文摘
粉床融合(PBF)适用于各种金属材料中使用的金属印刷过程建立一个广泛的复杂的部分比其他技术。PBF过程有几个变量,如摘要(直接金属激光烧结)、循证医学(电子束融化),合成(选择性热烧结)、SLM(选择性激光熔化),SLS(选择性激光烧结)。PBF达到其最大潜力,机器学习(ML)算法是使用合适的材料来实现目标成本效益。神经网络的各种应用,包括人工神经网络、有线电视新闻网、RNNs,和其他受欢迎的技术,如资讯,支持向量机,并综述了GP,未来的挑战进行了讨论。列出一些专用算法如下:甘,SeDANN,基本,k - means, PCA,等。本文介绍了进化,现状,挑战,和这些技术的前景的材料,特性,工艺参数,应用,优势,劣势,等等,来解释他们的意义和提供一个深入的理解是一样的。
1。介绍
粉床融合是一个加法制造(AM)技术广泛用于创建产品具有复杂几何形状和各种材料,特别是那些具有良好的机械性能(1]。PBF被认为是最好的和最常用的是过程由于其制备金属或非金属部分决议只有±0.02毫米和制造均匀用高强度合金部件自由制造与其他优势。因此,适用于不同的领域,包括医疗、汽车、航空工业,因为它允许轻型结构设计和自由,用更少的零部件生产本地(2]。同时,快速原型等优点,省时的制造定制质量设计和成本效益等经济利益。
激光粉末床融合(LPBF)是一种不断增长的加法制造(AM)技术。本文研究了不同类型的LPBF方法,即直接激光烧结方法(DLSM),选择性激光熔化(SLM),选择性热烧结合成),电子束融化(实证)和选择性激光烧结(SLS)。这些技术从根本上不同的工作原理。PBF过程完全融化或连续烧结过程。粉状物料凝结成固体加热和直接液化和固化粉强烈融化在PBF SLM等方法,虽然连续烧结材料实现PBF净组件执行过程,如摘要。加热源可以为高精度激光和电子束成品零件。
此外,讨论了各种工艺参数共同所有类型的是技术如激光功率、激光光斑尺寸,层厚度、扫描速度和舱口间距。优化工艺参数会导致有效部分密度较小的交货时间。原材料粉末分为铝合金、工具钢、钛、不锈钢、耐火材料、超合金。制作3 d部分的材料特性所期望的最终用户,如密度、抗拉强度、屈服强度、断裂伸长率、硬度值,和粗糙度值,确定所使用的粉的类型和特征。粉可以有许多特点方面可以变化或改变,如晶粒尺寸或粗糙,直径,包装密度、形态和微观结构属性影响制造质量的部分。本文综述工艺参数和粉末特征LPBF方法中的各种缺陷降到最低。缺陷是不受欢迎的错误由于melt-pool不稳定,预热建立温度和工艺条件不当在原位和非原位水平。一些常见的缺陷在本文讨论球形孔隙等缺陷,残余应力在melt-pool,分层,由于宽容和球磨机和几何缺陷。每个缺陷的成因和解决方案在各种LPBF方法全面审查。表1告诉我们关于一些最常见的缺陷,在组件制造使用技术,可以看到他们的原因,他们的解决方案。集成的ML是过程可以帮助我们防止这些缺陷在初始阶段,甚至停止生产一个有缺陷的组件一旦缺陷出现的帮助下实时数据跟踪和决策技术,可获得了经济利益以及避免浪费。通过实现ML,我们甚至可以优化输入和输出特征或预测一组组件的属性对于一个给定的输入参数。因此,毫升有巨大的应用在改善过程的速度、精度和效率,可以影响质量结果8]。
当前场景的加法制造已经广泛应用于航空航天、汽车、原型、和医疗在许多其他行业在4.0时代(9]。然而,它也有局限性等各种场景的高残余应力、再现性,孔隙度低,等。不同类型的PBF过程,如摘要(直接金属激光烧结)、循证医学(电子束融化),合成(选择性热烧结)、SLM(选择性激光熔化),SLS(选择性激光烧结)10]研究及其应用程序获得关于这些概念的深入知识。由于PBF过程循序渐进和分层技术工作,有很多条件和参数为理想记录处理。手动以来众多属性决定结果,让他们成为几乎不可能的,特别是如果它在实时完成过程。这就是机器学习在这方面采用了平滑,快速,轻松处理。
今天,毫升的使用中可以看到很多不同领域的过程(11]。它可以帮助优化输入参数和输出特征来得到最优的结果要快得多。结合多光谱数据用于学习和预测产品质量,它能增强打印机的效率和生产率。它还可以增强构建时估计,加快设计迭代,优化成本和重量性能,影响部分性能,增强我们的能力通过检查粉及其特点。通过引入机器学习(ML)监督学习、无监督学习和强化学习算法,图中描述方法和技术1被用来实现缺陷检测等任务,原位监测、实时过程监控、质量监测、孔隙度分析、优化流程和参数,参数选择,固有应变的预测疲劳寿命,扭曲,像激光功率和异常和参数12- - - - - -14]。
毫升与缺陷也可以帮助加快缺陷识别和决定产生通过组件的可用性。然而,一个主要的限制是一个严重的缺乏技术或应用程序的ML是过程的实时跟踪,同时遵循输入参数和输出特性中观察到每一个印刷层。这种实时跟踪可以帮助照看组件制造和平行留意缺陷形成和发展的物质属性。此外,这样的应用程序,是过程时可以立即停止等不良缺陷大孔隙度、应力积累,或过度的粗化晶粒形成一层熔融粉末烧结后,等。阻止我过程完成在这种情况下将帮助我们避免使用更多的物质无益地当我们知道最终的产品将被拒绝。它还可以节省时间,,否则,被浪费。所有这些应用程序可以显著提高流程效率,生产力和质量。实时跟踪还可以帮助保持更严格和更精确的几何。在PBF过程中,粉末的流动性,传播,或流模式可以显著影响缺陷的形成,形位公差,和材料特征。然而,当前毫升技术是应用程序无法预测,实时跟踪,或操作参数。科学家正在建造ML算法,可以处理大量数据对各种输入和输出参数,实时观察和记录,同时控制这些参数实时动态地实现所需的结果。 These algorithms will be able to do this by being able to predict the powders’ flow or spreading. This development could also mean faster qualification times and more flexibility for the AM machine user to buy feedstock materials.
