編者按：本文來自微信公眾號“靖哥3D打印”（ID:gh_d599e1b42ab3）作者： 熊異博士，3D打印資源庫經(jīng)授權發(fā)布。

3D打印工藝中，應用端的設計、新材料/工藝的開發(fā)、過程的反饋，當前依然強烈的依賴于行業(yè)從業(yè)者的經(jīng)驗。而對于該工藝中所產(chǎn)生的海量數(shù)據(jù)，經(jīng)驗及分析能力的上限并不是很高。借助于計算機強大的運算能力，采用機器學習的方法，能夠高效的開發(fā)更多的新材料，實現(xiàn)更精準的設計，也能夠更有效的實現(xiàn)實時質量控制。
靖哥有幸邀請到3D打印行業(yè)專家熊異教授，為我們解讀機器學習在3D打印中的應用。

【作者簡介】
熊異，南方科技大學系統(tǒng)設計與智能制造學院助理教授，博導。2016年畢業(yè)于芬蘭阿爾托大學工程設計與制造專業(yè)，獲博士學位。2016年至2017年，任比利時法蘭德斯制造研究所長聘工程師，參與多項工業(yè)級增材制造軟硬件系統(tǒng)的開發(fā)。2017-2020年，在新加坡科技與設計大學數(shù)字制造和設計中心擔任研究員（二級）。主要研究領域包括：設計制造一體化，面向增材制造的設計，自適應工藝優(yōu)化，和智能增材制造系統(tǒng)開發(fā)。

機器學習方法在3D打印中應用淺析

在前幾期的文章里，唐云龍博士系統(tǒng)的介紹了以3D打印技術為基礎的數(shù)字化設計與制造流程及其軟件工具鏈淺談數(shù)字設計與制造軟件在3D打印領域的應用（http://m.yrfbtues.cn/thread-14988-1-1.html），淺談數(shù)字設計與制造軟件在3D打印領域的應用(下）（http://m.yrfbtues.cn/thread-14989-1-1.html）。在該數(shù)字化開發(fā)過程中，數(shù)據(jù)流貫穿產(chǎn)品生命周期的各個環(huán)節(jié)。如圖1所示，從幾何建模、結構優(yōu)化、到工藝規(guī)劃、在線監(jiān)控、后處理過程，直至最終性能測試環(huán)節(jié)，產(chǎn)品的幾何形狀、材料構成、工藝參數(shù)、監(jiān)控和測試數(shù)據(jù)等信息依次匯入到數(shù)據(jù)流中。與此同時，各環(huán)節(jié)涉及大量決策過程并深刻影響成型件的性能及工藝可靠性。

然而，當前的設計決策仍然極大程度上依靠成本昂貴的物理實驗、可信度尚待提高的仿真模型、亦或是需要多年積累的專家經(jīng)驗。如何提高3D打印過程中決策自動化程度以快速、高效獲得最優(yōu)參數(shù)來提高成型件的性能及工藝可靠性成為亟需解決的問題。由于3D打印完全建立在數(shù)據(jù)流上的先天優(yōu)勢，其同機器學習方法的結合為破解上述問題提供了新的思路。接下來，我們順著數(shù)字化設計與制造流程，淺析幾個機器學習方法在3D打印中已經(jīng)應用的案例，并展望其未來。

圖表 1 貫穿增材制造產(chǎn)品全生命周期的數(shù)據(jù)流及其對應決策過程 [1]

1）設計中的應用
眾所周知，增材制造技術的出現(xiàn)使得開發(fā)具有復雜結構的零件成為可能。拓撲優(yōu)化、輕質結構設計等方法也借此契機再次復興。然而在筆者看來，傳統(tǒng)的優(yōu)化設計方法過于注重尋求具有性能最優(yōu)（往往是剛度最大）的單點設計（Point-based Design），而忽視了實際工況同優(yōu)化初始條件的不同。另一方面，由于現(xiàn)有的拓撲優(yōu)化模型采用基于靈敏度的方法，其無法很好的同時考慮產(chǎn)品設計的其他需求，如創(chuàng)新性、制造成本等。針對該問題，韓國學者在拓撲優(yōu)化方法的基礎上綜合生成對抗式網(wǎng)絡（generativeadversarial networks），以實現(xiàn)生成一組候選設計并同時考慮多個設計目標[2]。

