3D科学谷洞察

“AI技术可以加速个性化生物墨水的设计和生产，包括基于人工智能的虚拟染色技术，对细胞进行无损、快速的表征。AI技术可以加快具有个性化结构的打印模型的精确设计，包括使用CT和MRI等成像方式获取医学图像，进行3D建模以生成结构模型。AI技术有助于在正式打印过程之前离线设计最佳打印参数，并在正式打印过程中实时调整打印参数以保持对打印质量的控制。”

近几十年来，生物3D打印因其能够操纵生物材料和细胞以精确创建复杂结构的能力而引起了广泛的研究关注。然而，由于技术和成本限制，生物3D打印产品(BPP)从实验室到临床的临床转化受到设计个性化和生产规模扩大方面的挑战的阻碍。

最近，人工智能(AI)技术的新兴应用显著提高了生物打印的性能。然而，现有文献在方法论探索AI技术克服这些挑战以推动生物3D打印走向临床应用的潜力方面仍然不足。为此，来自清华大学的熊卓/方永聪/张婷课题组以质量源于设计(QbD)的理论框架为框架，提出了一种用于AI驱动的生物打印。QbD（Quality by Design）是一种质量控制体系，强调通过事前设计控制质量，被广泛用于制药业。其核心概念主要包括关键质量属性（CQA）、关键物料属性（CMA）、关键工艺参数（CPP）、设计空间（DS）、控制策略（CS）、风险评估（RA）。相关研究成果以“AI-driven 3D bioprinting for regenerative medicine: From bench to bedside”为题于2024年11月23日发表在《Bioactive Materials》上。

图1 人工智能驱动的3D生物打印QbD路线图，包含多尺度和多模态感知、数据驱动设计和在线过程控制，可用于生物墨水形成、模型结构、打印过程和功能调控四个关键要素

本文首先将QbD理论引入生物打印，然后总结AI在3D打印中的集成技术路线图，包括多尺度和多模态传感、数据驱动设计和在线过程控制。本文进一步阐述了人工智能在3D生物打印关键环节的具体应用，包括生物墨水配方、模型结构、打印过程和功能调控。最后，讨论了人工智能技术在进一步推进3D生物打印临床转化方面的当前前景和挑战。

1.AI驱动的生物3D打印QbD框架和路线图

生物3D打印包括四个关键要素：生物墨水配方、模型结构、打印过程和功能调控。每个要素由多个单元操作（UO）组成，其中可以集成AI驱动的QdD，例如生物墨水材料设计、微结构设计、打印过程控制以及功能表征和评估（图1）。

在生物打印中，每个UO集成各种传感器来捕获多模态数据，从而有助于获取对个性化设计和扩大生产至关重要的多尺度信息。感测过程通常包含三个连续阶段：（i）预感测，涉及对感测对象的预处理，例如组织切片制备和染色；（ii）感测，涉及利用各种传感器测量感测对象的特定属性并生成相应的传感器数据；以及（iii）后感测，涉及处理和分析收集到的传感器数据以得出定量感测结果，包括CQA，CMA和CPP。传统感测方法在精度，快速性，经济性，可重复性，安全性和可扩展性方面存在不足，从而阻碍了BPP的临床转化。作者将这些不足主要归因于以下三个关键因素：（1）“规模-深度-精度”矛盾（图2a）；（2）信息丰富度不足；（3）自动化程度低。人工智能技术，尤其是深度学习方法，为上述挑战提供了可行的解决方案。因此，在生物打印过程中，人工智能驱动的传感产生了全面的结果，涵盖了打印结构的设计和制造以及生化和形态功能等方面（图2b）。

图2 多尺度和多模式感知

随着模型精度（或问题复杂性）的提高，相关成本（如财务投入、时间和人力资源）也相应增加，而边际精度则逐渐降低（图3a）。目前，已经出现了四种建模范式，包括实验设计 (DoE)、理论、计算和数据驱动范式(图3a)。鉴于挑战的复杂性和成本限制，传统范式面临瓶颈，正在向基于机器学习(ML)的数据驱动范式过渡。基于ML的数据驱动范式通常采用监督学习方法，可以简洁地定义为在输入指纹和输出属性之间构建可泛化的映射模型（图3b）。它主要包括三个关键步骤：指纹识别、训练、预测。

图3 数据驱动设计

作者提出了一种基于人工智能的通用在线过程控制流水线（图4a）。为了将CQA保持在高水平，通过多个传感器现场监测CQA、CMA和CPP，并根据合理的控制策略在线校正 CMA/CPP。同时确定了涉及上述过程的四大类人工智能模型：（i）CMA/CPP设计模型；（ii）CMA/CPP预测模型；（iii）CQA/过程预测模型；（iv）控制策略。

在设计阶段，离线数字孪生模型能够在数字世界中快速执行大量虚拟实验。因此，CMA/CPP的设计和优化可以通过更少的实际实验完成，从而降低成本和风险。在生产阶段，在线数字孪生模型通过监控数据和控制命令与实际生产过程相联系，旨在提高生产效率和质量（图4b）。通过在数字世界中模拟过程演变并预测其结果，可以加深对过程的全面理解，从而促进过程的持续改进。

图4 在线过程控制

2.人工智能驱动的生物墨水配方方法

生物墨水作为生物3D打印的主要元素，是保证BPP免疫、组织和功能特异性的重要基础。生物墨水通常包含细胞和生物材料。AI技术可以应用于这些过程中的每个UO，以加速BPP个性化生物墨水的设计和生产（图5a）。

基于人工智能的虚拟染色技术提供了一种解决方案，可以对采样细胞进行无损、快速的表征。该技术已应用于各种器官，如肝脏、肾脏、胃和肺。监督学习（使用配对图像进行训练）或无监督学习方法（使用非配对图像进行训练）可以实现两类任务：（i）从未染色样本的原始图像生成染色图像，从而避免耗费细胞的染色程序；（ii）从基本染色图像生成多样而复杂的染色图像，从而通过单一染色过程表征多种特性（图5）。

图5 人工智能驱动的生物墨水配方方法

3.人工智能驱动的模型结构方法

在确定生物墨水配方后，另一个关键要素是打印模型结构的设计。由于BPP的组织、结构和功能特异性，打印模型的结构需要个性化设计以满足性能要求。设计打印模型的典型过程包括以下步骤：首先，使用CT和MRI等成像方式获取患者目标器官/组织的医学图像；其次，基于这些医学图像进行3D建模以生成宏观结构模型；最后，设计内部微观结构。AI技术可以应用于这些过程中的每个UO，以加快具有个性化结构的打印模型的精确设计（图6）。

图6 人工智能驱动的模型结构方法

4.人工智能驱动的印刷过程方法

在获得打印模型后，打印工艺要素需要在确保细胞活力的同时精确制造设计的多尺度结构。为了提高打印质量，应在正式打印过程之前离线设计最佳打印参数；随后，在正式打印过程中，需要实时调整打印参数以保持对打印质量的控制。作者将相应的案例展示在图7中。

图7 人工智能驱动的印刷流程方法

5.人工智能驱动的功能调节方法

完成高质量结构的打印后，最后一个要素是对打印结构的功能调控。首先，成熟条件的设计对于功能化打印结构至关重要，从而将其转化为具有所需生物功能的BPP。随后，对于功能化的体外模型和体内植入物，使用非破坏性检测方法表征和评估其生物功能，以促进药物筛选、病理/药理学研究和临床功能评估等应用。同时，作者给出了相应示例展示在图8中。

图8 人工智能驱动的功能调节方法

最后，作者指出了生物3D打印中AI技术的未来方向，包括构建自然器官的流程；闭环主动学习流程以及蛮力学习、主动学习和混合学习的“精度成本”图景。

图9 生物打印中AI技术的未来方向

展望未来，人工智能与自动化的整合有望超越离散的UO，涵盖整个流程（图10）。基于人工智能的系统设计方法将统一各种对象的设计，包括生物墨水、打印模型、打印参数和成熟条件。这种集成方法将有效地考虑它们对不同属性的相互依赖影响。此外，基于人工智能的智能工厂的建立，将通过工业云、数字孪生等先进技术，实现对物质流和信息流的高效管理，实现临床诊断、原材料制备、模型设计、3D打印制造、疗效评估等全生命周期质量管理。

图10 全流程集成自动化示意图

文章链接：

https://doi.org/10.1016/j.bioactmat.2024.11.021

来源
EFL l

清华大学-熊卓、方永聪、张婷《Bioact. Mater.》综述：AI与生物3D打印

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

3D科学谷洞察

“机器学习被应用于增材制造材料性能预测和优化设计，可以利用大量的实验数据和算法预测材料性能并识别与其相关的结构特征，指导设计新材料的化学成分和微观结构，通过优化合金成分，可以提高钢材的可淬性，实现无热处理后的高强度。”

材料、结构、工艺和性能是提升增材制造（AM）加工部件多功能性的关键方面。因此，增材制造用新材料的蓬勃发展对于推动增材制造技术的成熟度和可持续性至关重要。

现有的用于增材制造的商用金属粉末是针对传统加工工艺路线（例如铸造、热等静压、放电等离子烧结等）进行设计和优化的，可能并非最适合增材制造，而且，经增材制造加工的商用金属材料大多需要进行后续热处理（PHT）才能获得良好的性能，这会消耗能源并排放二氧化碳。冶金行业是温室气体的最大排放源之一，其中热处理占据了相当大的比重。因此，进行可持续的合金设计以省去后续热处理是制造“绿色”金属材料的一个良好策略。