随着广泛应用,机器学习是最近和发展领域。它为许多其他应用程序铺平了道路和增强有关PBF尚未被发现的过程。例如,架构/算法可以改进学习和持续的发展和转移。也可以看新参数,参数数据的准确性可以改善随着新技术的出现,比如传感器。
2。粉床融合和3 d打印技术
粉床融合是一种添加剂制造技术,使它能够创建复杂的几何图形,不能/通过其他方式来实现。激光粉末床上融合的金属部件/零件可以将复杂的设计和实现所需的机械性能。大多数时候,转载和丢弃这些部分观察到消除缺陷。的方法进行了优化,这样不浪费时间和金钱在转载和丢弃这些部分。原型和模拟有助于实现我们的目标。
PBF的过程,从最初阶段的数据解释产品功能步骤,概略地显示(图2)。数据解释包括3 d模型的各种格式和缺陷。下PBF过程符合工艺参数和材料要求。综述了每一件事情,然后移动到下一个步骤,产品功能测试,如强度、尺寸精度,甚至粗糙度(4,15]。
粉床融合是一个积极应用技术在当前日常工业生产中使用原始和常规组件的感应,这是可用的机器。制造商意味着检测熔池的热排放等因素;不知名的检测是激动的气体排放系统的存在由于蒸发排放高度兴奋终于可以得出这样的结论:传感系统依靠羽监测粉床融合(16- - - - - -19]。
粉床融合技术给出最好的结果基于等因素的再现性和尺寸精度方面生产一部分,和PBF过程用来制造组件是一个循序渐进的过程重复,一层一层的制造整个组件(20.- - - - - -23]。使用材料,得出了不同的结论缺乏融合孔隙度是由于熔池的重叠,在PBF技术可以用来改善几何图案,熔池在尺寸上的和更复杂的模型可以用来预测精度(2,24- - - - - -27]。以及提高沉积效率、表征和量化可能导致一个更优秀的窗口来识别缺陷。粉床融合等使用方法在这一过程中进一步提高用户的信心和鼓励采用高附加值制造业系统来评估系统的准确度和精密度(2,28- - - - - -31日]。高价值的生物医学和汽车等行业的复杂几何组件和不同的设计能力和更准确的和首选的过程逐层建筑达到如此高的设计复杂性(32- - - - - -37]。
的形式之一是粉床上融合,一直在聚光灯下了几年生产三维几何图形由于其独特的功能,复杂的结构,和质量的要求,所以高附加值产业在这一过程中有浓厚的兴趣。逐层沉积有许多优点,车削,铣削,和后处理很少参与38- - - - - -43]。
粉床融合(PBF)是最早的加法制造的过程。它是最受欢迎的状烧结用于原型和最终用途的应用程序在许多行业,与注塑和任何其他聚合物生产过程(44- - - - - -46]。这些通常是用于中低复杂零件制造。激光和电子方法行业增长最快的方法之一在d的方法。他们大多是用于航空航天和生物医学应用程序由于其属性做出任何复杂的部分和优秀的材料属性。这是一个分层技术方法,提高建设质量,减少和比较成本。这个方法非常明亮的未来各领域如航空航天复杂组件的组件制造和医疗和工业应用47- - - - - -49]。一项研究强调了通过调查PBF的牙科植入物生产方法相对于其他传统的方法。这项研究特别检查几何尺寸精度的零件制造。的近似增加20%左右的PBF样本(50]。
3所示。类型的PBF流程
图3解释了各种类型的流程根据他们的能源。选择性热烧结热融合下,选择性激光烧结受到激光熔融,电子束融化受到电子束融合。
3.1。直接金属激光烧结
直接金属激光烧结(摘要)是一个加法制造方法在625年铬镍铁合金等金属粉末,钴铬合金,不锈钢是由烧结(用于生成一个坚实的三维模型1]。加入两个实体的过程为一个复合加热和熔化,没有融化,被称为烧结。最近的进步领域的dlm发现它是一种优良的添加剂制造技术在减少一部分SLS孔隙度、生产可靠性、后处理和处理时间。摘要工作过程由以下部分组成:激光器,它使用一个有限公司2激光扫描头,光纤连接激光器扫描头,建设平台逐层沉积的金属粉末,自动售货机平台,重新涂叶片,收集器的平台。金属粉末在分发器释放一次一层从自动售货机平台构建平台。相对高度放置,以便分发器平台之上构建平台,使重新涂叶片移动没有任何阻碍。重新涂臂扫粉从左到右运动,和多余的粉沉积在收集器的平台。一种惰性气体,如氩气或霓虹灯控制大气室建设(2,9]。
相比之下SLM, dlm处理成品零件生成密度为95%。因此,取消所需的连续烧结生产的部分(2]。摘要过程中,每一层的粉不接受与连续层融化和凝固,但每一层加热到再结晶温度以下,使每一个与下一个保险丝没有实现衬底的融化。这是完全不同的技术,如SLM,因为它涉及到融化,焊接,和每个连续层固化。在这样一个过程,温度将十字架再结晶温度和达到熔点。在摘要中,金属粉末部署不包含熔剂或粘结剂和烧结使用大功率有限公司2激光在20岁到40岁μ米层。能量吸收的金属粉末材料和吸光度测量。它是一个能量流之间的比例被粉吸收物质的能量通量辐照激光源。
吸光度可以增加了多个激光反射,这意味着更高的光学穿透深度。除了吸光度,另一个重要的物理现象是球磨机的效果。丽等人发现使用一个低功率激光导致的过冷烧结粉,形成红球。此外,成球效果观察到高扫描速度以及大口径粉球(∼10μ米)(10]。这多余的现象可以避免通过增加体积能量密度输入。DSLM的主要参数包括激光扫描速度、舱口间距,层厚度和激光功率。能量密度之间的关系,给出了四个参数 在哪里E= >能量密度( ), = >激光功率(W),= >激光扫描速度(毫米/秒),h= >舱口距离(毫米),d= >层厚度的粉床(mm)。
表面粗糙度取决于四个参数的激光功率和扫描速度。更高的激光功率和扫描速度意味着更多的表面粗糙度较低。然而,它并不依赖于能量密度(17]。
