增材制造
Additive Manufacturing
Guo Dong Goh, Xi Huang, Wai Yee Yeong
南洋理工大学机械与航空工程学院，新加坡 639798
南洋理工大学3D打印新加坡中心，新加坡 639798
现状
增材制造（Additive Manufacturing, AM），俗称3D打印，已从一种原型制造工具发展为横跨航空航天、生物医学、电子与建筑等多个行业的可行生产技术。通过逐层构建物体，AM能够制造复杂几何形状和定制化功能梯度零件，并将材料浪费降至最低。然而，确保打印零件的可靠性和一致性仍然是关键问题——缺陷或工艺参数的波动可能导致力学性能下降，并阻碍AM在最终用途、安全关键零件中的应用。近年来，AM与机器学习（Machine Learning, ML）的融合日益被视为智能制造的关键赋能技术，通过从数据中提取洞见并自动化决策来应对这些挑战。
机器学习算法在大规模数据集中识别复杂模式方面表现出色，在AM中正被用于揭示工艺参数、材料行为与零件质量之间复杂的相互关系。ML在AM工作流程中的早期成功已得到验证：应用于设计阶段（如ML驱动的拓扑优化和生成式设计，用于轻量化结构）、材料开发（预测配方或微观结构以实现目标性能）、工艺优化（为质量和效率调优打印参数），以及原位监测中的缺陷检测（图1）。
当前挑战与未来挑战
尽管备受关注，但仍需解决若干关键挑战以充分实现ML在AM中的潜力。数据获取与质量是基础性障碍：ML模型需要大规模、高质量的数据集，但AM实验耗时较长且传感器成本高昂，导致数据稀缺或分散。不同机器和材料之间的打印条件差异很大，且行业内缺乏标准化的数据格式和共享机制。因此，在某一数据集上训练的模型可能难以泛化。例如，用于缺陷检测的ML模型可能需要数千张标注图像，覆盖不同缺陷类型、构建几何形状和光照条件——这些数据往往难以获取或成本高昂。在金属AM研究中，研究人员指出获取用于训练计算机视觉模型的真实缺陷标签数据存在困难；高速光学相机只能捕捉表面现象，无法发现亚表面缺陷，而原位X射线CT扫描难以与图像对齐。这凸显了一个更广泛的传感器和标注挑战：如何在3D打印过程中高效获取丰富的同步数据（视觉、热学、声学等）及准确的标签（缺陷位置、材料性能）。
另一个主要挑战是ML模型在AM中的泛化能力。为某一打印机或材料训练的模型在应用于不同配置时往往表现欠佳，这是由于机器硬件、校准或工艺动态的差异。將基于ML的工艺优化器或质量预测器适配到新的AM机器，通常需要为该特定场景进行大量数据收集和再训练。这阻碍了生产环境中可扩展性的提升——在生产环境中，会引入成批打印机或新型号机器。迁移学习和域适应等技术正在被探索，但确保跨机器的稳健性能仍然非易事。同样，可扩展性和实时实施也带来挑战：将ML嵌入打印机的实时控制回路需要快速的推理速度以及可靠的软硬件集成。许多深度学习模型计算密集，如果未经优化，可能拖慢制造速度。例如，一个复杂的神经网络可能精确检测缺陷，但如果无法以打印机的帧率运行以进行实时监测，则可能成为瓶颈——尤其是在熔池监测等需要高帧率的工艺中。实现毫秒级响应时间可能需要模型压缩、边缘计算设备或专用加速器，这些都增加了系统复杂性。
实际部署也存在挑战。某些AM工艺的随机性（如粉末床融合中的飞溅、丝材进料变异性）意味着ML模型必须处理噪声高维数据和稀有事件。确保模型不仅能检测异常，还能在无人干预的情况下做出可靠的纠正决策是一个涉及风险的前沿领域：时机不当或错误的纠正本身可能导致故障。此外，许多ML算法的黑箱性质会降低用户对关键制造场景的信任。工程师和认证机构可能对不透明模型做出的决策持谨慎态度，这凸显了对可解释人工智能和严格验证标准的需求。基于ML增强的AM工艺的认证和资质认定在很大程度上仍是未知领域——目前缺乏关于如何批准使用ML驱动参数调整或缺陷纠正制造的零件的标准。最后，还存在组织和技术技能障碍；实施这些先进系统需要跨学科专业知识（材料、ML、软件），而制造团队仍在培养这些能力。
应对挑战的科学与技术进展
研究工作正在积极推进技术现状以应对上述挑战，在多个方面取得了有前景的成果。一个重要进展领域是打印过程中的实时缺陷检测与纠正。针对基于挤出的3D打印，研究人员开发了计算机视觉模型，可自动检测打印异常（如灯丝欠挤出或过挤出）并在构建过程中进行干预。Brion和Pattinson致力于解决构建真正可泛化的误差纠正系统的需求。他们构建了一个多头神经网络，在涵盖192个零件、多种几何形状、材料、打印机和刀具轨迹的120万张自动标注图像上进行训练。通过在采集过程中标注偏离最佳打印参数的情况，他们创建了一个多样化数据集，使网络能够在不同的挤出方法中实时检测和纠正错误。他们的控制回路不仅能纠正缺陷，还提供决策过程的可视化，增强了跨不同AM设置的透明度和适用性。
另一个值得注意的进展领域是使用ML进行多目标工艺优化，这解决了在无需大量试错的情况下平衡相互竞争的质量指标的挑战。传统AM工艺调优通常需要迭代实验以实现权衡（如在最小化孔隙率的同时最大化强度）。ML驱动的代理模型和优化算法可以加速这一搜索过程。研究人员使用ML驱动的代理模型优化气溶胶喷射打印纳米油墨薄膜的强脉冲光烧结，平衡薄膜电阻和表面粗糙度——这两个因素传统上是相互制约的。通过在小型实验数据集上训练，他们的多目标算法识别出可同时获得低薄层电阻和低粗糙度的工艺设置，揭示了手动调优可能会错过的最佳窗口。这种方法展示了ML如何能够驾驭复杂的AM权衡并在无需新硬件的情况下提升材料性能。类似地，贝叶斯优化和强化学习方案正在被探索，以同时调优数十个AM工艺参数，加速工艺认证。例如，基于迁移学习的框架能够利用先前机器的知识预测新机器的最佳激光加工参数，减少了采用新型打印机模型所需的工作量。这些进展指向一个"自优化"打印机的未来——自动调整以达到目标结果。
