LLNL國家實(shí)驗(yàn)室的金屬增材制造加速認(rèn)證總監(jiān)Wayne King在GE打造的Industry in 3D系列脫口秀訪談節(jié)目中，談到依靠人類的經(jīng)驗(yàn)來進(jìn)行加工質(zhì)量提升，這個(gè)過程是充滿痛苦和煎熬的。這種基于人的經(jīng)驗(yàn)加工技術(shù)將要被基于科學(xué)的加工技術(shù)所替代，他認(rèn)為前置反饋將要顛覆當(dāng)前的3D打印現(xiàn)狀。

前置反饋像3D打印設(shè)備的大腦，“告訴”打印機(jī)如何做避免錯(cuò)誤。利用所能得到的最新信息，進(jìn)行認(rèn)真、反復(fù)的預(yù)測，把計(jì)劃所要達(dá)到的目標(biāo)同預(yù)測相比較，并采取措施修改計(jì)劃，以使預(yù)測與計(jì)劃目標(biāo)相吻合。如今，根據(jù)3D科學(xué)谷的市場觀察，GE有關(guān)動態(tài)地控制3D打印-增材制造過程的專利獲得通過，這其中的核心正是前置反饋。

科學(xué)技術(shù)代替人類經(jīng)驗(yàn)

在目前的基于粉末床的選區(qū)激光金屬熔化系統(tǒng)中，激光裝置產(chǎn)生激光束，該激光束入射到粉末床上的區(qū)域內(nèi)熔化粉末材料，從而形成熔池。在一些已知的增材制造系統(tǒng)中，零部件在加工過程中可能受到過量的熱量或熔池中的傳導(dǎo)或者飛濺而發(fā)生質(zhì)量隱患。此外，凝固過程中材料之間的熱傳遞，帶來半熔化的粉末粘結(jié)在零件表明，降低了零部件的表面質(zhì)量，特別是懸垂或面向下的區(qū)域的表面質(zhì)量。增加的熔池大小和深度以及熔融金屬的流動通常會導(dǎo)致懸垂或面向下的表面光潔度差。GE于2020年8月18日獲得通過的《Systems and Method for Advanced Additive Manufacturing》專利描述了GE動態(tài)地控制3D打印-增材制造過程。這個(gè)專利提供了一種用于動態(tài)地適應(yīng)零件的增材制造的方法。

卷積神經(jīng)網(wǎng)絡(luò)

通過存儲用于構(gòu)建一個(gè)或多個(gè)構(gòu)建參數(shù)的零件的構(gòu)建文件，以及接收多個(gè)構(gòu)建信息。多個(gè)構(gòu)建信息中的每個(gè)構(gòu)建信息包括由多個(gè)機(jī)器中的至少一個(gè)機(jī)器對零件的構(gòu)建過程傳感器撲捉到的信息。通過傳感器信息與構(gòu)建參數(shù)進(jìn)行比較以確定差異，確定是否對構(gòu)建參數(shù)進(jìn)行調(diào)整。

在加工工藝的控制過程中，GE使用了數(shù)字孿生體技術(shù)，并通過機(jī)器學(xué)習(xí)來訓(xùn)練處理器或處理元件，機(jī)器學(xué)習(xí)程序可以采用神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)可以是卷積神經(jīng)網(wǎng)絡(luò)，機(jī)器學(xué)習(xí)可能涉及識別現(xiàn)有數(shù)據(jù)中的模式，以便于對后續(xù)數(shù)據(jù)進(jìn)行預(yù)測。

Review

Alpha Go技術(shù)的跨界

根據(jù)業(yè)內(nèi)專家，卷積神經(jīng)網(wǎng)絡(luò)是近些年逐步興起的一種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)， 因?yàn)槔镁矸e神經(jīng)網(wǎng)絡(luò)在圖像和語音識別方面能夠給出更優(yōu)預(yù)測結(jié)果， 這一種技術(shù)也被廣泛的傳播可應(yīng)用。 卷積神經(jīng)網(wǎng)絡(luò)最常被應(yīng)用的方面是計(jì)算機(jī)的圖像識別， 不過因?yàn)椴粩嗟貏?chuàng)新， 它也被應(yīng)用在視頻分析， 自然語言處理， 藥物發(fā)現(xiàn)， 等等。包括Alpha Go， 讓計(jì)算機(jī)看懂圍棋， 同樣也是有運(yùn)用到這門技術(shù)。

那么卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算原理是怎樣的呢？“卷積” 和 “神經(jīng)網(wǎng)絡(luò)”。 卷積也就是說神經(jīng)網(wǎng)絡(luò)不再是對每個(gè)像素的輸入信息做處理了，而是圖片上每一小塊像素區(qū)域進(jìn)行處理， 這種做法加強(qiáng)了圖片信息的連續(xù)性。使得神經(jīng)網(wǎng)絡(luò)能看到圖形， 而非一個(gè)點(diǎn)。這種做法同時(shí)也加深了神經(jīng)網(wǎng)絡(luò)對圖片的理解。具體來說， 卷積神經(jīng)網(wǎng)絡(luò)有一個(gè)批量過濾器， 持續(xù)不斷的在圖片上滾動收集圖片里的信息，每一次收集的時(shí)候都只是收集一小塊像素區(qū)域，然后把收集來的信息進(jìn)行整理， 這時(shí)候整理出來的信息有了一些實(shí)際上的呈現(xiàn)， 比如這時(shí)的神經(jīng)網(wǎng)絡(luò)能看到一些邊緣的圖片信息， 然后在以同樣的步驟， 用類似的批量過濾器掃過產(chǎn)生的這些邊緣信息， 神經(jīng)網(wǎng)絡(luò)從這些邊緣信息里面總結(jié)出更高層的信息結(jié)構(gòu)，比如說總結(jié)的邊緣能夠畫出眼睛，鼻子等等。再經(jīng)過一次過濾，臉部的信息也從這些眼睛鼻子的信息中被總結(jié)出來。最后我們再把這些信息套入幾層普通的全連接神經(jīng)層進(jìn)行分類，這樣就能得到輸入的圖片能被分為哪一類的結(jié)果了。

拿粉末床金屬熔融技術(shù)來說，金屬粉末一層一層的被凝固，從而成為最終零件，在層凝固的過程中就有著與模型切片所對應(yīng)的圖像成像過程，由此說來，卷積神經(jīng)網(wǎng)絡(luò)原理用于3D打印的前饋控制是頗具發(fā)展?jié)摿Φ摹?br /> 責(zé)任編輯：tzh