當金屬3D打印被廣泛認為是一種可靠的工業制造方法時，這一天正在慢慢地來臨，但在真正來臨之前我們還需要解決一些問題。大量的研究工作探討了金屬3D打印缺陷的根本原因，這可能導致最終3D打印部件中的飛濺和微裂紋等缺陷-當您處理航空部件等高風險應用時，這是不可接受的。

但卡內基梅隆大學工程學院（CMU）的兩位研究人員已經想出了如何將3D打印和機器學習結合起來進行實時過程監控，這種做法可以檢測出零件在3D打印過程中的異常情況。

CMU機械工程系（MechE）校友Luke Scime與NextManufacturing Center主管Jack Beuth合作創建了一種機器學習算法，該算法對激光粉末床融合技術進行過程監控，該技術很容易因粉末層散布不均而出錯。

其他研究人員正在使用諸如聲學技術、光譜學和溫度監測等方法來了解構建的結構內部發生了什么。但是，雖然市場上有一些有限的監測類型，但它們通常不具備自動分析的能力，只能提供機器操作員必須解讀的數據。但是Scime和Beuth的工作有不同的方向：計算機視覺算法。

Scime說：“制作一個看起來不錯的部件并將其放在飛機上的最大障礙之一是確保你制造的部件沒有缺陷。計算機視覺是使用數據分析技術來理解圖像中發生的事情的術語。”

Scime的創新算法拍攝粉末床的圖像并提取特征，然后將這些特征進行分組并在不同層次的分析中進行比較，直到創建圖像的指紋。該機已經學會了如何識別不同的缺陷，因為研究人員提供了數百個預標記的訓練圖像。現在，它可以比較它接收到的新圖像的指紋和它已知的指紋以隔離各種異常。

據悉，Scime和Beuth在“添加劑制造”雜志上發表了一篇論文，標題為“Anomaly detection and classification in a laser powder bed additive manufacturing process using a trained computer vision algorithm”，他們演示了算法如何能夠檢測粉末中的毫米級瑕疵。該算法可以確定缺陷是什么以及它發生在哪里，這可以幫助提高過程穩定性（打印能力）。

論文摘要寫道：“這項工作提出了一種原位監測和分析粉末床圖像的方法，可能成為LPBF機器中實時控制系統的一個組成部分。具體而言，使用計算機視覺算法來自動檢測和分類在該過程的粉末擴散階段發生的異常。使用無監督機器學習算法實施異常檢測和分類，在適當大小的圖像塊的訓練數據庫上進行操作。通過幾個案例研究進行演示，對最終算法的性能進行評估，并將其作為獨立軟件包的有用性。”

這項工作是使金屬3D打印成為工業生產可靠、安全的方法。

Scime說：“圣杯是在實時環境中部署這個環境，你將自動分析數據，做一些事情，然后繼續前進。真正的問題是，我們是否可以檢測到它，了解這是一個問題，然后設計我們所稱的處理參數，以便做一些不同于我們為了減少翹曲量而做的事情？”

Scime解釋說，“自動糾正最終可能以幾種不同的方式工作，其中最基本的是一旦發現異常情況，3D打印機向操作員發送警報，以便早日解決問題。然后，您將繼續教授3D打印機，以識別關鍵缺陷并自動執行簡單修復。”

然而，自動化自我修正的最高成就是抗擊超高。造成大部分損壞的這種異常情況發生在部分構建開始扭曲或卷曲出粉末時。雖然在達到這種自動化水平之前可能還有一段時間，但CMU機器學習算法已經能夠準確地識別出一些異常情況，并準備在現實世界中應用。但是，Scime希望研究如何將附加傳感器數據添加到其分析中，并提高其準確性。

審核編輯 黃昊宇