对于许多公司来说，数字化和自动化是进一步发展增材制造的关键。因此，越来越多的制造商正在依赖基于云的解决方案，并将各种算法整合到他们的3D打印解决方案中，以充分挖掘该技术的潜力。

作为一个数字过程本身，3D打印是工业4.0的一部分，因此人工智能（如机器学习）越来越多地被用于优化价值链的时代的重要组成部分。人工智能（AI）能够在很短的时间内处理大量的复杂数据，这就是为什么它作为一个决策者变得越来越重要。本文解释了什么是机器学习，以及为什么这种形式的人工智能正在帮助塑造增材制造的未来。
机器学习是人工智能的一个子类别，被定义为一种系统或软件，它使用算法来检查数据，随后识别模式或确定解决方案。与人们普遍认为机器学习是一种新奇的现象相反，可以说它的雏形可以追溯到20世纪40年代，当时第一批研究人员开始用电路重新创建大脑的神经元。1957年，Mark I Perceptron是该领域的第一个重大成功：该机器能够对输入数据进行独立分类。在这样做的过程中，该设备从以前的尝试中的错误中学习，从而随着时间的推移改进了分类。从那时起，基础已经奠定，研究人员开始对该技术的可能性和潜力着迷。与此同时，我们每天都会在生活的各个领域遇到人工智能。从语音识别到智能聊天机器人，再到个性化的治疗方案，机器学习正在被用于各种应用中。

有监督与无监督的机器学习
在机器学习的范围内，区分不同的方法和模型是很重要的。不是所有的机器学习都是一样的。例如，必须对有监督和无监督的机器学习进行区分。有监督的机器学习要求有分类数据（输入数据）和目标变量（输出数据）。从这些中得出模型，然后检查新的未分类的数据，并确定这些本身的目标变量。这种形式的机器学习被用于预测，例如：预测维修间隔时间。

在无监督机器学习中，作为一个起点，情况正好相反。软件没有目标变量（输出数据），但必须根据输入数据来识别模式或建议解决方案。这种类型的机器学习，除其他外，在市场营销中被用来识别客户群，即所谓的 "聚类"。但也有其他区别。例如，还有半监督学习，即在大量的原始数据中只使用少量的预定义数据来训练模型，以及强化学习，即系统根据预定义规则进行自我学习。因此，用户必须根据原始数据和目标变量来选择合适的方法。

机器学习如何应用于增材制造？
作为一个数字化的生产过程，增材制造得益于机器学习的能力。由于在增材制造价值链上收集和处理了无数的实时数据，它们可以被用来分析实际状态，并随后重新定义目标状态。在这样做时，公司首先要确定哪些数据是相关的。这一决定在每个案例中都取决于所使用的过程。下一步是在定义数据收集和处理的合适模型或算法之前，找到并整合合适的测量工具来捕捉数值。在这种情况下，了解增材价值链上的所有步骤相互影响也很重要，这就是为什么在大多数情况下，孤立的观点是不合适的。例如，设计已经影响到后续的部件质量，而所需的部件质量又影响到设计。出于这个原因，越来越多的公司正试图提供一个全面的软件解决方案，通过该方案，人工智能的优势可以在增材制造过程中得到最佳利用。

智能设计
每个3D打印部件的开始是一个文件，在大多数情况下是一个CAD文件。这已经是公司可以从人工智能中受益的地方。例如，今天市场上的大多数软件解决方案已经使用人工智能，根据预定的变量向用户建议智能设计变体。这个过程被称为生成式设计，以及其他方面。机器学习也被用于拓扑结构优化。许多软件解决方案还对生产方法、材料和安装空间的最佳使用提出建议。这可以节省成本，不仅更有效地生产零件，而且更可持续。
△nTop软件的模拟工具提出了晶格结构的几种变体，并根据重量和机械性能对其进行排序

质量保证
如果3D打印文件已经被优化，那么重点可能转而放在所使用的3D打印工艺、材料质量和部件质量上。今天，许多制造商已经在他们的机器上集成了摄像头和传感器，它们可以跟踪打印，并在必要时发出警报或停止打印。在这个步骤中，重要的是要知道在打印过程中如何定义部件的质量，以便能够定义所需的测量值。同样重要的是，要定义机器在哪个阈值时应该执行哪个动作。今天，一些算法已经能够独立定义这些参数，并在已经收集的数据基础上进一步发展模型。用一个实际的例子可以最好地解释这一点。

EOS与瑞士软件供应商NNAISENSE合作，为DMLS工艺开发了一个数字孪生技术。在打印过程中，使用光学断层扫描（OT）从每个打印层采集热图像，并与AI预测的图像进行比较。这使得异常情况可以被立即发现，并在必要时停止打印过程，从而节省材料和成本。NNAISENSE开发的模型是一种自我监督的深度学习策略。西门子强调，使用人工智能和机器学习的增材制造（AM）质量保证可以缩短从原型到成品部件的时间，并加快大批量生产的效率。该公司对EOS集成的用于监控各个打印层的摄像头表示赞赏，因为它可以实时识别待打印部件上的缺失粉末（左）或重涂期间的粉末掉落（右）。

每个涂层的质量被记录为一个数值，并自动进行评估。当这个所谓的严重性分数达到一定的阈值时，它可以表明涂层存在严重问题（如上面的例子）。该公司表示，这简化了光学检查，因为只有关键层需要由专家来评估。

进一步的应用
Post Process公司的后处理软件——AUTOMAT3D，可以实时监测关键的工艺因素，并自主地做出反应，以实现3D打印部件的最佳完成度。为了做到这一点，该公司使用来自数十万个基准零件的数据。此外，人工智能正被越来越多地用于自动化和优化工作流程。在关键部件中安装了智能传感器，它是智能和预防性维护，或"预测性维护"的测量工具。可以预见的是，在未来几年，机器学习在制造商生产过程中的应用将继续增加。预计到2028年，全球人工智能和高级机器学习的市场将达到4713.9亿美元，增长率（CAGR）为35.2%。