编者按：本文来自微信公众号“靖哥3D打印”（ID:gh_d599e1b42ab3）作者： 熊异博士，3D打印资源库经授权发布。

3D打印工艺中，应用端的设计、新材料/工艺的开发、过程的反馈，当前依然强烈的依赖于行业从业者的经验。而对于该工艺中所产生的海量数据，经验及分析能力的上限并不是很高。借助于计算机强大的运算能力，采用机器学习的方法，能够高效的开发更多的新材料，实现更精准的设计，也能够更有效的实现实时质量控制。
靖哥有幸邀请到3D打印行业专家熊异教授，为我们解读机器学习在3D打印中的应用。

【作者简介】
熊异，南方科技大学系统设计与智能制造学院助理教授，博导。2016年毕业于芬兰阿尔托大学工程设计与制造专业，获博士学位。2016年至2017年，任比利时法兰德斯制造研究所长聘工程师，参与多项工业级增材制造软硬件系统的开发。2017-2020年，在新加坡科技与设计大学数字制造和设计中心担任研究员（二级）。主要研究领域包括：设计制造一体化，面向增材制造的设计，自适应工艺优化，和智能增材制造系统开发。

机器学习方法在3D打印中应用浅析

在前几期的文章里，唐云龙博士系统的介绍了以3D打印技术为基础的数字化设计与制造流程及其软件工具链浅谈数字设计与制造软件在3D打印领域的应用（//www.ynynsp.com/thread-14988-1-1.html），浅谈数字设计与制造软件在3D打印领域的应用(下）（//www.ynynsp.com/thread-14989-1-1.html）。在该数字化开发过程中，数据流贯穿产品生命周期的各个环节。如图1所示，从几何建模、结构优化、到工艺规划、在线监控、后处理过程，直至最终性能测试环节，产品的几何形状、材料构成、工艺参数、监控和测试数据等信息依次汇入到数据流中。与此同时，各环节涉及大量决策过程并深刻影响成型件的性能及工艺可靠性。

然而，当前的设计决策仍然极大程度上依靠成本昂贵的物理实验、可信度尚待提高的仿真模型、亦或是需要多年积累的专家经验。如何提高3D打印过程中决策自动化程度以快速、高效获得最优参数来提高成型件的性能及工艺可靠性成为亟需解决的问题。由于3D打印完全建立在数据流上的先天优势，其同机器学习方法的结合为破解上述问题提供了新的思路。接下来，我们顺着数字化设计与制造流程，浅析几个机器学习方法在3D打印中已经应用的案例，并展望其未来。

图表 1 贯穿增材制造产品全生命周期的数据流及其对应决策过程 [1]

1）设计中的应用
众所周知，增材制造技术的出现使得开发具有复杂结构的零件成为可能。拓扑优化、轻质结构设计等方法也借此契机再次复兴。然而在笔者看来，传统的优化设计方法过于注重寻求具有性能最优（往往是刚度最大）的单点设计（Point-based Design），而忽视了实际工况同优化初始条件的不同。另一方面，由于现有的拓扑优化模型采用基于灵敏度的方法，其无法很好的同时考虑产品设计的其他需求，如创新性、制造成本等。针对该问题，韩国学者在拓扑优化方法的基础上综合生成对抗式网络（generativeadversarial networks），以实现生成一组候选设计并同时考虑多个设计目标[2]。

图 1 拓扑优化同生成式模型结合在轮毂设计上的应用[2]

在商业运用上，虽然早在2017年法国3D打印服务商Sculpteo就发布了一套针对金属工艺的专用在线软件Agile Metal Technology，并号称是第一款能够运用人工智能技术以帮助用户检查CAD模型质量，并推荐材料和相关工艺设置的软件。然而目前来看，该软件的后续应用却不尽人意。

2）工艺规划上的应用
每当有新的3D打印设备或采用新材料时，寻找合适的工艺参数成为一项极为耗时费力的工作。操作者往往需要通过实验设计（DoE）并开展大量物理实验以确定合理的工艺参数窗口。而基于机器学习的方法仅需要少量实验即可通过训练回归模型来拟合工艺参数与性能之间的复杂映射关系。如图 1所示，美国海军部研究人员通过相关模型确定了激光功率、停留时间、扫描距离与制成件密度之间的关联。如此以来，当给定某项性能目标时，工艺工程师可以快速的找到对应工艺参数设置。笔者自身也曾经针对电弧填丝焊工艺，采用基于高斯过程的代理模型拟合工艺参数与单道几何尺寸之间的关系，并通过该模型快速实现了变道宽路径填充的工艺参数优化。喜欢动手的朋友不妨采用Python或Matlab中已有的相关代理模型算法结合身边的打印机实际验证下。

