前沿研究丨基于神经网络的机器学习方法在增材制造全链条中的应用

得益于规模庞大的数据集、计算能力的提高和计算模型的优化改善，神经网络算法已成为机器学习算法中使用最广泛的模型。当前一个明显的趋势是，神经网络算法的经验成果正在向传统制造领域进行迁移，并对制造行业的产品设计、制造、质检到交付等价值链环节，产生了深远而广泛的影响。

中国工程院院刊《Engineering》刊发《将基于神经网络的机器学习方法应用于增材制造——应用现状、当前挑战和未来前景》，综述了神经网络算法在增材制造全链条中的模型设计、实时监测、质量评价等方面的应用进展。文章介绍了增材制造技术和神经网络算法的发展情况，概述了当前将神经网络应用于增材制造所遇到的挑战以及针对这些问题的可能解决方案，并讨论了未来趋势以对这一跨学科领域进行探讨。本文主要探讨该方法在增材制造设计、实时监测和工艺-性能-使役性能联系中的应用。

基于神经网络的机器学习方法

通过物理驱动的方法不可能在短时间内快速准确地预测整个增材制造过程。而采用数据驱动的模型已广泛应用于该领域，这些模型统一称为机器学习算法（ML）。这种模型的压倒性优势在于其不需要构建一系列基于物理过程的方程。取而代之的是，它们会根据以前的数据自动学习输入特征和输出目标之间的关系。

在机器学习方法中，神经网络（NN）算法最为广泛使用，并且由于当前大量可用的数据和计算资源，以及其先进的算法结构，该算法目前正在快速发展。例如，NN是计算机视觉、语音识别、自然语言处理和自动驾驶等领域的主要驱动力。NN在识别上述任务中潜在的复杂模式方面表现出了它的强大优势，其中大部分模式曾被认为只有人类有可能分辨出来。此外，一个明显的趋势是，在这些领域中利用NN的经验成果正在向传统的制造领域（包括增材制造）进行迁移。NN对制造行业中的整个价值链创新，从产品设计、制造、质检到交付等，都产生了深远而广泛的影响，并且其带来的影响将越来越强烈。

此外，NN作为一种监督式的机器学习方法，具有很强的评估拟合能力，它可以表示输入和输出特征之间复杂的、高度非线性的关系。监督式学习适用于增材制造，因为该技术总是有明确的目标和验证方法。通过迭代训练，神经网络算法可以发挥高效作用。

神经网络算法在增材制造价值链中的应用

增材制造是一个包含许多方面的价值链条，包括模型设计、材料选择、制造和质量评估。接下来将主要介绍神经网络算法（NN）在设计、实时监测和工艺-性能-使役性能的联系中的应用。

（一）增材制造设计

增材制造M设计（DfAM）是为了建立AM部件的CAD模型，这是整个工艺链条的第一步也是至关重要的一步。然而，由于加工结果中变形引入的残余应力，CAD模型和打印部件之间总是存在几何偏差。因此，通常选择补偿方法以获得具有高精度的AM部件。

Chowdhury和Anand提出了一种NN算法来直接补偿部件的几何设计，这有助于抵消制造过程中的热收缩和变形。整个过程如下：①准备所需部件的CAD模型，提取其表面3D坐标作为NN模型的输入。②使用热力耦合的有限元分析软件（如ANSYS或ABAQUS），然后定义一组过程参数来模拟AM过程。提取变形表面坐标作为NN模型的输出。③训练一个具有14个神经元和损失函数为均方误差（MSE）的NN模型来学习输入和输出之间的差异。④将训练好的网络应用于STL文件，从而进行所需的几何校正，这样就可以使用修改过的几何形状来制造部件，从而得到尺寸精确的成品。

图1 应用NN模型预测AM结构的变形。（a）在受控加载条件下制造和测试的样本；（b）有限元模拟结果，其已经过实验验证；（c）NN模型，其通过由FEM生成的数据进行训练，然后以比FEM更快的方式预测变形历史。FC：全连接层

Koeppe等提出了一个结合实验、有限元方法（FEM）模拟和NN的框架，如图1所示。首先，他们进行了实际实验来验证有限元方法模拟。接下来，使用有限元方法运行85个模拟样本，模拟参数是全局负载、位移和支柱半径以及单元尺寸的不同组合。这些是NN的输入特征，而输出特征是最大的Von Mises等效应力和等效主应力。NN的架构为：一个具有1024个整流线性神经元的全连接层、两个分别具有1024个神经元的长短期记忆网络，以及一个全连接的线性输出层。这里需要注意的是，选择长短期记忆网络是因为它在处理时间序列事件上表现出色。在训练之后，NN可以很好地重现加载历史，与有限元方法模拟结果相吻合。从这一点出发，NN可以替代传统的、运行速度较低的数值模拟方法。