在研究悬臂结构Yap等。影响因素,发现更高的舱口距离值加强变形,加快分离的部分材料。因此,获得了最优的舱口的距离0.5毫米(12]。也得出结论,激光扫描速度不明显影响粉末材料的热通量但减少了总激光加热时间(12]。然而,扫描速度决定了组织的发展。更高的扫描速度表示小球状球的存在,导致球团现象(9]。较低的扫描速度表示interagglomerated烧结脖子导致表面粗糙度(15]。层厚度是一个重要的过程参数的最终表面质量。减少层厚度提供了更大的表面质量的球状球成为完全密实。最优范围层厚度0.15 - -0.25毫米,和平坦的表面得到入预热跟踪(4,9]。
激光烧结过程有四个阶段。在第一阶段,粉末从两个不同的表面使原子初始接触。由于粒子的表面能较高接触,柱头形成速度缓慢增长。粒子融合,表面积和晶界尺寸增加而减少。最后,一个完整的合并的两个粒子发生在无限的时间,和粉末烧结。
dlm过程等广泛应用于植入联合重建医学前沿。使用Ti6Al-4V合金粉末材料具有良好的生物相容性,耐腐蚀和抗疲劳强度。错综复杂的制造业应用脚手架找到dlm的需求,因为它能产生好的多孔结构材料和更高的密度(10,16]。
然而,支持结构在烧结过程中需要避免过剩。最后的金属部分需要短锤击等后处理技术,去除的支持结构和热处理(2,9]。
3.2。电子束融化
电子束熔炼(实证)是一个加法制造方法通常被认为是快速原型(RP)(图4)。循证医学使用大功率电子束源,不同于其他流程,部署一个激光作为热源熔化,熔化金属粉末。由ARCAM AB,循证医学机器生物医学、汽车、和航天应用。典型的循证医学机包含以下组件:一个钨制成的长丝,网格杯指导电子的阳极,阳极板连接到积极的直流电压供应,聚焦和偏转线圈调整位置,并确定梁的直径。从CAD文件的切片数据是分化成轮廓和广场。在制造部分,边界形成的几何轮廓,像金属粉和部分之间的一个接口。广场是集之间形成的区域轮廓(25]。构建表放在一个惰性真空室与氦或氩(∼10−2-10年−3Pa) [29日]。原因是为了保持电子束的完整性,收益率高的抗拉强度,消除杂质,捏造部分的密度最大化。建立平台最初预热温度从500∼700°C (27]。粉末材料,如钛、钴铬、316 L钢、马氏体时效钢,铬镍铁合金718作为他们可以进行电荷粒子大小介于45和100微米。电子束熔炼过程参数分为扫描参数,如扫描速度和线偏移和光束参数,如电子束电流和电压加速。的能量入射的光束粉末床上称为能量密度。这发生由于一个弹性或非弹性碰撞原子的电子材料。显著加速电子与基质之间的相互作用是散射,反向散射(能量损失)和传输(能量渗透)19]。Silvestri等人发现反向散射系数是直接依赖于梁强度。
此外,散射值取决于目标底物的深度19]。表面粗糙度的增加与减少扫描速度和电子束电流。线性速度计算梁强度之间的比例和扫描速度随着温度上升而增加。扫描速度是决定参数的热扩散时间熔池温度更高的扫描速度在较短的时间。这意味着表面粗糙度随温度的增加而减小。线偏移,舱口线之间的距离观察影响材料硬度,即。,with a decrease in a line offset, energy density was higher, leading to rougher microstructures [20.]。虽然研究倾斜部分的表面粗糙度,Dolimont等人发现底部有较低的表面粗糙度值比上面(18]。丁等人研究了工艺参数与熔池几何之间的相关性为单个珠实验在不同预热温度,梁的权力,和扫描速度。被推断为线能量光束功率和扫描速度增加,熔池的宽度和深度严格依照罗森塔尔增加焊接的模型(28]。
循证医学的优势类型加法制造主要是以下几点:减少交货时间,残余应力降低由于过程温度高,和惰性气体提供一个氧化还原环境。大规模工业生产的光开关是由意大利公司BTicino,循证医学技术是采用注塑(2]。保形冷却通道在钴铬合金防腐和高耐磨性的部署进行均匀冷却模制品(23,24]。制作工具显示43 HRC洛氏硬度,达到600 MPa,抗拉强度900 MPa。总铅的有效时间是一个星期。
3.3。选择性激光熔化
选择性激光熔化是一种添加剂生产过程中粉末床层融化,融合在一个大功率激光光束。SLM过程类似于DLSM的设置,不同的烧结粉(聚集而不被转化成液体)而不是融化。部分制造始于切片CAD文件数据层,并从20到100层厚度范围μ每个片m。如果需要使用支持选择性融合结构。最后三维部分有99.98%部分密度的激光光斑尺寸范围从20到30μ循证医学m,创建一个熔池小于过程。然而,这增加了粒子在熔池的深度和表面张力,导致更多的缺陷在SLM比在循证医学。因此,这里使用一个皮芯策略(30.]。伪造的部分划分为核心和外核形成的皮肤。过程参数和焦点直径在这些不同的地区是不同的。核心是1000年制造的光束直径μm和更高的激光功率(1000 W),随后获得更高价值的process-relatedbuild-up率。然而,外皮是用制作的激光光束直径较小的200μm,重点部分的精度和表面光洁度。
的一个关键的SLM生产残余应力的影响。残余应力的直接原因是热能的变化波动导致的裂纹形成的部分。Mugwagwa et al .,发现在SLM的热处理零件之间600和700°C的一个小时,残余应力降低了70%37]。Yasa等人地址最近的一项研究的一个新发现的扫描策略称为“扇形扫描,大大降低残余应力。该方法整合各层成方形网格,和相邻网格扫描互相垂直36]。然而,陶瓷粉末显示高熔点、低导热系数的性质,导致相当高的热梯度过程中。这可能是固定氨的混合共晶混合物和氧化锆减少熔化温度到1860°C (34]。浮渣形成是另一个不受欢迎的形成低熔点金属,如铝和锡。SLM过程,浮渣形成发现减少30μ50米层厚度相比μm证明高强度和低伸长的捏造部分(31日]。疏球形缺陷发生时粉末粒子之间的气体溶解在熔池由于包装密度低的金属粉末。球磨机SLM过程中的效果是一个不良的现象;它发生在熔粉不湿的主要底物由于表面张力32]。这就增加了表面粗糙度和减少生产部分的密度。Yadroitsev等人研究得出的结论是,1毫米/秒的扫描速度和激光功率10 W产生不了球团的影响随着扫描跟踪扩大由于热传导,类似于收缩效应(33]。
