由involves观念驱动力的产品合作开发合作开发，比如机能势能金属材料 (FGM)、多金属材料内部结构配件，这些都无法通过现代方式制造，虽然包括合金involves锻造的3D列印控制技术增添了新的商业价值缔造发展机遇，但其广为的轻工业应用应用领域依然存在一些心理障碍。L-PBF议席雷射熔化3D列印控制技术和 L-DED雷射束或非热量堆积3D列印控制技术都需要装备精良的控制技工来开启、监视和去除模块，这与往后数十年智能化急速提升的现代锻造恰好相反。
除此之外，由AM-involves锻造工艺控制技术制造的零配件时常受工艺控制技术引发的瑕疵的所苦，比如裂隙、裂缝和残存形变引发的形变，进而影响组件产品质量和连续性。配件内的工艺控制技术瑕疵会减少耐热性和烦躁操控性，引致其在高于内部结构设计的操作方式管制时失灵。
在《如前所述雷射的合金involves制造操作方式过程监视和机器学习》系列产品该文中，3D自然科学谷将紧密结合学术论文对计算机程序和 ML 演算法的使用态势进行简述，并较为不同感测控制技术的潜能或其在雷射合金 AM involves锻造监控各项任务中的应用应用领域，最终探讨机器学习和操作方式过程监视在增材锻造应用领域的今后路径。
学术论文镜像：
https://link.springer.com/article/10.1007/s10845-023-02119-y
人工神经网络
人工神经网络 (ANN)，有时简称为神经网络 (NN)，是一类 ML机器学习演算法，由一系列产品相互连接的节点或神经元构成，这些节点或神经元位于多个层中，每个神经元接受来自一个或多个前面神经元的输入信号，对其执行数学运算，并向下一层中的神经元输出数值信号。
人工智能用于3D列印操作方式过程控制
© 3D自然科学谷白皮书
由于 ANN 的内部结构非常灵活并且可以根据所需机能进行定制，因此只要输入数据可以矢量化，它们就可以接受来自各种感测器类型的输入。比如，来自热图像的特征、光谱强度比或来自各种感测器的串联输入。
根据《冶金、机械模型及机器学习在合金列印中的应用应用领域》一文，以神经网络为基础的机器学习被用来控制熔道的宽度和高度，熔化区的深度。除此之外，在PBF-L时的熔池深度通过决策树优化雷射功率、扫描速度、光斑尺寸和吸收率。而且，采用神经网络对工艺控制技术操作方式过程中的形状的偏差进行了捕获和分析以获得较好的尺寸精度的involves锻造组件。
卷积神经网络
CNN以其从如前所述图像的数据中学习关键特征的潜能而闻名，构成了自动驾驶汽车和机器人视觉的基础。可以从来自热像仪或可见光相机的纯图像数据扩展到任何具有点之间空间关系的如前所述阵列的计算机程序，对 L-PBF议席合金熔化3D列印操作方式过程中的裂隙率水平进行分类。
根据业内专家，卷积神经网络是近些年逐步兴起的一种人工神经网络内部结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种控制技术也被广为的传播可应用应用领域. 卷积神经网络最常被应用应用领域的方面是计算机的图像识别, 不过因为急速地创新, 它也被应用应用领域在视频分析, 自然语言处理, 药物发现, 等等。包括Alpha Go, 让计算机看懂围棋, 同样也是有运用到这门控制技术。
具体来说, 卷积神经网络有一个批量过滤器, 持续急速的在图片上滚动收集图片里的信息，每一次收集的时候都只是收集一小块像素区域，然后把收集来的信息进行整理, 这时候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片信息, 然后在以同样的步骤, 用类似的批量过滤器扫过产生的这些边缘信息, 神经网络从这些边缘信息里面总结出更高层的信息内部结构。
拿粉末床合金熔化控制技术来说，合金粉末一层一层的被凝固，进而成为最终零件，在层凝固的操作方式过程中就有着与模型切片所对应的图像成像操作方式过程，由此说来，卷积神经网络原理用于3D列印的前馈控制是颇具发展潜力的。
根据3D自然科学谷的市场观察，LLNL劳伦斯利弗莫尔国家实验室早在2018年就将卷积神经网络原理用于机器学习“修复”3D列印合金配件，通过神经网络的高级演算法用于实时来分析构建产品质量，并就就如何改进构建产品质量提出建议。
此前，LLNL的一些研究人员花了数年时间收集雷射粉末床熔化合金3D打印操作方式过程的各种形式的实时数据，包括视频，光学层析成像和声学数据。逐渐，LLNL发现，如此大的数据量，不可能通过人工来进行所有的数据分析，由此他们寄希望于神经网络是否可以简化各项任务。
