導語：

在激光粉末床熔融（PBF-LB）的工藝開發中，參數優化一直是個讓工程師頭疼的難題。

傳統方法需要大量實驗才能摸清工藝窗口，既耗時又燒錢。

不過，瑞士洛桑聯邦理工學院和瑞士材料科學與技術研究所的研究團隊最近在《Additive Manufacturing》期刊上發表的研究成果，讓這個老大難問題有了新的解決思路。

他們開發出一套基于無監督學習人工智能的算法，能夠將實驗數量減少67％，同時保持89.2％的熔池狀態識別精度。

我們來看看這項研究。

人工智能學會無標簽也能識別熔池狀態

傳統的機器學習方法在PBF-LB工藝監控中面臨一個尷尬局面：

需要大量帶標簽的數據來訓練模型，但獲取這些標簽本身就需要耗費巨大的人力物力。

研究團隊巧妙地繞過了這個問題，采用了無監督學習的思路。

傳統的機器學習就像教小孩認字一樣，需要大人先告訴它"這是A，那是B"，然后它才能學會識別。

但研究團隊用的這套算法更聰明，它能像人類嬰兒一樣，不需要任何人教，就能自己從觀察中學會區分不同的東西。

這種核心創新名為譜聚類（Spectral Clustering）算法。

具體到3D打印，這套算法能夠通過觀察激光熔化過程中的光學信號，自動學會區分傳導模式和鎖孔模式的熔池狀態。

這就好比一個經驗豐富的操作員能夠通過觀察激光頭的亮度變化來判斷打印質量，只不過算法比人眼更精確、更穩定。

圖1顯示了他們的實驗裝置，包括雙傳感器系統，能夠同時測量光學反射和發射信號。

光學信號特征：熔池的數字指紋

研究團隊使用了兩種光學傳感器：硅光電二極管檢測1070nm的反射光，銦鎵砷光電二極管檢測1300-1700nm的發射光。

每種熔池狀態都有自己獨特的光學指紋。

研究團隊從這些光信號中提取出14個特征參數，包括平均亮度、亮度變化幅度、信號形狀等等。

這些參數就像是熔池狀態的身份證，不同的組合代表著不同的熔化模式。

圖2展示了Ti-6Al-4V和316L不銹鋼在打印過程中的光學信號。

有個有趣的發現：

激光掃描速度快的時候，反射信號反而可能更強。

這不是因為熔池溫度更高，而是因為高速掃描時飛濺增多，產生了更多的光散射。

這說明光信號包含的信息比我們想象的要豐富得多。

圖3進一步分析了這些特征與工藝參數的關系。

比如Ti-6Al-4V材料的反射信號偏度呈現V形變化：

速度慢時偏度高（鎖孔不穩定），速度適中時偏度最低（過渡區），速度過快時又升高（傳導模式但有不穩定因素）。

算法的智能決策：哪里不確定就去哪里實驗

這套算法最聰明的地方在于它知道把鋼用在刀刃上。

傳統的工藝開發需要把所有參數組合都試一遍，就像地毯式搜索一樣費時費力。

而這個算法會先用少量實驗建立初步的工藝圖，然后專門挑那些不太確定的參數區域進行進一步實驗。

圖4清楚地展示了這個循環過程：

選擇參數→做實驗→分析熔池狀態→更新工藝圖→找出最不確定的區域→繼續實驗。

這就像一個聰明的學生，總是把時間花在最不懂的知識點上，而不是重復練習已經掌握的內容。

這是一種叫高斯過程分類器的算法，它不僅能判斷這個參數組合是什么狀態，還能告訴你我對這個判斷有多少把握。
正是這個把握度信息指導著后續的實驗設計。
實驗驗證：從理論到實踐的跨越

研究團隊制備了12個試樣進行驗證，包括6個Ti-6Al-4V和6個316L不銹鋼樣品。

他們通過金相截面分析來確定真實的熔池狀態，以熔深寬比（MAR）為主要判據：

MAR<0.5為傳導模式，MAR≥0.5且邊界曲率明顯變化為鎖孔模式。

圖6展示了四種典型的熔池截面：

可以清楚看到傳導模式的熔池淺而寬，像個淺盤子；

鎖孔模式的熔池深而窄，像個深坑，這種形狀差異正是兩種模式的典型特征。

性能表現：數據說話

算法的表現確實讓人印象深刻。

研究團隊對比了5種不同的機器學習算法，發現他們采用前文提到的譜聚類算法表現最穩定，整體識別準確率達到89.2%。

更重要的是，在實驗數量減少2/3的情況下，識別精度只下降了不到9%。

再具體來說，算法僅成功學會了區分兩種關鍵的熔池狀態。以及為兩種材料繪制出了完整的工藝狀態圖。

對Ti-6Al-4V材料，鎖孔區域主要分布在低速高功率區域，大概是300-800mm/s配合90-120W的范圍，而傳導區域則覆蓋了高速區域，也就是1000-1800mm/s的各個功率水平，兩個區域之間的邊界呈現相對平緩的過渡特征。

