根据 《算法 l 在增材制造（AM）过程中应用机器学习（ML）的算法》一文，人工智能可以将模拟时间从几小时缩短到几秒钟，利用深度学习自动评估，然后逐步修改零件的几何形状（在用户指定的范围内），最终的设计可以实现制造商优先考虑的所有属性的理想组合：重量更轻、减少应力和疲劳、最佳流体流动、热交换效率提升、更佳的传导性、更强的耐用性、零件结构一体化等等。
目前市场上提供的一些增材制造控制软件可以根据用户输入的零件详细信息在开始构建之前推荐最佳工艺参数。例如，Arcam 电子束选区激光熔融金属3D打印机器上的软件执行此功能，而附加软件构建性能分析器 (BPA) 则分析构建性能并提供建议，以减轻未来构建中诊断出的问题。同样，EOS 智能监控系统能够根据从相同几何形状的先前构建中收集的热分布数据，在构建过程中改变激光功率（例如，以避免热点）。 DMG MORI 增材制造机床上的 CELOS 软件也可以执行类似的任务。
本期结合《Machine learning-assisted in-situ adaptive strategies for the control of defects and anomalies in metal additive manufacturing》这篇论文，深度探索在增材制造过程中，如何通过实时监控和调整来优化产品质量和精度。通过结合先进的控制算法和模型预测，可以实现更精确的过程控制，从而提高最终产品的性能。
▲ 增材制造质量缺陷来源
© 白皮书
概要
PBF中的控制方案
实时控制：通过控制熔池特性实现激光PBF的实时控制。
PID控制器：使用比例积分微分（PID）控制器根据过程变量的实际值和设定值之间的误差来实时控制激光功率。
滞后问题：控制器存在滞后，调整激光功率时有延迟。
控制策略：使用模拟引导的前馈-反馈控制策略，结合PI控制器实现更均匀的熔池温度演变。
DED中的控制方案
实时CLC：DED过程较慢，更易于控制，有更多实时闭环控制（CLC）的示例。
多目标控制：可以同时控制熔池温度和沉积高度。
通用预测控制器（GPC）：用于控制熔池温度。
机器学习辅助：结合机器学习辅助缺陷检测算法与PID控制设置，提高尺寸精度。
自适应控制：根据虚拟参考反馈调谐（VRFT）理论优化成本函数，自动调整激光参数。
WAAM工艺：使用PID算法和多输入多输出（MIMO）模型预测控制（MPC）算法提高尺寸精度。
模型辅助前馈控制策略
模型辅助控制：过程模型用于预测必须激活的变化程度，以抵消目标参数的理想值和测量值之间的误差。
反馈与前馈结合：通过结合反馈信号与前馈引导来调节熔池温度。
有限元模型：预测最合适的实时激光功率值。
非线性模型预测控制（NMPC）：同时优化沉积层高度和熔池温度，调制多个工艺参数。
© 白皮书
PBF过程控制
有研究根据过程变量的实际值和设定值之间的误差，使用传统的比例-积分-微分（PID）控制器实时控制激光功率。该过程变量是熔池面积的度量，控制器存在相当大的滞后，这意味着只有在激光器移动了相对较大的距离后才应用调整后的激光功率。
▲3D打印后的 316 L 不锈钢粉末熔化和表面形貌的变化，从顶面（左）到侧面（右）。
比例-积分-微分控制器（PID控制器）是一种广泛应用于工业控制系统的反馈控制器。它通过比例（P）、积分（I）和微分（D）三个基本控制规律的组合来实现对系统输出的精确控制。PID控制器的目的是减小系统的实际输出与期望输出之间的偏差，即误差。
PID控制器的组成部分：
比例（P）部分：比例控制是最基本的控制形式，它直接将误差信号放大一个固定的比例系数。比例增益（Kp）越大，控制器对偏差的反应越强烈。
积分（I）部分：积分控制用于消除稳态误差，即当系统达到稳定状态时，误差信号的积分（即累积）会不断增加，从而推动控制器调整输出，直至误差为零。
微分（D）部分：微分控制可以预测误差信号的变化趋势，通过微分增益（Kd）对误差信号的变化率进行控制，有助于减少系统的超调和振荡，提高系统的稳定性。
另有研究通过感测热排放（用熔池最高温度进行校准）设法减少 Ti-6Al-4 V 合金系统中的尺寸3D打印误差。使用的硬件更加复杂，在控制方面提供了卓越的灵活性。此外，研究人员使用计算速度更快的算法来进行控制决策前馈策略源自构建过程的热有限元模拟，而反馈方案则取决于基于光电二极管的在线温度监测。使用比例积分 (PI) 控制器实现实时控制，与仅使用反馈方案或没有任何控制的构建相比，在激光转折点实现更均匀的熔池温度演变。
其他的研究结合了与控制算法相关的改进。例如，实施一种独特的分层近实时控制策略，在激光PBF粉末床激光熔融3D打印系统中使用马尔可夫决策过程（MDP）。MDP 范式可以应用于非线性和非平稳随机过程，例如 AM，并且假设当前步骤受到前一步骤的影响。因此，研究人员可以根据使用最后沉积层的二维图像估计的缺陷状态信号，动态制定即将到来的层的最佳控制策略。研究人员通过使用多重分形分析捕获不规则和非均匀模式来表征缺陷水平。研究表明，当控制政策实施时，缺陷水平会下降。
MDP
马尔可夫决策过程（Markov Decision Process，简称MDP）是一种数学框架，用于建模决策者在不确定环境中做出决策的过程。它由以下四个基本元素组成：
- 状态空间（State Space）
- 动作空间（Action Space）
- 转移概率（Transition Probabilities）
- 奖励函数（Reward Function）
MDP的目标是找到一个策略（Policy），即从状态到动作的映射，使得长期累积奖励最大化。策略可以是确定性的，也可以是随机性的。
MDP通常可以通过以下方法求解：
- 动态规划（Dynamic Programming）：通过迭代计算每个状态的值函数或效用函数，直到收敛到最优值。
- 蒙特卡洛方法（Monte Carlo Methods）：通过采样来估计状态的值函数或策略。
- 时序差分学习（Temporal Difference Learning）：结合了动态规划和蒙特卡洛方法，通过部分估计来更新值函数。
MDP广泛应用于经济学、运筹学、人工智能等领域，特别是在强化学习中，MDP是理解和设计智能体行为的基础。
论文应用信息：
https://www.sciencedirect.com/science/article/pii/S2214860424000599?via%3Dihub
l 谷专栏 l
欢迎高校及科研机构、企业科学家加入谷专栏，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，欢迎扫描下方图片二维码提交您的信息。
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
