在3D打印流行之初的十余年间，诞生了一个名词，叫做“面向增材制造的设计”，又称为DfAM，就是要求设计师在基于3D打印技术进行产品设计时，不仅要考虑到它的制造能力，还要兼顾技术的局限性。 这种情况实际上是对工程师的设计能力要求更高了。但是，仅依靠人力去实现SpaceX 猛禽3发动机一样的极致简化会很难，而AI技术的出现则让这种差距正在缩短。 当AI直接能够生成可以3D打印的零件，未来的航空航天设计还需要画图吗？尤其是笔者最近发现，知名人工智能与航空航天企业LEAP 71的创始人正在写一本关于“面向工程师的代码开发”的书籍，上面的疑问更值得深思。 ➡️ AI在部件设计阶段发挥什么作用 使用基于AI的生成式设计，工程师只需要将载荷工况、边界条件、材料属性、设计空间、制造约束及性能目标等”告诉大模型，AI便能生成几十甚至几百种符合条件的设计。 其次是同步进行多物理场拓扑优化。传统拓扑优化过程通常一次智能考虑一种物理场，但AI能够同时优化结构力学、流体力学和热学目标，能够快速生成一个满足多种指标的一体化结构。 最后是让结构自动避免添加支撑打印。当结构变得非常复杂、一体化之后，内部结构需要完全避免添加支撑，此时，模型只需要执行人工输入的代码命令，即可满足3D打印的极限制造特征。 ➡️ 航空领域AI设计+3D打印应用案例 航空领域的AI设计，覆盖机身机构、发动机零件、电器系统等。在机身机构方面，AI设计能帮助实现装备结构的重大变革，实现整体化创新设计与增材制造，结构件数量可减少90%以上，制造周期也能实现倍级缩短。 2025年12月，瑞典高端技术与防务集团Saab AB与美国增材制造创新公司Divergent Technologies，宣布成功采用3D打印技术制造出长达5米的一体式无人机机身。 3D打印技术参考查询到，它使用AI驱动设计，承重结构不再是肋骨或直角纵梁，而是使用设计算法生成了最优载荷路径的有机形体，打印结构比传统机身零部件数量减少了99%以上，重量减轻了约45%，材料浪费也减少了90%。而且，该机身已通过结构载荷测试。 另一个案例来自伦敦初创公司PhysicsX，其开发了名为Ai.rplane的大型几何模型，能够在几秒内生成并评估数千种全新的飞机设计方案。该模型能够学习预测飞机物理特性，如升力、阻力、飞行稳定性和结构应力。用户可以将满意的设计导出为STL文件，并用3D打印机打印出来，以确认它真的能飞！ 在民用航空领域，空客等公司也在探索全新的飞机设计方式。早期，空客已将生成式设计应用在机舱结构优化上，打造出了一种3D打印的“仿生隔断”，重量比以往的同类产品轻45%，强度却提升8%，为飞机轻量化带来了显著突破。 由生成设计并通过3D打印的垂直尾翼 在这一成功的推动下，空客公司利用生成式设计工具重新设计了飞机的其它更多部件，从垂直稳定器到座椅腿、机舱的内部布局，力图实现最佳生产和成本效益。 ➡️ 航天领域AI设计+3D打印应用案例 将AI设计与3D打印技术结合的典范是来自迪拜的LEAP 71公司，它本身并不是航天公司，但近几年正通过一件件的颠覆性设计和发动机试车，来证明其解决方案的强大之处，进而寻求与航天企业的合作。 该公司自主研发了名为Noyron的计算工程AI平台，能够基于物理与工程原理，而非概率推测，直接生成可制造的零部件乃至整机。 2024年，LEAP 71团队仅用3周就完成了此前人类工程师需要数年时间才能实现的研发突破。其开发的液氧煤油气动塞火箭发动机成功进行热试车；2025年，该团队又试车了一台液氧甲烷气动塞发动机。 笔者注意到，Leap 71的这些努力确实给它带来了很多客户，甚至包括国内的商业航天企业。 2025年，国内火箭制造新锐微光启航宣布与Leap 71合作设计的3D打印同轴剪切喷注器成功落地。它的重要意义在于，这是国内首个公开的使用AI设计的实际应用航天部件。 2025年6月，LEAP 71宣布与Aspire Space达成合作，其将使用Noyron工具为后者研发一款可重复使用的大型运载火箭发动机。 直径600毫米的喷油器喷头 写在最后，所有的创新都需要快速迭代，这一点我们从马斯克高频次的试飞星舰就可以发现。通过将工程知识转化为代码，人工智能技术能够在几天内完成过去需要几个月才能完成的工作，这无疑将带来极大的设计变革。 注：本文由3D打印技术参考创作，未经授权，谢绝转载。#增材制造 #3D打印

3D打印技术参考注意到，橡树岭国家实验室（ORNL）开发的一款软件算法将核应用3D打印部件的检查时间缩短了85%。目前，研究人员正在为爱达荷国家实验室（INL）训练该算法，以便将类似方法应用于辐照材料和核燃料的检查。 3D打印核部件的质量通常通过计算机断层扫描（CT扫描）进行验证，该技术利用X射线捕捉内部结构中的缺陷或错误图像。ORNL的新软件算法采用机器学习技术，快速重建并分析图像，从而显著降低了检查所需的成本、时间和扫描次数。 借助机器学习快速分析检测样本已经成为研究热点。3D打印技术参考此前介绍过，2023年Science正刊首篇关于3D打印技术的研究就是关于该课题的研究。弗吉尼亚大学材料科学与工程专业孙涛副教授领 导的研究团队通过整合原位同步加速器 X 射线成像、近红外成像和机器学习，能够以亚毫秒时间分辨率和100%的预测率捕获与锁孔生成相关的独特热特征。使用经过良好校准的模拟来训练机器学习模型，在对实验数据进行测试时，粉床和样品的预测精度分别为85%和87%。 INL的研究人员应用ORNL的新算法，在不到5小时的扫描时间内分析了30多个3D打印样本部件。此前，如果不使用该软件，每个扫描的完成时间将超过30小时——这为放射性材料和燃料的潜在应用开辟了道路。 出于实验室技术人员安全的考虑，INL的研究人员通常会推迟检查从核反应堆中取出的材料。在长时间的X射线CT扫描过程中，辐射会对探测器造成损耗，从而缩短其使用寿命并降低图像的准确性。缩短扫描时间意味着每次扫描的辐射剂量减少，等待时间缩短，同时能够获得更高质量的数据，并为性能模型提供更快速的反馈。 “如果我们使用这种算法来减少放射性材料和燃料的扫描时间，将提高工作人员的安全性，并加快新材料的评估速度，”INL衍射与成像小组负责人兼仪器科学家比尔·丘拉兹（Bill Chuirazzi）表示。“从长远来看，这将使我们能够加快新核能理念从概念到电网实施的生命周期。” ORNL研究人员最初开发该算法是为了更快、更准确地扫描3D打印金属部件。ORNL和INL之间的合作有望加快新型反应堆类型的开发和部署，以推动电力行业的脱碳进程。 该软件得到了美国能源部（DOE）先进材料与制造技术（AMMT）计划的支持，旨在通过演示和部署加速新材料和制造技术的商业化。

