人工智能在3D打印領域的應用綜述：人工智能賦能3D打印（一）
機器視覺和機器學習算法是與增材制造硬件設備密切相關的人工智能技術。機器視覺和機器學習算法就像3D打印設備的眼睛與大腦一樣，賦予3D打印設備監測和控制打印質量的智能化屬性，降低發生打印錯誤的風險。
提供機器學習和人工智能在增材制造中應用的有利觀點，特別是在粉末床增材制造技術中的應用。通過探究數據類型、數據來源、實驗和模擬數據中的潛在變化以及這些數據在機器學習算法中的適用性，進一步洞悉AI-人工智能的優勢，探討AM-增材制造的潛在方向的愿景。
人工智能賦能制造
© 3D科學谷白皮書
人工智能賦能智能制造進行時
人工智能 (AI) 和增材制造 (AM) 都是顛覆性的新技術。人工智能已經進入我們生活的許多方面，但在增材制造的世界中還沒有完全實現。由于海量數據和技術的數字化特性，AM-增材制造為機器學習 (ML) 和人工智能提供了巨大的機會。
根據中國機械工程學會榮譽理事、同濟大學張曙教授：“未來工廠不僅是技術、環境和人，商業的模式和供應鏈，以及工廠的組織型態都是在動態變化之中，平臺化、協同化是大趨勢。”
未來工廠的典型特征是智能制造，作為新一代的物質生產技術，與新一代人工智能技術深度融合，形成真正的新一代智能制造技術，進而成為第四次工業革命的核心技術引擎。3D打印以精微材料為起點、以數字化控制為手段，創造性地實現了在零件制造過程的同時在制備材料、制備材料的同時在制造零件，將傳統上材料選擇制備和工藝加工的串行過程轉變為成性和成形的并行過程。
進化中的工業革命
© 3D科學谷白皮書
人工智能是智能制造的核心，人工智能 (AI) 的概念是由 John McCarthy提出的，表示機器展示的智能。最常見的人工智能類型是模仿人類行為的能力和機器不斷改進其行為的能力。學習和提高的任務，對人類來說看似簡單，卻是一種非常復雜的認知現象，涉及數百萬年的認知和生理進化。
根據《暗知識》，當數據無法被人類感受，它們之間的關系又無法用方程解析表達時，這些數據之間的關系就掉入了人類感官和數學理解能力之外的暗知識大海…系統越復雜，變量越多，人類越無法把握，機器學習就越得心應手…明知識就像今天的大陸，暗知識就像大海。
自從 AI 概念最初出現以來，數學家、哲學家、生理學家、神經科學家、認知科學家、計算機科學家、電氣工程師和其他人已經取得了巨大的進步。每個領域都對與人工智能相關的工具和技術的開發產生了影響。哲學家通過指出大腦和機器的相似性來產生影響。生理學、神經科學和認知科學有助于理解人類大腦如何運作和處理信息轉發。計算機科學一直是開發數學程序、邏輯和理性推理算法以實現這些想法的基礎。
根據《暗知識》，如果說算法是AI引擎的設計，那么算力是AI引擎的馬力，數據是AI引擎的燃料。
在當今世界，我們經常會遇到“數據科學”、人工智能和機器學習等術語。區分這些術語之間的差異很重要。數據科學是一個非常廣泛的跨學科領域，其中使用科學方法、過程和算法從許多數據中提取知識。它的用途不僅限于人工智能。雖然 AI 依賴于數據科學的使用，但它并不是數據科學的唯一應用，數據分析技術的發展是人工智能發展的基礎。
為了開發人工智能，機器需要學習，因此機器學習被表示為人工智能的一個子領域，如圖所示被分類為有監督、無監督和強化學習。學習算法很多，最常見的深度學習算法顯示在深度學習子域中。
根據《暗知識》，人工智能的概念像一個洋蔥，一層包裹一層，最外面是人工智能，往里面一點是機器學習，再往里面是神經網絡，最深層是深度學習…我們今天說到的人工智能，其實就是機器學習里面的神經網絡和深度學習。
根據使用的數據類型（標記的歷史數據與未標記的開放域數據），ML-機器學習可以分為監督學習和非監督學習。在監督學習中，歷史數據和標記數據用于教模型適應新的測量或輸入。標記數據的分類和使用先前標記的數據預測趨勢用于確定模型輸出。在無監督機器學習中，數據聚類用于查找模式和分組。強化學習是一種結合使用監督和非監督學習的方法。ML 中使用的主要技術是神經網絡
人工智能在各種應用中取得了進步，包括語音識別、無人駕駛和自動駕駛汽車、機器人技術、游戲開發和播放、計算機圖形、計算機黑客和垃圾郵件打擊。制造業是受人工智能進步影響巨大的領域之一。事實上，在銀行、金融和保險服務之后，制造業是 AI 的最大支出類別。
人工智能設計3D打印零件
© Academy.titansofcnc.com
人工智能在制造業中的應用需要實施智能制造，傳感器可以提供現場信息。智能制造并不是制造業的新概念。數字孿生是一種以雙向方法利用智能制造來改善系統結果和現實世界系統與其數字對應物之間的可預測性的方法。在工業中廣泛使用的數字孿生概念是指使用數字數據表示一個物理系統。
