LLNL國家實驗室的金屬增材制造加速認證總監Wayne King在GE打造的Industry in 3D系列脫口秀訪談節目中，談到依靠人類的經驗來進行加工質量提升，這個過程是充滿痛苦和煎熬的。這種基于人的經驗加工技術將要被基于科學的加工技術所替代，他認為前置反饋將要顛覆當前的3D打印現狀。

前置反饋像3D打印設備的大腦，“告訴”打印機如何做避免錯誤。利用所能得到的最新信息，進行認真、反復的預測，把計劃所要達到的目標同預測相比較，并采取措施修改計劃，以使預測與計劃目標相吻合。如今，根據3D科學谷的市場觀察，GE有關動態地控制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。

科學技術代替人類經驗

在目前的基于粉末床的選區激光金屬熔化系統中，激光裝置產生激光束，該激光束入射到粉末床上的區域內熔化粉末材料，從而形成熔池。在一些已知的增材制造系統中，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或者飛濺而發生質量隱患。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在零件表明，降低了零部件的表面質量，特別是懸垂或面向下的區域的表面質量。增加的熔池大小和深度以及熔融金屬的流動通常會導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動態地控制3D打印-增材制造過程。這個專利提供了一種用于動態地適應零件的增材制造的方法。

卷積神經網絡

通過存儲用于構建一個或多個構建參數的零件的構建文件，以及接收多個構建信息。多個構建信息中的每個構建信息包括由多個機器中的至少一個機器對零件的構建過程傳感器撲捉到的信息。通過傳感器信息與構建參數進行比較以確定差異，確定是否對構建參數進行調整。

在加工工藝的控制過程中，GE使用了數字孿生體技術，并通過機器學習來訓練處理器或處理元件，機器學習程序可以采用神經網絡，該神經網絡可以是卷積神經網絡，機器學習可能涉及識別現有數據中的模式，以便于對后續數據進行預測。

Review

Alpha Go技術的跨界

根據業內專家，卷積神經網絡是近些年逐步興起的一種人工神經網絡結構， 因為利用卷積神經網絡在圖像和語音識別方面能夠給出更優預測結果， 這一種技術也被廣泛的傳播可應用。 卷積神經網絡最常被應用的方面是計算機的圖像識別， 不過因為不斷地創新， 它也被應用在視頻分析， 自然語言處理， 藥物發現， 等等。包括Alpha Go， 讓計算機看懂圍棋， 同樣也是有運用到這門技術。

那么卷積神經網絡的計算原理是怎樣的呢？“卷積” 和 “神經網絡”。 卷積也就是說神經網絡不再是對每個像素的輸入信息做處理了，而是圖片上每一小塊像素區域進行處理， 這種做法加強了圖片信息的連續性。使得神經網絡能看到圖形， 而非一個點。這種做法同時也加深了神經網絡對圖片的理解。具體來說， 卷積神經網絡有一個批量過濾器， 持續不斷的在圖片上滾動收集圖片里的信息，每一次收集的時候都只是收集一小塊像素區域，然后把收集來的信息進行整理， 這時候整理出來的信息有了一些實際上的呈現， 比如這時的神經網絡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生的這些邊緣信息， 神經網絡從這些邊緣信息里面總結出更高層的信息結構，比如說總結的邊緣能夠畫出眼睛，鼻子等等。再經過一次過濾，臉部的信息也從這些眼睛鼻子的信息中被總結出來。最后我們再把這些信息套入幾層普通的全連接神經層進行分類，這樣就能得到輸入的圖片能被分為哪一類的結果了。

拿粉末床金屬熔融技術來說，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的圖像成像過程，由此說來，卷積神經網絡原理用于3D打印的前饋控制是頗具發展潛力的。
責任編輯：tzh