新算法诊断同型号3D打印机「个性差异」：个体优化比联合优化精度更高，误差大幅减少

你有没有想过，就算是同一家工厂出来的同款3D打印机，它们打印出来的东西也可能不一样？坦率地讲，这确实是个问题。马德里IMDEA材料研究所的研究人员，跟美国劳伦斯伯克利国家实验室合作，开发了一个新算法，专门解决这个问题。

这个算法能检测出看起来一模一样的3D打印机之间，其实隐藏着不同的行为差异，还能自动决定怎么去纠正这些差异。研究成果发表在《Advanced Engineering Informatics》期刊上。

它直面了自动化制造中一个长期存在的老大难——同一品牌和型号的设备，性能并不完全相同。在规模化生产里，比如3D打印农场这种并行生产设置，这种差异会累积，最后导致缺陷。即使同一品牌、同一型号、序列号几乎相同的机器，它们的行为也很少完全一致，而这些微小的偏差会在生产批次中累积，最终变成真正的缺陷。

那他们的算法是怎么工作的呢？这个新系统，不是对整个机队都用同一个优化策略，而是先单独分析每台机器。系统会先对每台设备做个诊断，通过诊断评估给每台打印机建立性能特征，然后用统计分析量化机器之间的实际差异程度。基于这个分析，它会做出路由决策：如果机器足够相似，就应用共享优化策略，最大化整体效率；如果检测到显著差异，就切换成单独优化每台机器，优先考虑精度而非一致性。

为了验证这个方法，团队在三台理论上相同的3D打印机上做了案例研究。算法检测到了设备之间的可测量差异，虽然只用了三台打印机，但差异已经足够明显。打印输出的统计发散度测量、打印颗粒的密度估计，还有机器之间的成对发散值都显示，每台打印机都有自己独特的输出模式。分布分析和散度指标都支持单设备方法，也就是说，每台打印机都在自己的独特输出状态下运行。

研究人员表示，采用个体优化，在打印部件重量误差方面，收敛速度更快，误差也大幅减少。相比之下，把所有设备同等对待、没能正确纠正个体偏差的做法就差远了。即使是批量生产的设备，也可能有自己的操作个性，团队解释道，并指出这个系统能够判断将机器视为团队还是个体进行优化更高效。这不仅能提高精度，还能通过避免失败的实验来节省资源，是未来全自动实验室和工厂的关键一步。

大多数面向制造的人工智能工具，优化的是打印过程中的行为，但假设机器是可互换的。而IMDEA算法则直接测量机器间的变异，并根据机队情况决定是集体优化还是单独优化。这是流程中更早的一步，旨在规模化生产而非单个打印件。一旦打印已经开始，实时检测缺陷一直是行业多年来的主要关注点。堪萨斯州立大学的研究人员构建了一个基于支持向量机的系统，利用摄像头和图像处理，在打印过程中捕获完成失败和几何缺陷。而Printpal的PrintWatch等商业工具，可以实时监控构建区域，并在缺陷开始形成时立即中止作业。这两种方法都将每台打印机视为需要解决的独立问题，而不是机队中具有自身特性（相对于相邻机器）的一个节点。

其他近期研究则走向了相反方向，只证明机器个体差异的存在，而不进行任何纠正。伊利诺伊大学厄巴纳-香槟分校的研究人员与SyBridge Technologies合作，训练了一个深度学习模型，能够以98%的准确率将打印部件追溯至其来源打印机，利用的是人眼不可见的表面纹理。该研究证实了IMDEA团队试图纠正的相同个性，只是将其用于可追溯性而非优化。

IMDEA和伯克利实验室的系统，介于这两条线索之间。它既不监控打印过程中的缺陷，也不仅仅事后为机器生成指纹，而是直接将机器身份作为输入，来决定如何运行整个机队。

虽然这次验证用的是3D打印，但说到底，同样的方法论也可以用在其他领域，比如新材料发现、化学合成、传感器校准这些高通量实验。任何依赖名义上相同硬件、保持一致行为的高通量、并行化实验，包括材料发现、化学合成和传感器校准，这些领域未校正的设备漂移会悄然损害可重复性。

这项研究由IMDEA材料研究所的克里斯蒂娜·申克博士、米格尔·埃尔南德斯·德尔·巴列、路易斯·卡莱罗和马切伊·哈兰奇克博士，以及劳伦斯伯克利国家实验室的马库斯·诺阿克博士共同完成。该项目得到了MAD2D-CM二维颠覆性材料项目的支持，由马德里自治区与西班牙复苏、转型和韧性计划以及欧盟NextGenerationEU计划共同资助。Noack的贡献得到了美国能源部能源研究应用数学中心（CAMERA）的支持。