10月23日，3D打印技术参考注意到，英伟达（NVIDIA）旗下NVentures和波音旗下AE Ventures出资1400万美元投资3D打印技术开发商Freeform，它是一家由前SpaceX工程师创立的AI驱动金属3D打印的高科技企业，正在开发一种新的可实现大批量金属3D打印的工艺流程。 与采用区域打印和光束整形来提高金属3D打印的速度不同，Freeform仍然依赖传统的SLM技术形式，但却在制造的整个流程上进行了创新，实现了激光打印不间断。基于该流程，Freeform表示制造金属零件的速度比现有方法快25-50倍，而且成本仅为现有方法的一小部分。 微秒级监控能力，迎合SpaceX制造要求 Freeform有望显著减少停机时间，它有两个平行的输送系统，多个金属板沿着它们排列。当传送带将板材移入和移出光束时，它的18个激光器不间断运行。相机组合以每秒超过70000帧的速度拍摄图像，将数据输入计算机视觉算法，以协调激光器的出光方式。 质量控制是被此次投资看中的关键。Freeform的解决方案是通过在定制机器中实施闭环流程来提供高质量的打印服务。该机器具备微秒级的监控能力，能够实时追踪打印过程中的各项参数，并据此进行精细调整，以满足如SpaceX等高端工作场所对打印质量的严苛要求。 Freeform金属3D打印工艺流程，双缸并排不间断打印 该公司在技术创新方面取得了众多令人瞩目的成就，但其中最直接且关键的两项技术革新在于其反馈回路与驱动该回路的人工智能系统。Freeform首席执行官兼联合创始人Erik Palitsch表示，“我们的系统搭载了以微秒级速度运行的高速计算机视觉反馈机制，所有海量数据均在业界领先的FPGA和GPU上得到高效处理。” 这套具备实时监控功能的闭环系统，在有效缓解质量问题的同时，依然能够保持对复杂几何图形的高速打印能力。通过专注于打印服务的业务模式，他们确保了业务的简洁与高效。然而，要使这一系统发挥最大效用，还需依赖另一项关键的技术突破：一个既快速又专业的机器学习模型，负责实际执行监控任务。这一模型的存在，使得整个系统能够以前所未有的精度和效率运行。 作为此次投资的一部分，Freeform将加入英伟达支持尖端初创企业的 NVIDIA Inception计划，并将利用NVIDIA的加速计算平台增强其现有的AI驱动功能，该平台可对金属3D打印过程的复杂物理特性进行实时预测控制。这种方法为金属增材制造开辟了新的可能性，而这些可能性以前是使用传统方法无法实现的。 AI原生、全自主的金属3D打印工厂 Erik Palitsch表示：“Freeform率先引领制造业的转型，将机器学习和超级计算融合在一起，使不可能变为可能。借助 NVIDIA的技术，我们可以突破金属3D打印的极限，让我们能够以几年前无法想象的速度生产出高质量、经过数字化验证的部件。” Freeform的AI驱动策略预示着金属3D打印迈入了一个转折点。依托NVIDIA的加速计算平台，Freeform正全力构建全球首个AI原生、全自主的金属3D打印工厂。该系统深度融合了尖端传感技术、精密过程控制及机器学习算法，能够实时优化制造流程，确保前所未有的精度与可扩展性，树立行业标杆。 首席科学官Tasso Lappas在控制室监控3D打印流程 NVIDIA公司副总裁兼NVentures总经理Mohamed “Sid” Siddeek对此评价道：“Freeform正以前瞻视野，引领加速计算赋能自主制造的新潮流。他们凭借实时AI流程控制与尖端计量系统的结合，正在为金属增材制造领域树立全新典范。” Freeform的深度技术平台直击制造业核心痛点：传统金属3D打印缺乏智能化过程控制，常导致质量波动与周期延长，测试验证环节繁琐，成本高昂。而Freeform的AI平台则通过每次打印的持续学习，实现了对结果的精准预测与实时控制，确保每个部件都能以高精度、高效率及数字化验证的方式交付。 经深入评估，制造能力被资本认可 如今，Freeform正蓄势待发，准备在数万亿美元的制造市场中大展拳脚。公司将借助新注入的资金，拓宽可打印材料范围，并提升航空航天、能源、半导体及汽车等关键行业的生产能力，其中质量、速度与成本均至关重要。Freeform的自主打印技术已赢得波音等行业巨头的青睐，波音计划利用Freeform的技术，为商用航空与国防领域认证并拓展金属部件的应用。 AE Ventures的Eugene Kim表示：“面对21世纪的需求，企业亟需能够紧跟创意步伐的技术。Freeform在金属增材制造领域提供可扩展、灵活的解决方案，确保从原型设计到全面生产的每一个环节都有品质保障。这正是航空航天业期待已久的突破。AE Ventures与波音公司的高层技术人员携手，对Freeform的打印能力进行了深入评估，我们对其彻底变革金属增材制造的能力充满信心。” Freeform创始人与英伟达创始人 对于Freeform而言，这项投资不仅标志着先进制造业新时代的到来，更是人工智能与硬件加速计算深度融合的开始，其被认为将从根本上重塑从航空航天到汽车等行业的金属生产方式。 Freeform的专有技术旨在将软件的无限可扩展性引入实体制造领域。通过硬件加速计算平台与机器学习的强强联合，公司打造出一种能够持续学习与适应的工厂架构。这不仅是技术上的渐进式提升，更是金属零件设计、制造及大规模交付模式的颠覆性变革。 Palitsch补充道：“长久以来，工业界一直受制于传统框架。而今，我们正摒弃旧有模式，通过融合人工智能、超级计算与先进传感技术，以前所未有的速度推动工业从创意走向大规模生产，且成本大幅降低。” 注：本文内容由3D打印技术参考整理编辑，转载请点击转载须知。

