谷专栏是 内容板块：谷前沿、谷透视、 、谷专栏这四大板块之一。谷专栏基于 愿景：贡献于制造业附加值创造，贡献于人类可持续发展。其目的是通过携手科研机构、科学家、企业研发与应用团队，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果。
根据 ，基于增材思维的先进设计与智能制造, 与新一代人工智能技术深度融合，形成高吞吐量、高产品质量控制能力、高产品复杂性的新一代智能制造技术，进而成为第四次工业革命的核心技术引擎。
国际上，根据 的市场观察，结合人工智能驱动的控制，融资额超过 12 亿美元的3D打印火箭公司Relativity Space的 Stargate 3D 打印机不断优化生产，从而以指数方式提高产品质量和缩短生产时间，降低成本，并实现传统航空航天制造无法实现的产品设计。
机器学习是人工智能的一个子类别，被定义为使用算法检查数据并随后识别模式或确定解决方案的系统或软件。根据 的市场观察，Relativity Space专门申请了使用机器学习对增材制造过程进行实时自适应控制Real-time adaptive control of additive manufacturing processes using machine learning的专利。
相关专利号为US10921782B2。本期谷.专栏，将分享这一科研成果。
3D打印可重复使用的火箭
3D打印=软件与数据驱动的自动化技术
根据 的了解，Relativity Space 的创始人Tim Ellis还有一个精湛的洞见，他认为市场上普遍对3D 打印没有真正了解的是，3D打印对制造的颠覆性实际上更像是从燃气内燃机过渡到电动，或从内部部署服务过渡到云，3D 打印是一项很酷的技术，但更重要的是，3D打印实际上是软件和数据驱动的制造和自动化技术。
在实际使用过程中，3D打印技术普遍被当成与传统制造技术“apple to apple”硬件相关的技术，人们普遍忽略了3D打印的核心是软件和数据，也低估了这项技术数字化制造的颠覆性本质在哪里。
© 白皮书
根据 ，3D打印发展的门槛在于通过软件突破一层层的产业化束缚，每一家制造业将变成以软件或数据为核心竞争力的企业。
自适应控制
根据专利的描述，Relativity Space开发了用于对设计后自由形式沉积工艺或设计后接合工艺进行实时自适应控制的方法，该方法包括：
a)为对象提供输入设计几何；
b)提供训练数据集。
其中训练数据集包括：
(i) 针对多个对象的过去过程模拟数据、过去过程表征数据、过去过程中物理检查数据或过去构建后物理检查数据包括至少一个与步骤（a）中提供的物理制造对象不同的对象；
(ii) 通过为输入过程控制参数中的每一个随机选择值的重复过程生成的训练数据，并对输入过程控制参数的调整进行评分；
c)传感器提供实时数据；
d)根据数据，人工智能跟如下过程有关：
(i) 预测用于启动工艺控制参数的最优组的处理器，其中预测的工艺控制参数的最优组是使用已使用步骤 (b) 的训练数据集训练的机器学习算法；
(ii) 使用已使用步骤 (b) 的训练数据集训练的机器学习算法提供检测到的物体缺陷的实时分类，其中来自传感器的实时数据作为输入提供给机器学习算法，其中检测到的物体缺陷的实时分类学习是从机器学习算法输出的；
(iii) 提供指令以执行自由形式沉积工艺，其中机器学习算法同时实时调整一个或多个工艺控制参数沉积过程。
其中步骤(b)至(d)被迭代地执行，并且每次迭代的过程表征数据、过程中检查数据或构建后检查数据被合并到训练数据集中。
硬件、数据、算法的结合
Relativity Space专利所描述的人工智能方法可以用于材料沉积3D打印工艺、立体光刻(SLA)、数字光处理(DLP)、熔融沉积建模(FDM)、选区激光烧结(SLS)、选区激光熔化(SLM) )、电子束熔化 (EBM) 或焊接工艺。
© 白皮书
机器学习算法包括人工神经网络算法、高斯过程回归算法、逻辑模型树算法、随机森林算法、模糊分类器算法、决策树算法、层次聚类算法、k-均值算法、模糊聚类算法、深度玻尔兹曼机器学习算法、深度卷积神经网络算法、深度递归神经网络或其任意组合。
数据与算法的结合
© 专利：US10921782B2
硬件方面使用以一项来实施：(i)包括沉积或接合装置、传感器和处理器的单个集成系统；(ii) 分布式模块化系统，包括沉积或接合装置、传感器、处理器，设备被配置为共享训练数据和真实数据。
训练数据集还包括由操作员在手动调整输入过程控制参数时生成的过程表征数据、过程中检查数据或构建后检查数据。
传感器包括激光干涉仪、机器视觉系统或检测由3D打印零件反射、散射、吸收、透射或发射的电磁辐射的传感器。
由传感器提供关于由所述物体反射、散射、吸收、传输或发射的声能或机械能的数据。