圖 1 拓撲優(yōu)化同生成式模型結合在輪轂設計上的應用[2]

在商業(yè)運用上，雖然早在2017年法國3D打印服務商Sculpteo就發(fā)布了一套針對金屬工藝的專用在線軟件Agile Metal Technology，并號稱是第一款能夠運用人工智能技術以幫助用戶檢查CAD模型質量，并推薦材料和相關工藝設置的軟件。然而目前來看，該軟件的后續(xù)應用卻不盡人意。

2）工藝規(guī)劃上的應用
每當有新的3D打印設備或采用新材料時，尋找合適的工藝參數(shù)成為一項極為耗時費力的工作。操作者往往需要通過實驗設計（DoE）并開展大量物理實驗以確定合理的工藝參數(shù)窗口。而基于機器學習的方法僅需要少量實驗即可通過訓練回歸模型來擬合工藝參數(shù)與性能之間的復雜映射關系。如圖 1所示，美國海軍部研究人員通過相關模型確定了激光功率、停留時間、掃描距離與制成件密度之間的關聯(lián)。如此以來，當給定某項性能目標時，工藝工程師可以快速的找到對應工藝參數(shù)設置。筆者自身也曾經(jīng)針對電弧填絲焊工藝，采用基于高斯過程的代理模型擬合工藝參數(shù)與單道幾何尺寸之間的關系，并通過該模型快速實現(xiàn)了變道寬路徑填充的工藝參數(shù)優(yōu)化。喜歡動手的朋友不妨采用Python或Matlab中已有的相關代理模型算法結合身邊的打印機實際驗證下。

圖 2（a）工藝參數(shù)同制成件密度映射關系；（b）模型預測密度與實測值比較[3]

3）在線監(jiān)控上的應用
工藝過程的在線監(jiān)控對于推動3D打印在工業(yè)大規(guī)模應用有著極其重要的意義。一方面，通過監(jiān)測可能出現(xiàn)的缺陷信號以及時修正和控制相關工藝有助于提供工藝可靠性；另一方面，記錄的制造工藝參數(shù)信息也使得成型件質量可追溯，有助于推動3D打印在航空航天等高端應用的落地。由于3D打印監(jiān)控過程往往產(chǎn)生海量的數(shù)據(jù)，傳統(tǒng)的基于統(tǒng)計的信號處理手段無法滿足實時性要求。因此，機器學習方法，尤其是分類方法已被廣泛應用于缺陷的預警和識別。

數(shù)字化服務巨頭源訊（Atos）推出了預測控制系統(tǒng)（PredictiveMonitoring System）通過布置傳感器以采集相關數(shù)據(jù)，同時運用機器學習方法處理相關數(shù)據(jù)以改變前序設計和記錄相關質量信息。

圖 3 源訊（Atos）推出的預測控制系統(tǒng)

挑戰(zhàn)與展望

從以上的簡要介紹中，我們不難發(fā)現(xiàn)機器學習方法在提高成型件的質量及工藝可靠性的不同環(huán)節(jié)上已經(jīng)牛刀小試。然而，如何通過機器學習方法真正的使3D打印從數(shù)字化制造變?yōu)橹悄苤圃?，前路依然漫漫?？傮w來看，其挑戰(zhàn)可概括為以下幾個方面。

1）數(shù)據(jù)稀缺
雖然如前文所述3D打印是數(shù)字化設計與制造流程，但是實際上真正能運用的數(shù)據(jù)卻極為稀缺。一方面，由于軟件和硬件提供商并不開放底層權限，大量數(shù)據(jù)僅在封閉系統(tǒng)內流動，無法為我們所用。另一方面，缺乏全面、系統(tǒng)、開放、權威的數(shù)據(jù)庫能夠提供涵蓋從材料制備到性能測試的全流程信息，研究者們不得不另起爐灶做很多重復性的工作。

