綜述：人工智能控制3D打印研究中取得顯著效益

2025年8月12日，南極熊獲悉，來自波爾圖大學、弗勞恩霍夫 IWS、呂勒奧理工大學、牛津大學、INESC TEC和德累斯頓工業(yè)大學的研究人員在《IEEE Access》上發(fā)表了一篇題為“Artificial Intelligence for Control in Laser-Based Additive Manufacturing: A Systematic Review”的系統(tǒng)綜述，概述了人工智能 (AI) 在基于激光的增材制造 (LAM) 過程控制中的新興應用。

論文鏈接：https://ieeexplore.ieee.org/document/10869457/authors#authors

通過分析 2021 年至2024 年間發(fā)表的 16 項研究，綜述發(fā)現(xiàn)62.5% 的研究已在現(xiàn)實環(huán)境中部署了AI驅動的控制器，而 56% 的研究將AI 專門應用于強化學習 (RL) 等控制策略。在所審查的研究中，62.5% 的研究將 AI 用于過程建模或監(jiān)控，68% 的研究針對由過熱或過熱引起的不穩(wěn)定性——這是 LAM 中缺陷的主要來源。

激光增材制造 (LAM) 是增材制造的一個分支，它使用粉末床熔合 (PBF) 或定向能量沉積 (DED) 逐層構建金屬零件。PBF 的激光功率較低，通常低于 1 千瓦，掃描速度高達 2,000 毫米/秒，可小規(guī)模生產(chǎn)高精度零件。DED 使用粉末或線材原料，激光功率可達 40 千瓦，可實現(xiàn)更高的沉積速率和更大的結構。這些工藝差異會產(chǎn)生不同的熔池特性、熱梯度和缺陷輪廓，需要單獨的控制策略。

審查確定了可以應用人工智能的五個關鍵階段：智能采樣、過程監(jiān)控、建模、控制器設計和性能評估。盡管激光輔助顯微成像 (LAM) 試驗成本高昂，但經(jīng)典的實驗設計 (DoE) 方法仍然是采樣中最廣泛的應用，而貝葉斯優(yōu)化等自適應技術（可根據(jù)快速變化或高度非線性的區(qū)域調整數(shù)據(jù)收集）不太常見，但在其他制造環(huán)境中顯示出效率提升。

監(jiān)測方法通常結合熱傳感和視覺傳感來捕捉熔池的幾何形狀和溫度，這些參數(shù)與零件質量密切相關。傳感器安裝在軸上，與激光器對齊，或安裝在軸外進行外部監(jiān)測。在已審查的研究中，卷積神經(jīng)網(wǎng)絡處理基于圖像的數(shù)據(jù)，而人工神經(jīng)網(wǎng)絡在多模態(tài)監(jiān)測中被證明是有效的，可以整合視覺、熱和聲學信號。一項研究發(fā)現(xiàn)，這種多模態(tài)ANN方法在測試模型中實現(xiàn)了最高的缺陷預測準確率。數(shù)據(jù)標記仍然是一個限制因素：許多研究依賴于簡化的熔池特征或最終檢測結果，而不是連續(xù)的實時標記，這限制了PBF等高速工藝的響應能力。

△概述兩種主要的基于激光的增材制造工藝——定向能量沉積（DED）和粉末床熔合（PBF）。IEEE訪問。

建模方法涵蓋有限元建模 (FEM)、循環(huán)神經(jīng)網(wǎng)絡 (RNN)、長短期記憶網(wǎng)絡 (LSTM) 以及系統(tǒng)識別技術，例如動態(tài)模態(tài)分解 (DMD) 和非線性動力學稀疏識別 (SINDy)。FEM 提供詳細的熱和機械模擬，但需要大量計算資源和精確校準。數(shù)據(jù)驅動模型可以從觀測數(shù)據(jù)中捕捉非線性動態(tài)，其中 RNN 和 LSTM 可有效進行時間序列預測。人們已經(jīng)探索了將 FEM 與人工智能相結合的混合模型，以在預測精度和降低計算負荷之間取得平衡。

