（二）机器学习 l 基于激光的金属增材制造过程监控和机器学习

人工神经网络

人工神经网络 (ANN)，有时简称为神经网络 (NN)，是一类 ML机器学习算法，由一系列相互连接的节点或神经元构成，这些节点或神经元位于多个层中，每个神经元接受来自一个或多个前面神经元的输入信号，对其执行数学运算，并向下一层中的神经元输出数值信号。 

由于 ANN 的结构非常灵活并且可以根据所需功能进行定制，因此只要输入数据可以矢量化，它们就可以接受来自各种传感器类型的输入。例如，来自热图像的特征、光谱强度比或来自各种传感器的串联输入。

根据《冶金、机械模型及机器学习在金属打印中的应用》一文，以神经网络为基础的机器学习被用来控制熔道的宽度和高度，熔化区的深度。此外，在PBF-L时的熔池深度通过决策树优化激光功率、扫描速度、光斑尺寸和吸收率。而且，采用神经网络对工艺过程中的形状的偏差进行了捕获和分析以获得较好的尺寸精度的增材制造部件。

卷积神经网络

CNN以其从基于图像的数据中学习关键特征的能力而闻名，构成了自动驾驶汽车和机器人视觉的基础。可以从来自热像仪或可见光相机的纯图像数据扩展到任何具有点之间空间关系的基于阵列的数据结构，对 L-PBF选区金属熔融3D打印过程中的孔隙率水平进行分类。 

根据业内专家，卷积神经网络是近些年逐步兴起的一种人工神经网络结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种技术也被广泛的传播可应用. 卷积神经网络最常被应用的方面是计算机的图像识别, 不过因为不断地创新, 它也被应用在视频分析, 自然语言处理, 药物发现, 等等。包括Alpha Go, 让计算机看懂围棋, 同样也是有运用到这门技术。

具体来说, 卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信息，每一次收集的时候都只是收集一小块像素区域，然后把收集来的信息进行整理, 这时候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片信息, 然后在以同样的步骤, 用类似的批量过滤器扫过产生的这些边缘信息, 神经网络从这些边缘信息里面总结出更高层的信息结构。

拿粉末床金属熔融技术来说，金属粉末一层一层的被凝固，从而成为最终零件，在层凝固的过程中就有着与模型切片所对应的图像成像过程，由此说来，卷积神经网络原理用于3D打印的前馈控制是颇具发展潜力的。

根据3D科学谷的市场观察，LLNL劳伦斯利弗莫尔国家实验室早在2018年就将卷积神经网络原理用于机器学习“修复”3D打印金属零件，通过神经网络的高级算法用于实时来分析构建质量，并就就如何改进构建质量提出建议。

此前，LLNL的一些研究人员花了数年时间收集激光粉末床熔融金属3D打印过程的各种形式的实时数据，包括视频，光学层析成像和声学数据。逐渐，LLNL发现，如此大的数据量，不可能通过人工来进行所有的数据分析，由此他们寄希望于神经网络是否可以简化任务。

根据LLNL国家实验室，就像人类大脑使用视觉和其他感官来导航世界一样，他们希望通过机器学习分析传感器获取的数据来导航3D打印过程。

根据3D科学谷的了解，LLNL国家实验室开发的神经网络可以用于其他3D打印系统。理论上，研究人员应该能够遵循相同的算法，在不同条件下创建零件，收集视频，以生成可用于标准机器学习技术的信息。

多年来，LLNL劳伦斯利弗莫尔国家实验室的工程师们使用传感器和成像技术来分析金属3D打印背后的物理和过程，以便每次都能够首次构建高质量的金属零件。劳伦斯利弗莫尔国家实验室的工程师们利用机器学习来实时处理3D构建期间获得的数据，可以在几毫秒内检测构建是否是高质量的。更确切地说，研究人员开发了卷积神经网络（CNN），这是一种通常用于处理图像和视频的算法，通过观察大约每段10毫秒的视频来预测部件是否良好。

此外，根据3D科学谷的市场研究，GE于2020年8月18日获得通过的《Systems and Method for Advanced Additive Manufacturing》专利描述了GE动态地控制3D打印-增材制造过程。这个专利提供了一种用于动态地适应零件的增材制造的方法。根据专利描述，在加工工艺的控制过程中，GE使用了数字孪生体技术，并通过机器学习来训练处理器或处理元件，机器学习程序可以采用神经网络，该神经网络可以是卷积神经网络，机器学习可能涉及识别现有数据中的模式，以便于对后续数据进行预测。

除了内在的缺陷，几何精度差是增材制造零件的另外一种常见缺陷。机器学习模型可以识别几何缺陷的发生，量化几何偏差并为几何误差补偿提供指导。例如，科研人员通过卷积神经网络(CNN) 机器学习模型为L-PBF过程开发了一个几何误差补偿框架，训练后的机器学习模型以热历史和部分加工参数为输入，以变形量为输出，预测变形量，实现误差补偿。

支持向量机

支持向量机（support vector machines, SVM），经常用于对来自增材制造现场监测的数据进行分类。SVM 通常接受可以从传感器中提取的特征或数据点，并学习如何使用最佳超平面分离不同类别的数据。如果二维数据不可分，那么SVM会将数据投射到三维或更高维度，构造一个将数据分离的超平面，得到一个(n-1)维平面将数据分离成n维。

K-最近邻

K最近邻(K-Nearest Neighbor,KNN)分类算法是数据挖掘分类技术中最简单的方法之一，是著名的模式识别统计学方法，在机器学习分类算法中占有相当大的地位。它是一个理论上比较成熟的方法。既是最简单的机器学习算法之一，也是基于实例的学习方法中最基本的，又是最好的文本分类算法之一。 

例如，如果激光功率和扫描速度是用于映射的两个参数，而轨道密度是被测量的特性，则可以假设具有相似速度和功率的两个数据点将具有相似的轨道密度。因此，当对新数据点进行分类时，算法将查看最近数据点的标签以确定最有可能用于该新数据点的标签，这允许增材制造工艺使用的各种传感器数据适用于该算法。

决策树

决策树 (DT) 构成了一组基于树的 ML 算法的基础。DT 是一种分类器网络，它利用一系列节点和分支对输入数据进行排序。通常，树的每个节点都会根据一个或多个特征对输入向量进行排序，最简单的方法是将阈值应用于向量的一个属性，例如科研人员从热成像中提取的特征。这些阈值在训练过程中更新以获得训练数据的最佳分类。重要的是要注意，输入数据可以是分类数据或数字数据，这与仅需要数字数据的神经网络不同，它保留了来自数据源的更多信息。科研人员可以使用这种方法通过图像分类来检测 L-DED定向能量沉积3D打印构建过程中的孔隙率。 

深度信念网络

深度信念网络 (DBN) 是一种深度学习算法RBM 在结构上类似于 ANN，因为它有一个输入（或可见）层和一个隐藏层。有科研人员从热图像中提取的羽流和飞溅数据用于对 L-PBF选区金属熔融3D打印过程中熔体状态进行分类。训练分两步进行，其中第一个 RBM 的输入用于 RBM 的无监督训练，以学习表示输入的特征。然后将其转发到下一个 RBM，这允许网络学习更高级别的功能。然后通过监督学习过程进行声学监测和熔池成像监测。