根据LLNL国家实验室，
根据3D自然科学谷的了解，LLNL国家实验室合作开发的神经网络可以用于其他3D列印系统。理论上，研究人员应该能够遵循相同的演算法，在不同条件下创建配件，收集视频，以生成可用于标准机器学习控制技术的信息。
多年来，LLNL劳伦斯利弗莫尔国家实验室的工程师们使用感测器和成像控制技术来分析合金3D列印背后的物理和操作方式过程，以便每次都能够首次构建高产品质量的合金配件。劳伦斯利弗莫尔国家实验室的工程师们利用机器学习来实时处理3D构建期间获得的数据，可以在几毫秒内检测构建是否是高产品质量的。更确切地说，研究人员合作开发了卷积神经网络（CNN），这是一种通常用于处理图像和视频的演算法，通过观察大约每段10毫秒的视频来预测组件是否良好。
除此之外，根据3D自然科学谷的市场研究，GE于2020年8月18日获得通过的《Systems and Method for Advanced Additive Manufacturing》专利描述了GE动态地控制3D列印-involves锻造操作方式过程。这个专利提供了一种用于动态地适应配件的involves锻造的方式。根据专利描述，在加工工艺的控制操作方式过程中，GE使用了数字孪生体控制技术，并通过机器学习来训练处理器或处理元件，机器学习程序可以采用神经网络，该神经网络可以是卷积神经网络，机器学习可能涉及识别现有数据中的模式，以便于对后续数据进行预测。
除了内在的瑕疵，几何精度差是involves锻造配件的另外一种常见瑕疵。机器学习模型可以识别几何瑕疵的发生，量化几何偏差并为几何误差补偿提供指导。比如，科研人员通过卷积神经网络(CNN) 机器学习模型为L-PBF操作方式过程合作开发了一个几何误差补偿框架，训练后的机器学习模型以热历史和部分加工参数为输入，以形变量为输出，预测形变量，实现误差补偿。
支持向量机
支持向量机（support vector machines, SVM），时常用于对来自involves锻造现场监控的数据进行分类。SVM 通常接受可以从感测器中提取的特征或数据点，并学习如何使用最佳超平面分离不同类别的数据。如果二维数据不可分，那么SVM会将数据投射到三维或更高维度，构造一个将数据分离的超平面，得到一个(n-1)维平面将数据分离成n维。
K-最近邻
K最近邻(K-Nearest Neighbor,KNN)分类演算法是数据挖掘分类控制技术中最简单的方式之一，是著名的模式识别统计学方式，在机器学习分类演算法中占有相当大的地位。它是一个理论上较为成熟的方式。既是最简单的机器学习演算法之一，也是如前所述实例的学习方式中最基本的，又是最好的文本分类演算法之一。
比如，如果雷射功率和扫描速度是用于映射的两个参数，而轨道密度是被测量的特性，则可以假设具有相似速度和功率的两个数据点将具有相似的轨道密度。因此，当对新数据点进行分类时，演算法将查看最近数据点的标签以确定最有可能用于该新数据点的标签，这允许involves锻造工艺控制技术使用的各种感测器数据适用于该演算法。
决策树
决策树 (DT) 构成了一组如前所述树的 ML 演算法的基础。DT 是一种分类器网络，它利用一系列产品节点和分支对输入数据进行排序。通常，树的每个节点都会根据一个或多个特征对输入向量进行排序，最简单的方式是将阈值应用应用领域于向量的一个属性，比如科研人员从热成像中提取的特征。这些阈值在训练操作方式过程中更新以获得训练数据的最佳分类。重要的是要注意，输入数据可以是分类数据或数字数据，这与仅需要数字数据的神经网络不同，它保留了来自数据源的更多信息。科研人员可以使用这种方式通过图像分类来检测 L-DED或非热量堆积3D列印构建操作方式过程中的裂隙率。
深度信念网络
深度信念网络 (DBN) 是一种深度学习演算法RBM 在内部结构上类似于 ANN，因为它有一个输入（或可见）层和一个隐藏层。有科研人员从热图像中提取的羽流和飞溅数据用于对 L-PBF议席合金熔化3D列印操作方式过程中熔体状态进行分类。训练分两步进行，其中第一个 RBM 的输入用于 RBM 的无监督训练，以学习表示输入的特征。然后将其转发到下一个 RBM，这允许网络学习更高级别的机能。然后通过监督学习操作方式过程进行声学监控和熔池成像监控。
原始参考文献：https://link.springer.com/article/10.1007/s10845-023-02119-y
l 谷专栏 l
网站投稿 l 发送至[email protected]
