AI及软件赋能增材制造 3D打印市场研究

(第一版） 前言 机器视觉和机器学习算法就像3D打印设备的眼晴与大脑一样，赋予3D打印设备监测和控制打印质量的智能化属性，降低发生打印错误的风险。材料开发方面，随着数字经济时代的到来，大数据、人工智能等技术的应用，将大大缩短材料研发时间，提升材料开放的效率。在质量控制方面，更离不开人工智能的赋能，增材制造工艺生产的零部件经常受到工艺引起的缺陷的困扰，例如孔隙裂纹和残余应力引起的变形，从而影响部件质量和一致性。零件内的工艺缺陷会降低机械性能和疲劳性能，导致其在低于设计的操作限制时失效。 人工智能在增材制造的每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化 通过拥抱人工智能及软件获得竞争力的提升是每一家企业的必修课。 感谢合作伙伴对本白皮书的支持，更多信息请访问：www.3dsciencevalley.com 3D科学谷市场研究.2026年 共识与痛点 数据孤岛：增材制造（AM）不是一道工序，而是一个多阶段、多角色、多设备、多软件的链条。数据孤岛就藏在这条链条的“接缝”里。孤岛不是“没数据”，而是数据被锁在垂直的、封闭的、异构的“竖并”里。碎片化、多源、封闭、法规受限，90%以上检测/工艺数据沉睡。 场景复杂、约束多：航空内流道、点阵、多材料电路-结构一体等，单目标优化失效，需多目标、多物理场、多学科协同。 标准缺失：缺AI在增材制造领域的数据标准、接口协议、质量评价基准 行动与号召 标准：联合中国信通院、国标委，出台《增材制造数据脱敏与流通指南》，解决数据共享和相关问题共享：建立国家增材AI数据交换中心，形成高质量共享数据路线指引：发布“智能增材制造”国家路线图，未来核心装备全部标配AI在线监测与闭环控制 其他思考 DPP：如何看待增材制造产品的数字身份证DPP（digital passport)的可行性？未来的供应链是否将由新的DPP所重新定义？ 数字资产化：增材制造的数据如何资产化？障碍有哪些？需要解决的主要问题和资源要素？ 打破合作壁垒：面向标准跑马圈地的未来，增材制造朝向更为实际的工业应用发展方向上，需要中国对内和对外更为跨领域、跨组织的开放合作能力，这方面的能力如何强化？ 以上内容来源：上海市增材制造协会举办的第五届航空航天增材制造大会期间讨论总结 3DScienceValley 3DScienceValley 3DScienceValley 人工智能在3D打印全流程中的应用 后处理 缺陷检测和纠正参数 训练自适应神经模糊推理系统来确定材料的疲劳强度；基于理论模型和增材制造过程中产生的缺陷类型使用机器学习来预测增材制造零件的疲劳强度 在包括数字设计、CAD和其他相关领域的设计空间中，ML 可以潜在地改革两个主要方面：用户与机器的交互；设计软件改进和与流程特征的集成 减少残余应力和故障 原位计量和控制精度 微结构设计 合金设计和优化 3DScienceValley 3DScienceValley 3DScienceValley 熔池监测：智能制造质量守门员 核心地位 A主要缺陷类型 气孔（Porosity）气体被困形成空穴，降低焊缝强度30-50% 熔池监测是焊接与增材制造质量控制的核心环节，通过实时采集熔池状态数据，实现缺陷的早期识别与工艺参数的动态优化。 裂纹（Cracks)热应力导致，可能引发灾难性结构失效 未熔合（LackofFusion）母材未完全熔化，产生弱接头 系统架构 传感器层热成像/光学相机/声学传感器数据处理层信号处理/特征提取/数字李生+AI分析决策反馈层缺陷预警/参数调整/质量追溯 咬边（Undercut）焊缝边缘凹陷，形成应力集中点 实时监测价值提前预警缺陷形成趋势 3DScienceValley 3DScienceValley 激光金属增材制造常见工艺引起的缺陷、原因、质量影响 3DScienceValley 金属增材制造缺陷的一般来源 工艺输入： 粉未熔化和材料凝固过程中的转变影响微观结构和零件的最终几何形状。 