AI 新算法驱动的3D打印实时质量监控软件，可兼容多种设备

随着粉末床金属3D打印技术在制造复杂金属零件中的认可度不断提高，对于这类增材制造技术的质量控制的要求也随之提高。随之而来的是提升打印设备实时质量检测能力和对质量异常进行分类的要求。

橡树岭国家实验室（ORNL）针对这一要求，开发了一种过程中质量控制人工智能软件Peregrine，该软件可以实时评估粉末床金属3D打印和粘结剂喷射3D打印零件的质量。在人工智能过程中质量控制软件中，机器学习算法能够快速收集和分析大量数据，帮助人们识别3D打印零件的质量问题，从而更好的理解增材制造过程，并防止质量异常出现。

ORNL 实验室研究团队采用的人工智能算法是一种新颖的卷积神经网络体系结构，用于每层粉末床成像数据的逐像素定位（语义分割）。该算法的主要优势包括：能够以成像传感器的原始分辨率返回分割结果；在不同的增材制造设备之间无缝传递算法所学知识，并提供实时性能。该算法在定位、准确性、计算时间和通用性方面，优于研究团队先前提出的算法。[1]

 实时反馈打印异常情况

粗大的异常定位分辨率，判别异常类别的分类少，缺乏对不同粉末床工艺的通用性，是现有粉末床3D打印质量控制方法所存在的局限性。ORNL 实验室研究人员开发的新卷积神经网络（CNN）结构，称为动态分段CNN（DSCNN），可以满足以下关键要求：

§ 模型预测（异常分类）足够快地返回，从而提供实时信息，即使用于捕获图像的相机是高分辨率的也是如此；

§ 语义分割始终在成像传感器的原始分辨率下逐像素实现；

§ 由于任何一台单独机器的训练数据都可能受到限制，因此从一台3D打印设备获得的数据知识，必须能够在完全不同的粉末床机器和成像系统之间进行跨技术快速转移；

§ 该算法必须自然地支持来自多个成像系统或其他空间相关的感应模态的数据融合。

 新算法的优势

研究人员在Peregrine软件中采用卷积神经网络-一种计算机视觉技术，能够模仿人的大脑，快速分析3D打印机中的相机所捕获的图像。Peregrine软件使用自定义算法来处理图像的像素值，同时考虑到边缘、线条、角和纹理的组成。如果软件检测到可能影响零件质量的异常，它将自动警告操作员，从而及时进行调整。

该软件适合粉末床金属3D打印设备以及粘结剂喷射金属3D打印设备。在这些3D打印过程中，粉末或粘结剂的不均匀分布、飞溅、热量不足以及一些孔隙等很多问题会导致打印层表面产生缺陷，其中一些缺陷发生在极短的时间内，非常难以被发现，这是理解粉末床增材制造过程和鉴定零件质量时所存在的挑战。

Peregrine软件正在多台3D打印设备上进行测试，测试对象中也包括ORNL 实验室开展的核反应堆零件增材制造计划。对于核反应堆这样的零件，监管机构将要求制造方提供零件制造方式的详细数据，而Peregrine软件构建的数据库可以满足这一要求。软件在制造过程中收集的特征与运行过程中的性能之间建立关联，为核反应堆增材制造部件的合格鉴定提供了丰富的数据。Peregrine软件所带来的一个明显好处是，这一过程是在增材制造过程中完成的，有助于消除后续漫长而昂贵的认证过程。

Peregrine软件并不局限于某款3D打印设备，而是可以用于任何粉末床3D打印设备。Peregrine 软件中有一个通用的图像数据库，该数据库可以转移到每台新的3D打印机上，快速训练新的神经网络，并且可以在单个高性能笔记本电脑或台式机上运行。

迄今为止，该软件已经在ORNL的七台3D打印机上成功进行了测试，包括电子束熔融、选区激光熔融设备，还有粘合剂喷射金属3D打印设备。软件研发中所用3D打印设备中的相机是标准相机，大多数情况下为4-20兆像素，用于捕获每个打印层的图像。

根据ORNL 实验室，随着这一质量控制软件的发展，研究人员能够将相机捕获的图像数据与来自其他来源的数据，如打印机的日志文件，激光系统和操作员注释组合在一起使用，识别零件并跟踪和评估所有零件的统计信息。

ORNL 实验室的研究人员在其他过程控制工作中正在开发监视3D打印零件构建表面的缺陷并检测可能在更深层形成的孔隙，借助的硬件包括光电二极管和高速相机。