在材料和性能领域，ML技术正在实现通过AM获得特定应用材料性能的突破。例如，研究人员在一个由硬质和软质光聚合物混合的216个PolyJet打印样本上训练神经网络，以预测肖氏硬度和弹性模量，误差小于1%——优于响应面模型。通过反转该模型，他们可以指定所需组织刚度，并直接获得所需材料配比和层结构。这使得通过试错无法实现的患者特异性解剖模型或可调触觉特性的假体成为可能。更广泛地说，ML正在通过识别复杂的过程-结构-性能关联来加速AM材料开发。例如，在生物电子学和生物打印中（打印活细胞或软聚合物），数据驱动模型帮助发现可打印的生物墨水配方并校准工艺参数，以确保打印组织的可行性和性能。在电子打印中，ML已被用于预测打印参数如何影响导电性，并调整参数以生产缺陷最少的功能电路。这些案例研究表明，通过从实验数据中学习，ML算法可以驾驭多材料和功能打印的巨大设计空间以满足特定目标。
研究人员正在通过将物理信息神经网络与数字孪生模拟及经验ML相结合来解决泛化问题，从而使模型扎根于物理现实。例如，在金属粉末床融合中，通过用高保真熔池模拟增强有限的实验数据，孔检测准确率提升至87%。Transformer等新兴架构也正在被探索，因其能够建模顺序的、高维的AM数据并捕捉细微缺陷。与此同时，NIST增材制造材料数据库等倡议正在建立开放基准——汇编构建日志、原位传感器读数和质量指标——以推动开发更具泛化能力的AM ML模型。总的来说，传感、数据增强、算法效率和混合建模方面的进展正在将AM从一种手动的、经验驱动的实践转变为数据驱动的、自适应的工艺，建立起对ML集成将克服当前局限性并解锁更高自动化和性能的信心。
总之，传感、数据增强、算法效率和混合建模方面的进展正在共同推动边界拓展：曾经的手动、经验驱动实践正在演变为数据驱动的、自适应工艺。随着每一个成功案例的实现——从实时纠正系统到预测性材料调优——信心不断增强，ML的集成将解决AM当前的许多局限性，并解锁更高水平的自动化和性能。
结语
机器学习将使增材制造转变为智能的、数据驱动的范式。通过实现更智能的设计、自优化参数和自主质量控制，ML使生产更加可靠和高效。高质量的工艺数据对于将AM扩展到工业规模与硬件同等重要。尽管在数据共享、模型可移植性和实时部署方面仍存在挑战，但正在进行的进展——弥合模拟与实验之间的差距、标准化数据格式、开发验证协议——正在铺平道路。未来的AM系统将从每次构建中持续学习，减少错误、提高良率并扩展设计可能性。因此，将ML与AM集成提供了敏捷工厂所需的精度和灵活性，能够以最少的人为干预生产复杂、定制化的产品。
参考文献
[1] Brion D A J and Pattinson S W 2022 Generalisable 3D printing error detection and correction via multi-head neural networks Nat. Commun. 13 4654 (doi: 10.1038/s41467-022-31985-y)
[2] Ng W L, Goh G L, Goh G D, Ten J S J and Yeong W Y 2024 Progress and opportunities for machine learning in materials and processes of additive manufacturing Adv. Mater. 36 2310006 (doi: 10.1002/adma.202310006)
[3] Bonato N, Zanini F and Carmignato S 2023 Deformations modelling of metal additively manufactured parts and improved comparison of in-process monitoring and post-process X-ray computed tomography Addit. Manuf. 75 103736 (doi: 10.1016/j.addma.2023.103736)
[4] Zhu J, Su Z, Wang Q, Lan Z, Chan F S, Han Z et al. 2024 Surface quality prediction and quantitative evaluation of process parameter effects for 3D printing with transfer learning-enhanced gradient-boosting decision trees Expert Syst. Appl. 237 121478 (doi: 10.1016/j.eswa.2023.121478)
