對于許多公司來說，數(shù)字化和自動(dòng)化是進(jìn)一步發(fā)展增材制造的關(guān)鍵。因此，越來越多的制造商正在依賴基于云的解決方案，并將各種算法整合到他們的3D打印解決方案中，以充分挖掘該技術(shù)的潛力。

作為一個(gè)數(shù)字過程本身，3D打印是工業(yè)4.0的一部分，因此人工智能（如機(jī)器學(xué)習(xí)）越來越多地被用于優(yōu)化價(jià)值鏈的時(shí)代的重要組成部分。人工智能（AI）能夠在很短的時(shí)間內(nèi)處理大量的復(fù)雜數(shù)據(jù)，這就是為什么它作為一個(gè)決策者變得越來越重要。本文解釋了什么是機(jī)器學(xué)習(xí)，以及為什么這種形式的人工智能正在幫助塑造增材制造的未來。
機(jī)器學(xué)習(xí)是人工智能的一個(gè)子類別，被定義為一種系統(tǒng)或軟件，它使用算法來檢查數(shù)據(jù)，隨后識(shí)別模式或確定解決方案。與人們普遍認(rèn)為機(jī)器學(xué)習(xí)是一種新奇的現(xiàn)象相反，可以說它的雛形可以追溯到20世紀(jì)40年代，當(dāng)時(shí)第一批研究人員開始用電路重新創(chuàng)建大腦的神經(jīng)元。1957年，Mark I Perceptron是該領(lǐng)域的第一個(gè)重大成功：該機(jī)器能夠?qū)斎霐?shù)據(jù)進(jìn)行獨(dú)立分類。在這樣做的過程中，該設(shè)備從以前的嘗試中的錯(cuò)誤中學(xué)習(xí)，從而隨著時(shí)間的推移改進(jìn)了分類。從那時(shí)起，基礎(chǔ)已經(jīng)奠定，研究人員開始對該技術(shù)的可能性和潛力著迷。與此同時(shí)，我們每天都會(huì)在生活的各個(gè)領(lǐng)域遇到人工智能。從語音識(shí)別到智能聊天機(jī)器人，再到個(gè)性化的治療方案，機(jī)器學(xué)習(xí)正在被用于各種應(yīng)用中。

有監(jiān)督與無監(jiān)督的機(jī)器學(xué)習(xí)
在機(jī)器學(xué)習(xí)的范圍內(nèi)，區(qū)分不同的方法和模型是很重要的。不是所有的機(jī)器學(xué)習(xí)都是一樣的。例如，必須對有監(jiān)督和無監(jiān)督的機(jī)器學(xué)習(xí)進(jìn)行區(qū)分。有監(jiān)督的機(jī)器學(xué)習(xí)要求有分類數(shù)據(jù)（輸入數(shù)據(jù)）和目標(biāo)變量（輸出數(shù)據(jù)）。從這些中得出模型，然后檢查新的未分類的數(shù)據(jù)，并確定這些本身的目標(biāo)變量。這種形式的機(jī)器學(xué)習(xí)被用于預(yù)測，例如：預(yù)測維修間隔時(shí)間。

在無監(jiān)督機(jī)器學(xué)習(xí)中，作為一個(gè)起點(diǎn)，情況正好相反。軟件沒有目標(biāo)變量（輸出數(shù)據(jù)），但必須根據(jù)輸入數(shù)據(jù)來識(shí)別模式或建議解決方案。這種類型的機(jī)器學(xué)習(xí)，除其他外，在市場營銷中被用來識(shí)別客戶群，即所謂的 "聚類"。但也有其他區(qū)別。例如，還有半監(jiān)督學(xué)習(xí)，即在大量的原始數(shù)據(jù)中只使用少量的預(yù)定義數(shù)據(jù)來訓(xùn)練模型，以及強(qiáng)化學(xué)習(xí)，即系統(tǒng)根據(jù)預(yù)定義規(guī)則進(jìn)行自我學(xué)習(xí)。因此，用戶必須根據(jù)原始數(shù)據(jù)和目標(biāo)變量來選擇合適的方法。

機(jī)器學(xué)習(xí)如何應(yīng)用于增材制造？
作為一個(gè)數(shù)字化的生產(chǎn)過程，增材制造得益于機(jī)器學(xué)習(xí)的能力。由于在增材制造價(jià)值鏈上收集和處理了無數(shù)的實(shí)時(shí)數(shù)據(jù)，它們可以被用來分析實(shí)際狀態(tài)，并隨后重新定義目標(biāo)狀態(tài)。在這樣做時(shí)，公司首先要確定哪些數(shù)據(jù)是相關(guān)的。這一決定在每個(gè)案例中都取決于所使用的過程。下一步是在定義數(shù)據(jù)收集和處理的合適模型或算法之前，找到并整合合適的測量工具來捕捉數(shù)值。在這種情況下，了解增材價(jià)值鏈上的所有步驟相互影響也很重要，這就是為什么在大多數(shù)情況下，孤立的觀點(diǎn)是不合適的。例如，設(shè)計(jì)已經(jīng)影響到后續(xù)的部件質(zhì)量，而所需的部件質(zhì)量又影響到設(shè)計(jì)。出于這個(gè)原因，越來越多的公司正試圖提供一個(gè)全面的軟件解決方案，通過該方案，人工智能的優(yōu)勢可以在增材制造過程中得到最佳利用。