所審查研究中的控制器策略包括比例-積分-微分 (PID) 系統(tǒng)、模型預測控制(MPC) 和強化學習。PID 控制器通常手動調整，仍然很常見，但在管理過程不確定性方面效率較低。一項研究表明，MPC 使用替代過程模型在控制回路內運行優(yōu)化程序，在明確建模不確定性時，性能優(yōu)于PID。強化學習方法，包括 Q 學習和基于模型的強化學習(MBRL)，用于根據(jù)實時反饋調整激光功率和掃描速度等參數(shù)。在一個示例中，MBRL 比無模型強化學習基線更快地實現(xiàn)最佳工藝參數(shù)，從而產(chǎn)生更低的表面粗糙度和更高的累積獎勵。

審查中提到的大多數(shù)實時控制實現(xiàn)僅限于逐層調整，而非連續(xù)閉環(huán)控制。這種限制既反映了熔池監(jiān)測所需的高數(shù)據(jù)速率，也反映了先進人工智能方法的計算需求。PBF 工藝面臨著特殊的挑戰(zhàn)，熔池動態(tài)性能達到亞毫秒級，掃描速度高達 2,000 毫米/秒。

不受控制的機器學習技術包括用于高維缺陷檢測的支持向量機和用于預測影響零件質量的干擾的高斯回歸模型。卷積神經(jīng)網(wǎng)絡等深度學習方法用于評估表面粗糙度和工藝穩(wěn)定性，而循環(huán)網(wǎng)絡則用于建模參數(shù)隨時間的變化。這些方法雖然有效，但需要大量數(shù)據(jù)集和計算資源，從而限制了工業(yè)應用。

△該圖表展示了近年來論文數(shù)量的增長以及人工智能在語言建模（LAM）領域的主要應用。IEEE Access

審查指出，人工智能在激光增材制造（LAM）中的應用存在一些系統(tǒng)性缺陷。數(shù)據(jù)采集受到成本、代表性樣本有限以及極端情況需求的限制。有限元法（FEM）、強化學習（RL）和深度學習的計算需求需要專門的硬件和專業(yè)知識。許多方法僅在模擬或小規(guī)模實驗中得到驗證，很少有方法在生產(chǎn)環(huán)境中得到驗證。模型的可解釋性也是一個障礙；所有審查的研究均未將三個關鍵評估指標——可解釋性、不確定性和魯棒性——納入人工智能性能評估。

在應用評估指標時，使用了諸如SHapley值或LIME等技術來評估可解釋性，貝葉斯網(wǎng)絡和高斯過程來評估不確定性，以及對抗性訓練或穩(wěn)健優(yōu)化來評估穩(wěn)定性。然而，這些指標的報告并不一致，使得跨研究比較變得困難。缺乏標準化指標被認為是技術向工業(yè)環(huán)境轉移的主要障礙。

作者確定了未來工作的幾個重點。擴展自適應采樣方法（例如貝葉斯優(yōu)化）可以提高數(shù)據(jù)效率。增強多模態(tài)傳感器集成度，例如結合視覺、熱和聲學監(jiān)測，可以增強缺陷檢測和過程穩(wěn)定性。開發(fā)融合有限元法 (FEM) 和人工智能 (AI) 的混合建?？蚣埽梢援a(chǎn)生更易于計算且更準確的過程模擬。將模型預測控制 (MPC) 和強化學習 (RL) 擴展到生產(chǎn)環(huán)境需要優(yōu)化算法以降低延遲并減少計算開銷，同時構建強大的實時數(shù)據(jù)管道。整合可解釋性、不確定性和魯棒性指標的標準化評估框架將有助于跨研究進行有意義的比較，并加速工業(yè)應用。

雖然人工智能在激光增材制造 (LAM) 中的應用仍處于早期階段，但審查顯示，該領域正逐漸從監(jiān)控轉向主動過程控制。PID 控制器和經(jīng)典采樣等傳統(tǒng)方法仍然占據(jù)主導地位，但基于模型的強化學習和 FEM-AI混合建模等先進策略正日益受到關注。已證實的優(yōu)勢包括降低表面粗糙度、提高工藝穩(wěn)定性以及更快地收斂至最佳制造參數(shù)。如果與標準化指標、自適應采樣和實時連續(xù)控制相結合，這些方法可以支持完全自主的金屬增材制造系統(tǒng)，并實現(xiàn)自我監(jiān)控和自我校正。

△控制器開發(fā)流程，重點介紹關鍵步驟：采樣、監(jiān)控、建模（動態(tài)）、規(guī)劃（最優(yōu)控制措施）和評估