包括激光功率、波长层高、填充距离和扫描速度等，这些条件影响熔池的形成 硬件设备： 金属增材制造的硬件性能和操作错误可能导致打印过程的变化从而产生缺陷。 零件几何设计： 构建环境 影响缺陷形成，因为零件的刚度和强度决定了变形的程度。 包括温度、气体成分和流量等，这些因素影响熔池周围的条件。 金属粉未的成分形状和质量的偏差可能转化为打印缺陷。 空间分布： 固体零件材料和未熔化粉未的空间分布影响熔池周围的温度梯度。 3DScienceValley 金属增材制造质量缺陷 合金偏析： 微观结构： 孔隙及开裂 在3D打印过程中，熔池内可能会出现溶质偏析，导致微观结构缺陷。特别是，具有较高蒸气压的合金元素（如Ti-Al系统中的铝）可能会在熔池内蒸发并损失从而改变合金的总体成分和性能。这种现象在高激光功率和高工艺温度下更为显著。 金属增材制造零件的宏观特性取决于其微观结构，包括合金成分、晶粒形态、材料相、晶体结构等。由于微观结构的复杂性和不均匀性缺陷可能采取多种形式。晶粒形态对金属合金的机械强度有显著影响，而增材制造金属通常呈现出小的柱状晶粒结构，这可能导致各向异性材料特性。 金属增材制造零件中的孔隙率对最终性能有不利影响尽管孔隙从技术上讲属于微观结构范畴，但由于其重要性，通常作为独立的缺陷类别考虑。孔隙的形成可能与激光功率、扫描速度、粉末层的熔化和凝固过程有关缺乏熔合是最常见的孔隙形式，即金属粉未颗粒未完全熔化。 3DScienceValley 使用ML对AM过程的实时和近实时诊断预测 控制过程 ML2缺陷和异常检测 控制输出 ML3预测与控制 优化 ML1优化工艺参数 根据要求持续评估性能：基于机器学习的缺陷、异常和错误检测算法可用于诊断能力，以检测生产过程中的缺陷、异常和错误（即过程偏差）。通过与性能要求的比较，从感官数据构建过程这些算法需要在线运行，基于对现场传感器信号的快速分析来提供即时警告。 通过预测和制定控制决策来持续调节加工结果：基于机器学习的预测算法允许在构建期间预测过程控制，以确保增材制造过程保持在规范范围内以满足性能要求，例如，避免、减轻或修复缺陷或最大限度地减少过程偏差，这些算法也必须在线工作。 基于机器学习的优化算法提供工艺参数的最佳可能值这些参数定义了最有可能避免缺陷的最佳加工路线，目前已经证明了使用强化学习（RL）算法的原位过程优化策略。 实时感应器近实时感应器 3DScienceValley 增材制造过程中控制人工智能应用缺陷/异常加工控制 避免缺陷 纠正错误 缺陷形成过程中触发的纠正措施基于传感器信号检测缺陷或判断异常形成趋势。 3DScienceValley 建议使用声学和光电二极管收集的热信息来高效、近乎实时地识别和跟踪 LPBF 工艺中的熔池视觉特征。 还利用所提出的声热驱动监测方法来推断扫描线级别的3D打印缺陷。 3DScienceValley www.3dsciencevalley.com 3DScienceValley 基于激光的金属AM中使用的原位监测技术的径向图内圈表示要监控的信号类型，外圈表示监控进程所实现的技术 3DScienceValley www.3dsciencevalley.com 用于PBF和DED增材制造流程优化任务的ML模型类型 3DScienceValley 深度学习与增材制造融合的底层逻辑 深度学习 04 03 为揭示材料-工艺-结构-性能之间的复杂关联提供了新途径。 物联网和数字李生等新兴工具使利益相关者能够实时掌握制造过程动态。 具备处理多源异构大数据的能力。 既能从现有数据中学习规律又能生成新数据。 其算法擅长从多元数据中自动提取特征并建立输入-输出映射关系。 