综述：人工智能控制3D打印研究中取得显著效益

zhiyongz 4分钟前阅读数 #人工智能

文章标签人工智能

2025年8月12日，来自波尔图大学、弗劳恩霍夫 IWS、吕勒奥理工大学、牛津大学、INESC TEC和德累斯顿工业大学的研究人员在《IEEE Access》上发表了一篇题为“”的系统综述，概述了人工智能 (AI) 在基于激光的增材制造 (LAM) 过程控制中的新兴应用。

论文链接：https://ieeexplore.ieee.org/document/10869457/authors#authors

通过分析 2021 年至2024 年间发表的 16 项研究，综述发现62.5% 的研究已在现实环境中部署了AI驱动的控制器，而 56% 的研究将AI 专门应用于强化学习 (RL) 等控制策略。在所审查的研究中，62.5% 的研究将 AI 用于过程建模或监控，68% 的研究针对由过热或过热引起的不稳定性——这是 LAM 中缺陷的主要来源。

激光增材制造 (LAM) 是增材制造的一个分支，它使用粉末床熔合 (PBF) 或定向能量沉积 (DED) 逐层构建金属零件。PBF 的激光功率较低，通常低于 1 千瓦，扫描速度高达 2,000 毫米/秒，可小规模生产高精度零件。DED 使用粉末或线材原料，激光功率可达 40 千瓦，可实现更高的沉积速率和更大的结构。这些工艺差异会产生不同的熔池特性、热梯度和缺陷轮廓，需要单独的控制策略。

审查确定了可以应用人工智能的五个关键阶段：智能采样、过程监控、建模、控制器设计和性能评估。尽管激光辅助显微成像 (LAM) 试验成本高昂，但经典的实验设计 (DoE) 方法仍然是采样中最广泛的应用，而贝叶斯优化等自适应技术（可根据快速变化或高度非线性的区域调整数据收集）不太常见，但在其他制造环境中显示出效率提升。

监测方法通常结合热传感和视觉传感来捕捉熔池的几何形状和温度，这些参数与零件质量密切相关。传感器安装在轴上，与激光器对齐，或安装在轴外进行外部监测。在已审查的研究中，卷积神经网络处理基于图像的数据，而人工神经网络在多模态监测中被证明是有效的，可以整合视觉、热和声学信号。一项研究发现，这种多模态ANN方法在测试模型中实现了最高的缺陷预测准确率。数据标记仍然是一个限制因素：许多研究依赖于简化的熔池特征或最终检测结果，而不是连续的实时标记，这限制了PBF等高速工艺的响应能力。

△概述两种主要的基于激光的增材制造工艺——定向能量沉积（DED）和粉末床熔合（PBF）。IEEE访问。

建模方法涵盖有限元建模 (FEM)、循环神经网络 (RNN)、长短期记忆网络 (LSTM) 以及系统识别技术，例如动态模态分解 (DMD) 和非线性动力学稀疏识别 (SINDy)。FEM 提供详细的热和机械模拟，但需要大量计算资源和精确校准。数据驱动模型可以从观测数据中捕捉非线性动态，其中 RNN 和 LSTM 可有效进行时间序列预测。人们已经探索了将 FEM 与人工智能相结合的混合模型，以在预测精度和降低计算负荷之间取得平衡。

所审查研究中的控制器策略包括比例-积分-微分 (PID) 系统、模型预测控制(MPC) 和强化学习。PID 控制器通常手动调整，仍然很常见，但在管理过程不确定性方面效率较低。一项研究表明，MPC 使用替代过程模型在控制回路内运行优化程序，在明确建模不确定性时，性能优于PID。强化学习方法，包括 Q 学习和基于模型的强化学习(MBRL)，用于根据实时反馈调整激光功率和扫描速度等参数。在一个示例中，MBRL 比无模型强化学习基线更快地实现最佳工艺参数，从而产生更低的表面粗糙度和更高的累积奖励。

审查中提到的大多数实时控制实现仅限于逐层调整，而非连续闭环控制。这种限制既反映了熔池监测所需的高数据速率，也反映了先进人工智能方法的计算需求。PBF 工艺面临着特殊的挑战，熔池动态性能达到亚毫秒级，扫描速度高达 2,000 毫米/秒。

不受控制的机器学习技术包括用于高维缺陷检测的支持向量机和用于预测影响零件质量的干扰的高斯回归模型。卷积神经网络等深度学习方法用于评估表面粗糙度和工艺稳定性，而循环网络则用于建模参数随时间的变化。这些方法虽然有效，但需要大量数据集和计算资源，从而限制了工业应用。

△该图表展示了近年来论文数量的增长以及人工智能在语言建模（LAM）领域的主要应用。IEEE Access

审查指出，人工智能在激光增材制造（LAM）中的应用存在一些系统性缺陷。数据采集受到成本、代表性样本有限以及极端情况需求的限制。有限元法（FEM）、强化学习（RL）和深度学习的计算需求需要专门的硬件和专业知识。许多方法仅在模拟或小规模实验中得到验证，很少有方法在生产环境中得到验证。模型的可解释性也是一个障碍；所有审查的研究均未将三个关键评估指标——可解释性、不确定性和鲁棒性——纳入人工智能性能评估。

在应用评估指标时，使用了诸如SHapley值或LIME等技术来评估可解释性，贝叶斯网络和高斯过程来评估不确定性，以及对抗性训练或稳健优化来评估稳定性。然而，这些指标的报告并不一致，使得跨研究比较变得困难。缺乏标准化指标被认为是技术向工业环境转移的主要障碍。

作者确定了未来工作的几个重点。扩展自适应采样方法（例如贝叶斯优化）可以提高数据效率。增强多模态传感器集成度，例如结合视觉、热和声学监测，可以增强缺陷检测和过程稳定性。开发融合有限元法 (FEM) 和人工智能 (AI) 的混合建模框架，可以产生更易于计算且更准确的过程模拟。将模型预测控制 (MPC) 和强化学习 (RL) 扩展到生产环境需要优化算法以降低延迟并减少计算开销，同时构建强大的实时数据管道。整合可解释性、不确定性和鲁棒性指标的标准化评估框架将有助于跨研究进行有意义的比较，并加速工业应用。

虽然人工智能在激光增材制造 (LAM) 中的应用仍处于早期阶段，但审查显示，该领域正逐渐从监控转向主动过程控制。PID 控制器和经典采样等传统方法仍然占据主导地位，但基于模型的强化学习和 FEM-AI混合建模等先进策略正日益受到关注。已证实的优势包括降低表面粗糙度、提高工艺稳定性以及更快地收敛至最佳制造参数。如果与标准化指标、自适应采样和实时连续控制相结合，这些方法可以支持完全自主的金属增材制造系统，并实现自我监控和自我校正。