為解決該問題，已經(jīng)有人率先行動起來。美國國家標準技術研究所（NIST）推動的增材制造材料數(shù)據(jù)庫（The AdditiveManufacturing Material Database, AMMD）提供了一個協(xié)作開源平臺用于共享增材制造相關數(shù)據(jù)，其數(shù)據(jù)包含成型件對應的材料、設備、和工藝等三個方面。另外，以Senvol為代表的公司通過提供增材制造數(shù)據(jù)以協(xié)助產(chǎn)品設計的商業(yè)模式。其數(shù)據(jù)庫已涵蓋1000多種增材制造機器及對應的850多種材料。值得注意的是ANSYS去年剛納入麾下的久負盛名的材料信息軟件GRANTA已同SENVOL建立數(shù)據(jù)接口，提供增材制造材料和工藝方面的比較與選擇。

圖 4 GRANTA 軟件中增材制造成型件材料性能的比較

2）數(shù)據(jù)復雜
眾所周知，大數(shù)據(jù)具有5V的特征。而針對3D打印工藝，其產(chǎn)品相關數(shù)據(jù)的特點可以概括為3V，即Volume，Velocity，和Variety。首先，其數(shù)據(jù)量大（Volume），在激光選區(qū)熔融工藝中，制造1x1x1cm零件所涉及的掃描矢量可達百萬級；同時，無論是在線監(jiān)測傳感器數(shù)據(jù)還是測試過程中的CT掃描數(shù)據(jù)，僅單一零件就在TB級別。其次，是數(shù)據(jù)產(chǎn)生速度快（Velocity），由于熔池狀況瞬息萬變，采用視覺捕捉其實時信息需要高達75GB/S的速率。再者，數(shù)據(jù)呈現(xiàn)極度的異質性（Variety），其中具體包括三維幾何模型，二維圖像或視頻、點云、聲音、以及各種模擬、數(shù)字信號。上述三個特點，每一個都需要研究對應的處理策略，開發(fā)合適算法，真正從數(shù)據(jù)富裕環(huán)境（Data-rich Environment）中挖掘出有意義的信息。

3）合適算法
文中所討論的大部分機器學習在3D打印中的應用都采用的是十分成熟的基于圖像的算法，如深度神經(jīng)卷積網(wǎng)絡等。針對3D打印中普遍使用的三維幾何模型，雖然也可以通過體素化將其轉化為適用VoxNet等在內的三維卷積神經(jīng)網(wǎng)絡。然而，該方法由于會造成精度折損，無法應用于復雜的幾何模型。正如自動駕駛領域圖像處理需求推動了對應機器學習算法的發(fā)展，增材制造領域對于處理復雜、大規(guī)模、非結構化的表面模型（如STL）的需求也必然會帶來相應的算法研究。

結語

由于篇幅有限，本文僅對3D打印設計制造流程中三個代表性環(huán)節(jié)，簡要的討論了機器學習方法在提高成型件的性能及工藝可靠性上的初步應用。希望該短文能夠啟發(fā)更多的研究者、使用該思路解決3D打印中遇到的相關實際問題。


參考文獻
[1] Razvi, Sayyeda Saadia, et al. "Areview of machine learning applications in additive manufacturing." ASME2019 International Design Engineering Technical Conferences and Computers andInformation in Engineering Conference.American Society of Mechanical Engineers Digital Collection, 2019.
[2] Oh, Sangeun, et al. "Deepgenerative design: Integration of topology optimization and generativemodels." Journal of Mechanical Design 141.11 (2019).
[3] Senvol: How machine learning is helpingthe U.S. Navy optimize AM process parameters and material performance. MetalAdditive Manufacturing, 5(1), (2019)

