研究人员探索利用机器学习算法监测预防金属3D打印部件的缺陷

多年来，劳伦斯利弗莫尔国家实验室的工程师和科学家们使用一系列的传感器和成像技术来分析金属3D打印背后的物理学过程，并力求在每一次制造金属零件时打造出更高的品质。现在，研究人员正在探索用机器学习算法，实现实时处理3D打印期间获得的数据，在几毫秒内就可以检测出打印的质量是否令人满意。

9月5日，在一篇由《先进材料技术》在线发表的论文中，一个实验室研究小组宣布开发了卷积神经网络算法（CNNs），这是一种主要用于处理图像和视频的流行算法。这种算法只需10毫秒的检测，就可以来预测某个部件的质量是否合格。

首席调查员、LLNL的研究员Brian Giera说：“这是一种革命性的算法，根据数据，你就可以用视频标记视频，亦或用这一帧标记另一帧。这种算法的优点是，你可以在打印东西的时候收集视频，并在打印的同时就得出检测结果。现在，许多人同样也可以收集这些数据，但他们不知道如何处理，以判断这项工作应该朝着哪个方向迈出哪一步。”

Giera解释：“通常来说，用传感器分析来做3D打印是非常昂贵的，而且零件质量不稳定。对于需要几天甚至几周才能打印完成的部件，CNN对于监测打印过程、更快地检测部件的质量以及在必要时实时校正或调整构建是有价值的。”

LLNL的研究人员大约使用了2,000个熔融激光轨道的短视频，在不同的条件下（例如速度或功率）研发了卷积神经网络算法。他们使用可以生成高级3D图像的工具来扫描零件表面，使用该信息训练算法以分析视频帧的各个部分（每个区域称为卷积）。Giera说，这个过程对于人类来说是非常困难和耗时的。

加州大学伯克利分校的学生和LLNL研究员Bodi Yuan（该论文的第一作者）开发了可以自动标记每个构建的高度图的算法，并使用相同的模型来预测构建轨道的宽度、轨道是否被破坏和宽度的标准偏差。

使用这些算法，研究人员能够拍摄正在进行构建的视频，并确定该部件的质量是否合格。研究人员说，神经网络算法能够检测到一个零件是否连续完整，其监测准确度为93％。他们对零件宽度也进行了其他的可靠预测。

Yuan说：“由于卷积神经网络在图像和视频识别等相关方面表现出色，所以我们选择用它来解决我们的问题。我们之所以能够成功的关键，在于CNN可以在培训过程中学习很多实用的视频功能。我们只需要提供大量数据来培训它，并确保它能高效地学习。”

论文的共同作者、LLNL的研究员Ibo Matthews领导了一个团队，他们花了数年时间收集激光粉末床融合金属3D打印过程的各种形式的实时数据（包括视频、光学层析成像和声学传感器）。Giera在与Matthews的小组合作分析构建轨道时提出，不可能人工进行所有的数据分析，并思考是否可以通过神经网络算法简化工作。

Giera说：“无论我们如何收集视频，我们都只是起到联接作用。就像人类大脑使用视觉和其他感官来导航世界一样，机器学习算法后可以利用所有的传感器数据来指导3D打印的全过程。论文中描述的神经网络算法也可以用于其他3D打印系统。其他研究人员也可以利用相同的公式，在不同的条件下创建部件、收集视频并使用高度图扫描它们，来生成可以与标准机器学习技术一起使用的标记视频集。我们仍然需要做一些工作来检测零件内的空隙，这些空隙无法通过高度图扫描进行监测，但可以使用非原位X射线衍射进行测量。”

研究人员还将寻求创建新算法，以结合除图像和视频之外的多种感知模式。

Giera讲到：“现在任何类型的检测都被认为是一个巨大的胜利。如果我们能够即时修复它，那就是更大的胜利。我们正在收集机器学习算法旨在处理的大量数据，机器学习将在第一次成功3D打印零件时体现出核心作用。”

原文来自rdmag，原文题目为Researchers Explore Machine Learning to Prevent Defects in Metal 3D-Printed Parts in Real Time，由材料科技在线汇总整理。