溫莎大學(xué)的研究人員在ResearchGate上發(fā)表的綜述文章分析了機(jī)器學(xué)習(xí)（ML）在直接能量沉積（DED）和電弧增材制造（WAAM）中的應(yīng)用。該綜述涵蓋了2010年至2025年中期發(fā)表的研究，顯示2020年后研究活動迅速增加，深度學(xué)習(xí)、模糊邏輯和物理信息神經(jīng)網(wǎng)絡(luò)等方法從孤立的實驗轉(zhuǎn)向主流話題。盡管取得了這些進(jìn)展，但在閉環(huán)過程控制、跨機(jī)器泛化以及特定位置機(jī)械效應(yīng)的整合方面仍存在差距。
作者開發(fā)了一個Python腳本，通過Crossref文獻(xiàn)數(shù)據(jù)庫自動化搜索。使用涵蓋DED工藝和機(jī)器學(xué)習(xí)技術(shù)的組合關(guān)鍵詞檢索出版物，并刪除重復(fù)項。每個條目都經(jīng)過手動檢查，以確保研究專門應(yīng)用于DED或WAAM。盡管這種方法涵蓋了該領(lǐng)域的廣泛部分，但數(shù)據(jù)集僅限于Crossref索引的內(nèi)容，排除了Scopus或Web of Science等專有數(shù)據(jù)庫。這引入了一定程度的偏差，但仍提供了人工智能進(jìn)入金屬3D打印這一分支的代表性概述。
根據(jù)能量源和工藝特征對DED系統(tǒng)進(jìn)行分類。圖片來自溫莎大學(xué)。
從早期基礎(chǔ)到轉(zhuǎn)折點
2010年代上半葉的研究稀少且具有探索性。最初的研究測試了模糊邏輯模型，以調(diào)節(jié)激光熔覆中的掃描速度，并應(yīng)用簡單的神經(jīng)網(wǎng)絡(luò)來預(yù)測熔覆質(zhì)量或優(yōu)化熔覆幾何形狀。這些項目展示了數(shù)據(jù)驅(qū)動方法的可行性，但僅限于狹窄的參數(shù)優(yōu)化任務(wù)。
到2016年，無監(jiān)督方法出現(xiàn)了。一項研究使用聚類對激光熔覆熔覆進(jìn)行分類，而另一項研究使用神經(jīng)網(wǎng)絡(luò)提高噴嘴效率。2018年，循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)入該領(lǐng)域，用于預(yù)測時間序列溫度數(shù)據(jù)。2019年，卷積神經(jīng)網(wǎng)絡(luò)被引入用于基于圖像的缺陷檢測，為更復(fù)雜的視覺驅(qū)動監(jiān)控奠定了基礎(chǔ)。
2020年活動急劇增加。卷積神經(jīng)網(wǎng)絡(luò)（CNN）在同軸圖像上進(jìn)行訓(xùn)練，以識別鋁合金沉積物中的孔隙率。開發(fā)了高斯過程回歸模型以預(yù)測變形過程中的應(yīng)變率，并測試了強(qiáng)化學(xué)習(xí)框架以優(yōu)化多道沉積中的激光臂運動。這一時期標(biāo)志著從孤立的演示向先進(jìn)架構(gòu)的系統(tǒng)應(yīng)用的決定性轉(zhuǎn)變。
論文發(fā)表數(shù)量趨勢——橙色條預(yù)測了從2025年7月到年底將發(fā)表的論文數(shù)量。圖片來自溫莎大學(xué)。
2020年后的多樣化
2020年后發(fā)表的研究擴(kuò)大了機(jī)器學(xué)習(xí)在DED中的范圍。隨機(jī)森林分類器用于分割線材工藝中的孔隙率，而長短期記憶（LSTM）網(wǎng)絡(luò)預(yù)測熔池溫度。結(jié)合神經(jīng)網(wǎng)絡(luò)與有限元模擬的混合框架實現(xiàn)了道間溫度預(yù)測，有助于減少WAAM中的熱缺陷。物理信息神經(jīng)網(wǎng)絡(luò)于2022年出現(xiàn)，將控制方程嵌入訓(xùn)練中，以平衡預(yù)測精度與物理定律的遵循。