本文經(jīng)授權發(fā)布，不代表3D打印資源庫立場。如若轉載請聯(lián)系原作者。

編者按：本文來自微信公眾號“靖哥3D打印”（ID:gh_d599e1b42ab3）作者： 熊異博士，3D打印資源庫經(jīng)授權發(fā)布。

3D打印工藝中，應用端的設計、新材料/工藝的開發(fā)、過程的反饋，當前依然強烈的依賴于行業(yè)從業(yè)者的經(jīng)驗。而對于該工藝中所產(chǎn)生的海量數(shù)據(jù)，經(jīng)驗及分析能力的上限并不是很高。借助于計算機強大的運算能力，采用機器學習的方法，能夠高效的開發(fā)更多的新材料，實現(xiàn)更精準的設計，也能夠更有效的實現(xiàn)實時質量控制。
靖哥有幸邀請到3D打印行業(yè)專家熊異教授，為我們解讀機器學習在3D打印中的應用。

【作者簡介】
熊異，南方科技大學系統(tǒng)設計與智能制造學院助理教授，博導。2016年畢業(yè)于芬蘭阿爾托大學工程設計與制造專業(yè)，獲博士學位。2016年至2017年，任比利時法蘭德斯制造研究所長聘工程師，參與多項工業(yè)級增材制造軟硬件系統(tǒng)的開發(fā)。2017-2020年，在新加坡科技與設計大學數(shù)字制造和設計中心擔任研究員（二級）。主要研究領域包括：設計制造一體化，面向增材制造的設計，自適應工藝優(yōu)化，和智能增材制造系統(tǒng)開發(fā)。

機器學習方法在3D打印中應用淺析

在前幾期的文章里，唐云龍博士系統(tǒng)的介紹了以3D打印技術為基礎的數(shù)字化設計與制造流程及其軟件工具鏈淺談數(shù)字設計與制造軟件在3D打印領域的應用（http://m.yrfbtues.cn/thread-14988-1-1.html），淺談數(shù)字設計與制造軟件在3D打印領域的應用(下）（http://m.yrfbtues.cn/thread-14989-1-1.html）。在該數(shù)字化開發(fā)過程中，數(shù)據(jù)流貫穿產(chǎn)品生命周期的各個環(huán)節(jié)。如圖1所示，從幾何建模、結構優(yōu)化、到工藝規(guī)劃、在線監(jiān)控、后處理過程，直至最終性能測試環(huán)節(jié)，產(chǎn)品的幾何形狀、材料構成、工藝參數(shù)、監(jiān)控和測試數(shù)據(jù)等信息依次匯入到數(shù)據(jù)流中。與此同時，各環(huán)節(jié)涉及大量決策過程并深刻影響成型件的性能及工藝可靠性。

然而，當前的設計決策仍然極大程度上依靠成本昂貴的物理實驗、可信度尚待提高的仿真模型、亦或是需要多年積累的專家經(jīng)驗。如何提高3D打印過程中決策自動化程度以快速、高效獲得最優(yōu)參數(shù)來提高成型件的性能及工藝可靠性成為亟需解決的問題。由于3D打印完全建立在數(shù)據(jù)流上的先天優(yōu)勢，其同機器學習方法的結合為破解上述問題提供了新的思路。接下來，我們順著數(shù)字化設計與制造流程，淺析幾個機器學習方法在3D打印中已經(jīng)應用的案例，并展望其未來。

圖表 1 貫穿增材制造產(chǎn)品全生命周期的數(shù)據(jù)流及其對應決策過程 [1]

1）設計中的應用
眾所周知，增材制造技術的出現(xiàn)使得開發(fā)具有復雜結構的零件成為可能。拓撲優(yōu)化、輕質結構設計等方法也借此契機再次復興。然而在筆者看來，傳統(tǒng)的優(yōu)化設計方法過于注重尋求具有性能最優(yōu)（往往是剛度最大）的單點設計（Point-based Design），而忽視了實際工況同優(yōu)化初始條件的不同。另一方面，由于現(xiàn)有的拓撲優(yōu)化模型采用基于靈敏度的方法，其無法很好的同時考慮產(chǎn)品設計的其他需求，如創(chuàng)新性、制造成本等。針對該問題，韓國學者在拓撲優(yōu)化方法的基礎上綜合生成對抗式網(wǎng)絡（generativeadversarial networks），以實現(xiàn)生成一組候選設計并同時考慮多個設計目標[2]。