10月22日，3D打印技术参考注意到， 拓竹科技推出了其最新人工智能驱动3D模型生成器PrintMon Maker。该工具可通过MakerWorld平台获取，允许用户使用文本或图像提示来创建可3D打印的模型。 这款新的人工智能产品自8月以来一直处于测试阶段，旨在激发创造力并降低3D建模的入门门槛。值得注意的是，该生成式AI平台生成的模型是为多色3D打印优化的。 PrintMon Maker已集成到了Bambu Studio中。生成的设计可以直接导入到3D打印切片软件中，并在拓竹科技的3D打印机上制造，无需额外调整。还可以创建类似底座的单独文件，使用户能够个性化的开展3D打印创作。 拓竹科技新工具的开发顺应了利用AI文本生成3D模型的趋势，像Meshy.ai、OpenAI Point-E和DreamFusion这样的平台均提供了类似的功能。GPU制造商Nvidia在2023年初也推出了其Magic3D生成式AI工具。Spare Parts 3D (SP3D)将这一概念扩展到从2D技术图纸创建3D模型。 PrintMon Maker文本输入 在PrintMon Maker中生成模型，用户可以输入一个简短的文本提示或上传他们想要复制的模型的图片。AI算法可将其转换为一个宝可梦风格的字符概念模型。 然后可以将AI概念转换为可打印的3D网格，并在MakerWorld中编辑。编辑平台的用户界面相当基础，使其易于3D建模新手使用。它允许更改颜色，提供四种、八种和十二种颜色选项。用户还可以添加底座，重新定位和旋转模型，并更改眼睛的风格。 在完成设计后，用户可以下载模型，或在Bambu Studio切片软件中打开，准备3D打印。 AI 3D模型生成器并不新鲜。随着大型语言模型的兴起和像Chat GPT这样的易于访问的AI工具的流行，现在更多的人希望使用基本的文本输入和图像来创建3D模型。 去年，Nvidia创建了其Magic3D文本到3D模型工具，以回应Google的DreamFusion产品和Physna Inc.的3D模型和场景的生成式AI原型。在一篇研究论文中概述，Nvidia的AI平台采用了一个两阶段的方法，创建一个粗糙的低分辨率模型，然后优化为更高的分辨率。Magic3D还可以进行基于提示的3D网格编辑。一旦上传了基础提示和低分辨率3D模型，就可以修改文本以改变结果模型。 AI也可以用来简化3D打印工具路径的创建。总部位于伦敦的3D打印软件开发者Ai Build提供了Aibuild 2.0，这是其基于云的AI软件的最新版本。这个平台具有与AI对话的功能，可以从简单的文本输入如“用2mm层高切片零件”生成3D打印工具路径。 注：本文内容由3D打印技术参考整理编辑，转载请点击。

近日，传热专家Conflux Technology宣布推出其首款热交换器3D打印产品——一款优质、可扩展、可配置、超高性能的水增压空气冷却器，其性能相比传统产品大大领先，适用于赛车运动和高端汽车市场。Conflux针对特定客户的要求进行配置，并以性能、有竞争力的价格和快速交付为突出特色。 建立在Conflux 先前的热交换器研发的基础上，其水增压空气冷却器旨在冷却进入用于增压某些汽车发动机的涡轮增压器的空气。据称，利用3D打印技术，该公司不仅能够优化设备的重量和性能，还能够扩展其尺寸，使其能够融入高端汽车制造商的现有设计。 与领先的微管相比，Conflux 的水增压空气冷却器的核心体积减少 15%，空气侧压降减少24%，冷却剂压降减少82%，湿重减少39%，干重减少31%。 传统制造无法实现的复杂几何形状和微观特征推动了3D打印热交换器的发展，翅片和薄壁设计可适应整个热交换器中不断变化的流体动力学。通过在通道内添加或减少翅片和混合结构来改变表面积密度可以微调性能，并且由于向热交换器供应流体的管道是圆形的，因此环形设计确保整个交换器的流动均匀。同时，通过优化流体分布和流动的整体设计增强了堆芯内部的高表面积与质量比，每单位重量或体积提供更多的热交换。 更薄、更精简、高性能 热交换器的性能随着壁的变薄而提高。薄壁允许在不增加阻塞的情况下增加表面积，或者在不增加压降的情况下保持表面积并减小零件尺寸。薄壁也意味着较低的零件质量，这是许多客户的关键考虑因素。激光粉末床熔融技术可以制造厚度不到1mm的薄壁结构，使热交换器的性能提高成为可能。 环形设计的复杂几何形状给仿真带来了沉重负担，在软件性能和计算能力方面造成了另一个瓶颈。考虑到SLM技术制造零件的表面粗糙度，工程师需要准确预测结果，特别是给定几何形状的压降。表面粗糙度通常通过增加混合和表面积来提高传热性能。然而，在小的特征距离处，它会增加压降。3D打印技术参考也曾介绍过当前该技术制造零件所存在的固有缺陷将对热交换器的性能产生影响。 工程师通过从其他热交换器的测试中建立一个大型相关数据库来实现预测的准确性，然后将这些数据带回模拟以查找结果之间的差异。这种方法能够模拟优化基本核心设计，并确保与实际结果密切相关。 环形热交换器制造成功的关键 3D打印技术参考了解到，环形热交换器制造成功的关键还在于创建可靠的参数集、3D打印工艺配置，以实现一致的厚度和气密结构。