摘要：“下一步，根据人工智能模型的预测和分析结果，调整粘结剂喷射3D打印工艺参数，如粘结剂喷射速度、粉末层厚度和固化条件，以降低毛孔缺陷的发生率.”
3D科学谷洞察
“下一步，根据人工智能模型的预测和分析结果，调整粘结剂喷射3D打印工艺参数，如粘结剂喷射速度、粉末层厚度和固化条件，以降低毛孔缺陷的发生率.”
佛罗里达州立大学FAMU-FSU 工程学院的研究人员正在使用人工智能创建新工具，以帮助发现3D打印中的缺陷，该项目由美国空军科学办公室 （Air Force Office of Scientific R） 支持，资助金额达220 万美元。
左起：Tarik Dickens 副教授、Hui Wang 副教授和助理教授 Rebekah Downes 在 FAMU-FSU 工程学院材料研究大楼高性能材料研究所的实验室中合影。该项目由 Hui Wang 副教授领导，用于使用人工智能技术推进增材制造的缺陷预测。
佛罗里达州立大学FAMU-FSU 工程学院的工程师将与宾夕法尼亚州立大学和惠普的研究人员合作，使用组合泛化 （CG） 来提高用于预测 3D 打印缺陷的模型的准确性。
该项目的重点是粘结剂喷射3D打印技术，这是一种使用液体粘结剂粘结金属粉末材料的3D打印技术，该技术对于创建具有复杂几何形状的高性能组件至关重要，并且能够比其他金属3D打印技术实现更高的生产率。这种基于粉末床的制造技术挑战之一是了解所打印的生坯零件是如何变得多孔或充满小孔，这是由粉末扩散和粉末-液滴相互作用导致的常见缺陷。
为了解决这个问题，研究人员将使用开发的人工智能工具组合泛化，该工具可以根据从多个数据源学习的分段知识，使 AI 能够对新场景进行推理。
组合泛化（Combinatorial Generalization，CG）在增材制造缺陷预测中的优势如下：
提高预测准确性
强大的模式识别能力：CG能够识别数据中复杂且微妙的模式和关系，这是传统方法难以做到的。例如它可以发现不同工艺参数与缺陷出现之间的隐含关联，从而做出更准确的预测。
多源数据融合优势：它可以有效整合来自多种数据源的信息，比如热像仪、CCD相机以及其他传感器的数据。这种融合让其对制造过程有一个全面的了解，进而提升缺陷检测的准确性。
提升泛化能力
适应新场景能力强：CG能够基于从多个数据源学到的知识片段，对新场景做出推理，就像人类的认知一样，可以根据已有的知识和模式产生新的解决方案。例如它可以依据对之前遇到的材料和设计中缺陷的理解，来预测新类型材料或几何形状中的缺陷。
跨项目缺陷预测：它可以在不同项目之间迁移知识，这在新项目数据有限时特别有用，能够帮助快速适应新的制造设置和材料。
增强效率
减少对大量训练数据的依赖：传统机器学习模型通常需要大量标注过的训练数据才能表现良好，而CG能在较少的训练数据下做出更准确的预测，因为它可以利用已有的知识。
加快检测与响应速度：通过在制造过程的早期准确预测缺陷，CG可减少用于后续制造检验和返工的时间与资源，使整个生产过程更高效。
增强可解释性
提供可解释的预测结果：CG技术可以解释为何会做出某些预测，这对于理解缺陷产生的根本原因以及为工艺调整做出明智决策非常重要。
推动制造民主化
让小制造商也能受益：CG让先进的缺陷预测能力更易于被那些可能没有丰富经验或资源的制造商所使用，有助于小型公司或增材制造领域的新手快速扩大生产规模并提升产品质量。
知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。
网站投稿 l 发送至2509957133@qq.com
来源：3D科学谷
