來自阿爾貢國家實驗室和德克薩斯A＆M大學的一組研究人員開發(fā)了一種創(chuàng)新的3D打印零件缺陷檢測新方法。利用實時溫度數(shù)據(jù)以及機器學習算法，科學家們能夠在激光粉末床熔融過程中的熱歷史與表面缺陷的形成之間建立關聯(lián)關系。

該研究的合著者亞倫·格列柯（Aaron Greco）解釋說：“最終，您將能夠打印出一些東西并從源頭收集溫度數(shù)據(jù)，并且可以查看是否存在某些異常，然后對其進行修復或重新開始。那是大目標。”

3D打印零件中的孔隙

像3D打印一樣復雜，即使是高端工業(yè)系統(tǒng)也有孔隙，3D打印部件中的空隙中金屬粉末沒有充分熔化。這些孔隙通常會導致“弱點”，使組件易于破裂和斷裂。形成孔隙的原因有很多，包括粉末不一致和激光強度不足。根據(jù)該論文的第一作者諾亞·保爾森（Noah Paulson）的說法，阿貢（Argonne）的工作表明，零件的表面溫度與內部孔隙形成之間存在明顯的相關性。

機器學習和粉末床融合

為了促進研究，科學家們利用了能源部阿貢大學先進光子源（APS）的高功率X射線。該團隊設計并建造了帶有現(xiàn)場紅外攝像頭的實驗性PBF鉆機，該鉆機可用于由Ti-64粉末制成的3D打印部件。在打印過程中，使用照相機捕獲溫度數(shù)據(jù)，同時使用X射線束從側面查看打印過程，以指示是否形成了孔隙。據(jù)魔猴網(wǎng)了解，同時擁有頂視圖和側視圖確實很強大。從側面看，這是APS裝置真正獨特的地方，在某些加工條件下，基于不同的時間和溫度組合，當激光通過時會形成孔隙。”

實驗性LB-PBF設置。圖片來自Argonne國家實驗室。

有趣的是，當將熱歷史與各自的孔隙率曲線進行比較時，科學家發(fā)現(xiàn)，較低的峰值溫度隨后逐漸降低的孔隙率可能與孔隙率很少相關。另一方面，高峰值溫度接著下降和隨后的升高很可能導致更多的孔隙率。保爾森（Paulson）的團隊使用他們的數(shù)據(jù)集繼續(xù)建立機器學習算法，該算法可以僅基于打印過程中記錄的熱歷史來準確預測孔隙的形成。

能夠僅從紅外成像中識別出可能形成氣孔的能力是一種非常強大的工具。它消除了進行昂貴的單個零件檢查的需要，而當處理大量生產(chǎn)時，這并不總是可行的。保爾森（Paulson）的研究小組希望，在未來幾個月內，可以通過更多數(shù)據(jù)集和更復雜的機器學習模型來開發(fā)和改進這項工作。

3D打印過程的X射線成像。圖片來自Argonne國家實驗室。

機器學習的預測能力實際上已開始在增材制造的許多方面得到利用。紐約大學的研究人員最近使用機器學習算法對玻璃和碳纖維3D打印組件進行逆向工程。通過將3D打印零件的CT掃描輸入模型中，科學家能夠“竊取”用于制造零件的刀具路徑，同時又保持了賦予它們強度和耐用性的復雜性。

在其他地方，在斯威本科技大學，研究人員使用機器學習來深入了解3D打印建筑材料的抗壓強度。為了開發(fā)一種對不同3D打印的地質聚合物樣品進行分類的方法，研究人員針對特定變量，并使用機器學習模型優(yōu)化了3D打印材料的組成。