智能設(shè)計(jì)
每個(gè)3D打印部件的開始是一個(gè)文件，在大多數(shù)情況下是一個(gè)CAD文件。這已經(jīng)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(shù)軟件解決方案已經(jīng)使用人工智能，根據(jù)預(yù)定的變量向用戶建議智能設(shè)計(jì)變體。這個(gè)過程被稱為生成式設(shè)計(jì)，以及其他方面。機(jī)器學(xué)習(xí)也被用于拓?fù)浣Y(jié)構(gòu)優(yōu)化。許多軟件解決方案還對生產(chǎn)方法、材料和安裝空間的最佳使用提出建議。這可以節(jié)省成本，不僅更有效地生產(chǎn)零件，而且更可持續(xù)。
△nTop軟件的模擬工具提出了晶格結(jié)構(gòu)的幾種變體，并根據(jù)重量和機(jī)械性能對其進(jìn)行排序

質(zhì)量保證
如果3D打印文件已經(jīng)被優(yōu)化，那么重點(diǎn)可能轉(zhuǎn)而放在所使用的3D打印工藝、材料質(zhì)量和部件質(zhì)量上。今天，許多制造商已經(jīng)在他們的機(jī)器上集成了攝像頭和傳感器，它們可以跟蹤打印，并在必要時(shí)發(fā)出警報(bào)或停止打印。在這個(gè)步驟中，重要的是要知道在打印過程中如何定義部件的質(zhì)量，以便能夠定義所需的測量值。同樣重要的是，要定義機(jī)器在哪個(gè)閾值時(shí)應(yīng)該執(zhí)行哪個(gè)動(dòng)作。今天，一些算法已經(jīng)能夠獨(dú)立定義這些參數(shù)，并在已經(jīng)收集的數(shù)據(jù)基礎(chǔ)上進(jìn)一步發(fā)展模型。用一個(gè)實(shí)際的例子可以最好地解釋這一點(diǎn)。

EOS與瑞士軟件供應(yīng)商N(yùn)NAISENSE合作，為DMLS工藝開發(fā)了一個(gè)數(shù)字孿生技術(shù)。在打印過程中，使用光學(xué)斷層掃描（OT）從每個(gè)打印層采集熱圖像，并與AI預(yù)測的圖像進(jìn)行比較。這使得異常情況可以被立即發(fā)現(xiàn)，并在必要時(shí)停止打印過程，從而節(jié)省材料和成本。NNAISENSE開發(fā)的模型是一種自我監(jiān)督的深度學(xué)習(xí)策略。西門子強(qiáng)調(diào)，使用人工智能和機(jī)器學(xué)習(xí)的增材制造（AM）質(zhì)量保證可以縮短從原型到成品部件的時(shí)間，并加快大批量生產(chǎn)的效率。該公司對EOS集成的用于監(jiān)控各個(gè)打印層的攝像頭表示贊賞，因?yàn)樗梢詫?shí)時(shí)識(shí)別待打印部件上的缺失粉末（左）或重涂期間的粉末掉落（右）。

每個(gè)涂層的質(zhì)量被記錄為一個(gè)數(shù)值，并自動(dòng)進(jìn)行評(píng)估。當(dāng)這個(gè)所謂的嚴(yán)重性分?jǐn)?shù)達(dá)到一定的閾值時(shí)，它可以表明涂層存在嚴(yán)重問題（如上面的例子）。該公司表示，這簡化了光學(xué)檢查，因?yàn)橹挥嘘P(guān)鍵層需要由專家來評(píng)估。

進(jìn)一步的應(yīng)用
Post Process公司的后處理軟件——AUTOMAT3D，可以實(shí)時(shí)監(jiān)測關(guān)鍵的工藝因素，并自主地做出反應(yīng)，以實(shí)現(xiàn)3D打印部件的最佳完成度。為了做到這一點(diǎn)，該公司使用來自數(shù)十萬個(gè)基準(zhǔn)零件的數(shù)據(jù)。此外，人工智能正被越來越多地用于自動(dòng)化和優(yōu)化工作流程。在關(guān)鍵部件中安裝了智能傳感器，它是智能和預(yù)防性維護(hù)，或"預(yù)測性維護(hù)"的測量工具?？梢灶A(yù)見的是，在未來幾年，機(jī)器學(xué)習(xí)在制造商生產(chǎn)過程中的應(yīng)用將繼續(xù)增加。預(yù)計(jì)到2028年，全球人工智能和高級(jí)機(jī)器學(xué)習(xí)的市場將達(dá)到4713.9億美元，增長率（CAGR）為35.2%。