超越基础：机器学习和 AM
在工业 4.0 时代，制造业正日益走向机器学习和人工智能的世界。一个可以开发数据驱动系统以增强生产流程的世界。增材制造可以利用机器学习的优势来提高效率、提高产品质量并优化 AM 工作流程。
通过机器学习提高效率
随着增材制造扩大到最终用途生产，机器学习的进步不仅限于自动驾驶汽车的前景。机器学习可用于增材制造，通过消除生产过程中的反复试验方法来提高效率。
许多因素，例如零件方向或支撑结构的设计，都可能影响零件的材料结构并导致构建失败。这不可避免地意味着构建失败背后的原因可以归因于许多变量。通常，已应用试错法以实现可靠的打印过程。然而，由于这涉及在达到最佳过程之前经历多次失败，试错法不可避免地缺乏效率。机器学习可以通过开发一个系统来帮助机器提前确定变量和参数，从而优化生产过程，从而绕过试错法进行生产。
美国海军海军研究办公室 (ONR) 最近与数据公司 Senvol 合作开发机器学习软件，该软件可以分析 AM 工艺参数与材料性能之间的关系。目的是让 ONR 减少对传统材料测试的依赖。
科罗拉多州 ADAPT 中心的研究已经开始探索机器学习如何识别零件的内部几何形状，预测任何新零件的正确参数，从而优化打印过程。
使用机器学习来改进质量流程
机器学习也可以用于为生产过程添加另一层质量控制，因为机器最终能够自我纠正和自我监督。使用机器学习技术，可以分析和使用大量数据来提供每个生产阶段的实时状态。机器可以使用算法来发现生产数据中的模式，并由此构建预测模型，并通过与真实数据的比较进行改进。
去年，GE 公布了其对使用机器智能和数字孪生增强金属 3D 打印机器和材料性能的研究。通过对机器学习的研究，GE 旨在通过检测质量过程问题来减少材料浪费，最终目标是 100% 的产量。 GE 的研究旨在全面了解零件构建的每一层，训练机器识别构建本身的问题。这将允许用户查看构建的机制和结构，并在流程的早期识别问题。
机器学习的其他用例
备件
由于存储和维护备件库存的高成本，增材制造已被证明是备件行业的理想解决方案。增材制造使制造商能够在需要时按需生产和供应备件，从而解决了这个问题。
然而，机器学习可以使该解决方案更进一步，通过提高预测能力来提高生产过程的效率。例如，在离散制造的情况下，公司可以利用预测性维护模型来预测特定零件的使用寿命。机器学习还可用于使用预设数据时间表确定客户何时需要更换零件，从而使制造商能够提前发送更换零件。因此，制造商应考虑使用机器学习来降低成本并确保更高的客户满意度。
机器学习——AM 的巨大潜力
机器学习具有改进生产流程、指导决策并最终转变业务模式的潜力。机器学习在 AM 中的应用很多，从增强设计过程到提高效率，甚至在打印过程开始之前确定 3D 对象的可打印性。然而，实施机器学习和人工智能系统也并非没有挑战，需要对软件和硬件基础设施进行战略规划和投资。但在工业4.0时代，很明显，机器学习、人工智能和大数据在增材制造中的应用只是冰山一角。
3D打印