此外,在高扫描速度和激光功率、球磨机现象不发生在快速熔池凝固发生在激光点的后面。泽尔在研究et al .,提高扫描速度会降低晶粒尺寸在67°和90°旋转策略。增加舱口距离会减少一粒一粒的平均直径在90°旋转和不重要,67°(35]。
SLM 316 L不锈钢等材料广泛应用于医疗行业发展身体植入。管状骨,矫正产品,下颌管部分的几个例子梯度孔隙度和不锈钢的强度32]。不锈钢904 L钢生产保形冷却通道壁厚约为100μm。其他应用程序包括钢铁microtooling X110CrMoV Al 8 - 2,这种金属是同时具有高硬度和精细结构。
3.4。选择性激光烧结
粉床融合是一个加法制造过程。这可以衍生产品,让他们与精度/准确。这个3 d打印技术使复杂几何组件的制造与热源,如激光/电子束,保险丝的粒子层之上的层,最后变成了一个坚实的组件。这个过程大大给出了生产设计到PBF的自由。它使用激光烧结粉末材料,一层一层的形成固体材料。然后刷去除额外的产品或散粉。在这个过程中使用的材料SLS是聚酰胺(基本上尼龙长袜),明矾石(聚酰胺与灰色铝混合的混合物),和橡胶材料。每个材料都有特定的特性,如尼龙长袜强壮和灵活,使其成为最好的材料制造弹簧、支架和快速。设计师还要考虑开裂的可能性和收缩。有时公司2使用激光。与摘要,它只能用于制造金属制成的零件,SLS过程也可以生产零部件由非金属复合材料和聚合物等。这是摘要和SLS之间的主要差异之一。
3.5。选择性热烧结
合成过程中使用一个加热热头烧结塑料粉末,它融合由于加热头是感动和STL模型移动幻灯片。一般来说,这个过程是用于生产结构部件,主要是原型(concept-based)。选择性热烧结合成)过程加热头塑料粉末粒子融合。加热头摸粉和移动基于STL模型切片。该方法用于生产结构部分和概念原型,通常使用聚合物或塑料材料制成。图5显示了合成的示意图。
4所示。毫升在粉床上融合中的应用
粉床融合是一个加法制造方法用于生产三维金属物体或每部分的要求,即。简而言之,3 d印刷金属设备。这个过程是由第一次生产的部分划分成层的帮助下计算机辅助设计(CAD)软件,给出了模型构建时要遵循的。然后,制造工序进行逐层顺序传播的金属成分粉末上一层的顶部,然后接受适量的热量,通常借助激光电源导致他们的整合形成一个坚实的结构层。必须考虑这一层施工,具体参数和监控,以确保过程以期望的方式进行并产生预期的结果,即,一个完美的部分。完美的生产是一个完全理想的状况,几乎是不可能的。然而,程序可以通过持续的监控工作在几乎达到一个理想的结果。生产过程包括几个参数,直接影响到结果,必须设置和保存在特定值范围在最优的产品。这就是机器学习。
机器学习是人工智能的发展中分段目前被用于多个应用领域。它包括机器学习,顾名思义,执行任务没有任何显式的编程相关的特定任务。最初,这台机器是通过一些输入和他们知道正确的输出目标机器的想出一个两者之间的相关性,这样当一个未知输入传递到它,它可以输出。这个特殊的功能可能是扭曲的受益行业的许多场景,其中一个是PBF的过程。具体参数的过程由一个训练有素的机器学习模型可以监视。模型首先通过一些特定的示例数据,导致成功生产产品通过它可以建立一个合作关系的参数和结果优化工作流程。训练后在这些例子中,模型是用来监测这些参数和报告或改变他们如果预测失败的结果基于捕获的参数的值。原位观察的这个特性使得机器学习的应用独特和非常有帮助,因为这可以帮助阻止程序之间如果它导致一个失败的产品的生产,从而节约大量的时间和资源(51]。
有许多应用领域的机器学习领域的PBF。机器学习是由不同的算法根据所需的功能。在这一过程中使用的一些算法K-nearest-neighbors (52),支持向量机(52- - - - - -55k -均值聚类(),56),主成分分析(57,58],多项式回归[59),和高斯过程回归58,60]。这些算法包括机器学习的监督和非监督学习领域。
监督学习是学习输入和输出之间的趋势来预测custom-supplied输入相应的结果。因此,培训数据的模型由参数值和目标值,即。产品成功与否,这一组特定的参数值。这些模型然后派上用场原位观察的过程。
无监督学习不涉及任何与输出或目标的价值观。它旨在分离或集群根据适用性或相似的数据。因此,数据提供给模型不包含目标价值观只有参数值。这些算法在处理高维数据时派上用场,如果考虑参数的数量是巨大的,随着PBF过程由许多参数影响结果的质量。在这个特定的场景中,很难监督算法来操作这些数据的复杂性和数量计算严重高。因此,无监督算法,特别是如PCA降维算法,提供的高维度数据转化为低维数据空间,删除无关紧要的参数或简化众多参数之间的相关性。
上述参数基本上是基于产品质量的工艺参数或设置决定。这些参数包括激光功率、扫描速度、光束直径,熔池大小和层角度。所有这些不同的算法加上这些众多的参数被认为是导致一些可能性,机器学习可以应用在这个过程中,因此是有用的。
在某些情况下,计算的复杂性变得很高,导致统计机器学习算法的能力来有效地进行操作。这为深入学习铺平了道路。深度学习是机器学习的分段,尤其是处理神经网络,一个人工模拟生物大脑的组成的相互联系的神经元网络模型。这些神经元相互通信和映射的输入和输出之间的复杂关系空间,简单的统计算法可能是无效的。
