前沿研究丨基于神經網絡的機器學習方法在增材制造全鏈條中的應用
得益于規模龐大的數據集、計算能力的提高和計算模型的優化改善，神經網絡算法已成為機器學習算法中使用最廣泛的模型。當前一個明顯的趨勢是，神經網絡算法的經驗成果正在向傳統制造領域進行遷移，并對制造行業的產品設計、制造、質檢到交付等價值鏈環節，產生了深遠而廣泛的影響。
中國工程院院刊《Engineering》刊發《將基于神經網絡的機器學習方法應用于增材制造——應用現狀、當前挑戰和未來前景》，綜述了神經網絡算法在增材制造全鏈條中的模型設計、實時監測、質量評價等方面的應用進展。文章介紹了增材制造技術和神經網絡算法的發展情況，概述了當前將神經網絡應用于增材制造所遇到的挑戰以及針對這些問題的可能解決方案，并討論了未來趨勢以對這一跨學科領域進行探討。本文主要探討該方法在增材制造設計、實時監測和工藝-性能-使役性能聯系中的應用。
基于神經網絡的機器學習方法
通過物理驅動的方法不可能在短時間內快速準確地預測整個增材制造過程。而采用數據驅動的模型已廣泛應用于該領域，這些模型統一稱為機器學習算法（ML）。這種模型的壓倒性優勢在于其不需要構建一系列基于物理過程的方程。取而代之的是，它們會根據以前的數據自動學習輸入特征和輸出目標之間的關系。
在機器學習方法中，神經網絡（NN）算法最為廣泛使用，并且由于當前大量可用的數據和計算資源，以及其先進的算法結構，該算法目前正在快速發展。例如，NN是計算機視覺、語音識別、自然語言處理和自動駕駛等領域的主要驅動力。NN在識別上述任務中潛在的復雜模式方面表現出了它的強大優勢，其中大部分模式曾被認為只有人類有可能分辨出來。此外，一個明顯的趨勢是，在這些領域中利用NN的經驗成果正在向傳統的制造領域（包括增材制造）進行遷移。NN對制造行業中的整個價值鏈創新，從產品設計、制造、質檢到交付等，都產生了深遠而廣泛的影響，并且其帶來的影響將越來越強烈。
此外，NN作為一種監督式的機器學習方法，具有很強的評估擬合能力，它可以表示輸入和輸出特征之間復雜的、高度非線性的關系。監督式學習適用于增材制造，因為該技術總是有明確的目標和驗證方法。通過迭代訓練，神經網絡算法可以發揮高效作用。
神經網絡算法在增材制造價值鏈中的應用
增材制造是一個包含許多方面的價值鏈條，包括模型設計、材料選擇、制造和質量評估。接下來將主要介紹神經網絡算法（NN）在設計、實時監測和工藝-性能-使役性能的聯系中的應用。
（一）增材制造設計
增材制造M設計（DfAM）是為了建立AM部件的CAD模型，這是整個工藝鏈條的第一步也是至關重要的一步。然而，由于加工結果中變形引入的殘余應力，CAD模型和打印部件之間總是存在幾何偏差。因此，通常選擇補償方法以獲得具有高精度的AM部件。
Chowdhury和Anand提出了一種NN算法來直接補償部件的幾何設計，這有助于抵消制造過程中的熱收縮和變形。整個過程如下：①準備所需部件的CAD模型，提取其表面3D坐標作為NN模型的輸入。②使用熱力耦合的有限元分析軟件（如ANSYS或ABAQUS），然后定義一組過程參數來模擬AM過程。提取變形表面坐標作為NN模型的輸出。③訓練一個具有14個神經元和損失函數為均方誤差（MSE）的NN模型來學習輸入和輸出之間的差異。④將訓練好的網絡應用于STL文件，從而進行所需的幾何校正，這樣就可以使用修改過的幾何形狀來制造部件，從而得到尺寸精確的成品。
Koeppe等提出了一個結合實驗、有限元方法（FEM）模擬和NN的框架，如圖1所示。首先，他們進行了實際實驗來驗證有限元方法模擬。接下來，使用有限元方法運行85個模擬樣本，模擬參數是全局負載、位移和支柱半徑以及單元尺寸的不同組合。這些是NN的輸入特征，而輸出特征是最大的Von Mises等效應力和等效主應力。NN的架構為：一個具有1024個整流線性神經元的全連接層、兩個分別具有1024個神經元的長短期記憶網絡，以及一個全連接的線性輸出層。這里需要注意的是，選擇長短期記憶網絡是因為它在處理時間序列事件上表現出色。在訓練之后，NN可以很好地重現加載歷史，與有限元方法模擬結果相吻合。從這一點出發，NN可以替代傳統的、運行速度較低的數值模擬方法。
