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(gòu)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(gòu)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(xué)習(xí)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(shù)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(gòu)建中為每一層捕獲的光學(xué)斷層掃描圖像被證明是深度數(shù)字孿生的正確預(yù)測目標（來源：NNAISENSE）

近期，瑞士公司NNAISENSE與EOS合作構(gòu)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(xué)斷層掃描熱圖，與工藝輸入相關(guān)，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(guān)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(guān)系統(tǒng)和構(gòu)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(lǐng)域，構(gòu)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(guān)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(xué)習(xí)。

■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(lǐng)域。但在自我監(jiān)督深度學(xué)習(xí)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(gòu)建期間熔池行為的所有內(nèi)容，并將這些信息與預(yù)期的構(gòu)建指令關(guān)聯(lián)。與模型學(xué)習(xí)從結(jié)構(gòu)化數(shù)據(jù)中識別缺陷或其他興趣點的監(jiān)督機器學(xué)習(xí)不同，NNAISENSE公司使用自監(jiān)督學(xué)習(xí)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(xué)習(xí)以預(yù)測這些傳感器的未來數(shù)值。

自監(jiān)督深度學(xué)習(xí)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(gòu)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(xué)習(xí)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(gòu)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(yīng)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(xué)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(gòu)建參數(shù)。 

當前，NNAISENSE公司能夠使用過去EOS打印的構(gòu)建指令作為輸入，以訓(xùn)練模型預(yù)測下一層的光學(xué)斷層掃描熱圖。這種訓(xùn)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(yù)。

光學(xué)斷層掃描圖像非常適合作為預(yù)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(gòu)建的光學(xué)斷層掃描圖像來學(xué)習(xí)每個連續(xù)打印層的預(yù)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(gòu)建指令數(shù)據(jù)及其相應(yīng)的熱圖像供其學(xué)習(xí)。

在使用歷史EOS構(gòu)建數(shù)據(jù)在GPU集群上訓(xùn)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(yù)測新零件設(shè)計的結(jié)果，并選擇構(gòu)建指令來實現(xiàn)應(yīng)用程序的目標。

一旦零件投產(chǎn)，實際構(gòu)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(yīng)用。

雖然該模型僅進行了鈦金屬直接激光燒結(jié)的訓(xùn)練，但NNAISENSE公司相信它可以通過額外的數(shù)據(jù)和訓(xùn)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(gòu)建和原型設(shè)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。