最近的研究轉(zhuǎn)向混合和時間模型。2023年，門控循環(huán)單元（GRU）網(wǎng)絡(luò)在預(yù)測熔池動態(tài)方面優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)和密集神經(jīng)網(wǎng)絡(luò)，表明順序架構(gòu)在捕捉時間依賴性方面更有效。2025年出現(xiàn)了半監(jiān)督方法，將回歸用于標(biāo)記的熔池數(shù)據(jù)與無監(jiān)督聚類相結(jié)合，以從傳感器輸入中提取隱藏特征。這些方法旨在解決高質(zhì)量標(biāo)記數(shù)據(jù)集短缺的問題，同時不犧牲模型的魯棒性。
2010年至2025年基于關(guān)鍵詞的DED研究中排名前六的趨勢ML方法。圖片來自溫莎大學(xué)。
部署的障礙
盡管方法和應(yīng)用不斷增長，但仍有幾個障礙限制了工業(yè)采用。閉環(huán)控制仍然很少見，大多數(shù)模型以開環(huán)配置運行，其中傳感器數(shù)據(jù)為預(yù)測提供信息，但不驅(qū)動實時參數(shù)調(diào)整。與沉積位置相關(guān)的效應(yīng)（如邊緣處的應(yīng)力累積或角落附近的變形）也未得到充分代表，盡管它們強(qiáng)烈影響最終部件的性能。
數(shù)據(jù)限制是另一個障礙。捕獲耦合熱和機(jī)械行為的高保真有限元模型計算成本高昂，限制了數(shù)據(jù)集的大小。實驗數(shù)據(jù)收集面臨類似的挑戰(zhàn)，因為精確標(biāo)記應(yīng)力場或微觀結(jié)構(gòu)在技術(shù)上具有挑戰(zhàn)性。這些因素解釋了為什么監(jiān)督模型主導(dǎo)了文獻(xiàn)，而無監(jiān)督和半監(jiān)督方法仍然欠發(fā)達(dá)。
方法論多樣性也使該領(lǐng)域變得復(fù)雜。回歸、支持向量機(jī)、模糊邏輯、聚類和深度學(xué)習(xí)等方法在研究中都有出現(xiàn)，但很少有比較性工作在相同條件下評估這些方法。沒有基準(zhǔn)，最佳實踐仍然未定義，特別是在缺陷檢測、熔池監(jiān)控或殘余應(yīng)力預(yù)測等應(yīng)用中。
溫莎大學(xué)綜述的AI和ML在DED制造中集成的路線圖。圖片來自溫莎大學(xué)。
展望
溫莎大學(xué)的綜述確定了未來研究的幾個優(yōu)先事項。能夠編碼沉積歷史和工具路徑策略的位置感知建模對于預(yù)測各向異性和部件可靠性至關(guān)重要。將神經(jīng)網(wǎng)絡(luò)與傳感器反饋集成的實時閉環(huán)控制被視為實現(xiàn)自適應(yīng)制造系統(tǒng)的關(guān)鍵一步。
物理信息模型繼續(xù)吸引關(guān)注。通過將物理約束嵌入數(shù)據(jù)驅(qū)動架構(gòu)中，它們提供了可解釋性和預(yù)測效率的平衡，特別是在熱機(jī)械模擬中。另一個未充分探索的領(lǐng)域是不確定性量化。概率方法可以為預(yù)測提供置信區(qū)間，這在航空航天和國防等安全關(guān)鍵應(yīng)用中至關(guān)重要。
綜述還指出研究重點存在不平衡。工藝優(yōu)化和熔池幾何形狀占主導(dǎo)地位，而缺陷分類、多目標(biāo)預(yù)測和實時自適應(yīng)控制則較少被探索。解決這些差距將需要更大、更具代表性的數(shù)據(jù)集，對方法進(jìn)行比較評估，并將空間和時間變異性整合到模型設(shè)計中。