圖 1 拓撲優(yōu)化同生成式模型結合在輪轂設計上的應用[2]

在商業(yè)運用上，雖然早在2017年法國3D打印服務商Sculpteo就發(fā)布了一套針對金屬工藝的專用在線軟件Agile Metal Technology，并號稱是第一款能夠運用人工智能技術以幫助用戶檢查CAD模型質量，并推薦材料和相關工藝設置的軟件。然而目前來看，該軟件的后續(xù)應用卻不盡人意。

2）工藝規(guī)劃上的應用
每當有新的3D打印設備或采用新材料時，尋找合適的工藝參數(shù)成為一項極為耗時費力的工作。操作者往往需要通過實驗設計（DoE）并開展大量物理實驗以確定合理的工藝參數(shù)窗口。而基于機器學習的方法僅需要少量實驗即可通過訓練回歸模型來擬合工藝參數(shù)與性能之間的復雜映射關系。如圖 1所示，美國海軍部研究人員通過相關模型確定了激光功率、停留時間、掃描距離與制成件密度之間的關聯(lián)。如此以來，當給定某項性能目標時，工藝工程師可以快速的找到對應工藝參數(shù)設置。筆者自身也曾經(jīng)針對電弧填絲焊工藝，采用基于高斯過程的代理模型擬合工藝參數(shù)與單道幾何尺寸之間的關系，并通過該模型快速實現(xiàn)了變道寬路徑填充的工藝參數(shù)優(yōu)化。喜歡動手的朋友不妨采用Python或Matlab中已有的相關代理模型算法結合身邊的打印機實際驗證下。

圖 2（a）工藝參數(shù)同制成件密度映射關系；（b）模型預測密度與實測值比較[3]

3）在線監(jiān)控上的應用
工藝過程的在線監(jiān)控對于推動3D打印在工業(yè)大規(guī)模應用有著極其重要的意義。一方面，通過監(jiān)測可能出現(xiàn)的缺陷信號以及時修正和控制相關工藝有助于提供工藝可靠性；另一方面，記錄的制造工藝參數(shù)信息也使得成型件質量可追溯，有助于推動3D打印在航空航天等高端應用的落地。由于3D打印監(jiān)控過程往往產(chǎn)生海量的數(shù)據(jù)，傳統(tǒng)的基于統(tǒng)計的信號處理手段無法滿足實時性要求。因此，機器學習方法，尤其是分類方法已被廣泛應用于缺陷的預警和識別。

數(shù)字化服務巨頭源訊（Atos）推出了預測控制系統(tǒng)（PredictiveMonitoring System）通過布置傳感器以采集相關數(shù)據(jù)，同時運用機器學習方法處理相關數(shù)據(jù)以改變前序設計和記錄相關質量信息。

圖 3 源訊（Atos）推出的預測控制系統(tǒng)

挑戰(zhàn)與展望

從以上的簡要介紹中，我們不難發(fā)現(xiàn)機器學習方法在提高成型件的質量及工藝可靠性的不同環(huán)節(jié)上已經(jīng)牛刀小試。然而，如何通過機器學習方法真正的使3D打印從數(shù)字化制造變?yōu)橹悄苤圃?，前路依然漫漫?？傮w來看，其挑戰(zhàn)可概括為以下幾個方面。

1）數(shù)據(jù)稀缺
雖然如前文所述3D打印是數(shù)字化設計與制造流程，但是實際上真正能運用的數(shù)據(jù)卻極為稀缺。一方面，由于軟件和硬件提供商并不開放底層權限，大量數(shù)據(jù)僅在封閉系統(tǒng)內流動，無法為我們所用。另一方面，缺乏全面、系統(tǒng)、開放、權威的數(shù)據(jù)庫能夠提供涵蓋從材料制備到性能測試的全流程信息，研究者們不得不另起爐灶做很多重復性的工作。

