本综述结构如下：第2节详细讨论了大数据分析、机器学习和数字孪生技术的概念，强调它们在增材制造领域的相关性和重要性。第3节深入探讨了机器学习在增材制造中的具体应用领域，包括材料分析，设计优化，流程优化，缺陷检测和实时监控等，探索增材制造的可持续性概念，强调机器学习和数字孪生技术如何通过能源消耗建模、减少废物和优化支撑结构。第4节评估了数字孪生辅助增材制造的当前研究现状，并讨论将数字孪生集成到增材制造工作流程中所使用的技术方法，探讨其未来的发展方向和前景。第5节对未来研究的影响和潜在领域进行了全面的讨论。
|
大数据、机器学习与数字孪生辅助增材制造增材制造 (AM)因其设计自由度高，材料浪费少 ，能够生产传统制造方法难以制造的复杂几何形状构件等优点，在航空航天、汽车等领域得到广泛应用。随着增材制造的不断发展，其研究重点已转向优化制造工艺、提高产品质量和准确预测材料特性。增材制造由于成形件几何形状复杂、材料多样化以及工艺参数错综复杂等特点，成形一致和可靠的构件成为挑战。为了应对这些挑战，集成先进的数据驱动技术，如大数据分析、机器学习（ML） 和数字孪生 （DT）模拟至关重要。 大数据通过收集、存储和分析打印过程中生成的大量数据，在增材制造中发挥着关键作用。通过利用大数据分析技术，可以提取有价值的见解和模式，以便将它们用于优化工艺参数、监控产品质量和提高整体性能。机器学习作为人工智能 (AI)的一个分支，已成为增材制造领域的重要变革力量。机器学习算法和技术使计算机能够从数据中学习并做出数据驱动的决策 ，优化制造流程，提高产品质量并降低成本。将机器学习方法集成到增材制造中，为材料分析、设计优化、工艺优化、缺陷检测、实时监控和可持续制造开辟了新的可能性。数字孪生是物理对象或系统的虚拟表示，能够实时捕获其行为、性能和生命周期。数字孪生可实现增材制造流程的实时监控、预测性维护和优化，为数据驱动的决策和提高运营效率铺平道路。 虽然已有大量关于增材制造机器学习和增材制造数字孪生的综述，但现有论文没有考虑这些概念如何本质上联系和相互关联。 本文首次整合了大数据、机器学习和数字孪生三个概念，并提出一个统一的框架，说明它们如何协同工作，以提高增材制造效率、准确性和可持续性。一方面，讨论了不同增材制造工艺使用的机器学习方法，包括材料分析、设计优化、工艺参数优化、缺陷检测和监控以及可持续性。另一方面，本文从当前的研究现状到技术方法概述了数字孪生辅助增材制造的现状，并对该领域的未来发展和前景提出见解。全面概述了大数据分析、机器学习和数字孪生辅助增材制造交叉领域的研究和现状，分析了每种技术的各自优势，阐明了它们协同工作的潜力，揭示了它们如何协同塑造增材制造的未来。在此过程中，本文不仅旨在为学术讨论做出贡献，也提出了与先进制造技术不断发展的前景相一致的前瞻性观点。
主要附图
图2. 增材制造工艺类别
图3. 机器学习在增材制造领域的应用
图4. 用于增材制造的机器学习方法
图5. 通过异方差高斯过程(HGP)预测材料特性及其不确定性 。(a)HGP 模型对非晶率平均值及其总不确定性的预测。(b)HGP 模型预测非晶率平均值及其总不确定性的二维等高线图。(c)HGP 模型预测位置分辨随机性和认知不确定性。
图6. 增材制造技术的设计流程
图7. 基于机器学习的几何优化。(a)使用 k-means、改进的 Cs 方法和 Reeb 图方法进行分割。(b)使用聚类进行分割的方法。(c)由 MeshMixer（上图）和感知模型（下图）生成的最佳3D 打印方向。(d) 通过随机搜索、RotNet、遗传算法和面聚类进行不同构建方向的支撑优化。(e)沿垂直和水平方向的锯齿形路径规划，并选择温度分布（绿色点），通过目标函数和选择的温度分布（绿色点）计算的自适应路径。(f)路径规划依次使用三种算法：ZigZag-Path、Fleury-Path 和 Q-Path 。(g)使用成像和机器学习通过刀具路径重建对增材制造复合材料零件进行逆向工程。
图8. 基于机器学习的拓扑优化。(a) 神经网络在拓扑优化中的应用。(b) 使用机器学习预测结果作为直接优化的初始设计。(c) 深度学习用于确定无需迭代的近似最优拓扑设计 。(d) MMC的拓扑优化结果及三种深度学习模型的对比。(e) 通过机器学习结合的拓扑优化，后处理L形梁设计的结果，用于功能梯度复合结构，包含交叉形纤维布局以及固定纤维体积分数的纤维增强复合结构。(f) 悬臂模型优化与MBB梁模型的机器学习结合拓扑优化，分1、30、80、200步进行。(g) 桥梁设计的最终结果，来自标准方法与基于机器学习的案例分析。(h) 通过机器学习驱动的拓扑优化获得的MBB梁域的结果。(i) 使用神经网络进行拓扑优化的优化结果。(j) 基于机器学习的MMC拓扑优化参数调整策略。
