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(xué)、弗勞恩霍夫 IWS、呂勒奧理工大學(xué)、牛津大學(xué)、INESC TEC和德累斯頓工業(yè)大學(xué)的研究人員在《IEEE Access》上發(fā)表了一篇題為“”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(yīng)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(qū)動的控制器，而 56% 的研究將AI 專門應(yīng)用于強化學(xué)習(xí) (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�；虮O(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(gòu)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(jié)構(gòu)。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(yīng)用人工智能的五個關(guān)鍵階段：智能采樣、過程監(jiān)控、建模、控制器設(shè)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(shè)計 (DoE) 方法仍然是采樣中最廣泛的應(yīng)用，而貝葉斯優(yōu)化等自適應(yīng)技術(shù)（可根據(jù)快速變化或高度非線性的區(qū)域調(diào)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(jié)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(zhì)量密切相關(guān)。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(luò)處理基于圖像的數(shù)據(jù)，而人工神經(jīng)網(wǎng)絡(luò)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(xué)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(yù)測準(zhǔn)確率。數(shù)據(jù)標(biāo)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(jié)果，而不是連續(xù)的實時標(biāo)記，這限制了PBF等高速工藝的響應(yīng)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(luò) (RNN)、長短期記憶網(wǎng)絡(luò) (LSTM) 以及系統(tǒng)識別技術(shù)，例如動態(tài)模態(tài)分解 (DMD) 和非線性動力學(xué)稀疏識別 (SINDy)。FEM 提供詳細(xì)的熱和機械模擬，但需要大量計算資源和精確校準(zhǔn)。數(shù)據(jù)驅(qū)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(yù)測。人們已經(jīng)探索了將 FEM 與人工智能相結(jié)合的混合模型，以在預(yù)測精度和降低計算負(fù)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(yù)測控制(MPC) 和強化學(xué)習(xí)。PID 控制器通常手動調(diào)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(nèi)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(xué)習(xí)方法，包括 Q 學(xué)習(xí)和基于模型的強化學(xué)習(xí)(MBRL)，用于根據(jù)實時反饋調(diào)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(xué)習(xí)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(diào)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(xué)習(xí)技術(shù)包括用于高維缺陷檢測的支持向量機和用于預(yù)測影響零件質(zhì)量的干擾的高斯回歸模型。卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)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(luò)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(yīng)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(lǐng)域的主要應(yīng)用。IEEE Access

審查指出，人工智能在激光增材制造（LAM）中的應(yīng)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(xué)習(xí)（RL）和深度學(xué)習(xí)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(guān)鍵評估指標(biāo)——可解釋性、不確定性和魯棒性——納入人工智能性能評估。

在應(yīng)用評估指標(biāo)時，使用了諸如SHapley值或LIME等技術(shù)來評估可解釋性，貝葉斯網(wǎng)絡(luò)和高斯過程來評估不確定性，以及對抗性訓(xùn)練或穩(wěn)健優(yōu)化來評估穩(wěn)定性。然而，這些指標(biāo)的報告并不一致，使得跨研究比較變得困難。缺乏標(biāo)準(zhǔn)化指標(biāo)被認(rèn)為是技術(shù)向工業(yè)環(huán)境轉(zhuǎn)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(yīng)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(jié)合視覺、熱和聲學(xué)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�可以產(chǎn)生更易于計算且更準(zhǔn)確的過程模擬。將模型預(yù)測控制 (MPC) 和強化學(xué)習(xí) (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(gòu)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(biāo)的標(biāo)準(zhǔn)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(yīng)用。

雖然人工智能在激光增材制造 (LAM) 中的應(yīng)用仍處于早期階段，但審查顯示，該領(lǐng)域正逐漸從監(jiān)控轉(zhuǎn)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(dǎo)地位，但基于模型的強化學(xué)習(xí)和 FEM-AI混合建模等先進策略正日益受到關(guān)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(biāo)準(zhǔn)化指標(biāo)、自適應(yīng)采樣和實時連續(xù)控制相結(jié)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(guān)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