图 2（a）工艺参数同制成件密度映射关系；（b）模型预测密度与实测值比较[3]

3）在线监控上的应用
工艺过程的在线监控对于推动3D打印在工业大规模应用有着极其重要的意义。一方面，通过监测可能出现的缺陷信号以及时修正和控制相关工艺有助于提供工艺可靠性；另一方面，记录的制造工艺参数信息也使得成型件质量可追溯，有助于推动3D打印在航空航天等高端应用的落地。由于3D打印监控过程往往产生海量的数据，传统的基于统计的信号处理手段无法满足实时性要求。因此，机器学习方法，尤其是分类方法已被广泛应用于缺陷的预警和识别。

数字化服务巨头源讯（Atos）推出了预测控制系统（PredictiveMonitoring System）通过布置传感器以采集相关数据，同时运用机器学习方法处理相关数据以改变前序设计和记录相关质量信息。

图 3 源讯（Atos）推出的预测控制系统

挑战与展望

从以上的简要介绍中，我们不难发现机器学习方法在提高成型件的质量及工艺可靠性的不同环节上已经牛刀小试。然而，如何通过机器学习方法真正的使3D打印从数字化制造变为智能制造，前路依然漫漫。总体来看，其挑战可概括为以下几个方面。

1）数据稀缺
虽然如前文所述3D打印是数字化设计与制造流程，但是实际上真正能运用的数据却极为稀缺。一方面，由于软件和硬件提供商并不开放底层权限，大量数据仅在封闭系统内流动，无法为我们所用。另一方面，缺乏全面、系统、开放、权威的数据库能够提供涵盖从材料制备到性能测试的全流程信息，研究者们不得不另起炉灶做很多重复性的工作。

为解决该问题，已经有人率先行动起来。美国国家标准技术研究所（NIST）推动的增材制造材料数据库（The AdditiveManufacturing Material Database, AMMD）提供了一个协作开源平台用于共享增材制造相关数据，其数据包含成型件对应的材料、设备、和工艺等三个方面。另外，以Senvol为代表的公司通过提供增材制造数据以协助产品设计的商业模式。其数据库已涵盖1000多种增材制造机器及对应的850多种材料。值得注意的是ANSYS去年刚纳入麾下的久负盛名的材料信息软件GRANTA已同SENVOL建立数据接口，提供增材制造材料和工艺方面的比较与选择。

图 4 GRANTA 软件中增材制造成型件材料性能的比较

2）数据复杂
众所周知，大数据具有5V的特征。而针对3D打印工艺，其产品相关数据的特点可以概括为3V，即Volume，Velocity，和Variety。首先，其数据量大（Volume），在激光选区熔融工艺中，制造1x1x1cm零件所涉及的扫描矢量可达百万级；同时，无论是在线监测传感器数据还是测试过程中的CT扫描数据，仅单一零件就在TB级别。其次，是数据产生速度快（Velocity），由于熔池状况瞬息万变，采用视觉捕捉其实时信息需要高达75GB/S的速率。再者，数据呈现极度的异质性（Variety），其中具体包括三维几何模型，二维图像或视频、点云、声音、以及各种模拟、数字信号。上述三个特点，每一个都需要研究对应的处理策略，开发合适算法，真正从数据富裕环境（Data-rich Environment）中挖掘出有意义的信息。

3）合适算法
文中所讨论的大部分机器学习在3D打印中的应用都采用的是十分成熟的基于图像的算法，如深度神经卷积网络等。针对3D打印中普遍使用的三维几何模型，虽然也可以通过体素化将其转化为适用VoxNet等在内的三维卷积神经网络。然而，该方法由于会造成精度折损，无法应用于复杂的几何模型。正如自动驾驶领域图像处理需求推动了对应机器学习算法的发展，增材制造领域对于处理复杂、大规模、非结构化的表面模型（如STL）的需求也必然会带来相应的算法研究。

结语

由于篇幅有限，本文仅对3D打印设计制造流程中三个代表性环节，简要的讨论了机器学习方法在提高成型件的性能及工艺可靠性上的初步应用。希望该短文能够启发更多的研究者、使用该思路解决3D打印中遇到的相关实际问题。


参考文献
[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)