各种各样的网络存在在这个特定的领域,其中一些是人工神经网络53,54,61年- - - - - -65年),卷积神经网络(53,54,64年,66年- - - - - -69年),生成对抗网络(62年),光谱卷积神经网络(70年],序贯决策分析神经网络(71年]。同样,这些专业在不同的需求,如统计算法。因此,这将导致另一个机器学习的应用领域。算法如IT2模糊TOPSIS模型,向量评价遗传算法(VEGA),进化算法(EAs)和多目标进化算法(MOEAs)可以帮助监测pBF输入参数在实时和动态控制的不同输入值的最具影响力的输入参数为消除错误和缺陷,和发展的特定的属性不影响其他属性。这ML算法应用程序可以帮助减少不确定性,错误和缺陷在生产过程中(69年,72年]。
PBF过程有许多阶段,从产品设计开发到生产和后处理,毫升实现可以执行。不同阶段包括数字化阶段,几何和材料设计产品的决定,和ML算法可以集成到这个过程帮助我们预测设计或工艺参数我们需要考虑一个理想的产品;在准备阶段的文件我们担心LPBF部分定位、位置,并安排在构建平台,所有这一切都在处理速度有显著影响,过程稳定,部分属性。他们还会影响建设成本、时间和质量。提高机器利用率,降低成本,更有效的包装尽可能多的部分建筑的信封。此外,支持结构也可能需要修复的部分在构建平台和支撑悬臂结构。
此外,他们还需要散热,避免残余应力。然而,它需要减少必要的支持结构的体积,因为他们导致额外的材料成本,延长构建时间和需要后处理去除。替代构建取向产生有效地使用nonsupervised毫升与集群Davies-Bouldin标准测量方法和k - means聚类。因此,优化参数参与文件准备;然后是生产和监控阶段,毫升技术可以用来优化PBF的输入参数过程中,实时监测这些参数,并动态地处理它们的值,以避免缺陷或不确定性的形成;最后,毫升的后加工和质量控制阶段方法可以实现自动化和提高产品的质量检查的效率,同时优化后处理输入参数获得优质产品(73年]。ML算法也可以实现监控和质量检查阶段学习训练自己更好的为制造业优化输入参数和后处理。
机器学习在粉床上融合的应用程序包括原位熔池监测、原位参数监测、原位缺陷检测,降维的数据,聚类的数据点参数值的基础上,优化参数值的最优结果,维护统一在所有打印机打印质量,预测产品的密度,以及疲劳寿命的预测。可以看到,机器学习已经大量应用在提到的每个领域,随着大范围为未来的增强。
5。讨论
图6显示所有参数的总结关于LPBF过程中,原位和非原位,描述所有PBF的各种参数。有三个参数等过程,签名,和产品质量。所以,过程参数空间下,有两个分支,即可控和预定义的。接下来的签名参数空间等三个细分熔池,跟踪和层。关于产品质量参数空间,有三个细分,如几何,物理,机械。
LPBF方法中常见的工艺参数如DLSM、循证医学、合成、SLS、和SLM包括激光扫描速度、舱口间距、激光电源、层厚度,床温度和扫描策略。边界的尺寸公差部分二次应力的形成主要受扫描角的影响,积压率和曲率。悬顶长度之间的关系(l),构建角度(年代)和粉层厚度(t)是由:l=t 谭(年代)[42]。随着构建角度的增加,突出表面平滑度增加。工作室,惰性环境所需粉床融合为捏造部分不接触反应气体在大气中如氧气,氮气,二氧化碳产生污染物。英国的AM250 AM机器部署一个独特的方法来维护惰性气体。首先,礼物和湿度室中的气体被形成真空。随后,然后充电室600 L的纯氩。大气水平设置为< 1000 ppm(0.1%氧气),和它部署气体饲料利率低至< 30 L /人力资源74年]。残余应力引起的温度梯度可以快速变化减少了后处理技术,如喷丸加工,热处理,时效硬化,研磨和抛光。
激光功率偏低会导致较低的冷却速度和较小的形成液体,引起红球。激光诱导的高扫描速度融化飞溅,造成结块的粉球。因此,成球效果可以避免降低扫描速度、激光功率和减少层厚度增加。疏密度在一定程度上制造两种类型锁眼和轮廓等。锁眼峰值发生在气泡被困融化/烧结不当所致。轮廓疏发生由于舱口之间的巨大差异和轮廓跟踪41]。在LBPF,温度梯度最大的层构建方向(Z方向)作为冷却发生多通过传导到基材上,少向顶部的环境层。激光生产时间减少数量的增加,由于增加每层构建率。
增加激光数量的增加粉末床上平均温度和热影响区,从而降低温度梯度和冷却速度。熔池温度高峰值是独立的扫描策略,和一些使用激光每层(43]。LPBF在医学领域应用中寻求材料耐腐蚀等特点,生物相容性,抗剪强度,积极的弹性模量、密度、骨整合。Ti-6AL-4V合金,因此,优秀的外科和植入物的应用。粉形貌、粒度分布等单个粒子的形状和特点,使预处理阶段的一个重要参数。这粉形态是至关重要的在确定粉末床的光学穿透深度、热导率和包装密度。光穿透导致熔池的形成。它被定义为材料内部的辐射强度的深度下跌到1 / e的原始值。熔池的大小和截面高度依赖于粉床的导热性。高密集粉床导致更好的极限抗拉强度(44]。开发的拉伸残余应力在喷丸加工制造过程可以最小化。这是获得残余应力各向异性的字段可以控制通过改变激光打印模式,岛扫描方法,减少各向异性和旋转模式。热扩散系数和热导率发挥重要作用在残余应力相关。总的来说,这是发现这种热性能比材料性能发挥了更重的作用,如极限抗拉强度和屈服强度LPBF过程(45]。
三维有限元分析(FEA)通常部署允许预测残余应力和变形的多层构建模型。加法制造组件中的所有常见故障的来源是多余的残余应力和变形。可以看出新沉积的层通常经历更大的拉应力而他们下面的层压应力一般经验。残余应力驱动工件的机械反应(75年]。