加工过程中的缺陷被检测为对象属性数据和参考数据集之间大于指定阈值的差异，通过向量机(SVM)或自动编码器算法进行分类。
海量数据与算法的结合
根据《暗知识》，算法是引擎的设计，那么算力是引擎的马力，而数据是引擎的燃料。
根据Relativity Space的专利，对于定向能量沉积3D打印过程，通过执行有限元分析(FEA)、有限体积分析(FVA)、有限差分分析(FDA)、计算流体动力学(CFD)计算或其任何组合来提供过程模拟数据。
© Relativity Space
要预测或控制的过程控制参数包括材料沉积速率、沉积装置的位移速率、沉积装置的加速度、沉积装置的位移方向、作为时间函数的沉积装置的位置（工具路径）、沉积装置相对于沉积方向的角度、预期几何形状中的悬垂角度、沉积期间进入材料的热通量强度，热通量表面的尺寸和形状、保护气体流的流速和角度、基板的温度、沉积过程中的环境温度控制、沉积前沉积材料的温度等等。
过程模拟数据包括对沉积材料的整体温度或峰值温度、沉积材料的冷却速率、沉积材料的化学成分、沉积材料中成分的分离状态、几何形状的预测。作为一组指定输入过程控制的函数，沉积材料的特性、沉积期间材料的热通量强度、沉积材料的电磁发射、沉积材料的声发射或其任意组合参数。
工艺表征数据包括沉积材料的整体温度或峰值温度的测量值、沉积材料的冷却速率、沉积材料的化学组成、沉积材料中成分的分离状态、几何形状沉积材料的属性，速率材料沉积、沉积装置的位移速率、沉积装置的位置（工具路径）、沉积装置相对于沉积方向的角度、沉积装置状态指示器、沉积几何形状中的悬垂角度，预期几何形状中的悬垂角度，沉积期间进入材料的热通量强度，沉积期间离开材料的热通量强度，来自沉积材料的电磁发射，来自沉积材料的声发射，以及沉积材料的电导率、沉积材料的热导率、正在制造的产品的几何形状缺陷等等。
过程中或构建后检查数据包括来自表面光洁度的视觉或基于机器视觉的检查、表面裂纹和孔隙的数据。还包括机械性能测试的数据，例如如强度、硬度、延展性、疲劳、化学性质的测试，如成分、组成材料的分离、缺陷表征方法，包括通过 X 射线衍射或成像、CT 扫描、超声成像、涡流传感器阵列测量，或热成像等等获取的数据。
根据Relativity Space的专利，过程模拟数据可以并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优组或序列、过程控制参数的调整。例如，可以使用诸如有限元分析（FEA）之类的过程模拟工具来模拟根据指定函数的过程控制。
过程表征数据可以并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优组或序列、实时调整过程控制参数，或其任何组合。可以将过程表征数据馈送到机器学习算法以便实时更新增材制造设备的过程控制参数。
可以将过程中或构建后检查数据并入机器学习算法使用的训练数据集中，该算法能够自动分类对象缺陷、预测过程控制参数的最优集合或序列、过程控制的调整实时参数等等。
机器学习算法可以使用过程中检查数据（例如，自动缺陷分类数据）向操作员发送警告或错误信号，或自动中止增材制造沉积过程。
智能迭代与人工操作的结合
在迭代地执行的增材制造过程的每次迭代之后，用过程模拟数据、过程表征数据、过程中检查数据、构建后检查数据或其任何组合来更新训练数据集。
训练数据集还包括由熟练操作员在手动设置增材制造的输入过程控制参数时生成的过程表征数据、过程中检查数据、构建后检查数据或其任何组合过程以生产一组指定的对象或零件，或者同时手动调整过程控制参数以响应过程参数或环境变量的变化以保持正在生产的对象或零件的指定质量。
总体来说，根据Relativity Space的专利自动化对象缺陷分类和自适应实时控制的方法和系统可以提供响应于过程或环境参数的变化而使用的过程控制参数的快速优化和调整，以提高工艺稳定性、提高产量和所生产零件的质量。这些方法和系统适用于各种不同技术领域和行业的零件制造，包括汽车行业、航空工业、医疗器械行业、消费电子行业等。
根据 的市场判断，在不久的未来，下一步的人工智能将跨越单台3D打印设备，实现设备与设备之间的协调与工艺优化。在软件的作用下，年轻的3D打印产业正期待着一个完全自动化的工厂，进行生产的不只是一个产品，而是几百个，甚至上千个的数字串行制造模式。
基于算法的软件正在赋能整个世界， 认为很快3D打印行业会发现，一家3D打印企业最好团队中有一些人精通算法，或者可以编写代码或者善于使用软件，否则这样的企业将变得寸步难行。
知之既深，行之则远， 为业界提供全球视角的增材与智能制造深度观察，有关3D打印在增材制造领域的更多技术分享，请持续关注 的谷专栏系列以及 白皮书系列。
白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源 l 链接到 网站原文。