為解決該問題，已經(jīng)有人率先行動起來。美國國家標準技術研究所（NIST）推動的增材制造材料數(shù)據(jù)庫（The AdditiveManufacturing Material Database, AMMD）提供了一個協(xié)作開源平臺用于共享增材制造相關數(shù)據(jù)，其數(shù)據(jù)包含成型件對應的材料、設備、和工藝等三個方面。另外，以Senvol為代表的公司通過提供增材制造數(shù)據(jù)以協(xié)助產(chǎn)品設計的商業(yè)模式。其數(shù)據(jù)庫已涵蓋1000多種增材制造機器及對應的850多種材料。值得注意的是ANSYS去年剛納入麾下的久負盛名的材料信息軟件GRANTA已同SENVOL建立數(shù)據(jù)接口，提供增材制造材料和工藝方面的比較與選擇。

圖 4 GRANTA 軟件中增材制造成型件材料性能的比較

2）數(shù)據(jù)復雜
眾所周知，大數(shù)據(jù)具有5V的特征。而針對3D打印工藝，其產(chǎn)品相關數(shù)據(jù)的特點可以概括為3V，即Volume，Velocity，和Variety。首先，其數(shù)據(jù)量大（Volume），在激光選區(qū)熔融工藝中，制造1x1x1cm零件所涉及的掃描矢量可達百萬級；同時，無論是在線監(jiān)測傳感器數(shù)據(jù)還是測試過程中的CT掃描數(shù)據(jù)，僅單一零件就在TB級別。其次，是數(shù)據(jù)產(chǎn)生速度快（Velocity），由于熔池狀況瞬息萬變，采用視覺捕捉其實時信息需要高達75GB/S的速率。再者，數(shù)據(jù)呈現(xiàn)極度的異質性（Variety），其中具體包括三維幾何模型，二維圖像或視頻、點云、聲音、以及各種模擬、數(shù)字信號。上述三個特點，每一個都需要研究對應的處理策略，開發(fā)合適算法，真正從數(shù)據(jù)富裕環(huán)境（Data-rich Environment）中挖掘出有意義的信息。

3）合適算法
文中所討論的大部分機器學習在3D打印中的應用都采用的是十分成熟的基于圖像的算法，如深度神經(jīng)卷積網(wǎng)絡等。針對3D打印中普遍使用的三維幾何模型，雖然也可以通過體素化將其轉化為適用VoxNet等在內的三維卷積神經(jīng)網(wǎng)絡。然而，該方法由于會造成精度折損，無法應用于復雜的幾何模型。正如自動駕駛領域圖像處理需求推動了對應機器學習算法的發(fā)展，增材制造領域對于處理復雜、大規(guī)模、非結構化的表面模型（如STL）的需求也必然會帶來相應的算法研究。

結語

由于篇幅有限，本文僅對3D打印設計制造流程中三個代表性環(huán)節(jié)，簡要的討論了機器學習方法在提高成型件的性能及工藝可靠性上的初步應用。希望該短文能夠啟發(fā)更多的研究者、使用該思路解決3D打印中遇到的相關實際問題。


參考文獻
[1] Razvi, Sayyeda Saadia, et al. "Areview of machine learning applications in additive manufacturing." ASME2019 International Design Engineering Technical Conferences and Computers andInformation in Engineering Conference.American Society of Mechanical Engineers Digital Collection, 2019.
[2] Oh, Sangeun, et al. "Deepgenerative design: Integration of topology optimization and generativemodels." Journal of Mechanical Design 141.11 (2019).
[3] Senvol: How machine learning is helpingthe U.S. Navy optimize AM process parameters and material performance. MetalAdditive Manufacturing, 5(1), (2019)

本文經(jīng)授權發(fā)布，不代表3D打印資源庫立場。如若轉載請聯(lián)系原作者。