2025年8月,來自波爾圖大學、弗勞恩霍夫 IWS、呂勒奧理工大學、牛津大學、INESC TEC和德累斯頓工業大學的研究人員在《IEEE Access》上發表了一篇系統綜述，概述了人工智能 (AI) 在基于激光的增材制造 (LAM) 過程控制中的新興應用。

通過分析2021年至2024年間發表的16項研究，綜述發現62.5%的研究已在現實環境中部署了AI驅動的控制器，而56%的研究將AI專門應用于強化學習 (RL) 等控制策略。在所審查的研究中，62.5%的研究將AI用于過程建模或監控，68%的研究針對由過熱或過熱引起的不穩定性——這是LAM中缺陷的主要來源。激光增材制造 (LAM) 是增材制造的一個分支，它使用粉末床熔合 (PBF) 或定向能量沉積 (DED) 逐層構建金屬零件。PBF的激光功率較低，通常低于1千瓦，掃描速度高達 2,000 毫米/秒，可小規模生產高精度零件。DED 使用粉末或線材原料，激光功率可達40千瓦，可實現更高的沉積速率和更大的結構。這些工藝差異會產生不同的熔池特性、熱梯度和缺陷輪廓，需要單獨的控制策略。審查確定了可以應用人工智能的五個關鍵階段：智能采樣、過程監控、建模、控制器設計和性能評估。盡管激光輔助顯微成像 (LAM) 試驗成本高昂，但經典的實驗設計 (DoE) 方法仍然是采樣中最廣泛的應用，而貝葉斯優化等自適應技術（可根據快速變化或高度非線性的區域調整數據收集）不太常見，但在其他制造環境中顯示出效率提升。監測方法通常結合熱傳感和視覺傳感來捕捉熔池的幾何形狀和溫度，這些參數與零件質量密切相關。傳感器安裝在軸上，與激光器對齊，或安裝在軸外進行外部監測。在已審查的研究中，卷積神經網絡處理基于圖像的數據，而人工神經網絡在多模態監測中被證明是有效的，可以整合視覺、熱和聲學信號。一項研究發現，這種多模態ANN方法在測試模型中實現了最高的缺陷預測準確率。數據標記仍然是一個限制因素：許多研究依賴于簡化的熔池特征或最終檢測結果，而不是連續的實時標記，這限制了PBF等高速工藝的響應能力。

該圖表展示了近年來論文數量的增長

以及人工智能在語言建模（LAM）領域的主要應用

審查指出，人工智能在激光增材制造（LAM）中的應用存在一些系統性缺陷。數據采集受到成本、代表性樣本有限以及極端情況需求的限制。有限元法（FEM）、強化學習（RL）和深度學習的計算需求需要專門的硬件和專業知識。許多方法僅在模擬或小規模實驗中得到驗證，很少有方法在生產環境中得到驗證。模型的可解釋性也是一個障礙；所有審查的研究均未將三個關鍵評估指標——可解釋性、不確定性和魯棒性——納入人工智能性能評估。

在應用評估指標時，使用了諸如SHapley值或LIME等技術來評估可解釋性，貝葉斯網絡和高斯過程來評估不確定性，以及對抗性訓練或穩健優化來評估穩定性。然而，這些指標的報告并不一致，使得跨研究比較變得困難。缺乏標準化指標被認為是技術向工業環境轉移的主要障礙。

作者確定了未來工作的幾個重點。擴展自適應采樣方法（例如貝葉斯優化）可以提高數據效率。增強多模態傳感器集成度，例如結合視覺、熱和聲學監測，可以增強缺陷檢測和過程穩定性。開發融合有限元法 (FEM) 和人工智能 (AI) 的混合建模框架，可以產生更易于計算且更準確的過程模擬。將模型預測控制 (MPC) 和強化學習 (RL) 擴展到生產環境需要優化算法以降低延遲并減少計算開銷，同時構建強大的實時數據管道。整合可解釋性、不確定性和魯棒性指標的標準化評估框架將有助于跨研究進行有意義的比較，并加速工業應用。

雖然人工智能在激光增材制造 (LAM) 中的應用仍處于早期階段，但審查顯示，該領域正逐漸從監控轉向主動過程控制。PID控制器和經典采樣等傳統方法仍然占據主導地位，但基于模型的強化學習和 FEM-AI混合建模等先進策略正日益受到關注。已證實的優勢包括降低表面粗糙度、提高工藝穩定性以及更快地收斂至最佳制造參數。如果與標準化指標、自適應采樣和實時連續控制相結合，這些方法可以支持完全自主的金屬增材制造系統，并實現自我監控和自我校正。

控制器開發流程，重點介紹關鍵步驟：

采樣、監控、建模（動態）、規劃（最優控制措施）和評估

本文轉自 南極熊3D打印  如侵請聯系