与上述两种将NN应用于AM设计的情况不同，McComb等试图建立一个自编码器（一种从输入中学习然后尝试高精度地重建输入的NN）来学习部件设计的低维表示。除了这种自编码器之外，还训练其他3个网络以确定几何形状设计和其他3个增材制造设计属性（即部件质量、支撑材料质量和构建时间）之间的关系。通过这种方式，可以利用这4个NN的组合来评估为增材制造设计的部件的属性。将机器学习应用于增材制造设计的另一个有趣的实例与3D打印过程的安全评估有关。Li等训练卷积神经网络检测和识别通过AM制造的非法组件（如枪支）。当卷积神经网络构建完善后，将它整合到打印机中以便能在早期检测相关枪支的打印，从而及时终止制造过程。对应于原始3D模型的投影结果，作者收集了61 340个二维（2D）图像的数据集，包括枪支和其他非枪支对象。整个CNN模型由两个卷积层、两个池化层和一个全连接层组成。根据实验结果，分类错误率可降至1.84%。

（二）实时监测

实时监测从多个传感器获取数据，其提供了增材制造过程中产品质量的第一手信息。如果可以同步且准确地分析这些实时数据，那么就能实现对制造过程的全闭环控制。数据源分为3种类型，包括一维（1D）数据（如光谱）、2D数据（如图像）和3D数据（如层析成像）。每种数据类型都有其优缺点。例如，处理1D数据的速度较快且其硬件相对便宜。但是，其可提供的信息比其他类型少。这里将使用两个实例来演示如何使用这些不同类型的信号数据。Shevchik等介绍了一项使用声发射（AE）和NN对SLM进行现场质量监测的研究，如图2所示。使用布拉格光纤光栅传感器记录AE信号，而选择的NN算法是波谱卷积神经网络（SCNN），它是对传统卷积神经网络（CNN）的延伸。模型的输入特征是小波包变换的窄频带的相对能量。输出特征是对打印层的质量为高、中或差的分类。据报道，使用SCNN对工件质量为高、中、差的分类精度分别高达83%、85%和89%。

图2 AM质量监测和分析系统的方案。工作流程如下：在AM过程中发出声信号，然后由传感器捕获。最终将SCNN模型应用于所记录的数据，以便判定打印层的质量是否合适

最近，Zhang等构建了一个带有高速摄像头的视觉系统，用于过程图像采集。该系统可以检测3个对象的信息，包括熔池、羽流和飞溅，如图3所示。这些对象的特征是根据作者对工艺的物理机制的理解而仔细提取的，以便将它们纳入传统的机器学习算法。然而，作者强调CNN模型不需要这个特征提取步骤，同时它在质量水平识别中仍然具有92.7%的高精度。目前普遍的共识是，CNN具有在工业应用中实现实时监控的巨大潜力。上述案例主要集中在对AM过程的原位监测。然而，NN模型的质量结果不能反过来影响实际制造。相反，以下情况通过无缝集成基于视觉的技术和NN技术来用于液态金属喷墨打印（LMJP），实现了该过程的闭环控制。首先，Wang等开发了一个带有电荷耦合器件（CCD）相机的视觉系统，用于捕获包含各种液滴图案的喷墨图像。其次，为了建立电压等级和液滴特征之间的复杂关系，他们构建了NN模型。因此，通过NN模型，可以将实时喷墨行为和理想行为（其中输入信号的每个脉冲仅产生具有足够体积且其后没有随体的单个液滴）转换成精确的电压值。最后，使用比例积分微分（PID）控制技术来比较这些数值，从而相应地调节驱动电压并稳定打印过程。

图3 SLM过程监控配置的方案。高速摄影机用于捕获构建过程的连续图像，CNN模型用于识别质量异常。ROI：感兴趣区域。

（三）工艺-性能-使役性能的联系

从技术和经济上的观点来看，过程参数的选择对优化增材制造性能是必需的。在工艺、性能和使役性能之间建立直接联系是科学家和工程师非常感兴趣的。这种联系通常是高度非线性的，因为输入变量的数量通常大于3个。因此，很难确定这种联系的基础数学公式。由于NN模型固有的非线性特性，它已被应用于为各种AM过程建立这些数学关系。表1总结了NN在AM中的应用（实际上，NN在这里称为MLP，因为所有数据集都是表格类型），并列出了作为输入的工艺参数值和作为输出的性能/使役性能。从表1中可以看出，不同的AM技术应该选择不同的输入特征，因为确定AM部件的关键因素是不同的。此外，由于大量参数会对最终成品产生影响，所以确定选择哪些参数需要深入了解AM过程。

表1 NN应用程序，用于构建过程-性质-性能联系

END

增材制造和神经网络算法是制造业和信息技术领域出现的两个爆发性发展的技术。增材制造具有数字CAD模型集成以及构建具有复杂形态的零件的能力等优点，而神经网络算法则擅长于避免构建和解决复杂的多尺度和多物理数学模型。

两者的结合已经证明了在工业中实现“敏捷制造”概念的巨大潜力。采用神经网络算法可以链接增材制造工艺、性能和使役性能的传统多层感知器；用于熔池识别的卷积神经网络；用于再现有限元模拟结果的长短期记忆网络和用于数据增强的变分自编码器。然而，正如人们所说，“每枚硬币都有两面”：由于神经网络强烈依赖数据采集，所以很难控制增材制造部件的质量。因此，这个跨学科领域仍然存在一些挑战。