【成果速览】

现有的用于激光增材制造（LAM）的商用粉末是为需要后续热处理（PHT）的传统制造方法而设计的。激光增材制造独特的循环热历程会在沉积过程中对材料产生本征热处理（IHT），这为开发适用于激光增材制造的新型材料提供了契机。

本项工作中，新加坡制造技术研究院谭超林以及香港城市大学杨涛教授等人借助机器学习制备了一种新型Fe-Ni-Ti-Al马氏体时效钢，以利用本征热处理效应，在激光增材制造过程中无需后续热处理就能原位形成大量析出物。钢中快速的析出动力学、定制的间歇沉积策略以及本征热处理效应，有助于通过在高密度位错上异质形核，在马氏体基体中原位析出Ni₃Ti。

所制造的钢抗拉强度达到1538MPa，均匀伸长率为8.1%，优于众多经激光增材制造加工后的高强度钢。 在当前主流的非原位4D打印中，三维打印结构随时间变化的演变（即性能或功能变化）是在部件成型之后发生的。

该项工作着重强调了通过将与时间相关的析出强化与三维几何形状塑造同步整合实现的原位4D打印，这种方式展现出了较高的能源效率和可持续性。 本研究结果通过对本征热处理与材料相互作用的理解和利用，为开发适用于激光增材制造的定制材料提供了新思路。

相关成果以「Machine Learning Customized Novel Material for Energy-Efficient 4D Printing」为题刊登在Advanced Science上。

图1. 机器学习（ML）辅助Fe-Ni-Ti-Al新型马氏体时效钢（NMS）成分设计原理图。

图2. 用于拉弗斯相（Laves phase）和Ni₃Ti析出物替代建模的不同机器学习模型在以下方面的性能对比：a 决定系数以及b 平均绝对误差（MAE）。将真实数据与随机森林（RF）回归模型针对c 拉弗斯相和d Ni₃Ti析出物预测所给出的预测数据点进行绘图对比，结果表明在已知合金成分的情况下，该模型在预测相含量方面具有很强的能力。

图3. 概述了定制Fe-Ni-Ti-Al纳米材料的加工学习定制粉末、LDED工艺和力学性能。

图4. 粉末和LDED处理NMS的ILP沉积策略的微观结构分析。

图5. a 示意图展示了原位激光增材制造（ILP）样品中微柱的位置。bc 分别为从白色（微柱 1）和黑色（微柱 2）区域提取的微柱的形貌。d 取自原位激光增材制造样品（白色和黑色区域）以及原始粉末的微柱的压缩应力-应变曲线。ef 分别为粉末和黑色区域微柱的断口形貌。g 本项工作中4D打印纳米复合马氏体时效钢（NMS）的拉伸性能与众多经增材制造加工的高强度钢（均为成型态）的拉伸性能对比。

 【结论展望】

总之，这项工作借助机器学习定制了一种新型马氏体时效钢，使得在激光直接能量沉积（LDED）过程中无需后续热处理（PHT）就能原位形成析出物。

原位激光增材制造（ILP）沉积策略促进了带有高密度位错的马氏体基体的形成，并构建出一种层级化的双相结构。材料快速的析出动力学以及激光直接能量沉积所特有的本征热处理（IHT）效应促进了大量纳米级Ni₃Ti的原位析出。

通过微柱压缩试验评估的局部力学性能表明，与原料粉末相比，原位形成的Ni₃Ti析出物增强了经激光直接能量沉积加工的纳米复合马氏体时效钢（NMS）的强度。所制造出的纳米复合马氏体时效钢抗拉强度达到约1.54GPa，均匀伸长率为8.1%，优于众多经增材制造（AM）加工后的高强度钢。

这项工作凸显了利用激光增材制造独特热历程来开发高性能金属的潜在方法，从而进一步推动开发出功能更优、可持续性更好的适用于增材制造的新材料。

来源
材料设计 l

Adv. Sci.｜新加坡科技局&港城大杨涛：4D打印马氏体时效钢！

链接
https://doi.org/10.1002/advs.202206607

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

根据德国ACAM亚琛增材制造中心，3D打印企业在全世界范围普遍来说并没有实现很好的盈利，一个关键点是从应用的产业化角度来看，可以实现盈利的制造模式应该是具有经济效益的数字驱动的端到端的制造工艺链为核心，而当前3D打印陷入在一个两难的境地，往往是当规模扩大的时候，随之而来的生产成本以级数级别的增加，这反过来使得要实现盈利成为非常具有挑战的事情。增材制造将朝着软件和数据驱动的自进化智造技术方向发展，智能模拟和人工智能的应用将使得硬件拥有更“聪明的大脑“，更”灵敏的神经“以及”更准确的双手“，让加工变得更高效。

▲SEPP项目：开发3D打印智能模拟技术

© RWTH DAP

目前，3D打印在扩大生产规模时往往面临成本急剧上升的问题。这可能是由于生产效率不高、材料成本增加、设备折旧等因素造成的。这种成本的级数增长使得规模化生产变得不经济，从而难以实现盈利。

未来的增材制造技术将朝着自进化的方向发展，这意味着制造系统能够根据实时数据和反馈自我优化，不断改进生产效率和产品质量。”

3D科学谷发现

3D Science Valley Discovery

关键点：

德国亚琛完成的SEPP项目在模拟技术方面的创新主要包括以下几个方面：

• 简化的模拟模型：SEPP项目没有依赖于复杂且计算密集的模型，而是开发了简化的模拟模型，这些模型在保持足够准确性的同时，能够预测如变形等缺陷，适用于大型部件的模拟。
• 提高熔池尺寸计算的准确性：项目进一步开发了PBF-LB/M工艺模型，显著提高了熔池尺寸计算的准确性，这对于预测熔池几何形状和温度分布至关重要。
• 快速的温度场计算方法：项目开发了一种新方法，可以在不到一小时内完成温度场计算，这对于模拟过程的效率提升具有重要意义。
• 数值模型简化技术：成功实施了数值模型简化技术，能够快速计算宏观尺度上的温度和应变分布，进一步提高了模拟过程的效率。

这些创新成果不仅提高了制造质量，还为PBF-LB/M技术的工业应用提供了坚实的基础。

Insights that make better life

 智能模拟

基于激光的增材制造技术，例如使用激光处理粉末材料的 PBF-LB/M 工艺，为功能性金属部件的生产提供了几乎无限的几何设计自由。尽管具有这种潜力，但由于某些与工艺相关的限制，这些技术仅得到部分利用。这些限制会影响工艺区局部和整个部件的物理过程，从而导致残余应力和部件变形等问题。

为了解决这些缺点，SEPP（基于模拟的激光束粉末床金属熔合工艺分析，PBF-LB/M）项目在过去几年中一直致力于优化 PBF-LB/M 工艺的模拟。

SEPP项目是一个专注于优化基于激光的粉末床熔融（PBF-LB/M）工艺的模拟研究项目。该项目的目标是通过智能模拟技术提高金属部件3D打印的效率和准确性。项目团队开发了简化的模拟模型，这些模型足够准确，能够预测如变形等缺陷，同时避免了复杂且计算密集的模型。项目由德国研究联盟（Deutsche Forschungsgemeinschaft，简称DFG）资助，这是一个独立的全国性科学资助机构，负责资助德国高等院校和公共性研究机构的科学研究，是欧洲最大的科研促进机构之一。

SEPP 项目的目标是通过智能模拟技术使金属部件的 3D 打印更加高效和准确。该项目没有依赖难以应用于大型部件的复杂且计算密集的模型，而是寻求开发简化的模拟，这些模拟仍然足够准确，可以预测变形等缺陷。

该项目进一步开发了 PBF-LB/M 工艺模型，该模型已通过实验测量成功验证。熔池尺寸计算的准确性得到了显着提高。现在，一种新方法可以在不到一小时内完成温度场计算。3D科学谷了解到目前该项目在模拟镍基合金 Inconel 718 方面特别成功，可以准确预测熔池几何形状和温度分布。

“ 3D Science Valley 白皮书 图文解析

”

在PBF-LB/M工艺模型的开发上，SEPP项目取得了显著进展，特别是在模拟镍基合金Inconel 718方面。通过实验测量，项目验证了模型的准确性，并显著提高了熔池尺寸计算的准确性。项目还开发了一种新方法，能够在不到一小时内完成温度场计算，这对于预测熔池几何形状和温度分布至关重要。

这些结果为制定最小化残余应力和变形的策略奠定了基础。此外，SEPP项目还成功实施了数值模型简化技术，可以快速计算宏观尺度上的温度和应变分布，进一步提高了模拟过程的效率。还进行了实验变形测量，证实了模拟结果并为进一步优化模型提供了宝贵的数据。