使用SLM技术，粉末残留不可避免，鉴于圆环的复杂几何形状，需要找到一种方法来完全去除，否则残留粉末会阻碍流体流动。 热交换器的性能是通过两个流体通道之间的热传递来衡量的。无论是冷却还是加热流体，出口温度都会量化热交换效率。目标是满足尽可能高的热交换和尽可能低的压降，以最大限度地提高性能。 除了热交换和压降之外，制造最小、最轻的部件在工程中通常非常重要，特别是对于赛车运动和其他要求苛刻的应用。 注：本文内容来由3D打印技术参考整理编辑，转载请依据转载须知。欢迎转发 主编微信：2396747576;硕博千人交流Q群：867355738；网址： 延伸阅读： 1.上百家3D打印企业！9月14-16日Formnext展览会解锁增材智造新技能！ 2.3D打印复杂结构热交换器并将其一分为二 3.美国家增材创新中心：借助衍生式设计平台能创建出怎样的高级热交换器 4.3D打印的固有制造缺陷使其还无法完全替代热交换器的传统制造技术

笔者推荐：金属3D打印对用户经验要求极高，即便是熟练的工艺人员也常有犯错的时候。在我们提了多年人工智能与3D打印的结合之后，今天，一款适用于绝大多数公司、个人的人工智能软件开始走上前台。 金属3D打印——机遇与挑战并存 当前，金属3D打印正快速从设计验证向批量化终端零部件生产演进。金属3D打印现在已经可以运用到航空航天、医疗、模具、汽车、能源动力、轨道交通、电子等诸多行业，且还在向更多行业渗透，整体市场容量快速提升。 金属3D打印在多个行业正快速从设计验证向批量化终端零部件生产演进 然而，巨大的机遇往往伴随着严苛的挑战。金属3D打印具有很高的门槛。在传统的模式下，新手要进入这个领域，首先需要花费长达数月甚至一年的时间进行理论学习，建立起对于设计、工艺、材料、设备操作、后处理等各个方面的理解。在此后的实践环节中，还要面对大量的打印失败，以及在此期间所投入的高昂的设备、材料和时间成本。 在这个模式下，很多人无法跨越这个陡峭的学习曲线，或是难以承受这样高昂的代价，最终被挡在了金属3D打印的大门之外，从而与这样一个巨大的商机失之交臂，这无疑是令人遗憾的。 那么，是否存在一种更好的模式，可以使开启金属3D打印之路变得简单而高效呢？ 人工智能为开启——金属3D打印之路保驾护航 很多人都有小时候学习游泳的经历。无论之前在岸上花再多的时间学习理论，真正要掌握这项技术，还是从跃入水中的那一刻开始的。但之所以能鼓起勇气跃入水中，很大程度上是因为教练在身边带来的安全感。教练一方面能给与指导，但更重要的作用是确保不会有意外发生。 学习金属3D打印的过程也是如此。新手光靠理论学习永远只能停留在纸上谈兵的阶段，加速学习进程的关键在于及早进入实战环节。然而在这个过程中，多数人都因为无法承受巨大的挫败感半途而废。 想象一下，如果能有一位“教练”提供全程指导，并帮助规避各种可能导致失败的风险，学习金属3D打印的过程一定会事半功倍。 在Oqton，我们认为人工智能可以扮演这个“教练”的角色。人工智能的独特优势在于它可以通过对海量数据的学习形成知识，并运用这些知识来做出决策。因此，从Oqton成立之初起，人工智能一直是我们打造的生产平台的中流砥柱。 在人工智能这位“教练”的保驾护航下，用户可以循序渐进，从点滴的成功中积累信心，并随着技术的提升和经验的增长，越发享受到探索带来的乐趣和成就感，最终到达成功的彼岸。 Oqton平台如何破解摆放难题 金属3D打印的一大难题就是如何为零件找到最佳的摆放角度，这对打印质量和效率有着决定性的影响。理想的摆放角度可以减少支撑材料的使用量、提升零件的表面质量，同时大大缩短后处理工序的时间和复杂度。 然而，掌握这项技能需要长期积累的经验。新手在面对这样的开放式问题时往往是一筹莫展。 为了解决这一难题，Oqton平台使用了基于人工智能的摆放算法。这个算法对大量零件进行了训练，并在众多客户处得到验证，保证其即便在用户刚上手时都具有足够的可靠性。 Oqton平台可以做到自动识别零件类型，还可以根据特征识别零件的重要表面来决定摆放角度，从而保证了零件的表面质量。平台在提供推荐摆放的同时，还会给出选择这个摆放方式的理由。对于新手来说，这种方式不仅方便快捷，而且还是一个很好的学习摆放原理的工具。 Oqton平台通过人工智能推荐理想的摆放方式，并给出背后的理由 随着经验的增长，用户可能会对Oqton平台给出的摆放方式表示不同的意见。平台会根据用户的偏好进行学习，来适应用户的使用习惯，与用户共同成长。 Oqton平台总是从一个或多个推荐的摆放方式开始，让用户进行选择。如果用户希望改变摆放方式，只需要进行手动调整，平台往后都会对类似的零件推荐这个新的摆放方式。这种做法不仅有助于提高效率，更实现了个性化与自动化的完美结合。当然，Oqton智能化平台的存在不是要淘汰工艺人员，而是让工作效率更高，让试错的成本更低！ 扫码关注OQTON堃腾智能制造，即可免费试用软件！ 欢迎转发 主编微信：2396747576;硕博千人交流群：867355738；网址： 延伸阅读： 1.人工智能和3D打印：满足制造业的未来 2.一款基于3D打印工艺预测、性能数据库和全动态工艺自适应调整的黑科技软件 3.工艺创新：将FDM 3D打印技术的潜力开发到极致 4.GE增材：金属3D打印中气流（风场）设计的重要性