自适应网格的动态战略已经发展了激光粉末床融合(LPBF)过程。这个过程使细网格在熔池中最陡梯度而粗的网格。更新网在每个时间随着热源,其效用和使用动态调整啮合精度的仿真(热)LPBF过程是用来预测材料性能以及缺乏融合与否(76年]。
LPBF过程参数分为原位参数和重要的粉末特征图7。
聚合物激光烧结的一个最大的优点是,它不需要任何支持结构,这意味着它已经利用设计自由和更少的后处理工作。哪里有悬臂的用于支持必须删除完成后结构或基本构建完成/完成时。
激光烧结聚合物处理可以增加各种各样的聚合物由于这种技术可供使用。然而,建议浓度不能只在单层现象也考虑建立更大的/整个结构。所有的因素,从监测控制,所有的临时策略导致的过程可以与传统的制造过程77年]。加法制造生产有用的模拟的一个改进版本将大大降低浪费的行为,以便它可以消除失败的部分。这最终使得是有用的,在经济上可行的,和更广泛地接受了制造技术48]。
5.1。后处理的LPBF
后处理的第一步是删除的支持结构(39]。为了避免崩溃捏造部分由于其重量,支持结构是必要的。优化和自动化这一步,ML算法可以应用。关于LPBF的后处理加工部件,处理缺陷形成和完成操作执行的组件是担心的最重要的因素。缺陷发生在一部分LPBF可以是内部或外部臆造出来的。疏,如球形、锁眼或轮廓内部缺陷密度影响部分,因此不同的力学和物理性能测量在不同的方向。外部缺陷是由于快速的融化和凝固,引起的残余应力,球磨机导致表面粗糙度和开裂现象。内部毛孔被用热等静压机(41]。
此外,优化输入参数等髋关节负载,停留时间,和压力至少得到最好的组件将保留大量的缺陷,避免过度使用某些材料或晶粒粗化的retainment或增强机械性能,可以通过ML算法旨在预测最优的解决方案的实现基于大量的试验和错误已经从文学和积累行业知识。这样做还可以消除人为错误相关的试验和错误的方法,帮助更快和更有效的后处理。虽然热处理有助于提高制造部分的机械性能,它并不确保表面平滑。Nelaturi et al .,从事细粮结构防护涂层,可以在表面附近的微小区域生产使用拖完,振动表面处理,完成了加工过程。因此,捏造部分的微观结构和力学性能改善(40]。毫升可以再次帮助优化输入参数,如切削力、切削液的使用,深度切割,切割速度,完成后得到想要的结果。实现毫升也可以减少人为错误的可能性和有效帮助这些能大大提升效率的完成操作。毫升也可以实现研究,预测,验证结构和材料特性,甚至关联材料结构金属,加工性能(78年]。
5.2。LPBF生产部分的应用程序
LPBF发现大多数使用应用程序领域的医疗、汽车和航空航天工业。医疗系统需要部分生物相容性以及其他特征。这里的生产是低体积。然而,它需要对患者快速原型。部分如假牙,骨植入物,夹板,手术指南是一些例子。组织工程是SLS过程的另一个很好的例子(46]。LPBF航空航天工业中用于生产门夹引擎前轴承箱。劳斯莱斯使用EBM-type是生产钛前轴承部分。涡轮叶片、转子涡轮静叶,燃烧室,燃料喷嘴和风管是其他组件使用这种技术。
此外,应用程序在汽车工业领域的发现使用生产无线传感器连接车辆。其他的例子包括变速旋钮、气动和液压系统,原型的照明灯,油箱,变速箱泵叶轮、车轮钢圈,涡轮叶片47]。LPBF也用作生物制造技术在组织工程领域,这使得三维个性化的快速制造支架设计,促进组织再生和器官(79年]。这是一个深度学习的地方和ML的概念可以帮助完善和发展更好的支架模型,促进增强血管化和更好的骨整合。毫升的使用还可以启用一个预测合适的结构和开发各种具有不同梯度的支架,混合不同的材料在相同的支架,其属性,预测和校正的复杂架构(80年,81年]。一些常用的粉末材料在我们的审查和样品的属性表现出由它们的帮助下PBF已经列在表中2。
5.3。机器学习实现和结果
监督和非监督学习算法用于粉末床上融合的过程。监督算法主要用于该过程包括线性和逻辑回归、支持向量机、高斯过程回归,再邻居。线性多项式回归处理决定一个独立和因变量之间的关系,分别或参数的情况下这个过程。利用多项式回归两个模型有平均相对误差大小(臂)的23%和17%,分别,后者正在实施,熔池变化减少了78%通过更新模型的激光功率按照观测(91年]。高斯过程回归也有类似的直觉除了这一事实,而不是找到一个多项式关系,它定义了一个适合于数据点的高斯分布。它是用于(57)确定的相对密度之间的关系产生部分和激光功率和扫描速度,预测误差仅为0.3%。它也被运用于(74年]协助粉床的设计过程融合通过给一个想法再次熔化深度的单曲,这意味着能源用于烧结粉层是否足够。再邻居(资讯)是另一个监督算法的回归和分类。在[52),然而,用于回归的意思再的目标值邻居在所有参数的特征空间,即,location, morphology, and size of the defect being the parameters and fatigue life being the target value with a mean squared error value of 1.2736 × 10−³和R0.96761平方的价值。
