科学家和工程师们一直在开发具有独特性能的新材料，用于3D打印，但要弄清楚如何用这些材料打印可能是一个复杂、昂贵的难题。
通常，一个专业的操作员必须使用人工试错，这可能要打印数千次才能来确定一种持续有效地打印新材料的理想参数，这些参数包括打印速度和打印机存储的材料数量。
麻省理工学院的研究人员现在已经使用人工智能简化了这一过程，他们开发了一种机器学习系统，使用计算机视觉来观察生产过程，然后实时纠正处理材料的错误。
他们通过模拟来教会神经网络如何调整打印参数以最小化错误，然后将该控制器应用到真正的3D打印机上。与其他3D打印控制器相比，他们的系统打印物体的精度更高。
这项工作避免了打印数千或数百万个真实物体来训练神经网络的昂贵过程，它可以使工程师更容易地将新材料融入到他们的印刷品中，这可以帮助他们开发具有特殊电气或化学特性的物体。如果材料或环境条件发生意外变化，它还可以帮助技术人员实时调整打印过程。
麻省理工学院电气工程和计算机科学教授Wojciech Matusik是计算机科学与人工智能实验室(CSAIL)计算设计与制造小组(CDFG)的负责人，他说：“这个项目是第一个使用机器学习来学习复杂控制策略的制造系统的演示。如果你有更智能的制造机器，它们可以实时适应工作场所不断变化的环境，以提高系统的产量或精度，你可以从机器里挤出更多的东西。”
这项研究的共同主要作者还包括CDFG的机械工程师和项目经理Mike Foshey和奥地利科学技术研究所的博士后Michal Piovarci，麻省理工学院的合著者包括电子工程和计算机科学专业的研究生Jie Xu和前CDFG技术助理Timothy Erps。
选择参数
确定数字化制造过程的理想参数可能是该过程中最昂贵的部分之一，因为需要进行大量的试错。一旦技术人员找到了有效的组合，这些参数只适用于一种特定的情况。对于这种材料在其他环境、不同硬件上的表现或者新一批产品是否表现出不同的性能，几乎没有什么数据。
使用机器学习系统也充满了挑战。首先，研究人员需要实时测量打印机上发生了什么。
为了做到这一点，他们开发了一个机器视觉系统，使用两个摄像头对准3D打印机的喷嘴，该系统在材料沉积时对其进行光照，并根据通过的光的多少计算材料的厚度。
Foshey说：“你可以把视觉系统想象成一双眼睛，实时地观察整个过程。”
然后，控制器将处理从视觉系统接收到的图像，并根据它看到的任何错误，调整输出速率和打印机的方向。
但是训练一个基于神经网络的控制器来理解这个制造过程是数据密集型的，需要进行数百万次的打印。因此，研究人员建造了一个模拟器。
成功模拟
为了训练他们的控制器，他们使用了一个被称为强化学习的过程，在这个过程中，模型通过有奖励的试错学习。该模型的任务是选择打印参数，以在模拟环境中创建特定的对象，在显示预期输出后，当模型选择的参数将其输出和预期结果之间的误差最小化时，模型就会得到奖励。
在这种情况下，“错误”意味着模型要么分配了太多的材料，把它放在了应该被保留的区域，要么分配得不够，留下了应该被填充的空缺区域。当模型进行更多的模拟打印时，它会更新控制策略以最大化奖励，变得越来越精确。
然而，现实世界比模拟世界更混乱。在实际操作中，由于打印过程中的微小变化或噪声，条件通常会发生变化。因此，研究人员创建了一个近似3D打印机噪声的数值模型。他们使用这个模型在模拟中添加噪声，从而得到了更真实的结果。
Foshey说：“我们发现，有趣的是，通过实现这个噪声模型，我们能够将纯模拟训练的控制策略转移到硬件上，而无需任何物理实验训练。之后，我们不需要对实际设备进行任何微调。”
当他们测试该控制器时，它打印出的物体比他们评估的任何其他控制方法都更准确。它在填充打印方面表现得特别好，填充打印就是打印物体的内部。其他一些控制器沉积了太多的材料，导致打印对象隆起，但研究人员的控制器调整了打印路径，使对象保持水平。
他们的控制策略甚至可以了解材料在沉积后的扩散情况，并相应地调整参数。
“我们还能够设计控制政策，实时控制不同类型的材料。所以如果你在现场有一个制造过程你想要改变材料，你不需要重新验证制造过程。你只需加载新材料，控制器就会自动调整，”Foshey说。
现在，他们已经展示了3D打印技术的有效性，研究人员希望开发其他制造过程的控制器。他们还想看看如何修改这种方法，以适应有多层材料或同时打印多个材料的情况。此外，他们的方法假设每种材料都有固定的粘度(“糖浆度”)，未来的迭代可以使用人工智能实时识别和调整粘度。
原文链接：https://news.mit.edu/2022/artificial-intelligence-3-d-printing-0802
