通过深度学习推进层压技术
三个要点
✔️ 在 AM（增材制造）工艺中应用 DL（深度学习）所带来的创新改进，以及与其应用相关的当前挑战和未来机遇的详细回顾
✔️ 制造业中 AM 与 DL 的融合
✔️ 然而，在实现这一目标之前，仍有许多挑战有待解决，例如深度学习模型的通用化、数据质量的管理和可解释性的提高。
Advancing Additive Manufacturing through Deep Learning: A Comprehensive Review of Current Progress and Future Challenges
written by Amirul Islam Saimon, Emmanuel Yangue, Xiaowei Yue, Zhenyu (James)Kong, Chenang Liu
[Submitted on 1 Mar 2024]
Comments: accepted by arXiv
Subjects: Machine Learning (cs.LG)
code：
本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。
概述
近年来，增材制造（AM）与深度学习（DL）的交叉越来越受到关注。本文详细探讨了在增材制造工艺中应用深度学习所能带来的创新性改进，以及与其应用相关的当前挑战和未来机遇。本文特别关注
-
- AM 过程的复杂性以及 DL 如何帮助理解和控制该过程
- 在 AM 中应用 DL 所需的数据类型以及如何管理这些数据。
- 利用 DL 进行 AM 设计、工艺建模、工艺监测和控制的最新研究实例
作者认为，AM 和 DL 的融合可以彻底改变制造业中定制产品的生产。然而，在实现这一目标之前，仍有许多挑战需要解决，例如推广 DL 模型、控制数据质量和提高可解释性。本文旨在概述 DL 在 AM 领域的现状和未来发展方向，并为研究人员和从业人员提供有益的见解。
介绍
作为制造业的一项创新技术，增值制造（AM）的重要性日益凸显，尤其是随着定制产品需求的不断增长。与传统的减材制造方法相比，AM 能减少材料浪费，并能制造出内部结构复杂的部件，因此受到许多工业领域的关注。然而，AM 工艺本质上非常复杂且难以控制，因此质量的一致性是一个挑战。
与此同时，深度学习（DL）技术的进步为优化和控制 AM 流程的质量提供了新的可能性：DL 可以从大量数据中学习复杂的模式，从而以以前难以实现的方式预测、监测和控制流程。作者指出，将 DL 应用于 AM 有以下好处：
-
- 了解工艺参数与最终产品质量之间的关系
- 及早发现和纠正生产过程中的缺陷
- 在设计阶段优化材料的使用
然而，也存在一些挑战，例如 AM 数据的高维度、噪声问题以及 DL 模型缺乏可解释性。本文详细分析了 DL 在 AM 中的应用现状，并提出了未来的研究方向。作者认为，AM 和 DL 的整合是加速制造业创新的关键。
AM 数据的分类
图 1 显示了 AM 数据的类型和示例。
| 图 1：AM 数据概览。 |
- 1D 数据：声发射 (AE)、温度、压力、湿度等。
- 二维数据：从三维 CAD 几何图形切割的二维切面、二维晶格结构图像、粉末床图像、熔池热图像、熔池微观结构图像、电子反向散射衍射 (EBSD) 图像、视频数据
- 三维数据：点云、网格和体素（见图 2）。
图 2：样本部件的三维表示：（a）原始图像，（b）体素，（c）点云，（d）网格。
DL 和 AM 的交叉点
研究挑战和 DL 潜力
深度学习（DL）在增值制造（AM）中的应用为解决 AM 过程的复杂性和动态性提供了一种有效手段。作者指出了以下主要挑战，并探讨了深度学习如何应对这些挑战
