通过机器学习实现激光辅助增材制造

激光辅助快速成型制造简介
 

在激光辅助快速成型制造（LAAM）（也称为激光金属沉积（LMD）或定向能沉积（DED））中，我们通常使用强大的激光束熔化金属丝或吹塑粉末喷射原料，用于金属快速成型制造。与铣削和车削等更传统的材料减量技术相比，LAAM 利用增加材料量的概念来制造部件，从而提高了制造效率，同时降低了设计限制和材料浪费。这些特点推动了 LAAM 技术在三维（立体）零件制造中的广泛应用。

激光束运动战术或刀具路径在 LAAM 中被称为激光扫描模式。整个部件的温度分布会受到沉积路径的显著影响，尤其是多层沉积工艺，从而导致独特的残余应力分布和基底变形。

由于温度分布和冷却速度的变化，部件的微观结构和机械特性也会不同。因此，选择正确的激光扫描模式对于减少整体变形和提高部件结构质量至关重要。由于我们对激光辅助快速成型制造中复杂的多物理现象了解不全面，目前的激光扫描选择主要依赖于经验。

图 1： 有限元模型演化方案；图片由爱思唯尔提供
激光扫描图案策略（如 "优化法"、"医疗轴 "法和 "子区域生成 "法）的主要目标是确定无碰撞的材料沉积路径，并完全覆盖每层的二维截面轮廓。这些方法没有考虑到扫描策略对温度分布的影响，以及对残余应力分布和基底变形的影响。

为了研究各种工艺参数、沉积过程中的热行为和沉积部件的机械性能之间的关系，可以利用有限元建模。然而，由于一些限制因素，目前的 LAAM 模型与模拟真实工业应用之间仍存在差距。

其中之一是可扩展性有限，这是指沉积处理时间的增加。造成这种限制的部分原因是激光辅助增材制造工艺的复杂性，因为往往需要数天甚至数周的模拟才能提供足够精确的结果。

另一个缺点是，为多层沉积过程创建预测模型需要同时掌握激光辅助增材制造实验程序和有限元建模知识。因此，要有效地为三维打印或大面积表面沉积过程提供准确的预测，需要对数值模型和其他独特的预测方法进行更多改进。

机器学习方法需要创建和使用计算机算法来创建预测，随着输入数据集的增大，预测也会变得更加准确。这种方法已被广泛应用于各种场合，包括战略规划、优化和实地整合。

然而，很少有研究记录了机器学习算法在制造业中的应用，尤其是在增材制造（AM）中。这可能有两个原因：首先，收集足够数量的大规模数据进行训练需要大量资源；其次，标注数据通常需要将数据的价值与其物理意义联系起来，这就需要进行费力的数据预处理，如分类和过滤。由于 AM 的训练数据相对容易获得，早期的研究工作主要集中在利用图像处理进行过程监控和缺陷识别。

机器学习算法可能会从有限元模型的训练数据中受益。下一个挑战是为所选研究参数生成足够精确的数据。LAAM 有限元模型通常包括与激光束、材料粉末和基体相关的多个工艺参数，其复杂性使得为机器学习技术创建数据集更具挑战性。

此外，选择一种可接受的数据结构来解释沉积状态在整个过程中的变化也具有挑战性。中国和新加坡的研究人员讨论并介绍了利用机器学习算法的可能性和方法，以及利用 LAAM 数值模型的输入来评估激光扫描模式。

根据他们的研究，为实现上述目标，提出了一种用于 LAAM 热分析的循环神经网络和深度神经网络（RNN-DNN）组合模型。他们采取了以下步骤来建立模型。

首先，在整个 LAAM 过程中，使用新颖的有限元热分析仿真架构来不断预测整个仿真域的温度场。以建立的有限元模型为基础，生成庞大的热历史数据集。其次，为了描述沉积过程中的激光扫描状态和相关温度场，创建了一个特殊的数据集结构。第三，创建 RNN-DNN 模型结构，根据特定的激光扫描状态预测温度行为。在本文的其余部分，我们将简要介绍这种新颖的方法。

激光辅助快速成型制造的热分析
 

在激光辅助快速成型制造中，材料粉末通过离散同轴粉末喷嘴利用载气供应到基体上，然后被强大的激光束熔化。喷嘴和激光光学系统安装在机械臂上，通过激光运动沉积粉末，粉末凝固后形成熔覆轨道。

图 2：带有单元模拟域和单元网格单元的组件分解。图片由爱思唯尔提供
单元模拟阶段结束后，温度场将被保存并导入，作为下一步模拟的起始条件。预先确定的激光扫描模式用于合并各种单元模拟域。整个沉积过程的模拟由所有单元模拟步骤的传播组成。图 1 描述了建模架构的生成过程。

图 3：任意组件 CAD 模型的分解。图片来源：爱思唯尔

结果

在整个激光辅助快速成型制造过程中，温度场的变化是通过最先进的热分析有限元模型进行持续预测的。根据创建的数据结构，从有限元模型中检索整个模拟域的离散沉积状态和相关温度场。然后，使用 100 个不同的单层沉积方案，每个方案有 6 个独特的激光扫描程序，创建了 LAAM 热历史数据集，共有 47,000 多个沉积状态。图 2 和图 3 显示了这一过程的示意图。

与有限元模型相比，使用 RNN-DNN 模型训练了各种激光扫描模式与输出温度场之间关系的预测精度。如图 4 所示，创建的 RNN-DNN 模型可以快速比较各种激光扫描模式，并大大提高预测精度。在未来的研究中，可以扩展所创建的结构，以便对多层三维沉积过程进行热研究。

图 4：机器学习预测与有限元模型模拟温度的比较。图片来源：爱思唯尔