[5] Ma H, Mao Z, Feng W, Yang Y, Hao C, Zhou J et al. 2022 Online in-situ monitoring of melt pool characteristic based on a single high-speed camera in laser powder bed fusion process Appl. Therm. Eng. 211 118515 (doi: 10.1016/j.applthermaleng.2022.118515)
[6] Ukwaththa J, Herath S and Meddage D P P 2024 A review of machine learning (ML) and explainable artificial intelligence (XAI) methods in additive manufacturing (3D printing) Mater. Today Commun. 41 110294 (doi: 10.1016/j.mtcomm.2024.110294)
[7] Goh G D, Hamzah N M B and Yeong W Y 2023 Anomaly detection in fused filament fabrication using machine learning 3D Print. Addit. Manuf. 10 428–437(doi: 10.1089/3dp.2021.023)
[8] Goh G L, Zhang H, Goh G D, Yeong W Y and Chong T H 2022 Multi-objective optimization of intense pulsed light sintering process for aerosol jet printed thin film Mater. Sci. Addit. Manuf. 1 10–10 (doi: 10.36922/msam.26)
[9] Pashmforoush F and Seyedzavvar M 2023 A transfer learning-based machine learning approach to predict mechanical properties of different material types fabricated by selective laser melting process Proc. Inst. Mech. Eng. E 238 09544089231215683 (doi: 10.1177/09544089231215683)
[10] Goh G D, Sing S L, Lim Y F, Thong J L J, Peh Z K, Mogali S R et al. 2021 Machine learning for 3D printed multi-materials tissue-mimicking anatomical models Mater. Des. 211 110125 (doi: 10.1016/j.matdes.2021.110125)
[11] Abbasi Shirsavar M, Taghavimehr M, Ouedraogo L J, Javaheripi M, Hashemi N N, Koushanfar F et al. 2022 Machine learning-assisted E-jet printing for manufacturing of organic flexible electronics Biosens. Bioelectron. 212 114418 (doi: 10.1016/j.bios.2022.114418)
[12] Ren Z, Gao L, Clark S J, Fezzaa K, Shevchenko P, Choi A et al. 2023 Machine learning–aided real-time detection of keyhole pore generation in laser powder bed fusion Science 379 89–94 (doi: 10.1126/science.add4667)
[13] Wang X Q, Jin Z, Zheng B and Gu G X 2025 Transformer-based approach for printing quality recognition in fused filament fabrication npj Adv. Manuf. 2 15 (doi: 10.1038/s44334-025-00025-0)
[14] Lane B 2020 Process Monitoring Dataset from the Additive Manufacturing Metrology Testbed (AMMT): Overhang Part X4 Natl. Inst. Stand. Technol. Data 2020 Machine Learning in Laser-based Manufacturing Yung C Shin Mechanical Engineering, Purdue University, West Lafayette, Indiana, U.S.A. E-mail: shin@purdue.edu