支持向量机是另一个监督算法可用于分类和回归,它构造了一个包含最大平均利润率值边界超平面或从相关的数据点在特征空间52]。我们使用了一个支持向量机以及疲劳寿命预测资讯的形态、位置、大小和缺陷均方误差值为7.0665×10−⁵和一个R0.99418平方的价值。它也被运用于(59)产品密度预测从原始光信号并能与精度约为93% (55]。我们使用了一个支持向量机来确定异常的产生是一个缺陷或名义构建条件,准确率高达85%。(所54),支持向量机也用于原位监测过程和减少缺陷的产生过程中一部分。无监督算法包括k - means聚类和主成分分析(PCA),主要用于PBF的过程。K - means聚类是将数据点划分为“K”集群,与最近的每个点属于集群的集群本身。在[56),研究人员使用k - means聚类分区基于热过程的历史数据。主成分分析是一种降维方法用来减少数据的复杂性低高特征空间的数据映射到特征空间,没有任何重要的数据丢失。的作者(57,58]使用PCA进一步降低数据维度为便于计算。
深度学习是机器学习和人工智能的另一个分支处理神经网络的一些最先进的算法。神经网络节点组成的模拟人类神经系统的神经元和整个网络的节点,而不是神经系统。这无数连接组成的大量节点的互连层有助于地图复杂的参数之间的关系,统计机器学习算法可能无法执行。神经网络用于PBF过程包括人工神经网络、卷积神经网络,光谱卷积神经网络,生成对抗网络和序贯决策分析神经网络(SeDANN)。
人工神经网络(ann)是最简单的神经网络层的节点组成的相互联系的前面和下面层,分别一个输入和一个输出层和激活函数来消除线性(61年]。我们使用人工神经网络控制和管理生产零件的质量通过识别输入工艺参数和产品质量之间的映射。固有应变预测是进行孵化层的函数,即,angles between different layers of the produced part that gives an idea of product distortions in [63年)的帮助下一个安组成的一个隐藏层和平均预测误差2.78%64年]。我们使用了一个安3600年由一个输入层节点,9隐藏层和输出层组成的单个节点的预测激光功率值基于过程的现场图像,使精度约为99%。一个安有两个输入节点,两个隐藏层,四个输出节点中使用(65年]地图撒布机速度和层属性之间的关系,给出精度约为96%。此外,正如前面提到的在54),人工神经网络用于工艺参数优化、现场观察、控制部分的几何、裁剪组织和性能,减少缺陷。
卷积神经网络(cnn)是一种专门从事图像处理、神经网络层之间使用卷积操作。生产部分的粗糙度的高光谱图像进行(66年)使用一个CNN组成的四个卷积层,包括maxpool层,平层,和两个致密层,以及辍学值为0.4的应用程序以减少过度拟合收益率最终的平均绝对误差为2.1μ米(53]。我们使用cnn密度预测从原始光信号的架构VGG-16和亚历克斯净使用转移学习,从而获得94.88%的训练精度,验证的准确性88.54%,测试精度为81.24%。研究[64年)也使用cnn熔化池监控预测激光功率值。CNN,三个过滤器尺寸(3×5×5 7×7)和三个通道尺寸是,使比较跨度9 CNN。在cnn, 4卷积层使用的步伐,没有补零。Maxpool层遵循第一大步的三层2和补零的应用。最后一层的输出调整形状大小1×1通过改变滤波器的输入。3×3 CNN给低RMSE值增加通道大小。所有9 cnn的值接近1,但3×3 cnn的值是相对比其他人更近。7×7 CNN获得最好的RMSE值和一个通道的大小k= 3。同样的,(67年]使用cnn进行原位监测通过原位图像作为输入,并预测构建质量生产体系结构有四个部分组成的结构回旋的层,解决线性单元激活,一层批正常化,和平均池层,以及一个全层,回归层,输入和输出层。再次,68年CNN]我们用于原位监测,因此违约检测收益率平均精度为97.87%。图8显示了一个流程图,它描述了一个典型的例子一个CNN的架构,包括卷积和池层可能是另一种方式,在一个网络连接与一个或多个分类全层。
生成敌对的网络(GAN)是一种特殊类型的神经网络,如果充分训练,可以生成自定义图像所需的主题。他们被用在62年)生成训练CNN人工产生的图像部分。
在[71年),顺序决策分析神经网络(SeDANN)用于监视过程建立可靠的部分生产,减少质量评估在获得生产的部分。它由三个阶层/级别顺序遍历的数据进行处理。每个梯队在处理的过程中发挥作用提供了一些重要的细节后续使用的阶层作为输入。SeDANN方法使用基本统计属性获得基于物理过程的推理机制,也便于理解。第一梯队,安,是负责预测激光速度和力量作为四个变量的函数的高温计等信号的意思是,标准差,偏态和峰态高温计的签名。第二梯队,安一个,使用这些预言的力量和速度值与熔池图像特征从快速获得摄像机图像作为输入,并预测单向的宽度。
此外,单轨宽度的标准差是通过近似的平均宽度超过三个部分的单向的。第三梯队预测百分比的函数连续性熔池特征和统计特征预测第二梯队。它比所有的表现更好,即。CNN, LSTM RNNs、支持向量机和资讯,平均R0.836平方的价值。
工作(70年]使用光谱卷积神经网络是一个扩展的卷积神经网络(cnn),但可以处理更复杂的配置的数据通过使用不规则的隆起。用小波稀疏信号表示声谱图传递给神经网络使用它可以分类数据基于光谱图的参数值计算。模型似乎给出精度在83%到89%之间,最高的精度在低质量的图像。已经发现,大多数报纸中最常见的参数考虑激光功率和扫描速度,因为他们代表的基本特征融化金属的电源,这是一个激光在这种情况下。这种断言是由几个文件显示出(> 90%)的预测和检测精度在使用合适的算法。表3给一个列表的ML技术实现各种类型的PBF的方法。表4国家相应的论文所表的优点和缺点3。
6。摘要和结论