本文经授权发布，不代表3D打印资源库立场。如若转载请联系原作者。

编者按：本文来自微信公众号“靖哥3D打印”（ID:gh_d599e1b42ab3）作者： 熊异博士，3D打印资源库经授权发布。

3D打印工艺中，应用端的设计、新材料/工艺的开发、过程的反馈，当前依然强烈的依赖于行业从业者的经验。而对于该工艺中所产生的海量数据，经验及分析能力的上限并不是很高。借助于计算机强大的运算能力，采用机器学习的方法，能够高效的开发更多的新材料，实现更精准的设计，也能够更有效的实现实时质量控制。
靖哥有幸邀请到3D打印行业专家熊异教授，为我们解读机器学习在3D打印中的应用。

【作者简介】
熊异，南方科技大学系统设计与智能制造学院助理教授，博导。2016年毕业于芬兰阿尔托大学工程设计与制造专业，获博士学位。2016年至2017年，任比利时法兰德斯制造研究所长聘工程师，参与多项工业级增材制造软硬件系统的开发。2017-2020年，在新加坡科技与设计大学数字制造和设计中心担任研究员（二级）。主要研究领域包括：设计制造一体化，面向增材制造的设计，自适应工艺优化，和智能增材制造系统开发。

机器学习方法在3D打印中应用浅析

在前几期的文章里，唐云龙博士系统的介绍了以3D打印技术为基础的数字化设计与制造流程及其软件工具链浅谈数字设计与制造软件在3D打印领域的应用（//www.ynynsp.com/thread-14988-1-1.html），浅谈数字设计与制造软件在3D打印领域的应用(下）（//www.ynynsp.com/thread-14989-1-1.html）。在该数字化开发过程中，数据流贯穿产品生命周期的各个环节。如图1所示，从几何建模、结构优化、到工艺规划、在线监控、后处理过程，直至最终性能测试环节，产品的几何形状、材料构成、工艺参数、监控和测试数据等信息依次汇入到数据流中。与此同时，各环节涉及大量决策过程并深刻影响成型件的性能及工艺可靠性。

然而，当前的设计决策仍然极大程度上依靠成本昂贵的物理实验、可信度尚待提高的仿真模型、亦或是需要多年积累的专家经验。如何提高3D打印过程中决策自动化程度以快速、高效获得最优参数来提高成型件的性能及工艺可靠性成为亟需解决的问题。由于3D打印完全建立在数据流上的先天优势，其同机器学习方法的结合为破解上述问题提供了新的思路。接下来，我们顺着数字化设计与制造流程，浅析几个机器学习方法在3D打印中已经应用的案例，并展望其未来。

图表 1 贯穿增材制造产品全生命周期的数据流及其对应决策过程 [1]

1）设计中的应用
众所周知，增材制造技术的出现使得开发具有复杂结构的零件成为可能。拓扑优化、轻质结构设计等方法也借此契机再次复兴。然而在笔者看来，传统的优化设计方法过于注重寻求具有性能最优（往往是刚度最大）的单点设计（Point-based Design），而忽视了实际工况同优化初始条件的不同。另一方面，由于现有的拓扑优化模型采用基于灵敏度的方法，其无法很好的同时考虑产品设计的其他需求，如创新性、制造成本等。针对该问题，韩国学者在拓扑优化方法的基础上综合生成对抗式网络（generativeadversarial networks），以实现生成一组候选设计并同时考虑多个设计目标[2]。

图 1 拓扑优化同生成式模型结合在轮毂设计上的应用[2]

在商业运用上，虽然早在2017年法国3D打印服务商Sculpteo就发布了一套针对金属工艺的专用在线软件Agile Metal Technology，并号称是第一款能够运用人工智能技术以帮助用户检查CAD模型质量，并推荐材料和相关工艺设置的软件。然而目前来看，该软件的后续应用却不尽人意。

2）工艺规划上的应用
每当有新的3D打印设备或采用新材料时，寻找合适的工艺参数成为一项极为耗时费力的工作。操作者往往需要通过实验设计（DoE）并开展大量物理实验以确定合理的工艺参数窗口。而基于机器学习的方法仅需要少量实验即可通过训练回归模型来拟合工艺参数与性能之间的复杂映射关系。如图 1所示，美国海军部研究人员通过相关模型确定了激光功率、停留时间、扫描距离与制成件密度之间的关联。如此以来，当给定某项性能目标时，工艺工程师可以快速的找到对应工艺参数设置。笔者自身也曾经针对电弧填丝焊工艺，采用基于高斯过程的代理模型拟合工艺参数与单道几何尺寸之间的关系，并通过该模型快速实现了变道宽路径填充的工艺参数优化。喜欢动手的朋友不妨采用Python或Matlab中已有的相关代理模型算法结合身边的打印机实际验证下。

