人工智（zhì）能對（duì）增材製造的重（chóng）要（yào）性

對於許多公司（sī）來說，數字化和自動化是進一步發展增材（cái）製造的關鍵。因此，越來越多的（de）製造商正在依賴（lài）基於雲的解決（jué）方案，並將各種算法整合到他（tā）們的（de）3D打印（yìn）解決方案（àn）中，以充分挖掘該技術的潛力。

作為一個數字（zì）過程（chéng）本身，3D打印是工業4.0的（de）一部分，因此（cǐ）人工智能（如機器學習）越來越多地被用於優化價值（zhí）鏈（liàn）的（de）時代的（de）重要組成部分。人工智能（AI）能夠在（zài）很（hěn）短的時間內處理大（dà）量的（de）複（fù）雜數據，這就是為什麽它作為一個決策者（zhě）變得越來越（yuè）重（chóng）要。本文解（jiě）釋了什麽是機器（qì）學習，以及為什麽這種（zhǒng）形式的（de）人工智能正在幫（bāng）助塑造增材製造的未來。
機器（qì）學（xué）習是（shì）人工智能的一個（gè）子類別，被定義為一種（zhǒng）係統或軟件，它使用算法來檢查數據，隨後識別模（mó）式或確定解決（jué）方案。與人們普遍（biàn）認為機器學習是一種新奇的現象相反（fǎn），可以說它的雛形可以（yǐ）追溯（sù）到20世紀40年代，當時（shí）第一批研究人員開始（shǐ）用電路重新創建大腦的神經元。1957年，Mark I Perceptron是該領域的（de）第一個重大成功：該（gāi）機器能夠對輸入數據進行獨立分類。在這樣做的過程中，該設備從以前的嚐試（shì）中的錯誤中學（xué）習，從而隨著時（shí）間的推移改進了分類。從那時起，基礎（chǔ）已（yǐ）經奠定（dìng），研究人員開始對該技術的可能性和潛力著迷。與此同時，我們每天都會在生活的各個領域遇到人（rén）工智（zhì）能。從語音識別到智能聊天機器人，再到個性化的治療方案，機器學習正在被用於各種應用（yòng）中。

有監督與無監督的機器學習
在機（jī）器學習的（de）範圍內，區分不同的方法和模型是很重要的。不是所有的機器學習都是一（yī）樣的。例如，必須對有監督和（hé）無監督的機器學習進行區分。有監督的（de）機器學習要求（qiú）有分類數據（輸入（rù）數據）和目（mù）標變量（輸出數據）。從這些中得出模型，然後檢查新的未（wèi）分類（lèi）的（de）數據，並確定這些本身的目標變量。這種形式的機器學習被用於（yú）預（yù）測，例如：預測維修間（jiān）隔時間。

在無（wú）監督（dū）機器學習中，作為一個起點，情（qíng）況正好相反。軟件沒有目標變量（輸出數據），但必須根據輸入數據來識別模式或建議解決方（fāng）案。這種（zhǒng）類型的機器學（xué）習，除其他外，在市場營銷中（zhōng）被（bèi）用來識別客戶（hù）群，即（jí）所謂的 "聚類"。但也有其他（tā）區別。例如，還有半監督學習，即在大量的原始數據中隻使用少量（liàng）的預定義數據來（lái）訓練模（mó）型，以及強化學習，即係統根據預定（dìng）義規則進行自我學習。因此，用戶必須根據原始數據和（hé）目標變量來選擇合適的方法。

機器學習如何應用於增材製造（zào）？
作為一個數字化的生產（chǎn）過程，增材製造得益於（yú）機器學習的能力。由於在增材製造（zào）價值鏈上收集和（hé）處理了無數的實時數據，它們可以被（bèi）用來分析實際狀態，並隨後重新定（dìng）義目標狀態（tài）。在（zài）這樣做時，公司首先要確定哪些數據是（shì）相關的。這一決（jué）定在每個案例中都（dōu）取決於所使用的過程。下一（yī）步是在定義數據收集和處理的合適模型（xíng）或算法之前，找到並整合合適（shì）的測量工具來（lái）捕捉數值。在這種情況（kuàng）下，了解增材價值（zhí）鏈上的所有步驟相互影響也很重要，這就是為什麽在大多數情況下，孤立的觀點是不合適的。例如，設計已經影響到後續的部件質量，而所需（xū）的部件質量（liàng）又影響到設計。出於這個原因，越來越多的公司正試圖提供一個全麵的軟件解決方案，通過該方案，人工智能的優勢可以在增材製造（zào）過程中得（dé）到（dào）最佳利用。