为了提高金属粉末床增材制造技术的工业可接受度，很多厂家目前推出了在线监测模块来检查制造过程中的异常情况，如刮刀碰撞、粉末铺设不均、飞溅以及孔隙等等。然而，这些实时监控的尝试还没有实现足够的自动化，在分析生产过程中收集的数据方面，还集中于将完成的零件与3D模型进行比较。这种方法确实很简单，但却非常耗时，而且只能识别打印对象中的“一般缺陷”。 来自美国橡树岭国家实验室的研究人员近期开发了一款基于神经网络的程序，它可以对从设计、材料选择、打印到测试的整个过程的每个步骤收集和分析数据，实时评估零件质量。 研究人员使用基于神经网络的程序监视和分析3D打印的组件 该算法的主要优点还在于，它能够以传感器的原始分辨率反馈粉末床的逐层成像数据，并且能够分析和共享多台3D打印机上的数据，实现一个系统能够从另一个系统遇到的打印错误中学习的效果。 研究人员分别在SLM、3DP和EBM三种工艺、不同品牌的九台打印机上进行了实验，证明该算法在定位精度、准确性、计算时间和通用性方面，远远优于以前的算法。 所涉及的打印机和工艺类型包括： 激光粉末床熔融技术：使用一束或多束聚焦激光束选择性地熔化金属粉末。所用设备包括EOS M290、ConceptLaser M2、Renishaw AM250、AddUp FormUp 350、ConceptLaser X-Line 2000R以及SLM Solutions的SLM 280。 电子束粉末床熔融技术：使用电磁控制的电子束选择性地熔化粉末床，相比前者需要在更高温度下工作，所用设备为Arcam Q10。 粘结剂喷射成型技术：通过将粘结剂沉积在粉末床上逐层成型 “生坯”，然后进行脱脂和烧结，所使用的设备为ExOne M-Flex。 值得注意的是，这些打印机所自带的监控设备各有不同，但算法均具有通用性。 在过去十年中，很多设备商和研究机构已经针对粉末床增材制造过程的逐层异常检测进行了大量研究。许多努力集中在开发改良传感方式上，如使用闪光灯来更好地拍摄粉末床、采用条纹投影技术来恢复深度信息以及采用高分辨率扫描仪等等。但是，开发成像系统只是挑战的一部分。对于用户来说，无论采用何种数据源，都应该可以自动检测异常，才能满足应用端对质量和过程控制的需求。 体系结构的图形表示 此前关于异常检测和分类的方法有明显的局限性，如粗大的异常定位分辨率、极少的异常类别以及缺乏对其他粉末床工艺的通用性。ORNL的深度学习算法基于神经网络动态识别，（知识补充：在计算机视觉领域，目前神经网络的应用主要有图像识别，目标定位与检测，语义分割。图像识别就是告诉你图像是什么，目标定位与检测告诉你图像中目标在哪里，语义分割则是从像素级别回答上面两个问题）能够满足几个关键要求： 1. 模型预测和异常分类必须足够快地反馈，以提供实时信息，即使使用的是高分辨率相机。 2. 语义分割必须始终在成像传感器的原始分辨率下逐像素实现（语义分割更详细的可以解释是从像素的角度分割出图片中的不同对象）。 3. 由于任何一台单独机器的训练数据都可能受到限制，因此从一台3D打印机器获取的数据知识必须能够在完全不同的粉末床机器和成像系统之间跨技术快速转移。 4. 该算法必须自然地支持来自多个成像系统或其他空间相关的感应模态的数据融合。 实际打印零件和深度学习算法检测到的异常对比 是否采用共享学习下的铺粉效果和灰尘识别对比 测试的结果令人满意，实现了以下几个目标： 1. 在台式计算机上，分层分割时间为0.5s-2.4s，结果反馈的速度足够快，可以实时分析所有已探查机器类型的现场数据。 2. 在每个成像系统的原始分辨率下，可以按像素提供异常分类，定位精度往前迈进了一大步。 3. 该算法已成功在九种不同粉末床3D打印机上进行了演示，这些机器涵盖了三种不同的技术。此外，探索的成像系统包括可见光、中红外和近红外相机，有效分辨率范围为20μm至290μm。重要的是，所开发的深度学习算法允许在不同的粉末床机器之间无缝传输学习的知识，从而减少了与每个单独机器相关的数据收集和手动数据标记负担。 此外，研究人员发现新型的深度学习算法在异常类别的鉴别方面相比以前的算法实现了更低的误报率，七个类别中的四个类别的误报率下降了25%以上。此外，逐层分类的时间减少了12倍，而改进的定位能力和融合后图像的加入可以识别更多类型的缺陷。 ORNL已使用其算法来优化3D打印反应堆的生产 不过，该算法对于不同工艺之间的转移学习的预测准确性还有待提高。该团队评估了GE Additive ConceptLaser M2和ExOne Innovent系统之间共享的数据后，算法在缺陷识别遗失率方面的表现，发现共享过数据的系统的缺陷遗失率是未共享数据系统的16％。这表明训练确实起到了作用，但这种效果还不足够好。使用Arcam Q10增材制造系统打印的零件的真实孔隙率为78.4％，但是如果对图像进行分析，孔隙率则会上升至89.5％。 该算法的性能在很大程度上取决于其输入数据，如果捕获的图像不能清楚的展现打印部分的异常，则该软件不太可能被标记出来。 但无论如何，ORNL基于神经网络动态识别的算法在增材制造过程实时监控方面确实取得了非常大的进步。随着监控系统的发展，研究人员能够将图像数据与来自其他来源的数据(如打印机的日志文件、激光系统和操作员注释)组合在一起，可以更好的识别零件缺陷，并跟踪和评估所有零件的统计信息。 注：研究原文非常详实，内容已上传QQ群。欢迎转发 主编微信：2396747576;硕博交流和资料下载群：867355738；网址： 延伸阅读： 1.使用EOS光学层析成像代替无损检测保证增材制造部件质量 2.西空智造推出国产金属3D打印在线监控系统 3.GE增材 : 金属3D打印的广泛工业化需须受益于人工智能 4.金属3D打印质量的有力保障——过程监控技术  

