前言
机器视觉和机器学习算法赋予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，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。质量控制方面，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。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。
共识与痛点
增材制造（AM）存在数据孤岛问题，数据被锁在垂直的、封闭的、异构的“竖并”里。场景复杂、约束多，标准缺失，90%以上检测/工艺数据沉睡。行动上，需联合中国信通院、国标委出台《增材制造数据脱敏与流通指南》，建立国家增材AI数据交换中心，发布“智能增材制造”国家路线图。
AI的作用
AI在增材制造中的作用体现在多个方面：
- 过程控制感知制：通过传感器数据、物理驱动的机器学习、数字李生和知识图谱等技术，实现增材制造过程的高效协作和智能化控制。
- 智能化设计：利用生成式设计和拓扑优化等技术，实现智能化设计，提高设计效率和创新能力。
- 智能化质量控制：通过机器学习算法进行缺陷检测和纠正，减少残余应力和故障，实现智能化质量控制。
- 智能化材料开发：利用机器学习进行微结构设计和合金设计，提升材料性能。
增材制造造成质量缺陷的来源及缺陷类型
增材制造过程中可能出现的缺陷包括气孔、裂纹、未熔合、咬边、飞溅等，其来源涉及硬件设备、原料、工艺输入、构建环境等多个方面。
熔池监测：智能制造质量守门员
熔池监测是焊接与增材制造质量控制的核心环节，通过采集熔池状态数据，实现缺陷的早期识别与工艺参数的动态优化。
原位监测数据来源及与机器学习的集成
原位监测数据来源包括熔池/飞溅图像、声发射信号、温度曲线等，通过与机器学习算法的集成，实现缺陷检测和预测。
人工智能用于微结构控制
AI可用于微结构控制，例如晶体织构控制、纳米级强化面缺陷设计、位错密度控制、非均质合金设计等。
传感器：增材制造设备的“感官神经”
智能传感系统是高质量制造的数字化基石，包括近红外、短波红外、中波红外、长波红外等光学相机和声学传感器。
案例分享
- 数字李生：用于一站式仿真、智能合金设计、增材制造自适应路径规划等。
- AI增材制造应用：生成式设计、增材制造工艺自主化、智能化制造策略、材料研发等。
增材制造数据价值及管理
- 数字李生：将数据转化为资产，构建增材制造产业化完整技术路径。
- 数字护照：提供制造结果的虚拟预认证，实现可信追溯。
- 增材制造数据管理实践：通过七步路径实现数据的有效管理和利用。
企业的AI战略
- 提升对增材制造本质的认知：建立为增材制造而优化的技术体系和标准。
- 站在趋势之上的战略出发点：关注要求和设计标准、可生产性、稳定性、零件特性和性能可预测性等五大支柱。
- AI对商业模式的塑造：推动Data is the new gold和Machine as a Service等新商业模式的发展。
- 增材制造企业A战略的发力点：数据设备、质量及材料、商业模式、销售、设备管理、数据质量管理、材料研究、数据安全、合规性、可持续发展的智能制造。
政策支持
中国、美国、欧盟均出台了相关政策支持增材制造与AI的融合发展，推动技术创新和市场应用。