图 2（a）工艺参数同制成件密度映射关系；（b）模型预测密度与实测值比较[3]

3）在线监控上的应用
工艺过程的在线监控对于推动3D打印在工业大规模应用有着极其重要的意义。一方面，通过监测可能出现的缺陷信号以及时修正和控制相关工艺有助于提供工艺可靠性；另一方面，记录的制造工艺参数信息也使得成型件质量可追溯，有助于推动3D打印在航空航天等高端应用的落地。由于3D打印监控过程往往产生海量的数据，传统的基于统计的信号处理手段无法满足实时性要求。因此，机器学习方法，尤其是分类方法已被广泛应用于缺陷的预警和识别。

数字化服务巨头源讯（Atos）推出了预测控制系统（PredictiveMonitoring System）通过布置传感器以采集相关数据，同时运用机器学习方法处理相关数据以改变前序设计和记录相关质量信息。

图 3 源讯（Atos）推出的预测控制系统

挑战与展望

从以上的简要介绍中，我们不难发现机器学习方法在提高成型件的质量及工艺可靠性的不同环节上已经牛刀小试。然而，如何通过机器学习方法真正的使3D打印从数字化制造变为智能制造，前路依然漫漫。总体来看，其挑战可概括为以下几个方面。

1）数据稀缺
虽然如前文所述3D打印是数字化设计与制造流程，但是实际上真正能运用的数据却极为稀缺。一方面，由于软件和硬件提供商并不开放底层权限，大量数据仅在封闭系统内流动，无法为我们所用。另一方面，缺乏全面、系统、开放、权威的数据库能够提供涵盖从材料制备到性能测试的全流程信息，研究者们不得不另起炉灶做很多重复性的工作。

为解决该问题，已经有人率先行动起来。美国国家标准技术研究所（NIST）推动的增材制造材料数据库（The AdditiveManufacturing Material Database, AMMD）提供了一个协作开源平台用于共享增材制造相关数据，其数据包含成型件对应的材料、设备、和工艺等三个方面。另外，以Senvol为代表的公司通过提供增材制造数据以协助产品设计的商业模式。其数据库已涵盖1000多种增材制造机器及对应的850多种材料。值得注意的是ANSYS去年刚纳入麾下的久负盛名的材料信息软件GRANTA已同SENVOL建立数据接口，提供增材制造材料和工艺方面的比较与选择。

图 4 GRANTA 软件中增材制造成型件材料性能的比较

2）数据复杂
众所周知，大数据具有5V的特征。而针对3D打印工艺，其产品相关数据的特点可以概括为3V，即Volume，Velocity，和Variety。首先，其数据量大（Volume），在激光选区熔融工艺中，制造1x1x1cm零件所涉及的扫描矢量可达百万级；同时，无论是在线监测传感器数据还是测试过程中的CT扫描数据，仅单一零件就在TB级别。其次，是数据产生速度快（Velocity），由于熔池状况瞬息万变，采用视觉捕捉其实时信息需要高达75GB/S的速率。再者，数据呈现极度的异质性（Variety），其中具体包括三维几何模型，二维图像或视频、点云、声音、以及各种模拟、数字信号。上述三个特点，每一个都需要研究对应的处理策略，开发合适算法，真正从数据富裕环境（Data-rich Environment）中挖掘出有意义的信息。

3）合适算法
文中所讨论的大部分机器学习在3D打印中的应用都采用的是十分成熟的基于图像的算法，如深度神经卷积网络等。针对3D打印中普遍使用的三维几何模型，虽然也可以通过体素化将其转化为适用VoxNet等在内的三维卷积神经网络。然而，该方法由于会造成精度折损，无法应用于复杂的几何模型。正如自动驾驶领域图像处理需求推动了对应机器学习算法的发展，增材制造领域对于处理复杂、大规模、非结构化的表面模型（如STL）的需求也必然会带来相应的算法研究。

结语

由于篇幅有限，本文仅对3D打印设计制造流程中三个代表性环节，简要的讨论了机器学习方法在提高成型件的性能及工艺可靠性上的初步应用。希望该短文能够启发更多的研究者、使用该思路解决3D打印中遇到的相关实际问题。


参考文献
[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)

本文经授权发布，不代表3D打印资源库立场。如若转载请联系原作者。