​中國：將神經(jīng)網(wǎng)絡機器學習應用于增材制造流程

來源：增材之光

在“將基于神經(jīng)網(wǎng)絡的機器學習應用于增材制造：當前的應用，挑戰(zhàn)和未來前景”，作者們研究機器學習（ML）和神經(jīng)網(wǎng)絡算法（NN）可以應用于增材制造。

盡管增材制造工藝的諸多優(yōu)勢仍然存在，并使其應用于當今無數(shù)的行業(yè)，但仍存在許多缺陷和情況，這些缺陷繼續(xù)挑戰(zhàn)世界各地的用戶，從孔隙度到各向異性微結構，再到變形等等。

應用神經(jīng)網(wǎng)絡模型預測增材制造結構的變形。（a）在控制載荷條件下制造和試驗的試樣；（b）有限元，其模擬結果由試樣驗證；（c）神經(jīng)網(wǎng)絡，由有限元生成的數(shù)據(jù)訓練，然后用于以比有限元更快的方式預測變形歷史。FC：完全連接的層。根據(jù)參考文獻[31]轉載，經(jīng)愛思唯爾公司許可，©2018。

原型可能并不總是需要完美的簡單模型，但是，用于真正功能性，工業(yè)用途的部件必須堅固并且在不損害其整體完整性的情況下生產(chǎn)出來。作者指出了解以下內容的重要性：
•粉末的冶金參數(shù)
•3D打印流程
•微觀結構
•增材制造部件的機械性能

在機器學習中，神經(jīng)網(wǎng)絡算法只是越來越受歡迎使用，目前正在“快速發(fā)展”，最常用于計算機視覺、語音識別、語言處理和自動駕駛車輛。它是一種有監(jiān)督的ML類型，使用標記的數(shù)據(jù)進行操作，并且在增材制造中顯示出很好的適用于工業(yè)中的“敏捷制造”。

研究人員表示：“神經(jīng)網(wǎng)絡對從產(chǎn)品設計、制造、資格認證到交付的所有產(chǎn)業(yè)價值鏈創(chuàng)新都產(chǎn)生了深刻而廣泛的影響，人們相信神經(jīng)網(wǎng)絡的影響將越來越強烈�！�
最常見的神經(jīng)網(wǎng)絡類型是：
•多層感知器（MLP）
•卷積神經(jīng)網(wǎng)絡（CNN）
•遞歸神經(jīng)網(wǎng)絡（RNN）

增材制造質量監(jiān)測分析系統(tǒng)方案。工作流程如下：在增材制造過程中發(fā)出聲信號，然后由傳感器捕獲；最后將SCNN模型應用于記錄的數(shù)據(jù)，以便區(qū)分打印層的質量是否合適。轉載自參考文獻[35]，經(jīng)愛思唯爾公司許可，©2018。

在增材制造設計中，工程師創(chuàng)建了CAD模型，然后將其應用于增材制造仿真的分析軟件中。然而，在將模型與實際3D打印進行比較時發(fā)現(xiàn)了許多偏差，通常是由于生產(chǎn)過程中的應力和產(chǎn)生的變形。研究人員表示他們通常會進行補償以獲得更好的準確度。

已經(jīng)為硬件和軟件創(chuàng)建了傳感器，并且各種不同的傳感器也可以用于原位測量�！斑@項工作的范圍涵蓋了各種應用場景中的神經(jīng)網(wǎng)絡的多種變體，包括：用于鏈接增材制造過程，屬性和性能的傳統(tǒng)MLP；用于增材制造熔池識別的卷積神經(jīng)網(wǎng)絡；LSTM用于再現(xiàn)有限元模擬結果；和用于數(shù)據(jù)增強的變分自動編碼器。然而，正如他們所說，“事情都具有兩面性。”

“很難控制增材制造部件的質量，而神經(jīng)網(wǎng)絡則強烈依賴于數(shù)據(jù)收集。因此，這個跨學科領域仍然存在一些挑戰(zhàn)。我們?yōu)檫@些挑戰(zhàn)提出了潛在的相應解決方案，并概述了我們對該領域未來趨勢的看法�！毖芯咳藛T總結道。機器學習通常與3D打印相關聯(lián)，從不同的監(jiān)控方法和更智能的金屬增材制造到施工。

SLM過程監(jiān)控配置方案。一個高速攝像機被用來捕捉建造過程的連續(xù)圖像；一個CNN模型被用來識別質量異常。投資回報率：感興趣的區(qū)域。根據(jù)參考文獻[37]轉載，經(jīng)愛思唯爾公司，©2018。