SEPP项目通过智能模拟技术使金属部件的3D打印更加高效和准确，这些技术的应用为3D打印技术的发展和工业应用开辟了新的可能性。

该项目由 DGF – 德国研究联盟 (Deutsche Forschungsgemeinschaft Consortium) 资助，由RWTH DAP （亚琛工业大学数字增材制造生产研究所）和RWTH NLD联合完成。

RWTH DAP

RWTH Aachen University 的 Chair for Digital Additive Production (DAP) 亚琛工业大学数字增材制造生产研究所是一个专注于数字增材制造技术的研究和开发的部门。RWTH DAP 研究所涉及的研究领域包括增材制造过程链的所有垂直和水平元素，从组件设计、供应链、生产和组件处理到增材制造组件的应用属性。RWTH DAP 的研究重点在于面向可扩展规模化生产的增材制造设备、材料、设计、过程及系统技术的进一步发展，以及软件驱动的端到端过程。

RWTH NLD

RWTH Aachen的 Nonlinear Dynamics of Laser Manufacturing Processes (NLD) 是一个专注于激光制造过程中非线性动力学的研究和教学机构。RWTH NLD 与 Fraunhofer ILT-弗劳恩霍夫激光研究所、RWTH LLT亚琛工业大学激光技术、RWTH TOS光学系统技术和RWTH DAP 等机构合作，提供学生和毕业生的工作机会，并在激光技术领域进行基础和应用相关的研究。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

3D打印技术在机器人制造领域发挥着重要作用，它允许快速制造出复杂形状的部件，提高制造效率，降低成本，并且能够实现高度定制化，3D打印技术正在以革命性的方式重塑机器人制造流程，实现从定制化机器人零件和外壳到功能性机械系统的快速生产。

本期，通过节选近期国内其他科研机构在机器人增材制造方面的实践与研究的多个闪光点，3D科学谷与谷友一起来领略的这一领域的研究近况。

© 3D科学谷白皮书

3D打印允许设计师和工程师创建复杂的几何形状，这些形状在传统制造技术中可能难以实现或成本过高。这对于人形机器人的关节、外部结构和定制部件尤其有价值。此外，3D打印可以在同一打印过程中集成电子元件和传感器，这为设计具有嵌入式智能的机器人部件提供了可能。”

3D科学谷发现
3D Science Valley Discovery

3D打印在机器人领域的多点研究进展：

行走式建筑3D打印机器人：这种机器人能够进行室外环境下的大尺度建筑3D打印，具有全向移动和垂直提升功能，解决了复杂工况下的打印难题。

六足仿生机器人：通过3D打印技术制造，采用圆形六足式布局和弹簧机械结构，减少了伺服系统的设计，提高了适应性。

四旋翼无人机底座：通过拓扑优化设计，实现了轻量化，提高了无人机的性能。

高楼玻璃幕墙清洁机器人：设计用于替代人工清洁，具有吸附、爬行和清洁功能，提高了清洁效率和安全性。

小型六轴机械臂：设计用于餐厅、医院等场景，具有高灵活性和定位精准性。

磁控软体机器人：利用3D打印技术制造，展示了在生物医疗等领域的应用潜力。

四足机器人腿部结构：通过拓扑优化设计，提升了机器人腿部结构的力学性能。

高压输电线路机器人：设计了防滑挂线轮毂的H型3D打印装置，提高了打印精度和速度。

介电弹性体驱动器的柔性机器人：研究了3D打印快速制作的介电弹性体驱动器，简化了制作过程，提高了制作效率。

仿人机械手臂：一体化结构设计，基于FOC控制算法进行控制，实现了基本功能需求。

Insights that make better life

 行走式建筑3D打印机器人
     及其配套技术研发与应用

葛杰;白洁;杨燕;韩立芳;黄青隆;连春明;冯俊;许国文;王彬楠;熊浩;贾红学;马俊;沈鹏;陆杨;李鑫

中国建筑第八工程局有限公司

建筑3D打印是当前土木工程领域的前沿技术之一。本项目基于前序课题研究成果,以实现“室外环境下机器人原址打印大尺度建筑”为目标,对行走式建筑3D打印技术开展攻关,取得以下创新成果：

1、研发了由六轴工业机械臂、麦克纳姆轮全向移动底盘、双激光定位导航系统、混合支撑系统、末端供料系统、远程操控器等组成的行走式建筑3D打印机器人(M3DP-Rob)。设备具有零转弯半径、全向移动和垂直提升功能,可在狭小空间范围内灵活作业、在已完成楼面标高继续打印上层建筑,解决了复杂工况下室外原址大尺度建筑3D打印的难题。

2、研发了室外“自生长施工环境”下的一体化导航定位控制技术及无接触式激光标定装置,开发了上位机一体化控制软件(ConRob3D建筑机器人),解决了室外时变环境下行走式建筑3D打印机器人打印过程中导航定位和实时标定的难题,实现了室外现场打印范围内机器人的全自动打印作业。

3、首次提出了包含竖向切片、截面设计、充盈值控制和路径规划等内容的建筑3D打印切片算法,并开发了配套的建筑3D打印切片软件,实现了对打印构件高度误差、线段交叉点表观质量的精确量化控制,减少了打印断点、提高了打印效率,为建筑3D打印机器人施工的规范化和标准化提供支撑。

4、开发了面向空间多尺度的行走式建筑3D打印成套施工工艺,建立了打印参数实时控制方法,实现了打印材料、机械和施工工艺的高效协同,提高了建筑3D打印材料的现场环境适应性和建筑3D打印技术的应用范围。

项目形成专利53项(发明41项),工法1项,论文6篇,授权软件著作权2项。经上海市土木工程学会鉴定,成果总体达到国际先进水平,其中建筑3D打印切片算法达到国际领先水平。目前,项目成果已在深圳市新华医院、上海市机场联络线等多个项目成功应用,节约异形复杂曲面构件加工成本约30～40%、缩短工期约40%～50%,成果合计带来新增产值3491.36万元,新增利润314.22万元,社会、经济和环保效益显著。

行走式建筑3D打印工艺打破了传统打印工艺对构件尺寸的限制,精简工序的同时提升打印质量,适用于各类构件的高精度打印,以及建筑小品或大型建筑物的现场打印。本项技术对于各类劳动力紧张、施工环境恶劣的工程项目,以及定制需求高、环保要求严的城市更新及乡村振兴项目具有广阔的应用前景。

 基于EthernetKRL实时通讯的库卡机械臂
     在线建筑3D打印控制研究与应用

叶华清1岳承涛1韩立芳2

1.上海机器人产业技术研究院有限公司2. 中国建筑第八工程局有限公司

 六足仿生机器人
     结构设计及运动仿真

周梦、郝同鑫、闰文彬、代文杰、韩宁豪

信阳学院理工学院

摘要：

为降低六足机器人制造成本，提高六足机器人在不同环境下的适应性，设计一款新型腿部结构的六足机器人。该机器人使用SolidWorks软件设计结构，机械结构采用3D打印机打印制造，机器人采用圆形六足式布局，腿部关节处使用弹簧机械结构来减少伺服系统的设计，并搭配适用不同地形可拆卸的模块化足端，可以利用较少的伺服系统完成复杂的运动。

通过对机器人进行运动学分析，以3种步态为例分析了不同环境下不同步态的特点，以单腿为例建立坐标系，使用DH法对机器人腿部进行运动学分析，Adams仿真结果表明，机器人在84 mm/s的情况下运行时，机器人重心的变化在9 mm以内，满足设计要求。机器人样机进行了不同地形下运动实验，实验结果与仿真基本一致。仿真实验以及样机运动实验验证了这种新型腿部结构的稳定性与可靠性，说明这种腿部结构在保证稳定性的前提下能够代替同类机器人并降低伺服系统的使用，从而降低了六足机器人的生产成本。

 面向增材制造技术的
     四旋翼无人机底座拓扑优化设计

朱振国1杨海东2王正宗1

1.安徽职业技术学院智能制造学院2. 合肥工业大学机械与汽车学院

摘要：

利用Inspire软件对四旋翼无人机底座进行拓扑优化和轻量化设计。首先根据逆向工程技术得到四旋翼无人机底座的三维模型，然后将三维模型导入到Inspire软件进行有限元分析和拓扑优化。结果显示：无人机底座优化前的质量为66.158 g（材料ABS），通过轻量化设计之后的质量为30.218 g，实现了54.32%的减重，同时，最大米塞斯等效应力为3.213MPa，最大位移为0.190 9 mm，最小安全系数为14，减重后的性能满足要求。最后利用3D打印方法将优化后的底座打印出来，并试验验证了拓扑优化方法的合理性和可行性。

 高楼玻璃幕墙清洁机器人结构设计

侯贤州、庄梓嘉、卢桂芳、黄志维

广东科技学院机电工程学院

摘要：

针对高楼玻璃幕墙人工清洁作业所存在的安全风险高、劳动强度大、作业效率低等问题，设计了一种可替代人工作业的玻璃幕墙机器人。根据实际高楼玻璃幕墙清洁的需求，设计出能实现高楼玻璃幕墙清洁的机器人。运用SolidWorks对清洁机器人结构进行几何建模，运用有限元分析软件对机器人的运动方式进行分析优化，利用3D打印的技术打印出高空玻璃幕墙清洁机器人结构。选择STM32芯片对舵机、真空泵、清洁机构的控制，实现清洁机器人的爬行、吸附、清洁等功能。利用真空泵实现机器人吸附在非水平面上，利用舵机控制机器人的腿部关节移动，利用滚刷实现对幕墙的清洗。基于仿真与实物实验，计算清洁机器人能在高楼玻璃幕墙上行走所需的吸附力参数，并选用相应的真空泵；计算清洁机器人爬行所需的舵机转动角度；在满足清洁需求的情况下，对清洁机构进行优化。设计的清洁机器人具有整体尺寸小、行走灵活、通过性强、应用场合广等特点，为高楼玻璃幕墙清洁作业提供了技术方案。