與上述兩種將NN應用于AM設計的情況不同，McComb等試圖建立一個自編碼器（一種從輸入中學習然后嘗試高精度地重建輸入的NN）來學習部件設計的低維表示。除了這種自編碼器之外，還訓練其他3個網絡以確定幾何形狀設計和其他3個增材制造設計屬性（即部件質量、支撐材料質量和構建時間）之間的關系。通過這種方式，可以利用這4個NN的組合來評估為增材制造設計的部件的屬性。將機器學習應用于增材制造設計的另一個有趣的實例與3D打印過程的安全評估有關。Li等訓練卷積神經網絡檢測和識別通過AM制造的非法組件（如支）。當卷積神經網絡構建完善后，將它整合到打印機中以便能在早期檢測相關支的打印，從而及時終止制造過程。對應于原始3D模型的投影結果，作者收集了61 340個二維（2D）圖像的數據集，包括支和其他非支對象。整個CNN模型由兩個卷積層、兩個池化層和一個全連接層組成。根據實驗結果，分類錯誤率可降至1.84%。
（二）實時監測
實時監測從多個傳感器獲取數據，其提供了增材制造過程中產品質量的第一手信息。如果可以同步且準確地分析這些實時數據，那么就能實現對制造過程的全閉環控制。數據源分為3種類型，包括一維（1D）數據（如光譜）、2D數據（如圖像）和3D數據（如層析成像）。每種數據類型都有其優缺點。例如，處理1D數據的速度較快且其硬件相對便宜。但是，其可提供的信息比其他類型少。這里將使用兩個實例來演示如何使用這些不同類型的信號數據。Shevchik等介紹了一項使用聲發射（AE）和NN對SLM進行現場質量監測的研究，如圖2所示。使用布拉格光纖光柵傳感器記錄AE信號，而選擇的NN算法是波譜卷積神經網絡（SCNN），它是對傳統卷積神經網絡（CNN）的延伸。模型的輸入特征是小波包變換的窄頻帶的相對能量。輸出特征是對打印層的質量為高、中或差的分類。據報道，使用SCNN對工件質量為高、中、差的分類精度分別高達83%、85%和89%。
最近，Zhang等構建了一個帶有高速攝像頭的視覺系統，用于過程圖像采集。該系統可以檢測3個對象的信息，包括熔池、羽流和飛濺，如圖3所示。這些對象的特征是根據作者對工藝的物理機制的理解而仔細提取的，以便將它們納入傳統的機器學習算法。然而，作者強調CNN模型不需要這個特征提取步驟，同時它在質量水平識別中仍然具有92.7%的高精度。目前普遍的共識是，CNN具有在工業應用中實現實時監控的巨大潛力。上述案例主要集中在對AM過程的原位監測。然而，NN模型的質量結果不能反過來影響實際制造。相反，以下情況通過無縫集成基于視覺的技術和NN技術來用于液態金屬噴墨打印（LMJP），實現了該過程的閉環控制。首先，Wang等開發了一個帶有電荷耦合器件（CCD）相機的視覺系統，用于捕獲包含各種液滴圖案的噴墨圖像。其次，為了建立電壓等級和液滴特征之間的復雜關系，他們構建了NN模型。因此，通過NN模型，可以將實時噴墨行為和理想行為（其中輸入信號的每個脈沖僅產生具有足夠體積且其后沒有隨體的單個液滴）轉換成精確的電壓值。最后，使用比例積分微分（PID）控制技術來比較這些數值，從而相應地調節驅動電壓并穩定打印過程。
（三）工藝-性能-使役性能的聯系
從技術和經濟上的觀點來看，過程參數的選擇對優化增材制造性能是必需的。在工藝、性能和使役性能之間建立直接聯系是科學家和工程師非常感興趣的。這種聯系通常是高度非線性的，因為輸入變量的數量通常大于3個。因此，很難確定這種聯系的基礎數學公式。由于NN模型固有的非線性特性，它已被應用于為各種AM過程建立這些數學關系。表1總結了NN在AM中的應用（實際上，NN在這里稱為MLP，因為所有數據集都是表格類型），并列出了作為輸入的工藝參數值和作為輸出的性能/使役性能。從表1中可以看出，不同的AM技術應該選擇不同的輸入特征，因為確定AM部件的關鍵因素是不同的。此外，由于大量參數會對最終成品產生影響，所以確定選擇哪些參數需要深入了解AM過程。
表1 NN應用程序，用于構建過程-性質-性能聯系
END
增材制造和神經網絡算法是制造業和信息技術領域出現的兩個爆發性發展的技術。增材制造具有數字CAD模型集成以及構建具有復雜形態的零件的能力等優點，而神經網絡算法則擅長于避免構建和解決復雜的多尺度和多物理數學模型。
兩者的結合已經證明了在工業中實現“敏捷制造”概念的巨大潛力。采用神經網絡算法可以鏈接增材制造工藝、性能和使役性能的傳統多層感知器；用于熔池識別的卷積神經網絡；用于再現有限元模擬結果的長短期記憶網絡和用于數據增強的變分自編碼器。然而，正如人們所說，“每枚都有兩面”：由于神經網絡強烈依賴數據采集，所以很難控制增材制造部件的質量。因此，這個跨學科領域仍然存在一些挑戰。
歡迎轉發
延伸閱讀：
4.大型零件增材制造整合設計，看GE增材高級設計工程師如何說
工程師必備
- 項目客服
- 培訓客服
- 平臺客服
TOP