- 工艺复杂性：AM 通常是一个复杂的工艺，涉及材料、热管理、精度等多种因素。DL 可以了解这些复杂的相互作用，并帮助预测和优化工艺。
- 数据维度高：AM 的数据（如三维扫描数据、温度分布数据）通常维度很高，难以用传统的分析方法处理 DL 能够从这些高维数据中提取有用的信息。
- 质量控制：DL 可以在早期阶段检测和纠正制造过程中可能出现的缺陷，从而提高 AM 产品的质量。
图 3 显示了符合 DL 标准的 AM 设计示意图。
图 3：针对 AM 的深度学习设计示意图
数据的重要性
作者强调，适当数量和质量的数据对于有效训练和评估 DL 模型至关重要。其中，AM 过程产生的数据类型包括：
- 图像数据：在生产过程中通过逐层拍摄或对产品进行 3D 扫描获得。
- 传感器数据：从过程中的传感器收集的数据，如温度、压力和振动。
- 运行数据：有关工艺参数和生产条件的数据，用于质量预测和工艺优化。
文献综述和方法
作者广泛综述了最近有关 DL 在 AM 中应用的研究，以及 DL 在 AM 各个阶段的应用情况。综述揭示了 DL 在 AM 设计、流程优化和质量保证中的重要作用。通过对最佳实践的分析，作者还提出了未来的研究方向。
通过 DL 设计 AM
设计优化
在 AM 流程中使用深度学习（DL）在优化产品设计方面发挥着重要作用。作者举例说明了深度学习如何通过以下方式为设计阶段做出贡献
- 设计自动化：DL 可根据给定的性能要求自动生成优化的产品设计。这大大提高了设计过程的效率。
- 生成复杂的几何图形：AM 非常适合制造复杂的几何图形，而 DL 则开辟了以前不可能实现的新设计可能性。
几何形状偏差
几何形状的偏差会直接影响产品质量，因此预测和补偿几何形状的偏差在 AM 工艺中非常重要。作者强调了 DL 在以下方面的有效性
- 预测几何偏差：DL 模型可以提前预测制造过程中可能出现的任何几何偏差。这样就可以在生产前对设计进行调整，从而防患于未然。
- 建议的补偿策略：设计联络员可提出如何补偿预期偏差的策略。这有助于确保最终产品的质量。
作者认为，DL 的使用有望彻底改变 AM 的设计流程，提高产品质量，并显著提高制造效率；使用 DL 优化设计和管理几何偏差将是未来 AM 技术的一个重要研究领域。
表 4 列出了应用 DL 技术进行设计优化的论文。
表 4：应用 DL 技术进行部件设计和设计优化的论文
AM 工艺建模
热剖面建模
制造过程中的热曲线是决定 AM 工艺质量和性能的关键因素之一。作者详细介绍了如何利用深度学习 (DL) 技术对这种热曲线进行精确建模和预测。其中特别强调了以下两种方法：
- 纯数据驱动的 DL（DDDL）模型：这些模型根据 AM 过程中获取的大量数据预测热曲线。例如，对不同层的温度曲线和温度随时间的变化进行建模。
- 包含物理信息的 DL（PIDL）模型：PIDL 模型旨在通过将物理定律和过程知识纳入 DL 模型，更准确地预测热剖面。这样，即使在数据匮乏的情况下，也能建立可靠的模型。
工艺和结构建模
在 AM 工艺中，产品的最终物理性质在很大程度上取决于制造过程中的精细工艺条件。作者提出了一种使用 DL 对这些复杂的工艺结构属性 (PSP) 关系进行建模的方法。具体来说，本文介绍了以下应用：
- 机械性能预测：DL 模型可根据 AM 工艺参数预测产品的机械性能。这样就能在设计阶段优化材料选择和工艺条件。
- 微观结构分析：产品的微观结构对其性能有重大影响，DL 可以在制造过程中通过图像和传感器数据详细分析这些微观结构，帮助控制质量。
作者总结说，通过更好地了解 AM 工艺，使用 DL 可以提高产品质量和性能。他们还指出，利用 DL 建立热曲线和 PSP 关系模型在 AM 技术的发展中发挥着重要作用。