3DScienceValley 3DScienceValley DED-激光金属沉积增材制造工艺过程中质量监控的预测模型 模型类型代表模型适用场景传统机器学习SVM支持向量机基础对比集成学习XGBoost 极限梯度提升稳健回归基础深度学习ANN人工神经网络非线性建模时序深度学习LSTM长短期记忆网络时间序列预测轻量时序模型GRU门控循环单元快速时序建模 目标：实现逐体素级别的熔池高度实时预测为LMD工艺闭环控制奠定基础。 模型性能对比 (基准测试) 关键发现：时序模型优势显著：LSTM在捕捉热积累时变效应上表现最佳。 注：均方根误差(RMSE）、平均绝对误差(MAE）和决定系数(R2) 3DScienceValley 人工智能用于微结构控制一晶体织构-增材制造影响因素 晶体织构是指多晶体材料中晶粒的取向在空间的分布状态。在具有晶体织构的材料中，晶粒的取向并非完全随机，而是呈现出一定的规律性和偏好性。 热源特性：激光或电子束等热源的功率、扫描速度、光斑尺寸等参数会影响熔池的形状和尺寸，进而影响晶体的生长方向。例如，较高的扫描速度可能导致熔池快速冷却，使晶体生长方向更倾向于与热流方向垂直。 材料特性：材料的晶体结构、相变行为等特性也会影响晶体织构的形成。例如，具有立方晶体结构的合金在某些特定方向上具有较低的能量状态，晶体更容易在这些方向上生长。 扫描策略：激光或电子束的扫描路径和方向对晶体织构的形成起着关键作用。不同的扫描策略可以使晶体在不同的方向上优先生长。 3DScienceVlley 人工智能用于微结构控制一纳米级强化面缺陷 超高强度与优异塑性的结合 三模态晶粒分布： 纳米级强化面缺陷 3D打印态铝合金可以展现独特的三模态晶粒分布，包括超细等轴晶细等轴晶和细小柱状晶。 纳米李晶： 如李晶边界、层错和9R相可以显著提高金属材料的力学性能。这些缺陷通过阻碍位错运动来增强材料的强度和稳定性。 由两个晶粒共享一个李晶界面形成的微观结构，它们具有非常小的晶粒尺寸，从而提供了极高的强度和稳定性。 3DScienceValley 人工智能用于微结构控制一增材制造技术中精确控制位错密度 调整加工参数 可以通过设计PBF加工策略来“编程打印合金的热稳定性，通过优化粉未床熔融（PBF）参数，如激光功率、扫描速度、间距和层厚，可以控制位错密度。 实现位错和析出相的共存 通过3D打印技术，可以在高熵合金(HEA)中实现高密度位错结构和高体积分数韧性纳米沉淀物的结合，形成独特的位错-沉淀相骨架(DPS)结构，表现出优异的强度和拉伸延展性 操纵冷却速度和热梯度： 冷却速度和热梯度决定了应力和应变的局部化，从而影响位错结构的发展。通过控制这些参数，可以控制位错密度。 3DScienceValley 人工智能用于微结构控制一非均质合金设计 非均质合金设计是一个多学科交叉的领域，涉及到材料科学、冶治金学机械工程、计算模拟和制造技术。增材制造（AM）技术，如选区激光熔化（SLM）和电子束熔化（EBM），为非均质合金设计提供了制造平台，允许在制造过程中精确控制材料的局部成分和微观结构 性能优化： 多功能性： 应力分布： 梯度功能材料： 环境适应性： 非均质合金设计允许在材料的不同区域实现不同的性能例如，提高某些区域的强度而不影响其他区域的延展性。 通过非均质设计，可以在材料内部实现更均匀的应力分布，减少应力集中，从而提高材料的疲劳寿命和可靠性。 非均质合金可以集成多种功能，如同时具有导电性和磁性的不同区域或者在一种材料中集成结构和传感功能。 这种设计可以创建具有梯度功能的合金其中材料的属性（如硬度弹性模量、热膨胀系数等)在空间上连续变化。 非均质合金可以设计成对特定环境条件（如高温、腐蚀介质等）具有更好的适应性。 传感器增材制造设备的“感官神经 3DScienceValley 增材制造金属设