本文所讲述的案例亮点在于，火箭发动机完全使用人工智能驱动设计，并采用3D打印将燃烧室和表面冷却流道等多组件实现一体式构建。在此基础上，我们将讲述AI如何融入增材制造的前后端制造链。 火箭发动机在燃烧过程中，燃烧室喉部燃烧温度高达3500℃，内壁温度超过 1000℃。为防止材料失效，结构设计就非常关键。为了达到这一目的，火箭发动机会采用再生冷却结构，液体燃料在进入燃烧室前，会通过燃烧室壁上的冷却管道向上输送，这个过程一方面降低了燃烧室的温度，另一方面燃料吸收的热量又回到燃烧室得以“再生”。 在传统生产方式中，冷却管道是通过在毛坯上钻孔，随后再通过多个繁琐的工作步骤进行密封得来，结构设计受到传统制造手段的诸多制约，燃烧室的冷却效率也因此受到影响。近些年来，采用选区激光熔化技术来制造火箭发动机的案例已经非常多，其最典型的优势就是实现了多个结构的一体化制造。在此情况下，结构设计相比制造本身而言，就更加重要。 AI突破人类思维，创建全新设计概念 总部位于德国的软件开发商Hyperganic，通过采用尖端技术和算法来生成结构复杂且功能强大的设计。其团队借助AI驱动的设计平台生成了具有整体优化设计的火箭发动机原型，与传统火箭发动机需要进行零件单独设计然后组装的形式不同，通过AI设计的发动机将燃烧室和表面通道等多个组件自主集成到了一个结构中。 在发动机创建过程中，设计人员在软件中输入了发动机的核心功能，包括燃烧室的形状和冷却性能要求。基于此数据，算法生成了符合所有规格的几何图形。 借助AI设计零件提供了一个新的视角。虽然设计师可以跳出框架进行思考，但设计过程通常需要重新考虑现有设计或使用参考框架。但AI却不会有人的这些心理约束，它可以自由的创建全新的设计概念，同时仍然满足性能要求。这个过程中，设计师的角色更多的转变为对结构功能等的设定。 简化设计，减轻重量，提高散热效率 Hyperganic的创新设计为传统火箭发动机提供了整合的替代方案。Hyperganic设计总监表示，这种简化的设计还可以减轻重量并提高散热效率。轻量化的实现部分是通过将多孔几何形状集成到发动机外部来实现的，同时内部结构仍保持坚固。 该设计由EOSM290进行打印，采用IN718高温合金，研究人员将对测试结果进行分析并将其反馈到设计软件中，以进行设计迭代。Hyperganic目前正在与多家航空航天公司就其发动机设计方法进行谈判。 借助AI进行先进结构设计确实更为先进，这对于发挥3D打印的优势更是显而易见。然而，去年欧洲专利局拒绝了针对AI设计产品的专利申请，并指明，发明人必须是人类。虽如此，AI几乎已经全面融入3D打印。 AI几乎已经全面融入3D打印 材料设计 在材料设计领域，机器学习和预测建模是AI的一个强大子集，它可以加速新材料的设计过程。设计人员只需在程序中输入所需的材料属性，算法就可以预测哪些化学元素可以在微观层面上组合，从而创建具有所需功能和属性的结构。 德国Fraunhofer IWS的工程师联合其它五家研究所执行了一项名为futureAM的项目，即借助AI和3D打印来寻找超级合金的合适配方。项目人员通过使用人工智能和机器学习来研究大量监测数据与实际工艺效果间的联系。例如，特殊分析算法将测量的传感器值与研究所的粉末数据库相关联，通过评估工艺参数，机器将自己做出决策并选择出合适的工艺组合。使用激光粉末堆焊技术，结合优化出的工艺参数，可以同时或连续地将不同粉末送入加工区，精确调节进给速率，性能最好、最昂贵、高抗性的材料只在最需要的位置释放，其他非关键区域可采用价格较低的材料。 工艺预测 金属3D打印对人的依赖性极大，一键打印的畅想仍停留在概念阶段。在不考虑零件设计的前提下，仅打印零件的摆放、支撑添加，打印过程中遇到问题的解决，均离不开专业人员的干预。而这些专业人员还须具备丰富的材料学经验，这无疑对技术普及应用带来了极大不便。 在去年的波士顿人工智能峰会上，GE全球研究中心增材制造项目负责人Brent Brunell谈到，在工业金属3D打印的背景下，对AI的需求正在呈现日益增长的趋势，这一过程通常又与仿真相关。GE研究人员将人工智能与仿真结合，推进计算结果的准确性和有效性。Brent Brunell提到，这是金属增材制造实现广泛工业化的重要保障。 GE的研究人员正在努力将AI集成到工业3D打印机和过程中，目前已经可以借助人工智能确定零件打印的正确参数。未来，GE希望提高计算速度和计算能力，实时处理打印过程中出现的问题。 未来智造 人工智能显然可以集成进入3D打印工厂，并改变制造业的未来。 位于伦敦的AI Build公司，开发了一种基于AI的自动3D打印技术。其设备配有智能挤出机，能利用机器视觉算法分析正在打印的结构，可以检测缺陷问题，并能做出自主决定。它是一个使用工业机器人和机器学习软件的大型3D打印平台。 自动3D打印工厂的可能性现在已成为现实，这将大大节省时间并降低人工成本。事实上，使用打印机和人工智能可以自行决定并打印可行的部件，工厂的时间和资源可以专注于更多其他任务，这是一场真正的革命。 AI Build正致力于机器自动识别、自主学习错误并创建真正错综复杂结构的打印机，这将帮助增材制造技术走得更远。 欢迎转发联系笔者：2396747576;技术交流和资料下载群：867355738；网址：延伸阅读： 1.GE增材 : 金属3D打印的广泛工业化须受益于人工智能 2.采用人工智能和3D打印设计超级材料 3.金属3D打印实时纠错—机器视觉结合人工智能的新方法

在采用金属3D打印的过程中，往往会面临打印速度和产品质量的矛盾（如增加层厚加快速度，零件的性能降低），对于航空航天、医疗和其他复杂应用的零件，质量的要求会非常高，因提高速度而导致的产品质量下降，往往得不偿失。 SLM 4激光系统 当前，能够显著增加打印速度又能保证产品质量的有效手段是增加激光器的数量，国内外几乎所有能够实现工业生产的金属打印机制造商均在朝着双激光和四激光的方向迈进。然而多激光同步打印带来的质量问题远比单激光要多，要复杂。3D打印技术参考过去也曾对多激光系统可能面临的情况提出了几点问题，本期，我们参照国外SLM的后起之秀velo3D的研究继续深入分析。 ▌激光对齐状态的影响因素 通常情况下，单激光可以单独打印很多用途广泛的小零件，如燃油喷嘴、人体植入体等等，但如果打印占据构建底板较大区域的大尺寸零件时则需要多台激光器协同工作。