激光粉末床融合是一个加法制造方法制造金属组件。LPBF过程使用一个高的能量密度激光束对粉末材料的选择性融合区域;粉状物料的连续层堆叠来构建一个三维的部分。粉状物料的熔融部分形成液池,称为熔池凝固和冷却迅速(64年,67年,93年,99年- - - - - -101年]。工艺参数包括激光扫描速度、光斑大小、孔间距,和权力。最常见的使用粉是Ti-6Al-4V合金。组织属性包括相对密度、晶粒尺寸、取向、和发展方向。微观结构之间的关系属性和可能的担忧预处理三维组件是根据一组常数研究工艺参数(55,68年,70年,94年,102年]。Melt-pool不稳定,钥匙孔效应,不规则的微观结构,和地下完整的命名问题。各种原因和解决方案的缺陷进行了讨论。LPBF的后处理三个阶段维持结构切除,热处理,表面平和。解释每个阶段优化的生产成本。LPBF过程指数增长的应用行业4.0时代。使用在汽车、航空航天、医疗和其他一些小的领域进行了探讨。加法制造优于减去生产有以下原因:设计的灵活性,成本几何复杂性,需要组合,和更好的交货时间。我可以生产任何复杂的几何形状,因为它是一个layer-wise制造的过程。然而,减去生产需要不同的工具和设备使其难以切入深度(56,60,65年,69年]。因此,我只有一些约束和更多的自由度来达到设计的功能。几何复杂度成正比的模具成本。复杂的设计需要支持结构,增加后处理。然而,相比传统注射成型是没有额外的成本有一个缺乏工具和夹具。这降低了操作强度和交货时间。此外,我提供尺寸精度达100毫米。SLS尺寸公差为±0.3%(下限:±0.3毫米)。我提供了“单一部分组件”,避免需要集成不同的组件在传统制造业。
需要做进一步的研究来优化工艺参数来评估LPBF的工艺性。的缺陷,包括疏,需要进一步研究相关的现有扫描策略。工艺参数如激光功率和扫描速度影响残余应力诱导熔池中,蒸发所依赖的程度。此外,粉形貌和显微硬度的特点发挥至关重要的作用。悬臂部分制造的形成及其尺寸公差在后处理中起着重要的作用。的因素之一,影响尺寸公差过剩功能是过剩比率之间的比例且轮廓和容许的总价值和不可接受的轮廓。直接找到边界效应和过剩比率之间的关系,需要进一步研究,以防止形状偏差的悬岩(98年,103年- - - - - -105年]。熔池发生在激光罢工粉末球化和粗糙度引起轨道。为了生产高质量的成品零件,melt-pool行为在不同能量参数(激光功率和扫描速度)需要研究降低球磨机的效果。发现旋转扫描策略来确定粉末粒子的大小。理想的粉末特征,如高温、抗拉强度高,耐腐蚀,必须以最小的成本分析。在组织工程中的应用为SLS类型在上升。必须研究各种生物相容性材料获得医学支架组织修复。此外,复合高分子材料应该追究生物玻璃等生物活性反应获得增援Ag)、铜、和运气106年- - - - - -107年]。
在这个时代的人工智能、机器学习和深入学习算法用于PBF过程以提高其质量和可靠性。使用各种算法,从监督统计算法,如线性和逻辑回归支持向量机,然而,和无监督算法k - means聚类等深度学习方法利用ann, cnn,甘斯,和SeDANNs执行任务如原位监测melt-pool签名,工艺参数,如激光功率和扫描速度、缺陷检测、质量预测和相对密度的预测。这种监控的各种因素进行实时,从而减少时间和资源的浪费很大程度上(108年]。
这些,最重要的算法,突出比较对安金属熔化过程。因为它是一个人工模拟生物大脑的,它可以毫不费力地捕获和处理复杂的参数之间的关系,由于大量节点之间相互连接(78年,109年- - - - - -111年]。ann看到应用程序在这个过程中描述的几个地区(54),包括工艺参数优化、现场观察、控制部分的几何形状,裁剪,微观结构和性能和减少缺陷。因此,网络被认为是万能的,因此是有用的在这个过程112年- - - - - -116年]。大部分的结果使用此机制也承诺,支持各种文件(64年,65年]显示模型的精度不同的90的百分比109年,117年,118年]。
然而,一些限制应用机器学习在遇到LPBF过程。统计分析和机器学习模型,在一般情况下,需要大量的数据符合某些标准,有效的培训和测试,这是很难收集。建模生产数据来训练这些模型也是一个复杂和困难的过程由于大量的参数。众多参数使模型更难确定相关参数,,可能基于不同的材料特性(119年- - - - - -126年]。降维模型用于减少许多属性几不可能概括好,取消相关有用的属性,可能遇到的新数据。即使是足够的数据,有underfitting和过度拟合的问题。一个非常简单的架构中使用一些论文在一个较小的偏置数据集,从而导致偏见的模型。其他潜在的问题可能是一个高度复杂的建筑专业训练数据有点太多,因此未能推广新的看不见的数据。这为许多未来的增强铺平了道路,可以解决这些问题,从而提高模型的性能明显比已经达到127年- - - - - -129年]。
缩写
| 支持向量机: | 支持向量机 |
| 安: | 人工神经网络 |
| ML: | 机器学习 |
| SVR: | 支持向量回归 |
| 资讯: | 再 |
| LPBF: | 激光粉末床融合 |
| SLM: | 选择性激光熔化 |
| GridSearchCV: | 网格搜索和交叉验证 |
| 简历: | 交叉验证 |
| 均方误差: | 均方误差 |
| R2: | 确定系数 |
| K: | 的折叠K倍的简历 |
| 问: | 加法制造 |
| 有线电视新闻网: | 卷积神经网络 |
| 梅: | 平均绝对误差 |
| 视场: | 的视野 |
| 神经网络: | 神经网络 |
| AE: | 声发射 |
| 基本: | 光谱卷积神经网络 |
| SAX: | 象征性的总近似 |
| 主成分分析: | 主成分分析 |
| FFNN: | 前馈神经网络 |
| 光纤光栅: | 光纤布喇格光栅 |
| 简要: | 多层感知器。 |
数据可用性
所有数据用来支持这个研究的发现包括在本文中。
的利益冲突
作者宣称没有利益冲突。