 多功能小型六轴机械臂的设计与制作

冯婧、莫谋艺、靳瑜、陈思伟、黄志维

广东科技学院机电工程学院

摘要：

针对新型机器人应用场所多样化的需求，以工业机器人为灵感设计了一种小型六轴机械臂，应用于餐厅、医院等场景，在提升人们生活质量的同时降低用人成本以及劳动强度。所设计的机械臂动作灵活性高，工作空间范围大，具有定位精准、制造成本低、体积小的特点。利用SolidWorks对机械臂机座、机身、手臂以及执行末端机构进行三维整体建模，设计出了小型六轴机械臂的主体，通过Arduino实现对机械臂运动轨迹的控制。通过更换机械臂末端执行器的类型实现不同功能的转化，应用于不同场景。针对餐饮服务业设计了菜盘夹紧机构，实现了对不同类型以及尺寸菜盘的夹紧。通过3D打印技术完成机械臂部分结构的制作，实现了设计目的。

 基于3D打印硬磁软材料
的磁控软体机器人开发

黄麟阁1,2张治国1,2,3潘峰3

1.天津科技大学机械工程学院2. 天津市轻工与食品工程机械装备集成设计与在线监控重点实验室3. 新疆农垦科学院机械装备研究所

摘要：

近年来，磁软体机器人因其优异的生物安全性、环境适应性和快速响应能力受到广泛关注，在生物医疗等领域展示出巨大的应用潜力。本文针对磁软体机器人的墨水直写(DIW)3D打印问题，根据需求和材料特性进行材料设计优化，制备了具有稳定可打印性的硬磁软材料墨水。在此基础上，通过流变性实验验证了混合墨水的可打印性，使用DIW完成了对硬磁软体机器人的制造。之后，设计并制造了一种用于货物搬运的多模态磁软体机器人，在外磁场的作用下机器人可以以爬行和滚动两种模式运动，兼具货物搬运和放置的能力。本文所提出的磁软体机器人3D打印方法将为以后磁软体机器人的材料选择和广泛应用提供基础。

 四足机器人腿部结构
     拓扑优化设计及力学性能分析

李伟豪1茅健1郑武2张婷1

1.上海工程技术大学机械与汽车工程学院2. 华融普瑞(北京)科技有限公司

摘要：

基于变密度方法中的SIMP(Solid Isotropic Material with Penalization)模型，提出一种多复合材料3D打印制造的拓扑优化方法对四足机器人腿部结构进行优化设计。采用体积约束下最小应力的优化方式，同时引入复合材料的本构矩阵，使得优化结果更加合理。针对四足机器人常见工况进行静力学分析，并对最大位移下的载荷情况进行拓扑优化设计。为了验证优化后腿部结构的强度，分别制备拓扑增强和轮廓增强腿部结构并进行试验分析。

试验结果表明，拓扑增强结构最大位移比轮廓增强结构在外摆工况下降低了53.57%。拓扑增强结构承载比在0°和30°外摆工况下比轮廓增强结构分别提升了17.98%和24.57%。通过对四足机器人腿部结构优化前后的试验对比可知，经过拓扑优化设计，四足机器人腿部结构力学性能得到提升，优化设计具有可行性。该拓扑优化方法对于提高产品力学性能，具有一定作用。

 高压输电线路机器人防滑挂线轮毂
     的H型3D打印装置的研究

张立军1马哲1王钰文2张晓东3贺庆强1王智伟4王吉岱4马龙5王晓强1李明1

1.中国石油大学(华东)机电工程学院2. 河北北方学院农林科技学院3. 中国石油大学(华东)计算机科学与技术学院4. 山东科技大学机械电子工程学院5. 江苏省送变电有限公司

摘要：

针对目前桌面级3D打印机存在打印速度慢、打印精度低的问题，提出并设计了高压输电线路机器人防滑挂线轮毂的H型结构3D打印机。通过对3D打印机结构建模与运动学分析，建立了其数学模型，推导出其逆运动学方程；提出了H型结构3D打印机的控制算法，运用PID控制调节系统的输入信号和输出信号的误差，获得了3D打印机的稳定工作模式。试验结果表明，提出的H型结构的3D打印机的打印精度高于目前常见Prusa I3型结构，能够实现快速平稳打印，打印速度提高20%左右，末端执行器在80 mm/s速度下仍能平稳工作，且运动轨迹理想，应用前景好。

 基于3D打印介电
弹性体驱动器的柔性机器人

宿森

青岛大学

摘要：

介电弹性体驱动器(DEA)作为柔性材料具有大应变、高效率、高能量密度和快速响应等优点,在近几年被广泛地应用于软体机器人、软夹具和各种人工肌肉等方面。但是目前介电弹性体一般都是旋涂制作,制作过程十分复杂,无法实现大量快速制作。本文研究了一种可以3D打印快速制作的DEA,这种介电弹性体材料可以通过紫外光快速固化,并且具有良好的力学性能和电驱动性能。该材料基于CN 9021(丙烯酸酯)进行改性,通过调整稀释剂和交联剂在油墨中的重量比,获得了可以用3D打印制作的粘度和最佳的力学性能。使用有限元分析DEA在驱动过程中的形变,通过添加增强纤维放大了DEA的单方向形变,制作了可以爬行的柔性机器人,在频率为1 Hz的4 k V电压下爬行速度大约为3 mm/s。使用改性后的油墨进行3D打印测试,分析并改进了打印过程。3D打印制作的DEA可以在2.5 k V的电压下产生7.6 mm的自由端位移。对比旋涂方法与3D打印制作的DEA的驱动性能,两种制作方式制作的DEA表现出了相同的性能,这表明3D打印方式在不降低DEA性能的情况下,简化了DEA的制作过程,提高了制作效率。本研究选用电吸附作为机器人攀爬的附着原理。通过仿真分析对比了不同的电极材料和不同的电极厚度对电吸附力的影响,选择多壁碳纳米管作为电吸附垫的电极材料,电极层厚度在nm级别。使用3D打印制作电吸附垫并测试了在不同材料的基板上产生的法向和切向电吸附力。基于3D打印制作的DEA和电吸附垫制作柔性机器人,测试了在不同电压下机器人的驱动力与伸长量的关系,测试了基板材料、驱动电压大小和驱动电压频率对机器人爬行运动产生的影响,本研究制作的柔性机器人在平面上的最大爬行速度约为5.4 mm/s,在45°倾斜面上的最大爬行速度约为1.8 mm/s。

 仿人机械手臂一体化
     结构设计及其控制系统研究

陈炳阳

北京化工大学

摘要：

伴随着人们日常生活需求的提高与各种机器人相关技术的快速发展,对仿人机器人的研究也逐渐增多。而仿人机械手臂作为仿人机器人重要的组成部分,对其进行设计与研究便具有了很重要的实际意义。

本课题通过对人体手臂的分析,并结合了当今国内外先进的仿人机械手臂的优点,基于解剖学、机器人学、控制系统仿真技术以及机电一体化技术等学科设计了一种仿人机械手臂一体化结构,并基于FOC控制算法对其进行控制。

通过参考人手臂的结构以及运动状况,确定了仿人机械手臂一体化结构的设计方案,并对传动方式与驱动方式进行选择,利用Solidworks软件设计三维模型。对仿人机械臂与机械灵巧手进行运动学分析,利用D-H参数法求解二者的运动学正、逆解,并利用Matlab软件验证运动学正、逆解的正确性,并对二者的工作空间与轨迹规划进行仿真。控制系统方面,基于FOC控制算法,设计了仿人机械手臂一体化结构的控制系统,并用Matlab软件进行仿真,验证控制系统的功能性、稳定性等,并利用试凑法得到合适的参数,使实际运动曲线贴合目标运动曲线。利用3D打印技术搭建仿人机械手臂一体化结构的样机,并搭建其硬件控制系统,利用Visual Studio软件开发上位机,使控制程序的调试与运动控制更加方便与高效。对搭建的样机进行运动试验,试验证明本文设计的仿人机械手臂一体化样机能够实现基本功能需求。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

根据3D科学谷《算法 l 在增材制造（AM）过程中应用机器学习（ML）的算法》一文，传统的实验方法来确定金属增材制造（MAM）部件的机械性能不仅耗时，而且成本高昂，通常还受限于特定材料和工艺。这些限制使得实验方法难以广泛应用。机器学习提供了一种替代方法，它可以分析大量的数据，学习加工参数和材料特性与机械性能之间的关系，从而预测部件的性能。这种方法更加灵活，成本效益更高，并且可以处理更广泛的材料和工艺组合。