此时便出现了因激光器数量增加产生的扫描场域对准问题（或称拼接的准确性问题）、激光分配问题以及多光束的互不影响问题等等，这对航空航天部件和其他大型部件影响显著。对于第一个问题，任何轻微的激光失准都会造成严重后果。从工程角度来说，每套扫描系统必须在整个构建板小于50微米的范围内精准的与另一套系统对齐。 理想状态下的激光对齐状态 固定式的机械对准带来较大误差 在大多数系统中，精确对准两个激光点需要外部工具。对准的过程通常包括在基板上打点并并测量结果，过程很繁琐，而且校准的过程必须在构建平面上执行，因扫描振镜和测量平面之间的任何距离变化都会引起相应的对齐偏移。而且，通常情况下，很多厂商会采用机械方式进行固定，这种情况往往过度依赖工程师的经验实现对齐和校准，而且随着设备的使用，频繁的振动很快会使对齐失效。 设备热量变化将影响激光对齐的稳定性 系统的热量变化是多激光打印时的另一个重要变量。在不锈钢制成的构建室中，假设振镜距离构建平面500毫米，在构建过程中，由于腔室的温度会升高，即使温度变化只有15度，也会导致从振镜到构建平面的距离变化超过100微米，这种温度变化会使校准失效。 因此，如果在单个零件上使用两台激光器构建较高尺寸的零件，则可能会出现问题。两台激光器的对准状态往往会出现一定程度的漂移，并且这种漂移会随着时间的推移而累积。这种情况会导致，在第一层甚至前100层的有效校准，会在第8000层以后失效。因此，多台激光在打印单个零件时保持良好的对齐状态尤为重要，否则用户花费几天打印的零件很可能出现报废的情况。 第一层具有较好的对齐效果，但若干层之后发生飘逸 ▌自动化的实时校准方案 Velo3D的解决方案是原位激光校准。通过比较两个激光器的光学特性，系统自动进行对齐，确保两台激光器在彼此指向的位置上保持一致。在工作过程中，系统将每隔几层自动检查激光对准情况，从而在出现问题之前消除任何漂移。Velo3D会通过多种方式测试该系统的有效性。 原位监控自动校准开启前后的激光对准状态对比 接下来的示例中显示了自动重新校准所产生的差异，实验过程中将一个长方体块分成三段进行打印，其中最低端和最上端的两端采用同一台激光器，中间的一段采用另一台激光器打印。如果不进行激光实时校准，中间部分出现了非常明显的偏移；而当研究人员使用原位监控自动校准功能时，试样的上下三段则无法区分。制造商在应用多激光进行金属3D打印时，应当努力达到该标准，这对于航空航天行业尤其重要。 原位监控自动校准实验 ▌激光不干涉，合理分配，才能突出多激光系统的制造优势 多激光系统的主要优点是生产速度更快。但是，如果一台激光器的利用率为100％，另一台只有50％，这种优势就会减弱。因此，激光调度对于实现多激光系统的生产优势至关重要。工程师必须明确激光路径，研究烟尘如何影响激光分配，以及在大型零件时，激光如何在轮廓和内部填充位置如何配合。 多光束条件下的烟尘管理对于光束分配非常重要（另期再议） 在烟尘管理、风场和激光调度方面存在一系列的问题。让一台激光器的激光束穿过另一台激光器打印产生的烟尘，光束的能量会被削弱，进而导致机械性能降低。通常情况下，SLM的打印空间都非常有限，必须仔细规划每台激光器的打印区域、路径才能解决这一问题。 为了确保两台激光器互不干扰，velo3D采用的是“条带”区域规划，即每台激光器的作用区域均位于平行条带中，所有条带开关始终保持同步。这在打印过程中可以充分利用两台激光器。 ▌大尺寸零件的拼接打印 一个非常关键的工程问题是，当两台激光器各自打印实体零件的一半时，如何对其工作区域进行细分。如果打印一个圆柱体，一种选择是让一台激光器打印轮廓，内部填充分为几个部分相互分配给两台激光器。这种方式打印的零件在表面上看起来不错，外层没有接缝，但是这种方法会导致“亚轮廓”孔隙，并且任何结构问题都容易被漂亮的外表面而掩盖。 雷尼绍的实时打印截面与velo3D的拼接方案相一致 VELO3D的方法是每台激光器分别打印零件轮廓和内部填充的各一半结构，中间连接的部位采用锯齿状，以提高结构完整性。此外，连接部位每一层都会移动，进一步提高部件的强度。由于轮廓分别由各自区域的激光构建，并且界面在每一层上移动，如果激光未对齐，则零件的表面光洁度会受到影响。即便这会导致零件表面质量不完美，但任何重叠问题都会在零件表面显现出来。系统的自动校准可以确保零件在连接部位处于公差范围内，这确保了零件的高质量打印。 锯齿拼接示意图 在多激光作用区域拼接位置，国内某设备商的拼接方式也是采用了锯齿拼接，但在如何融合方面仍有区别。从雷尼绍的方案可以看出，其采用的是无重叠拼接；国内方面则是锯齿、重叠拼接。两种方案的打印质量目前我们还无从所知。 零件拼接区域进行锯齿状拼接带的重复扫描 拓展阅读 VELO3D最突出的特点还包括零件无需生长在基板上即可实现打印，此举对于实现SLM的批量制造大有裨益；大角度的无支撑工艺无论是对于制造更加复杂的零件还是对于提高制造效率都是显而易见的。最近，该公司在新机上集成了基于多传感器的实时监测以及机器算法的质量控制系统，以实现零件质量的可追溯性。 ‍VELO3D无需与基板连接、无支撑批量打印的开瓶器和XB-1飞机模型 笔者认为，VELO3D公司正在将金属3D打印各方面最先进技术集于一身，以此实现了SLM技术的突破性进步。该公司也因此在今年被广泛关注，尤其受到了美航空航天领域的高度重视。今年7月，VELO3D宣布向航空航天客户销售四台订单。突破现有的技术格局，可能会成为SLM未来发展的方向之一，设备制造商不会仅仅将多激光集成在一起，更应考虑设备长久使用条件下的稳定性问题。 欢迎转发联系笔者：2396747576;工程师技术交流和资料下载QQ群：867355738延伸阅读：velo3D无支撑金属3D打印的实现方式分析EOS大水平面无支撑工艺探索GE增材 : 金属3D打印的广泛工业化须受益于人工智能55倍速？金属「多层并行打印技术」的原理与存在的问题  

