人工智能對增材製造的重要性

對（duì）於許多公司（sī）來說，數字化和自動化是進一步發展（zhǎn）增（zēng）材製造（zào）的關鍵。因此，越來越多的製造商正（zhèng）在（zài）依賴基於雲的解決方案，並將（jiāng）各種算法整合到他（tā）們的3D打（dǎ）印解決方案中，以充分挖掘該技術的潛（qián）力。

作為一個數字過程（chéng）本身，3D打印是工業4.0的一部分，因此人工智能（néng）（如機器學習）越（yuè）來越多地被用於優化價值鏈的時代的重要組成部分。人（rén）工智能（AI）能夠在很短的時間（jiān）內處理（lǐ）大量的複雜數據，這就是為（wéi）什麽（me）它作為一個決策者變得越來越（yuè）重要。本文解釋了什麽是機器學習，以及為什麽這種形式的人工智能正在幫助塑造增材製造的（de）未來。
機器學習是人工智能的一個（gè）子（zǐ）類（lèi）別，被定義為一種係統或軟件，它使用算法來檢查數據，隨後識（shí）別模式或確定解決方案。與人們普遍認為機器學習是一種新奇的現象相反，可（kě）以說它的雛形可以追（zhuī）溯到20世紀40年代，當時第一（yī）批研究（jiū）人員開始用電路重新創建大腦的神經元。1957年，Mark I Perceptron是（shì）該領域（yù）的第一個重大成功：該（gāi）機器能（néng）夠對輸入數據（jù）進行獨立分類。在這樣做的過程中，該設備從以前的（de）嚐試中的（de）錯誤中學習，從而隨著時間的（de）推移改進了分（fèn）類（lèi）。從那時起，基礎已經奠定，研（yán）究人員開始對該技術的可能性和（hé）潛力（lì）著迷。與此同（tóng）時，我們每天都會（huì）在生活的各個領域遇到（dào）人（rén）工智能（néng）。從語音識別（bié）到智能聊天機器人（rén），再到個性化的治療方案，機器學習正在被用於各（gè）種應用中。

有監督與無監督的機器學習
在機器學習的範圍內，區分不同的方法和（hé）模型（xíng）是很重要的。不是所有（yǒu）的機器學習都是一樣的。例如（rú），必須對有（yǒu）監督和無監（jiān）督的機器學習進行區分。有監督的機器學（xué）習要求有分（fèn）類數據（jù）（輸入數據）和目標變量（輸出數據）。從這些中得出模型，然後檢查新的未分類的數據，並確定這些本身的目（mù）標變量。這種形（xíng）式的機器學習被用於預測，例如：預測維修間隔時間。

在無監督機器學習中，作為一個起點，情況正好（hǎo）相反。軟（ruǎn）件沒有目標變（biàn）量（輸出數（shù）據），但必須根據輸入數據來識（shí）別模式或建議解決方案。這種類型的機器（qì）學習，除其他外，在市場營銷中被用來識（shí）別客（kè）戶群，即所謂的 "聚類"。但也有（yǒu）其他區別。例如，還有半監督學習，即在大量的原始數據中隻使用少量的預定義數據來訓練模型，以及強化學習，即係統根據預定義規則進行（háng）自我學習。因此，用戶必須（xū）根據原始數據和目（mù）標變量來選擇合適的方法。

機器（qì）學習如何應用於增材製造？
作為（wéi）一個（gè）數字（zì）化的生產（chǎn）過程，增材製造得益於機器學習的能（néng）力。由於在增材製造價值鏈上收集和處理了無數的實時數據，它們可以被用來（lái）分析實際（jì）狀態（tài），並隨後重新定義目標狀態。在這樣做時，公司首先要確定哪些數據是相關的（de）。這一決定（dìng）在每個案例中都取決於所使用的過程。下一步是在定義數（shù）據收集和處理的合適模（mó）型或算法之前，找到並（bìng）整合合適的測量工具來捕捉數值。在這種情況下，了解增材價值鏈上的（de）所有步驟（zhòu）相互影響（xiǎng）也很重要，這就是為什麽（me）在大多數情（qíng）況下，孤立的觀點是（shì）不（bú）合適的。例如（rú），設計已經影響到（dào）後續（xù）的部件質量，而所需的部件質量又影響到（dào）設計。出於（yú）這個原因，越來越多的（de）公司正試圖提供一個全（quán）麵的軟件解決方案，通（tōng）過該方案，人工（gōng）智能的優勢可（kě）以在增材製造過程中（zhōng）得到最佳利用。

智能（néng）設計
每個3D打（dǎ）印部件的開始是（shì）一個文件，在大多數（shù）情況下是一（yī）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件解決方案已經使用人工智能，根（gēn）據預定（dìng）的變量向用戶（hù）建議智能設計（jì）變體。這個過程（chéng）被稱為生成式設計，以及其他方麵。機器學習也被用於拓撲結構優化。許多（duō）軟件解（jiě）決方案（àn）還對（duì）生產方法、材料和（hé）安裝空間的最佳使用提出（chū）建議。這可以節省成本，不僅更（gèng）有效地生產零件，而且更可持續（xù）。
△nTop軟件的模擬工具提出了晶格（gé）結構的幾種變體，並根據（jù）重量（liàng）和機（jī）械性能對其進行排序

質（zhì）量保（bǎo）證
如果3D打（dǎ）印文件已經被優化，那麽重點可能（néng）轉而放在（zài）所使用的3D打印工藝、材料質量和部件（jiàn）質量上（shàng）。今天，許多製造商已經在他們的機器上集成（chéng）了攝像頭和傳感器，它們可以跟蹤打印，並在必（bì）要時發出警報或停止打印（yìn）。在這個步驟中，重（chóng）要的是要知道在打（dǎ）印過程中如（rú）何定義部件的質量，以便能夠定義（yì）所需的測（cè）量值。同樣重要的是，要定（dìng）義機器在哪個閾值時應該（gāi）執行哪個動作。今天，一些算（suàn）法已（yǐ）經能夠獨立定義這些參數，並在已（yǐ）經收集（jí）的數據基礎上進一（yī）步（bù）發展模型。用（yòng）一個（gè）實際的（de）例子可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（yì）開發了一個數字孿生（shēng）技術。在打印過程中（zhōng），使用（yòng）光學斷（duàn）層掃描（OT）從每個打印（yìn）層采集熱圖像，並與AI預測的圖像進行比較。這使得異常情況（kuàng）可（kě）以被立即發（fā）現，並在必要時停止打印過程，從而節省材料和成本。NNAISENSE開發的模型是一種自我監督的（de）深度學習策略（luè）。西門子強調，使用人工智能和機器學習的增材製造（AM）質量保證可以縮短（duǎn）從原型到成品部件的時間，並加快大批量生產的效率。該公司（sī）對EOS集成的用於監控各個打印層的攝像頭表示讚賞，因為它可以實時識別待打印（yìn）部件上的缺失粉末（左）或重塗期（qī）間的（de）粉末（mò）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（dāng）這個所謂的嚴重性分（fèn）數達到一（yī）定的閾值時，它可（kě）以表明塗（tú）層存在嚴重問題（如上（shàng）麵的例子（zǐ））。該公司表示，這簡化了（le）光（guāng）學檢查，因為隻有關鍵層（céng）需要（yào）由專家來評估。

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