图9. 基于机器学习的材料设计。(a) 使用深度学习进行超材料设计。(b) 基于逆向机器学习框架优化轻量化超材料的优化结果。(c) 使用机器学习逆向设计的自发形态超材料。(d) 基于机器学习设计的新型平面负泊松比超材料，打孔为正交排列的椭圆形孔。(e) 基于壳体结构的机械超材料的逆向设计，结合机器学习和遗传算法，具有定制的载荷曲线。(f) 通过机器学习进行新型结构格子超材料的生成优化。(g) 基于机器学习的零泊松比负泊松比超材料的逆向设计。(h) 通过逆向机器学习发现的具有创纪录高恢复应力的超材料。(i) 针对最大化体积模量、最小化泊松比和最大化剪切模量的2D超材料的拓扑优化。(j) 基于机器学习的可调变形依赖泊松比的2D超材料结构的预测和逆向设计 。
图10. 增材制造工艺参数优化中的优化工艺参数及优化目标
图11. 基于光电二极管的机器学习用于优化复杂几何形状中的激光粉末床熔融参数 。(a) 在不同激光功率和速度下打印单条轨迹时光电二极管信号的均值和信噪比。(b) 预测和真实光电二极管信号强度的联合概率密度函数。(c) 测试集中四条轨迹的真实光电二极管信号与预测信号的对比。(d) 真实和预测的激光功率和速度的对比。(e) 逆向机器学习模型预测的测试几何体三层的激光功率。(f) 在悬垂结构上方的第一层（第200层）中，使用标称激光参数打印的部件与使用逆向模型预测的激光参数打印的部件的光电二极管信号对比。
图12. 机器学习辅助增材制造中的缺陷检测和实时监控
图13. 基于机器学习的增材制造缺陷检测和实时监控的最新研究。(a) 显示通过原位点云处理和机器学习进行的3D表面缺陷聚类结果。(b) 基于深度学习的金属增材制造过程质量识别方法的混淆矩阵。(c) 基于视觉的熔池监测在电弧增材制造中的应用，使用深度学习方法的混淆矩阵 。(d) 增材制造中过程与构建交互的混合深度学习模型的混淆矩阵。(e) 使用五种机器学习算法拟合的3D表面，用于检测具有曲率特征的增材制造零件的几何缺陷 。
图14. 增材制造可持续性的主要问题
图15. 基于多模态注意力融合的环保型增材制造能效设计。(a) AM过程中的能效设计和EC预测框架。(b) Grad - CAM与相应的LCI重叠，用于解释EC预测中测试阶段的不同方法。(c) 6种填充方式的分层LCIs。(d) 在具有不同填充模式的车轮支撑模型上，将所提出的MAFN预测的EC与测量的EC进行了比较。
图16. 增材制造数字孪生的组成和原理
主要结论
Liuchao Jin，香港中文大学机械与自动化工程系博士，师从廖维新教授。研究方向主要集中在3D/4D打印、智能材料与结构以及软体机器人。香港博士研究生奖学金计划（HKPFS）获得者，南方科技大学和深圳大学访问学者。
Jingchao Jiang, 埃克塞特大学环境、科学和经济学院生产和制造系统 （E&R） 讲师。在新西兰奥克兰大学获得博士学位,香港中文大学博士后。研究兴趣和专长为增材制造、可持续制造、增材制造的生物医学应用以及制造业的 AI/机器学习领域。
廖维新，香港中文大学机械与自动化工程系系主任、卓敏机械与自动化工程学教授、智能设计与制造研究所所长。在美国宾夕法尼亚州立大学（The Pennsylvania State University, University Park, USA）获得机械工程博士学位。在国际期刊和会议上发表了360余篇论文，并获得23项专利。担任2009年举办的第20届国际自适应结构与技术会议（International Conference on Adaptive Structures and Technologies）的大会主席，以及2014年和2015年SPIE智能结构/无损检测会议“主动与被动智能结构与集成系统”分会的主席。获得了由机械工程师学会（Institution of Mechanical Engineers, IMechE）颁发的2005年T A Stewart-Dyer/F H Trevithick奖，并在美国机械工程师学会（ASME）获得了2008年结构领域最佳论文奖、2017年力学与材料系统领域最佳论文奖以及2021年能源收集领域最佳论文奖，在IEEE国际会议上获得四次最佳论文奖。获得了2007年度青年研究员奖、2010-11年度研究卓越奖以及2014-19年度工程学院杰出研究员奖。作为IEEE香港分会机器人、自动化与控制系统学会联合分会（RACS）的主席，于2012年获得了IEEE机器人与自动化学会颁发的年度最佳分会奖。荣获了2020年ASME自适应结构与材料系统奖，以及2018年SPIE SSM终身成就奖。获得了2023年ASME达芬奇奖，这些成就被公认为机器设计方面的重要进展。目前担任《智能材料系统与结构期刊》（Journal of Intelligent Material Systems and Structures）的副编辑，并在《智能材料与结构期刊》（Smart Materials and Structures）执行编辑委员会任职。是ASME、香港工程师学会（HKIE）和英国物理学会（IOP）的会士。 上一篇宽厚板热处理工艺介绍下一篇钢的正火热处理工艺 |