近日，卡内基梅隆大学和匹兹堡大学的研究人员在《Additive Manufacturing》期刊上发表了一篇关于金属增材制造（MAM）机械性能预测的研究。本期谷.专栏将对该文的研究背景、最新进展及总结进行分享。

“ 3D Science Valley 白皮书 图文解析

”

▲基准研究中使用的工作流程，包括数据采集、特征提取、机器学习模型的训练、预测任务和模型分析。

▲论文链接：https://doi.org/10.1088/2631-7990/acded2

这项研究对于金属增材制造领域具有重要意义，因为它提供了一种有效的方法来预测构件的机械性能，从而有助于提高生产效率和产品质量，同时降低成本。”

3D科学谷发现

3D Science Valley Discovery

研究亮点：

1. 模型的通用性：开发的机器学习模型不仅适用于特定的材料和工艺，而且具有跨不同材料、工艺和机器的通用性，这意味着模型可以广泛应用于多种MAM场景。
2. 成本效益：与传统的实验方法相比，机器学习模型提供了一种成本效益更高的解决方案，可以减少实验的需要，加快预测过程。
3. 预测性能：研究中测试的ML算法，如随机森林、梯度提升和神经网络，显示出比其他模型更优的性能，这有助于提高预测的准确性。

Insights that make better life

人工智能将重新定义增材制造，解决制约3D打印产业化方面有关产品质量的两个关键挑战：Predictability（质量的可预测性）与Repeatability（质量的可重复性）。人工智能将成为3D打印技术的内核，赋能3D打印技术突破成本与可复制性的束缚，将扫平原型制造与量产之间的鸿沟，开辟指数级别增长之路，也将重新定义增材制造领域的诸多商业模式。

3D科学谷

 低成本的预测手段

这项研究利用机器学习模型，通过广泛的数据集来预测金属增材制造构件的机械性能，如屈服强度、极限抗拉强度、弹性模量、伸长率、硬度和表面粗糙度等。研究中使用了多种机器学习算法，包括随机森林、梯度提升决策树、支持向量机、高斯过程回归、LASSO回归、Ridge回归、神经网络和XGBoost等，以评估它们在预测方面的性能。

研究的亮点在于，机器学习模型在多个机械性能预测实验中达到了85%以上的预测准确率，并且具有较高的可解释性。这为金属增材制造的工艺优化、材料选择和性能评估提供了一种低成本的预测手段，同时也是机器学习在制造领域的重大进展。

研究团队成功开发了能够准确预测MAM过程中机械性能的机器学习模型，研究人员比较了多种机器学习模型，包括随机森林、梯度提升决策树、支持向量机、高斯过程回归、LASSO回归、Ridge回归、神经网络和XGBoost等，以评估它们在预测机械性能方面的能力。这些模型具有跨不同材料、工艺和机器的通用性，并且通过SHAP分析提高了模型的可解释性。

“ 3D Science Valley 白皮书 图文解析

”

与实验和模拟方法相比，ML 机器学习模型提供了更大的灵活性和适应性，可以根据需要轻松调整。因此，实施基于实验数据构建的 ML机器学习

模型可以提供一种更具成本效益的解决方案。此外，使用 ML 机器学习

算法可以检查加工参数对机械性能的集体影响，并有助于在实验数据点之外进行推断。

因此，将 ML 机器学习集成到 MAM 过程中不仅有助于预测各种加工参数的机械性能，而且还有助于确定最佳加工参数以确保所需的机械性能。认识到这些优势，数据驱动分析和机器学习的集成已成为先进制造的标准做法，并在增材制造研究中越来越普遍。然而，由于高度异构且获取成本高昂的数据可用性有限，机器学习算法在 金属增材制造（MAM）中的应用遇到了挑战，当前可用于机器学习的增材制造数据明显小于可用于其他机器学习任务的数据集。

 基于数据

凭借研究人员手中的大量数据集，研究人员在这项名为 MechProNet 的计划中的目标是通过制定一套专门针对增材制造的机器学习方法来预测增材制造部件的机械性能。还评估了与构建过程相关的各种参数如何影响所采用的 ML 模型的预测性能。此外，可解释的 AI 方法，特别是 SHAP 分析，用于阐明 ML 机器学习模型的预测结果，使其可解释。此外，还引入了一种基于数据的模型识别方法，以揭示 MAM金属增材制造工艺中加工参数、材料特性和由此产生的机械特性之间的明确联系。

“ 3D Science Valley 白皮书 图文解析

”

研究人员框架的关键创新在于它适用于各种材料、加工条件和 MAM 工艺。基于物理的特征化确保研究人员的模型可以预测功率、层厚度、MAM 工艺、子工艺、构建方向和后处理方法的任意组合的机械性能。

这种适应性意味着研究人员的框架甚至可以预测数据集中未包含的材料（包括新开发的材料）的属性。这个全面且适应性强的框架代表了该领域的重大进步，因为以前从未开发过这样的通用方法。

▲图：显示了研究人员基准数据集中 Inconel 718 机械性能的 Pearson 相关矩阵。该矩阵是总结综合数据集的强大工具，可显示所有变量之间的相关系数和模式。值得注意的是，屈服强度、极限拉伸强度和弹性模量彼此呈正相关，而与伸长率呈负相关。此外，硬度（维氏硬度和洛氏硬度）与材料强度特性呈强正相关，但与伸长率呈负相关。

研究人员收集了一个全面的实验数据集，涵盖各种 MAM 工艺、材料和机器，特别关注它们对机械性能的影响。3D科学谷了解到，研究人员的基准机器数据集包括由各种 AM 机器（如 EOS、SLM Solutions、Renishaw、Concept Laser、3D Systems、Velo3D 和 AddUp）制造的增材制造部件的机械性能。出了PBF增材制造工艺，研究人员开发的数据集还涵盖了一系列 DED 工艺，包括 Optomec、Markforged、Meltio 和 Desktop Metal 等公司提供的工艺。此外，还包括 Sciaky 提供的 E-DED 工艺，以及电弧-DED 工艺。
“ 3D Science Valley 白皮书 图文解析

”

研究人员探索了几种特征化技术来提高多个 ML 模型的性能，同时还研究了评估指标和超参数优化方法。 在测试的 ML 机器学习算法中，包括随机森林、梯度提升和神经网络，研究人员发现这些模型的表现始终优于其他模型。因此，研究人员成功开发了一种能够预测 MAM 工艺中机械性能的精确基准 ML 模型，该模型可适用于不同的材料、工艺和机器。

总之，研究人员努力通过研究可解释的 AI 方法（特别是 SHAP 分析）来提高可解释性，以阐明 ML 模型对屈服强度等性能的预测。此外，研究人员还设计了一种数据驱动的模型识别方法，以基于数据集处理参数和材料特性建立明确的机械性能模型，旨在比所采用的 ML 模型具有更高的可解释性。

最重要的，通过提供一个标准化的比较和评估平台，研究人员建立的基准 MechProNet 将促进增材制造工艺的优化，并成为金属增材制造机器学习社区的宝贵资源。

来源
Additive Manufacturing l
Machine learning prediction of mechanical properties in metal additive manufacturing

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

近日，作为在3D打印中实施AI 的先行者，Aibuild 推出了该公司软件平台的最新版本 Aibuild 2.0，引入了增强的功能、新的战略合作伙伴关系，旨在加速大幅面增材制造行业的创新。

▲ Aibuild从切片到过程控制
© Aibuild

 单个云平台

Aibuild 代表了一个独特的软件类别——在单个 AI 驱动的云平台内无缝集成从切片和优化到实时控制和监控的整个制造过程。

▲ AI赋能3D打印
© 3D科学谷白皮书

Aibuild 平台深受福特、波音和尼康等世界领先制造商的信赖，可在机器人和龙门系统上为各种工业AM-增材制造技术提供全自动加工路径生成，包括聚合物挤压、金属DED定向能量沉积、WAAM、冷喷涂以及混凝土挤压。

新版本的主要功能包括：

完全自动化：平台上的每个操作都是可跟踪和可重复使用的，允许用户定义一次制造策略，只需单击一下即可生成可打印的加工路径。

AI 副驾驶：Aibuild 的内置 AI 助手可自主推荐和执行操作，使所有经验水平的工程师都可以使用 AM。

无缝集成：该软件与不断扩展的AM硬件和材料网络无缝集成，为整个制造过程提供统一的平台，无需反复试验。

无限灵活性：开放平台架构和可视化编程界面允许无限制地创建高级加工路径。

随处访问：Aibuild 安全的、经 ISO 27001 认证的云基础设施无需安装、升级或文件管理 – 使 AM 增材制造工作流程可从任何设备和位置访问。

除了软件增强功能外，Aibuild 还建立了新的合作伙伴关系，以推动行业创新。其中一个值得注意的合作伙伴是意大利大幅面 3D 打印机制造商 WASP。Aibuild 与 WASP 合作，将新的 Cerebro 硬件无缝集成到其平台上作为数字孪生。Cerebro 在 Aibuild 软件上的实施已成功完成，展示了两个系统的完全兼容性，并为利用 WASP 的所有挤出系统（包括颗粒和陶瓷挤出机）开辟了无限可能性。