智能設計
每個3D打印部件的開始是一個文件，在大多數情況下是一個CAD文件。這已經是公司可以從人工智能中受益的地方。例如，今天市場上的大多數軟（ruǎn）件解決方（fāng）案（àn）已經使用人工智能，根（gēn）據預定的變（biàn）量向用戶建議智能設計變體。這個過（guò）程被（bèi）稱為生成式（shì）設計，以及其他方麵。機器學習也被用於拓撲結構優化。許多軟件解決方案還對生產（chǎn）方法、材料和安（ān）裝空間的最佳使用提出建議。這可以（yǐ）節省成本，不僅（jǐn）更有效地生產零件，而且更（gèng）可持續。
△nTop軟件的模擬工具提出了晶格結構的幾種變體，並根據重量和機械性能對其進行排序

質量保證
如果（guǒ）3D打印文件已經被優化，那麽重點可能轉而放在所使用的3D打印（yìn）工藝、材料質量和部件質量上。今天，許多製造商已經在他們（men）的機器上集（jí）成了攝像頭和傳感器，它們可以跟蹤打印，並在必要時發出警（jǐng）報（bào）或停止打印。在這個步驟中，重要的是要知道在打印過程中（zhōng）如何定義部件的質量，以（yǐ）便能夠定義所（suǒ）需的測量（liàng）值。同樣（yàng）重要的是，要定義機器在哪個閾（yù）值時應該執（zhí）行（háng）哪個動作。今天，一（yī）些（xiē）算法已經能夠（gòu）獨立定義這些參數，並在已（yǐ）經（jīng）收集的數據（jù）基礎上進一步發展模型。用一（yī）個實際的（de）例子可（kě）以最好地解釋這一點。

EOS與瑞士軟件供應商NNAISENSE合作，為DMLS工藝開發了一個數字孿生技術。在打印過程中，使用光學斷層掃描（OT）從每個打印層采集熱圖像，並與AI預測的圖像（xiàng）進行比較。這使得（dé）異常情況可（kě）以被立即發現，並在必（bì）要時停止打印過程，從而節省材料和成本。NNAISENSE開發的模型是一種自我（wǒ）監督（dū）的深度學習策略。西門子強調，使用人工智能和機器學習的增（zēng）材製造（AM）質量保（bǎo）證可以縮短從原型到成品部件的時間，並加快大批量生產的（de）效率。該（gāi）公司（sī）對（duì）EOS集成的用於監控各個打（dǎ）印（yìn）層（céng）的攝像頭表示讚賞，因為它可以實時識別待打印部件上的缺失（shī）粉末（左）或重塗期間（jiān）的粉末掉落（右）。

每個塗層的質量被記錄為一個數值，並（bìng）自動進行評估。當這個（gè）所謂的嚴重性分數達到一定的閾值時，它可以表明（míng）塗層存在嚴重問（wèn）題（如上麵的（de）例子）。該公司表示，這簡化了光學檢查，因為隻有關鍵層需要（yào）由專家來評（píng）估。

進一步的應用
Post Process公司的後處理軟件——AUTOMAT3D，可以實時監測關鍵的工藝（yì）因素，並自主地做出反應，以實現（xiàn）3D打印部件的最佳完成度。為了（le）做到這一點，該公司使用來自數十萬個基準零件（jiàn）的數據。此外，人工智能正被越（yuè）來越多地用於自動化和優（yōu）化工作流程。在關鍵部件中安裝了智能傳感器，它是智能和預防性維（wéi）護，或"預測性維護"的測量工具。可以預見的是，在未來幾年，機（jī）器學習在製造商生產過程中（zhōng）的（de）應用將繼續增加。預計到2028年，全球人工智能和高級機器學習的市場將達到4713.9億美元，增長率（CAGR）為35.2%。