当前，金属3D打印对人的依赖性极大，一键打印的畅想仍停留在概念阶段。在不考虑零件设计的前提下，仅打印零件的摆放、支撑添加，打印过程中遇到问题的解决，均离不开专业人员的干预。而这些专业人员还须具备丰富的材料学经验，这无疑对技术普及应用带来了极大不便。 在近期于波士顿举行的人工智能峰会上，GE全球研究中心增材制造项目负责人Brent Brunell谈到，在工业金属3D打印的背景下，对AI的需求正在呈现日益增长的趋势，这一过程通常又与仿真相关。GE研究人员将人工智能与仿真结合，推进计算结果的准确性和有效性。Brent Brunell提到，这是金属增材制造实现广泛工业化的重要保障。 金属3D打印若扩展到工业水平，迫切需要更强大、由AI驱动的计算功能，然而这一实践在实际的操作过程中却遇到了困难。 ▌单个AI驱动的3D打印模拟仿真所需的计算能力是巨大的 以3D打印制造的航空发动机燃料喷嘴为例，其尺寸仅有核桃般大小，但其工艺仿真过程就可以生成36TB的数据。这是Twitter一天生成的数据总量的三倍，而且这些数据非常关键。Brent Brunell解释，金属3D打印与人工智能的结合，需要更快和更强的计算能力。 GE燃油喷嘴实际3D打印的部分（点击查看） GE的研究人员正在努力将AI集成到工业3D打印机和过程中，在下面的视频中，Brunell不仅演示了SLM工艺的实时打印过程，还演示了在减速1000倍的情况下金属粉末与激光的作用过程，从中我们可以观察到从粉末到熔体流动，到金属硬化，再到孔隙和凹陷的出现过程。 在减速1000倍的情况下金属粉末与激光的作用过程 GE研究人员在AI算法中集成了要衡量的所有因素，以确保每次都能获得正确的结果。目前，GE已经可以借助人工智能确定零件打印的正确参数，未来，GE希望提高计算速度和计算能力，实时处理打印过程中出现的问题。Brunell谈到，从数据上看，GE当前的计算速度为2KHz，而人工智能若在增材制造中产生更大作用，计算速度须提到到20KHz。这需要建立完整的生态系统，包括成熟的软硬件厂商的合作，以及多方位的交叉联合。 那么人工智能在增材制造尤其是金属3D打印中，能够产生哪些作用呢？ 延伸阅读 ▌AI驱动，助力金属打印控形和控性，深入理解粉末熔凝过程 国内外的研究人员倾向于在金属打印中谈及控形和控性，它要求明晰激光与金属交互作用下的冶金、凝固、往复受热的全过程非平衡相变及组织演化行为，也要求对沉积过程中非均匀、多尺度、快速热-组织-应力耦合机制及变形、开裂机理进行研究。当前，很多研究人员正在使用包括声学、光谱学和温度监测等方法来了解激光熔融过程中每一层发生了什么。但是，这些有限的监测方法并不具备自动分析的能力，只能提供供操作员解读的数据。 叶轮上部分成功打印，下半部分打印失败，该研究旨在采用机器学习和人工智能分析零件打印失败的原因，并寻找潜在的提高打印质量的因素（研究内容已上传）人工智能与这些检测手段的结合正在使问题的解决变得智能化。机器视觉可以提取打印过程中检测到的特征情况进行自动分组，并在不同层次的分析中进行比较，直到完成图像创建所需要的所有信息。人工智能可以通过计算机内置的数百个预标记的训练图像识别不同的特征，可以整体性的识别和评估打印零件的质量情况，并能够给出零件微观结构、强度、抗疲劳度、韧性等数据信息。 ▌工艺适时调整，智能控制，或可成为可能 在过去的文章中，3D打印技术参考也曾详细介绍过EOS工程师开发大水平面无支撑工艺的过程，也曾对VELO3D公司的SLM无支撑工艺进行探讨，实际上这些技术背后都显现出了工艺调控下对人工智能的需求。 EOS相应模块的监控数据（点击查看） 所谓工艺智能控制，是指系统可以根据监控数据自动计算当前需要多少能量从而匹配工艺参数，它需要积累海量的数据用以学习和训练。 VELO 3D实现SLM无支撑制造（点击查看） 当前商业化的金属3D打印普遍存在工艺的唯一不变性，即在打印某一种材料时，零件的任何位置、任何一层，均采用同样的参数。无论打印过程中零件本身的状态是否过热，甚至是否出现缺陷，打印机总是输入恒定的能量，做出一致的操作。在人工智能的干预下，未来的机器将可以在检测到异常时实时调整工艺参数，自动修复缺陷，也可根据性能要求，在同一零件同一层的不同部位输入不同的能量，以获得不同的性能。 国内某知名大学开展的SLM与人工智能研究 很显然，如此智能化的打印机目前并未出现，但实际上相关的研究却早就开始了。在过去的几个月中，国内某知名大学已经联合金属打印机制造商开始了人工智能与激光粉末床熔融工艺的合作，国外卡耐基-梅隆大学、劳伦斯•利弗莫尔国家实验室等机构也取得了很大的进展。 复合材料和金属打印机制造商Markforged也在软件平台中集成了AI功能现如今，人工智能技术或机器学习正在进入制造业。模式识别软件和AI将成为现代工厂的关键。AI还将对其他领域产生重大影响，例如质量控制，缩短设计时间，执行预测性维护等等。在GE加入这一重大研究的情况下，相信未来的进步将会加快，智能打印机也未尝不可能实现。人工智能对金属3D打印的深刻影响，只是时间问题。 本期上传内容： 1. 激光增材制造基于图像的缺陷和熔池动力学研究 2. 使用机器视觉在激光粉末床熔融工艺中开展缺陷检测和分类的方法 往期上传内容： 1. materialise支撑、应力50分钟探讨视频 2. Velo3D智能化工艺控制问题50分钟视频文件 欢迎转发联系笔者：2396747576;工程师技术交流和资料下载QQ群：867355738延伸阅读： EOS对SLM大水平面无支撑工艺探索 VELO3D金属打印无支撑工艺的实现方式及意义 使用光学层析成像代替无损检测保证增材制造质量 金属打印实时纠错—机器视觉结合人工智能的新方法