 进入现实的未来主义图景

把跨时代的转变看作一个缓慢的过程大有裨益，每个微小的变革都让我们更接近于范式的转变，突然之间，物换星移。我们常常忽略的微小变化在逐渐积累，可以把它想象成正在填满容器的缓慢滴落的水滴，滴滴答答的声音让人想起了时钟，传递出一种时光流逝的感觉。当水突然从容器中溢出来的时候，我们惊醒，闹钟铃声大作。

《趋势2030》

根据3D科学谷《洞悉数据与软件赋能增材制造走向智造的发展》一文，机器视觉和机器学习算法就像3D打印设备的眼睛与大脑，赋能设计者与制造者更敏捷的设计与制造能力，赋予3D打印设备监测和控制打印质量的自进化智能制造属性，降低发生打印错误的风险。

在过去十年中，关于 AM-增材制造加工过程监测的论文和专利数量急剧增加。这是因为AM-增材制造加工过程是一个动态过程，更是个数字化的过程，在构建过程中具有改进的潜力。

▲ AI赋能3D打印
© 3D科学谷白皮书

根据3D科学谷的市场研究，人工智能在每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化。

根据3D科学谷的市场研究，目前所有算法，包括监督、无监督和强化算法都已在 AM-增材制造中使用。无监督和强化算法可以从过程中本地学习并开发模型，并在同一构建中改变参数以减少错误、最小化缺陷或定制微观结构。在这种情况下，本地监控、本地数据处理、结果分析和本地控制反馈是必不可少的。这需要广泛的数据收集、数据的快速分析和处理以及大的存储空间。

这种快速生产的未来主义图景会从根本上改变整个行业，根据3D科学谷的市场判断，曾经耗时数月的复杂零件的制造，质量保证和后处理方法可以缩短为几天。而这一切，随着类似于 Aibuild 这样的平台化解决方案的完善，一切都在发生。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

根据3D科学谷，工业制造经常采用严格的质量标准来确保组件的一致性和性能。由于AM-增材制造流程通常用于制造单个或小批量零件，因此达到与传统制造流程相同的统计质量保证变得昂贵且困难。增材制造的质量控制仍然是阻碍高价值行业进一步采用这类工艺的突出问题。

随着人工智能技术的快速发展，国内外学者们开始尝试采用机器学习、强化学习算法进行DED定向能量沉积增材制造过程中实时信号分析、工艺优化、闭环控制等方面的研究。上海科技大学智造系统工程中心（CASE）的翟梓融课题组提出了一种基于深度强化学习算法的工艺参数与加工路径相匹配的综合优化框架。

▲Fig. https://doi.org/10.1016/j.jmapro.2024.05.001

人工智能软件可以添加到数字设计平台的优势是能够在现有的仿真工具中工作，并减少计算所涉及的每个微分方程的需要。虽然机器学习肯定有利于任何类型的制造工艺，但由于3D打印这项技术的数字化天然属性，人工智能可能与增材制造 (AM) 最具互补性。机器学习可以充分探索增材制造设计与制造空间，识别适用于特定组件的每种物理类型的真正极限。这释放了增材制造的独特能力，可以提供极具加工挑战的复杂几何设计，从而为困难的工程挑战提供最具创意和成本效益的解决方案。更重要的是，某些3D打印-增材制造系统制造商也认识到这种能力对于改进自己设备的价值——节省时间、提高性能并微调3D打印的准确性。

3D科学谷

© 3D科学谷白皮书

 研究背景

由于沉积速度快、工艺灵活性高，定向能量沉积（Directly Energy Deposition，DED）技术，作为增材制造（Additive Manufacturing, AM）大家庭中的重要成员，已经在复杂零件再制造领域广泛应用。其基本制备工艺过程是，将原材料以金属粉末或丝材形式输送至聚焦的激光束、电子束或等离子/电弧能量源下的基板上，熔化后形成小熔池，并按照预先设计的路径逐层连续沉积材料，最后形成零件。

在零件制备过程中，工艺参数与加工路径的匹配是影响零件性能和成型质量的重要因素。随着人工智能技术的快速发展，国内外学者们开始尝试采用机器学习、强化学习算法进行DED过程中实时信号分析、工艺优化、闭环控制等方面的研究。考虑到DED过程中零件反复经历快速加热-冷却循环，局部温差会导致零件收缩变形，需采取工艺参数与加工路径同时调整的策略。

▲图：深度强化学习算法优化增材制造镍基高温合金工艺参数整体流程图。利用深度强化学习智能体的探索能力在高效的仿真环境中进行大量交互，根据奖励函数的设定完成相应策略的学习，将最优策略部署到真实环境中测试与打印。

 内容简介

智造系统工程中心（CASE）的翟梓融课题组提出了一种基于深度强化学习算法的工艺参数与加工路径相匹配的综合优化框架。通过修正Rosenthal方程从而快速求解DED加工过程中每层的温度场，在毫秒级计算出不同扫描策略的单层温度场；并针对20种不同镍基高温合金，利用近端策略优化（Proximal Policy Optimization，PPO）生成降低层间温度场变化的定制化综合控制策略。通过对比IN718合金的打印结果发现，与基于速度控制或功率控制的往返路径相比，综合控制策略助力样品成形精度提高约35%，样品水平和垂直方向的硬度分散性分别降低31.8%和27.1%。此项研究表明深度强化学习算法在定向能量沉积领域的参数优化方面具有应用潜力，能够显著改善产品质量分散性。

▲图：定向能量沉积（Directly Energy Deposition，DED）过程中温度场快速仿真器。Rosenthal方程给出单道激光移动过程中的温度场分布，修正计算道间与层间切换导致的热量损失，利用偏微分求解完成数据的快速采样。

该项成果以 “An intelligent process parameters optimization approach for directed energy deposition of nickel-based alloys using deep reinforcement learning”为题发表在制造领域的国际著名期刊《Journal of Manufacturing Processes》上，上海科技大学是该研究的第一完成单位，CASE的2021级硕士研究生石帅为第一作者，翟梓融为通讯作者。

▲图：定向能量沉积过程中工艺参数控制的深度强化学习框架。DED仿真环境给定当前的奖励值与状态信息，深度强化学习框架选取当前工艺参数动作更新环境，直到累积奖励值最大完成策略学习。

▲图：深度强化学习策略与常规单因子往返策略的对比分析。深度强化学习策略能够有效控制温度在目标区间，控制温度质心相对均衡分布。

▲图：不同打印策略的样品硬度分散性对比。由等高线图对比发现深度强化学习策略样品平均硬度相对较高，硬度分散性显著降低，整体控形能力较强，相对符合打印预期。

 研究亮点

1. 通过修正Rosenthal方程快速求解DED加工过程中每层的温度场，在毫秒级计算出不同扫描策略的单层温度场，为后续深度强化学习算法提供了高效的采样仿真器。

2. 提出了一种基于深度强化学习算法的工艺参数与加工路径相匹配的综合优化框架，利用近端策略优化（Proximal Policy Optimization，PPO）生成降低层间温度场变化的定制化综合控制策略，显著改善产品质量分散性。

3. 通过对比IN718合金的打印结果发现，综合控制策略助力样品成形精度提高约35%，样品水平和垂直方向的硬度分散性分别降低31.8%和27.1%。

论文：https://doi.org/10.1016/j.jmapro.2024.05.001

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

▲ LPBF 制作的样品的等高线图以及不同的激光功率和扫描速度
© Journal of Materials Research and Technology

3D打印-增材制造可以在不同材料分布的帮助下根据负载和其他要求调整局部密度。此外，借助定制的数字材料，可以优化组件的重量、成本和生产时间。增材制造 (AM) 作为一项突破性的生产技术，由于其几何自由度和免模具生产，成为可以高效生产数字材料的工艺。

3D科学谷

 不需要大量试错

尽管增材制造在促进新颖设计和制造方法方面具有变革潜力，但其过程控制仍然非常具有挑战性，因此这种创新制造技术的全面突破尚未实现。根本原因是需要正确选择大量的加工参数，才能成功制造具有所需微观结构和性能的致密部件。确定最终的最佳加工参数并非易事，到目前为止，尽管有实验设计和统计分析的支持，但主要基于反复试验。通过数据驱动的机器学习 (ML) 方法提供了一种不需要大量试错的方法 ，机器学习可以充分发挥金属增材制造技术的潜力。

© 3D科学谷白皮书

3D科学谷了解到增材制造工艺的复杂性以及工艺和材料参数的众多，通常阻碍了分析或第一原理建模方法的使用。在这种情况下，统计和机器学习方法对于破译复杂模式、预测结果和指导增材制造的最佳决策过程变得非常有价值。因此，将机器学习集成到增材制造中不仅可以提高生产效率和零件质量，而且还显示出开拓先前未知设计领域的潜力。因此，这推动了增材制造领域的进一步创新。

到目前为止，增材制造的机器学习方法主要应用于两个不同的方向：原位监测以及识别或优化 处理参数。在后一种情况下，目标是确定一组加工参数，根据组件或材料所需的特性，这些参数将导致其成功制造。当需要优化两个或多个竞争属性时，情况会变得更加复杂。这一挑战被认为是多目标优化。与单目标优化不同，单目标优化的目标是找到一组参数来优化特定的输出，多目标优化涉及平衡几个所需的参数之间的权衡。结果。这本质上使优化任务变得更加复杂，因为可能改善一种结果的更改可能会同时降低另一种结果。此外，多目标优化问题的解不是单个最优点，而是一组所谓的帕累托最优解。