在制造業中使用 AI 的方法有多種，通常從分析圖像或其他數據開始。有了人類“老師”給予的人工智能的算法，人工智能甚至可以識別復雜數據中的結構。因此，它可以在早期檢測到與預定義最佳值的偏差，從而可以對過程進行調節。當數據的記錄和處理與過程控制相結合形成一個自主過程時，就達到了最高水平：智能化調整加工策略。
人工智能賦能增材制造進行時
在3D打印過程控制方面，根據3D科學谷的了解，德國亞琛的弗勞恩霍夫激光技術研究所Fraunhofer ILT目前能夠通過 AI 顯著改善金屬 3D 打印的結果。在激光粉末床選區金屬熔化 (LPBF) 工藝系統中，使用高分辨率 HDR 相機對每一層中的組件表面進行拍照。圖像數據可以捕捉到兩種影響：一方面，可以測量過程中組件可能發生的翹曲；另一方面，可以仔細檢查表面的粗糙度。因此，可以在生產過程中對缺陷進行分類。
而在人工智能的幫助下，激光參數也可以在過程中進行特定的更改，以便對過程狀態的變化做出動態反應。這提高了零件的質量，并在缺陷發生之前加以預防。
人工智能不僅使用戶能夠優化生產流程，實現零缺陷生產。根據ACAM亞琛增材制造中心，在具有大量復雜數據的過程中，例如現代光學的發展，人工智能也降低了復雜性。開發過程變得更加清晰、更加確定并且更少依賴于個別專家的直覺。
人工智能賦能3D打印
© 3D科學谷白皮書
l 為什么AM-增材制造與人工智能會發生深度的結合？
AM-增材制造具有天然的數字技術基因，可以顯著受益于數據科學、ML-機器學習 和 AI-人工智能的新進展。鑒于3D打印-增材制造流程中的所有步驟均以數字方式完成，因此有助于流程本身的數據收集和組織。另一方面，增材制造在設計、工藝準備和3D打印階段是一個高度自動化的過程。這會產生許多人類難以可視化、可以理解和解釋的系統數據。
人工智能賦能設計
© 3D科學谷白皮書
ML-機器學習可以在數據可視化、圖像識別和系統建模方面發揮作用，以更好地理解3D打印這一復雜的加工過程。此外，準備和后處理階段涉及許多勞動密集型流程，可以通過流程自動化和智能分析算法來輔助規劃和決策。
不僅僅是制造過程，AM-增材制造具有設計過程中高度數字化的CAD模型集成以及構建具有復雜形態的零件的能力等優點，而NN-神經網絡深度學習則擅長于避免構建和解決復雜的多尺度和多物理數學模型。AM-增材制造和NN–神經網絡深度學習的結合已經證明了在工業中實現“敏捷制造”概念的巨大潛力。
人工智能賦能3D打印策略-過程前與過程中
© 3D科學谷白皮書
例如，正如前面所提到的亞琛Fraunhofer的努力，ML-機器學習和 AI-人工智能 可用于優化流程質量并降低3D打印缺陷密度，改進反饋控制以提高過程質量是一個經過深入研究的領域。更多關于過程質量控制的例子將在后續文章中提供。
此外，可以通過所謂的并發設計將設計和流程結合在一起來使用人工智能。在此過程中，構建過程中獲取的信息用于自適應地和持續地改進設計。設計改進可以有多個目標，包括減少構建過程中的殘余應力、減輕重量以及提高某些出現缺陷的區域的強度。在這個領域有很大的創造和創新空間。由于數字化和計算機模型發揮如此重要作用，人工智能在3D打印中的應用變得非常重要。
鑒于流程的復雜性，為了更好的理解在AM-增材制造中中應用 AI-人工智能技術，3D科學谷將人工智能的應用領域分解為3D打印前處理、過程中處理和后處理階段。
在前處理過程中，ML-機器學習可用于3D打印相關的設計方面（幾何設計、拓撲優化、原材料設計和粉末特性）。在3D打印原材料設計領域，ML-機器學習的最新進展是可以預測材料特性。
關于過程中處理，人工智能用于3D打印過程監控和優化是已被廣泛研究的領域之一，根據3D科學谷的市場觀察，市場上分為兩類類型軟件，一種類型是3D打印設備廠商開發的軟件，另一種類型是軟件企業開發的人工智能軟件。
人工智能賦能3D打印過程控制與材料設計
© 3D科學谷白皮書
后處理過程中，目前ML-人工智能在后處理數據分析中的應用相對較新。大多數研究都集中在將后期處理數據與流程本身聯系起來。在這方面，印度的OPTOMET軟件基于其軟件開發者Intech積累的大量3D打印數據，在進行AI和ML在后期處理中的應用研究。OPTOMET軟件只需要輸入粉末的參數和加工要求，系統會自動優化加工參數，可大幅節約人工設置參數時間，并且避免了人工設置參數導致的大量報廢零件產生。
(責任編輯：admin)
Himed評估不同噴砂磨料在3
粉末粒徑可以控制增材制造
Divergent公司以3D打印技
浙大口腔醫學院：生物3D打
新型類器官樣神經血管球促
推動粘結劑噴射（鑄造/金
選區激光熔化增材
大型聚合物3D打印
6K Additive最新
如何打造增材制造
從實驗室走向生產
3D打印在口腔修復