316L不銹鋼的工藝窗口則表現出不同的特點，傳導-鎖孔邊界更加陡峭清晰，鎖孔區域相對集中在極低速區域，整體工藝窗口形狀與Ti-6Al-4V有顯著差異。

圖8生動展示了算法的學習過程：

一開始到處都是問號（高不確定性），隨著實驗的進行，工藝圖越來越清晰，最終形成明確的工藝邊界。

這個過程像是算法在自主學習如何當一個合格的工藝工程師。

從初始的高不確定性狀態，逐步聚焦到工藝窗口的邊界區域，最終形成清晰的工藝圖。

這個過程展示的是算法在自主學習如何區分不同的熔池狀態。

材料差異性：一套算法，兩種材料

這項研究的另一個亮點是算法的通用性。

Ti-6Al-4V是鈦合金，316L是不銹鋼，兩者的熱物理性質差異很大，但同一套算法在兩種材料上都表現出色。

這說明光學信號中蘊含的物理規律具有普遍性，為算法的產業化應用打下了堅實基礎。

工程意義：從實驗室到生產線的橋梁

AM易道認為，這項研究的真正價值在于它為激光增材制造的智能化發展指明了方向。

傳統的工藝開發往往依賴經驗豐富的工程師進行大量試錯，不僅耗時耗材，還很難保證結果的可重復性。

這套無監督學習算法的出現，意味著我們可以讓機器自主學習工藝規律，大幅減少人工干預。

特別是在多材料、多參數的復雜場景下，這種智能化方法的優勢會更加明顯。

如果每種新材料、每臺新設備都需要人工摸索工藝參數，那增材制造的普及速度必然會大打折扣。

局限性與展望：沒有完美的算法

當然，這項研究也有其局限性。

算法目前主要關注傳導模式和鎖孔模式的區分，對于其他缺陷類型（如未熔合、氣孔等）的檢測能力還有待進一步驗證。

另外，研究主要在激光功率和掃描速度兩個維度上進行，對于層厚、艙口間距等其他參數的擴展還需要更多工作。

不過，研究團隊已經提出了擴展思路：

通過集成更多傳感器模態、優化特征提取算法、引入更多工藝參數等方式來增強算法的全面性。

AI+3D打印的新趨勢

這項研究給我們描繪了一個誘人的前景：

未來的3D打印設備可能會像現在的智能手機一樣，能夠自主學習、自我優化。

設備不僅知道怎么打印，還知道如何打得更好。

從更大的視角來看，這種無監督學習技術不僅適用于激光3D打印，也可能在電子束、粘結劑噴射等其他增材制造技術中發揮作用。

畢竟，工藝優化的底層邏輯是相通的：

都是要在復雜的參數空間中找到最優解。

這項研究告訴我們，數據驅動的智能制造時代正在到來。

誰能更好地利用數據中隱藏的知識，誰就能在未來的競爭中占據優勢。

對3D打印行業來說，這可能是一種關鍵的思維方式轉變。

企業合伙人計劃：

讀者提示：

添加amyidao加入讀者交流群（備注加群），

，并與AM易道同頻讀者共同探討3D打印的一切

免責聲明：AM易道與文中提到公司尚不存在任何形式的商業合作、贊助、雇傭等利益關聯。AM易道圖片視頻來自于網絡，僅作為輔助閱讀之用途，無商業目的。權歸原作者所有，如有任何侵權行為，請權利人及時聯系，我們將在第一時間刪除。本文圖片版權歸版權方所有，AM易道水印為自動添加，輔助閱讀，不代表對該圖片擁有版權，如需使用圖片，請自行咨詢版權相關方。AM易道文章不構成任何投資建議，AM易道不對因使用本文信息而導致的任何直接或間接損失承擔責任。

原創聲明：本文是基于相關研究論文進行解讀和分析的二次創作。文章中的敘述文字、技術解釋、觀點評述均為AM易道的原創表達，旨在為AM易道讀者提供不一樣視角的技術解讀。除必要的數據引用和圖表說明外，直接引用或轉述原文的比例較低。本文的語言組織、結構安排、觀點闡述和行業分析均屬原創內容，特此聲明。