 可扩展

在这项研究中，研究人员提出了一种 LPBF 激光选区金属熔融增材制造的多目标优化方法，特别针对确定制造所需微结构的最佳加工条件。研究人员通过选择Zr基玻璃形成合金作为研究对象，关注其在LPBF过程中的密度和非晶度。使用高斯过程回归（GPR）和非支配排序遗传算法II（NSGA-II）进行双目标优化。

研究人员的实验表明，加工参数对密度和非晶度产生相反的影响，证明了研究人员基于机器学习的方法的有效性。研究人员采用高斯过程回归的多目标优化来建模和预测 LPBF（一种广泛使用的金属增材制造技术）制造的零件的目标属性及其不确定性。以密度和非晶度作为目标参数，研究人员使用非支配排序遗传算法 II 促进的帕累托前沿优化模型。尽管非晶度数据存在偏差，研究人员还是证明了这种方法可以识别工艺参数的高性能区域，并且能够通过额外的实验数据迭代增强其能力。这种双目标优化方法为 LPBF 处理提供了强大的工具集。它可以轻松扩展到更大的目标属性集并转移到进一步的增材制造技术。

© 3D科学谷白皮书

尽管实验数据集存在不确定性，尤其是非晶性的情况，但研究人员的方法显示了迭代改进和逐步细化模型以获得最佳处理参数的潜力。后者是通过执行额外的实验、用新数据点丰富数据集并相应地更新模型来实现的。尽管目前的数据集提出了某些挑战，但研究人员基于机器学习的方法的适应性为实现最佳的增材制造结果提供了一条稳健的途径。

▲图 1. 用于识别最佳 LPBF 处理参数的基于 ML 的方法的示意图

NSGA-II 算法是解决各种多目标优化问题的最稳健和最有效的算法之一。它是一种进化优化算法，旨在找到描述帕累托前沿的多种非支配解。

研究人员还相信这种机器学习框架的应用领域可以扩展到热电、磁性或其他功能材料。通过这种方式，构建的机器学习框架利用了工艺参数-结构-性能关系，允许通过设计制造材料。最后，研究人员想强调所提出的基于机器学习的方法的可移植性。这项工作中提出的稳健框架不仅可以扩展到 LPBF 加工的其他合金和目标性能，还可以扩展到进一步的增材制造技术。更准确地说，研究人员的双目标机器学习框架不仅限于 LPBF，还可以扩展到其他基于粉末床或定向能量沉积 (DED) 的 AM 增材制造技术，例如涉及粉末或线材作为原料的激光 DED 定向能量沉积增材制造或线弧DED定向能量沉积增材制造 。这些增材制造技术由于其数字化处理控制，可以通过机器学习进行优化。

这项研究强调了机器学习在优化增材制造过程中的关键作用，特别是在处理需要同时考虑多个属性的复杂优化问题时。通过结合GPR和NSGA-II，研究者能够更有效地探索参数空间，找到最佳的加工条件，从而提高零件的性能和质量。此外，研究人员还提出了机器学习框架在未来可能的发展方向，包括扩展到其他材料和增材制造技术。

 NSGA-II遗传算法

NSGA-II（非支配排序遗传算法II）
NSGA-II（非支配排序遗传算法II）是一种用于解决多目标优化问题的遗传算法。它最初由Kalyanmoy Deb等人在1999年开发，旨在改进早期的NSGA（非支配排序遗传算法）算法。NSGA-II在处理多目标问题时，特别强调了算法的收敛性和多样性。

在材料开发领域，NSGA-II可以用于优化材料的设计参数，以满足多个性能指标。例如，可以利用NSGA-II来寻找具有最佳强度、韧性和成本效益的合金配方，或者用于确定具有特定电导率、热导率和机械性能的复合材料的最佳制造过程。

NSGA-II算法的主要特点包括：

非支配排序：算法首先将种群中的个体根据非支配关系进行排序。非支配关系意味着一个解在所有目标上都不比另一个解差。

拥挤距离：为了维持种群多样性，NSGA-II引入了拥挤距离的概念。拥挤距离是一个度量，用于衡量一个解周围有多少空间可以用于生成新的解，从而避免解的聚集。

精英策略：在生成下一代种群时，NSGA-II使用精英策略，即在父代和子代中选择最好的个体进入下一代。

快速非支配排序：NSGA-II改进了非支配排序的算法，使其更加高效。

二进制编码：该算法通常使用二进制编码来表示解，并通过交叉和变异操作来生成新的解。

在材料开发中应用NSGA-II时，通常需要：

定义多个目标函数，这些函数代表了材料的不同性能指标。

确定设计变量的范围，这些变量是材料设计中可以调整的参数。

设定算法的参数，如种群大小、交叉率、变异率等。

运行算法，直到达到预定的迭代次数或解的质量不再显著提高。

通过使用NSGA-II，研究人员可以获得一组在多个性能指标上表现良好的材料设计方案，从而为实验和进一步研究提供指导。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

3D打印发展到通过技术创新和智能系统来提高金属增材制造部件质量的节点，以满足工业界对可靠性和安全性的高要求，机器学习扮演了关键的作用，机器学习可以辅助增材制造中的闭环控制，通过智能决策和预测能力来优化工艺参数，实现更高质量的制造。

人工智能将重新定义增材制造，解决制约3D打印产业化方面有关产品质量的两个关键挑战：Predictability（质量的可预测性）与Repeatability（质量的可重复性）。人工智能将成为3D打印技术的内核，赋能3D打印技术突破成本与可复制性的束缚，将扫平原型制造与量产之间的鸿沟，开辟指数级别增长之路，也将重新定义增材制造领域的诸多商业模式。

3D科学谷创始人王晓燕

▲ 当前用于增材制造的机器学习类型
© 3D科学谷白皮书

 提高质量和工艺可靠性

在金属增材制造（AM）中，确实存在着传统闭环控制（CLC）策略在处理高度动态和随机的增材制造过程中的局限性。机器学习（ML）技术提供了一种新的方法，能够通过数据驱动的模型来优化工艺参数、预测和诊断缺陷，从而提高制造过程的质量和可靠性。

传统闭环控制的局限性：传统CLC策略通常基于确定性的规则，可能不足以应对增材制造过程中的复杂性和不确定性。这是因为增材制造过程中材料的微观结构和零件几何形状是逐步形成的，且受到多种因素的影响，包括材料特性、工艺参数、环境条件等。

离线和在线机器学习模型的应用：离线模型主要用于在构建开始之前通过历史数据来优化工艺参数，而在线模型则利用实时传感数据来检测和诊断制造过程中的缺陷。这种实时反馈机制对于提高制造过程的适应性和鲁棒性至关重要。

机器学习模型的预测功能：具备预测功能的机器学习模型能够为现场过程控制提供基于上下文的建议，这对于实现自适应控制和实时决策至关重要。这些模型通常需要结合物理信息和数据驱动的方法，以提高预测的准确性和可靠性。

强化学习和逆向机器学习模型：研究人员倾向于使用强化学习或逆向机器学习模型来做出快速、情境感知的控制决策。这些方法能够根据实时数据和历史经验来优化控制策略，从而实现对缺陷的有效管理。

缺陷的自主量化和管理：目前，机器学习辅助的原位控制策略主要针对那些可以相对容易地自主量化的缺陷。缺陷管理通常涉及避免、纠正和修复三种策略，而机器学习模型在纠正缺陷方面显示出了较大的潜力。

技术整合与自适应控制：为了实现工业环境中的自主现场控制，必须无缝整合包括传感器技术、数据采集、机器学习模型、实时处理和执行机构等多种技术。此外，自适应控制的相关主题，如模型泛化、实时性、可解释性和鲁棒性，也是实现自主控制的关键因素。

 提高质量和工艺可靠性

机器学习技术在增材制造领域具有巨大的潜力，尤其是在提高过程控制的适应性、灵活性和可扩展性方面。然而，要实现这一目标，还需要在算法开发、数据集成、模型解释性、实时处理和系统集成等方面进行更多的研究和开发。

来自澳大利亚国立大学计算机学院，劳伦斯利弗莫尔国家实验室，田纳西大学，GE，弗劳恩霍夫增材制造技术研究所 IAPT的科研人员提出了三种在增材制造（AM）过程中应用机器学习（ML）的算法，具体包括：

优化工艺参数（ML1）：这类算法通过机器学习技术来确定最佳的工艺参数，以避免在生产过程中出现缺陷和异常。这些参数定义了最佳的加工路线。通常，这些算法在构建开始之前会离线进行，最近的研究工作表明，使用强化学习（RL）算法可以在生产过程中进行原位优化。

缺陷和异常检测（ML2）：这些算法用于持续评估生产过程的性能，检测过程中的缺陷、异常和错误。它们通过与性能要求的比较，从感官数据构建过程，以在线运行的方式提供即时警告。这些算法依赖于对现场传感器信号的快速分析。