建模示意图见图 4，代表性论文见表 5。
图 4：数据驱动调幅示意图。
表 5：将 DL 应用于 AM 热曲线建模的论文
过程监测和控制
要确保产品质量和一致性，监测和控制 AM 流程至关重要。作者强调了深度学习（DL）如何在这一领域发挥重要作用，并举例说明了 DL 如何在以下方面做出贡献
图像监控
利用制造过程的实时图像，DL 模型可以检测出缺陷和异常。这样就能更快地解决问题，提高产品质量。
DL 可用于对产品表面进行精确检测，即使是最微小的缺陷也能识别出来。这有助于检测出传统方法经常忽略的缺陷。表 6 列出了有关监测的论文。关键词见图 6。
基于传感器信号的监测
通过分析 AM 过程中收集的传感器数据（如温度、压力），可以准确监测和控制过程条件。
来自多个传感器的数据可以进行整合和分析，以提供更全面的流程信息，从而直接提高产品质量。
点云监控
三维扫描的点云数据可通过 DL 进行分析，以检测产品尺寸精度和形状的偏差，提高制造过程的精度。
过程控制
DL 模型可用于实时调整工艺参数，以优化产品质量。从而降低废品率，提高生产效率。
DL 模型可预测工艺参数对特定产品特性的影响，并可相应地自动调整工艺，以确保达到所需的产品特性。监控文件的要点如图 5 所示。图 7 是量化 AM 工艺不确定性的流程图。
作者得出结论，使用 DL 进行过程监控将在未来的 AM 领域取得重要进展：随着 DL 的发展，更精确、更高效的 AM 过程有望成为现实。
表 6：图 7：根据孔隙率预测将 DL 应用于监测的论文。
图 5：过程监测和控制文献的高度概括
图 6：将基于 CNN 的模型应用于基于图像的缺陷监测的论文 每个 AM 流程的质量评估
图 7：AM 流程不确定性量化流程图（Mahadevan 等，2022 年）。
挑战和未来方向
在制造业中，AM 工艺与深度学习（DL）的融合取得了重大进展，但在实施过程中还存在一些挑战。作者提出了应对这些挑战的未来方向，并鼓励进一步发展 AM 和 DL。
提高推广模型的能力
为确保 DL 模型适用于各种 AM 工艺和复杂的产品几何形状，需要提高模型的概括能力。这可以通过学习不同的数据源和利用过渡学习技术来实现。
数据质量和可获取性
确保高质量的 AM 过程数据和这些数据的获取非常重要。数据收集协议的标准化和开放式数据库的开发将有助于未来的研究。
确保可解释性和可靠性
了解决策过程和评估 DL 模型的可靠性是将 DL 应用于 AM 过程的一大挑战。需要开展研究，提高模型的可解释性。
管理不确定性
开发能考虑到调准过程中不确定性的 DL 模型非常重要。可以量化不确定性并将其纳入模型预测中，从而使决策更加可靠。
作者指出，这些挑战的解决方案是加速自动机械和 DL 集成以及推动制造业创新的关键。希望研究人员和从业人员能朝着这些方向努力，最大限度地发挥 AM 的潜力，塑造制造业的未来。
结论
本文广泛综述了深度学习（DL）在增值制造（AM）中的应用潜力，以及其应用的当前挑战和未来方向。研究结果表明，DL 是一种强大的工具，可以促进 AM 流程优化、质量控制和产品设计创新。作者强调了以下几点：
-
- 通过 DL 对 AM 进行设计优化和工艺建模，可直接提高产品质量和制造效率。
- 将 DL 应用于 AM 过程监控可提高产品的一致性和可靠性。
- 模型的通用性、数据质量和可获取性、可解释性和不确定性管理是未来研究要解决的关键问题。
本文表明，AM 和 DL 的集成为推动制造业创新提供了重要机遇。这些技术的未来融合有望推动制造工艺的发展并提高产品质量。作者总结道，通过应对研究人员和从业人员提出的挑战，并在拟议方向的基础上，可以进一步挖掘 AM 的潜力。
与本文相关的类别
