人工智能 (AI) 对增材制造 (AM) 的发展具有不可否认的作用。影响激光粉末床熔合构建的变量（激光功率、舱口距离、气体流量等）实在太多，无法针对用户可能想要打印的每个部件进行测试。在某个时候，数字化、模拟和将“思考”外包给计算机是有意义的，而不是将人类的思想和物理资源投入到这一过程的发现中。
但是，为增材制造构建人工智能的正确方法是什么？过去的努力采用了植根于机器视觉或监督学习的方法——即向模型输入带注释的示例，
自监督深度学习对增材制造的前景
教它像人类老师一样识别错误和异常。作为一种人工智能策略，这可能是有效的，尽管耗时，但作为一种广泛适用的推进增材制造技术的解决方案，它却只见树木不见森林。事实证明，这种数据粒度其实没有必要。瑞士公司合作，采用一种更全面、劳动密集程度更低的方法
柬埔寨电话号码数据是指柬埔寨境内与柬埔寨 柬埔寨电话号码数据 电话号码相关的信息集合，主要由电信公司管理，并由电力和电信部负责管理。
，为直接金属激光烧结 (DMLS) 构建了“深度数字孪生”。NNAISENSE 并没有向模型提供单独标记的“树”——即特定的打印参数和像素级输出，而是向模型提供更像“森林”的东西：每个打印层的光学断层扫描 (OT) 热图，与零件几何形状、激光功率和扫描路径等过程输入相关。气流等不可观察的影响对人工智能来说并不重要；重要的是这些因素如何相互作用以在打印的每一层形成热足迹——并且该图像提供了有关系统和构建的足够信息，以检测异常、模拟结果，甚至促进实时过程控制。
来自光学断层扫描的人工智能
始人在进行博士后研究时相识。随着他们的工作开始吸引业界的关注，该团队决定于 2014 年成立一家新公司，将该技术商业化。如今，NNAISENSE 总部位于瑞士卢加诺和德克萨斯州奥斯汀，拥有约 30 名员工。该公司服务于广泛的行业和应用，并为从无人机维护风力涡轮机到优化玻璃制造等各个领域建立了人工智能模型。现在，该公司与 EOS 合作，将基于神经网络的深度数字孪生带入激光粉末床熔合 (LPBF) 这一新领域。NNAISENSE 首席执行官 Faustino Gomez 表示：“如果不与客户接触，我们就无法推动 AI 的发展。你可以利用在一个领域获得的知识，并将其用于另一个领域。我们从玻璃制造过程中学到的东西可以应用到增材制造中。机器学习在某种程度上与领域无关。”
使用传统方法完全优化它是没有希望的。
无论在哪个领域，构建深度数字孪生都需要数据，而且需要 91 街区逐渐受到关注 大量的数据。这意味着要与客户一起研究哪些信息已经可用、哪些额外数据可以捕获以及哪些部分对流程很重要。有时数据不易获取，必须收集，或者有时信息存在但已被标记为供人类使用，而不是机器使用。然而，在 AM 的情况下，EOS 已经通过其了大量可用数据，该套件可跟踪从重涂错误到构建过程中的熔池行为的所有内容，并将这些信息与预期的构建说明相关联。
与监督式机器学习不同，NNAISENSE 使用自监督学习来创建深度数字孪生过程模型，在监督式机器学习中，模型会学习从结构化数据（例如人工注释的图像）中识别缺陷或其他兴趣点。在这种方法中，计算机会获得来自传感器和控制操作的精选时间序列输入，并自行学习预测这些传感器的未来值。
构建跨行业 AI 模型
自监督深度学习策略是增材制造的正确选择，特别是因为 LPBF 构建 单位电话号码的完整列表 中产生的数据量巨大；零件种类繁多；并且缺乏对哪些变量导致哪些结果的洞察力。这种策略避免了人类将矛盾引入系统的可能性，并产生了一种比标准监督机器学习更灵活、更易于实施且适用范围更广的建模策略。3D 打印部件的几何形状千差万别，”戈麦斯说道，他从多个角度阐述了挑战的范围。“要让传统的机器学习发挥作用，就必须让人类对数千个不同的部件进行数千层检查。即便如此，你如何用边界框来划定缺陷严重程度的界限？在许多情况下，你并不知道最终会导致缺陷的原因是什么。它非常复杂，使用传统方法完全优化它是不可能实现的。
虽然许多因素都会影响激光粉末床熔合成型的成功或失败，但并非所有因素都存在数据。例如，烟雾会干扰激光的运行，但目前没有传感器可以检测 EOS 3D 打印机内部的这种干扰。NNAISENSE 并没有试图解释增材制造中的所有这些影响，
IMTS 2024 精彩看点
而是将注意力集中在 EOState 已经用其 Exposure OT 相机捕捉到的每一层的热图像上，这些热图像反映了打印机内部的情况以及原始的构建说明。 “我们当时说，也许这一切都在数据中，”戈麦斯回忆道。“我们能否仅根据几何形状、激光强度和激光路径来预测下一层会发生什么？”
答案是肯定的。NNAISENSE 能够使用过去 EOS 打印的构建说明作为输入来训练模型，以预测下一层的 OT 热图。这种训练是自我监督的，通过让模型将其层预测与 EOState 中记录的实际结果进行对比，而不是人工干预。OT 图像之所以能很好地作为预测目标，是因为直接金属激光烧结是一个热过程，而温度会影响 3D 打印和最终零件的质量。热量对于熔化和融合材料是必不可少的，但热量分布和积聚是金属 3D 打印中许多问题的根本原因。为了始终如
本集中提到
相关内容
这种人工智能最明显的应用是在 3D 打印过程中实时识别缺陷。“在运行部件时，你可以将实际发生的情况与模型输出的概率图进行比较，以查看哪些部分不符合规格，”Gomez 说。这些信息可用于后续的质量保证，或者在发现严重缺陷时完全停止构建。神经网络充当数字孪生体，模拟打印机内部的预期行为。将预测结果与观察到的结果进行比较，可以识别任何偏差。图片来源：NNAISENSE但进一步回顾增材制造过程，该模型还可以评估给定作业的构建说明，而无需制造零件。数字孪生可以更广泛地用作 3D 打印过程某些方面的模拟。
“你基本上可以用这个模型来代替真实的模型，”戈麦斯说。“我们可以评估预期的构建，并说模型告诉我们这将产生大量热点或大量不均匀的热量分布。”结合深度强化学习等其他人工智能技术，数字孪生还可以“搜索可能的构建指令空间，以找到具有所需特征的指令”，他解释说。“将来，它可能会涉及处理增材制造中最棘手的问题之一：机器校准。”