预测和控制（ML3）：基于机器学习的预测算法允许在构建过程中部署预测性过程控制。这些控制措施旨在确保增材制造过程保持在规定的性能要求范围内，以避免、减轻或修复缺陷或异常，或最大限度地减少过程偏差。这些算法同样需要在线工作。

▲ 人工智能+3D打印
© 3D科学谷白皮书

这些算法的应用有助于提高增材制造过程的质量和效率，通过预测、检测和优化工艺参数来减少生产中的不确定性和潜在的缺陷。强化学习在原位优化中的应用表明，机器学习技术不仅限于静态的参数优化，还可以动态地用于改进生产过程。

 重塑竞争壁垒

全球范围内，增材制造正处在人工智能为其插上腾飞翅膀的前夕。根据德国ACAM亚琛增材制造中心，3D打印企业在全世界范围普遍来说并没有实现很好的盈利，一个关键点是从应用的产业化角度来看，可以实现盈利的制造模式应该是具有经济效益的数字驱动的端到端的制造工艺链为核心，而当前3D打印陷入在一个两难的境地，往往是当规模扩大的时候，随之而来的生产成本以级数级别的增加，这反过来使得要实现盈利成为非常具有挑战的事情。增材制造将朝着软件和数据驱动的自进化智造技术方向发展，人工智能的应用将使得硬件拥有更“聪明的大脑“，更”灵敏的神经“以及”更准确的双手“，让加工变得更高效。

如何实现更好的盈利？根据《AI未来进行式》，只有当业界预见到一些高价值的应用能够落地时，那些与之相关的耗资巨大的技术才会有机会不断发展、走向成熟。如果一种技术能解决某种特别关键的需求，一些公司往往愿意为该技术在发展初期的巨额投入甚至亏损买单，以换取后期依靠这种技术进行扩张、获取更高利润的可能性。可以遇见，在人工智能成为智能制造的智能中枢的历史节点，科研机构在推动3D打印成为软件和数据驱动的自进化智造技术方面将获得不断的长足进步，而未来则属于那些看得到趋势所在，并将趋势融入进自身发展中的企业。

3D科学谷创始人王晓燕认为，人工智能将迅速推翻此前依靠试错累积的经验所搭建的竞争壁垒，并将依赖经验的人工成本对冲为企业发展劣势，聪明的企业将适当的布局和调整发展战略，以适应人工智能重新塑造增材制造领域的增长逻辑。

参考资料：《Machine learning-assisted in-situ adaptive strategies for the control of defects and anomalies in metal additive manufacturing》

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

▲ 机器学习与热成像结合监测3D打印过程
© 卡耐基梅隆

▲ 当前用于增材制造流程优化任务的机器学习类型
© 3D科学谷白皮书

 理解扫描策略的影响

卡耐基梅隆大学的研究人员提出了一种基于机器学习的方法，用于使用红外模式实时检测金属增材制造中的热量积累区域。对识别和跟踪的扫描区域进行了表征，并研究了扫描策略对热量积累的影响。
此外，通过使用 X 射线计算机断层扫描证明了局部热量积累对孔隙形成的影响。该方法的有效性通过在 SS316L 合金打印零件上的实施得到验证，该零件旨在包含多种几何特征。

研究结果：

• 算法能够检测到90%以上的热量积累点。
• 发现扫描策略（如条纹角度和扫描矢量长度）对热均匀性、热量积累和孔隙形成有显著影响。
• 条纹角度与扫描区域面积呈正相关，影响蓄热区的平均温度。
• 在薄壁和几何特征周围，小条纹角度和短扫描矢量会导致更高的激光扫描温度。

重要发现：

• 最佳的条纹角度和扫描矢量长度可以增强热均匀性并减少热点。
• 局部热积累点通常集中在边缘和局部特征周围，这可能导致孔隙形成，增加疲劳失效的风险。

未来研究方向：

• 需要进一步研究以全面理解热量积累对微观结构的影响。
• 需要确定可能产生有害影响的热量积累程度。

技术挑战：

• 检测薄壁和小特征中的局部热量积累仍然是一个挑战，可以通过使用具有更高帧速率的先进成像系统来解决。

结论：

• 条纹角度是扫描策略优化过程中需要考虑的重要因素，因为它对热量积累有显著影响。

这些结果共同提供了关于扫描策略对热均匀性、热量积累和孔隙形成的显着影响的重要见解。已观察到条纹角度与扫描区域面积之间呈正相关。因此，蓄热区的平均温度升高。此外，在薄壁和几何特征周围的小条纹角度和短扫描矢量下，激光扫描的温度要高得多。事实证明，考虑到3D打印部件的几何特征，最佳条纹角度和扫描矢量长度可以显着增强热均匀性并消除热点。最后，局部热积累点集中在边缘和局部特征周围。在边缘处观察到孔隙图案，这些孔隙图案很可能由于严重的热量积累而形成在小角度扫描条纹的角部处。边缘的图案化孔会使3D打印部件更容易出现疲劳失效。因此，条纹角度对热量积累的影响是扫描策略优化过程中需要考虑的重要因素。

 可预测的加工过程

© 3D科学谷白皮书

这项工作将金属3D打印过程变得可预测、可控制具有重要的价值，3D科学谷将卡耐基梅隆大学的研究人员的发现概括如下：
机器学习与红外成像的结合：机器学习算法可以与红外成像技术相结合，以实时检测金属增材制造过程中的局部热量积累。这种方法可以通过分析红外图像来预测热点区域，从而为工艺优化提供数据支持。

热量积累的位置：热量容易在内部特征周围和薄壁处积聚，这些区域的热集中可能会导致不均匀的凝固条件和微观结构。

扫描策略的优化：通过优化扫描策略，如调整条纹角度和扫描矢量长度，可以减轻局部热点的问题，从而提高热均匀性。

设计特征的考虑：在执行激光扫描策略时，考虑零件的设计特征可以显著提高热均匀性，减少热量积累。

局部热量积累与缺陷的关系：局部热量积累与零件边缘孔隙的形成有关，通过实时监测和调节温度，可以减少这类缺陷的产生。

原位监测的重要性：原位监测对于确保金属增材制造过程的质量和可靠性至关重要。它可以帮助实现缺陷监控、自动反馈控制、过程参数映射和减少材料浪费。

计算框架的开发：卡耐基梅隆大学的研究人员开发了采用机器学习的计算框架，以实时识别局部热量积累的区域。这种方法的有效性已在具有各种几何特征的构建上得到了验证。

通过上述方法，可以更好地理解和控制金属增材制造过程中的热量积累问题，从而提高零件的质量和生产的可靠性。这些技术的进一步发展和优化有望推动金属增材制造技术在更多行业中的应用。

 红外成像

© 3D科学谷白皮书

红外热成像技术是一种非常有用的工具，能够通过检测和分析物体表面的热辐射来监测和预测各种物理过程。这项技术被用于多种应用，包括：
监测构建过程中的温度分布：红外成像技术可以用来监测物体在构建过程中的温度变化，这对于理解和控制制造过程中的热行为至关重要。

缺陷和异常检测：通过红外成像可以检测出过热、孔隙率、裂纹等缺陷，这对于保证产品质量和安全至关重要。

机械和微观结构特性的预测：红外成像数据可以用来预测材料的微观结构演变，如晶粒结构的变化和发展。

过程的自动控制：红外数据可以作为自动反馈控制系统的输入，用于监测和控制零件的温度均匀性，从而提高制造过程的效率和质量。

材料特性研究：热成像技术还可以作为研究材料特性（如反射率和导热率）的辅助工具。

热模型验证：红外成像技术可以用于验证热模型的准确性。

卡耐基梅隆大学的研究人员还提到了一些挑战和解决策略，例如：

校准的复杂性：红外热像仪的校准是一个复杂的过程，其准确性受到多种因素的影响。

局部热量积累的识别：由于热历史和多种参数的影响，识别局部热量积累是一个复杂的任务。

大型3D打印过程监控限制：对于大型零件的3D打印，现场监控可能会受到数据采集、空间分辨率和帧速率的限制。

为了克服这些挑战，卡耐基梅隆大学的研究人员提出了一种自动化方法来实时跟踪和识别局部热量积累事件，并将这些事件映射到3D打印零件的CAD几何结构中。这种方法可以分析激光扫描区域的局部热量积累以及激光刀具路径的影响，并通过X射线计算机显微断层扫描来评估其对孔隙缺陷的影响。

▲ 热量聚集对孔隙产生的影响
© 卡耐基梅隆

考虑到捕获帧速率和视场尺寸之间的权衡，利用红外成像的另外一个挑战是检测薄壁和小特征中的局部热量积累。通过使用具有更高帧速率的先进成像系统可以缓解这一挑战。尽管这项研究揭示了条纹角度和扫描矢量长度对局部热量积累高度的影响，但仍需要进一步的研究来全面研究这一重要课题。未来的工作可能会探讨热量积累对微观结构的影响以及可能产生有害影响的热量积累程度。

总的来说，红外热成像技术在工业和科学研究中的应用非常广泛，它为监测和控制复杂的物理过程提供了一种强大的工具。通过不断的技术创新和改进，这项技术有望在未来发挥更大的作用。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文