程開發(fā)將變得更快、更容易，并且不再依賴人為的事后彌補。不過，更廣泛地說，在最少人工監(jiān)督的情況下創(chuàng)建基于數(shù)據(jù)模型的能力使人工智能更容易有效應用。

雖然該模型僅進行了鈦金屬直接激光燒結(jié)的訓練，但NNAISENSE公司相信它可以通過額外的數(shù)據(jù)和訓練擴展到更多的增材制造材料和機器類型。對增材制造的總體影響，可能是在試錯、故障排除和過程糾正上花費的時間更少；減少失敗的構建和原型設計造成的浪費；最終是一種更可靠和更廣泛適用的制造方法。