美能源部发布基于AI的3D打印实时缺陷检测，曾发表于Science正刊

美国能源部基础能源科学办公室6月6日发布研究内容，介绍一种全新的3D打印缺陷实时检测方法。

这项由人工智能驱动的技术通过先进的X射线和热成像表征手段，能够在3D打印过程中实时监测并准确检测匙孔气孔这一典型打印缺陷，检测精度接近完美水平。

在金属增材制造中，结构缺陷的形成一直是限制该技术在某些关键应用领域推广的重要障碍。

研究通过诊断工具和机器学习技术的结合，开发出这种能够检测和预测3D打印材料缺陷的新方法，有望彻底改变3D打印工艺流程。

该方法运用多种成像和机器学习技术实现了气孔生成的实时检测，准确率近乎完美。

研究团队表示，下一步将开发能够检测增材制造过程中其他类型缺陷的传感技术，最终目标是创建一个不仅能检测缺陷，还能在3D打印过程中实现修复的完整系统。

技术摘要

激光粉床熔融技术中的一个主要缺陷问题是匙孔气孔的形成。这些气孔或结构缺陷会严重影响打印部件的性能表现。

虽然许多3D打印设备都配备了热成像传感器来监测构建过程，但仍然可能漏检气孔的形成。

在致密金属内部直接检测气孔的主要方法是X射线成像，需要使用高强度光束，比如美国能源部科学办公室用户设施先进光子源提供的X射线束。

研究人员将样品内部的X射线图像与熔池的热图像进行关联分析，发现气孔的形成会在材料表面产生独特的信号，这种信号能够被热成像相机检测到。

研究团队首先使用X射线图像训练机器学习模型，使其能够仅通过热图像预测气孔的形成。

随后，他们测试了模型解读复杂热信号并在未标记样品中预测气孔生成的能力。

研究结果显示，该方法能够在毫秒级时间尺度内检测出气孔形成的确切时刻。

这项突破性成果的技术基础实际上源于Tao Sun教授团队在2023年发表于Science期刊上的重要研究论文。让我们深入了解这一技术的核心原理和实现细节。

双重成像系统的精巧设计

从Science论文的Figure 1可以看到，研究团队构建了一套极其精密的同步检测系统。

在Ti-6Al-4V钛合金的激光熔融实验中，他们同时部署了同步辐射X射线和热成像技术。

X射线从侧面穿透材料，能够直接观察到内部匙孔的动态变化过程，而热成像相机则从顶部记录熔池表面的温度分布情况。

这种双重视角的实验设计是整个技术体系的核心。

研究人员通过提取匙孔区域的平均发射强度时间序列数据，并对这些数据进行小波分析，将复杂的热信号转换为机器学习算法能够处理的频谱图形式。

这种数据处理方式的创新之处在于，它能够捕捉到肉眼无法识别的细微信号变化模式，为后续的智能识别奠定了基础。

振荡模式识别的关键突破

Figure 2展现了研究中最为重要的科学发现。

研究团队成功识别出了两种性质完全不同的匙孔振荡模式：内在振荡和扰动振荡。

内在振荡是激光粉床熔融过程中的正常物理现象，虽然匙孔形状会发生周期性变化，但这种变化不会导致气孔缺陷的产生。

相比之下，扰动振荡则是问题的根源，这种异常的振荡模式会直接导致匙孔气孔的形成。

通过高速X射线成像和相应的多物理场仿真分析，研究人员发现这两种振荡模式在热成像信号中呈现出截然不同的特征表现。

从对应的频谱图分析可以看出，扰动振荡产生的信号具有独特的频域特征。

这种差异虽然在原始热成像画面中几乎无法察觉，但经过小波变换处理后在频谱图中变得清晰可辨。

这一发现为机器学习模型提供了可靠而稳定的判别依据。

本文并不深度探讨机器学习/AI的技术细节，有兴趣的读者请根据链接自行查阅Science相关内容：

https://www.science.org/doi/10.1126/science.add4667

标注精度对算法性能的深层影响

Figure 3深入探讨了一个在实际工程应用中至关重要的问题：数据标注准确性如何影响机器学习模型的检测性能。

研究团队系统对比了三种不同的数据标注策略：现场实时标注、离线事后标注以及校准后的离线标注。

现场实时标注是指在X射线成像过程中准确确定气孔形成的瞬间时刻，这种方法虽然精度最高但实现成本昂贵。

离线事后标注则通过分析最终气孔的空间位置来反推其形成时间，这种方法存在一定的时间偏差但更加实用。

研究结果清晰地显示了标注误差率对模型预测准确性的影响规律。

当误标率控制在较低水平时，模型能够保持优异的检测性能，但当误标率超过30%的临界阈值时，预测准确率会出现急剧下降。

AM易道解读

这项研究在多个层面都体现出了显著的创新价值。

从技术实现角度看，研究团队成功地将复杂的物理现象转化为可计算的数学模型。

通过小波变换技术，他们将时域的热信号转换为频域表示，使得机器学习算法能够更有效地识别不同振荡模式的本质特征。

从科学价值的角度看，这项研究最重要的贡献在于建立了表面可观测信号与内部隐藏缺陷之间的定量关联关系。

这种关联性的发现打破了传统认知中只能依靠昂贵X射线设备进行内部缺陷检测的技术限制，为实时质量监控提供了全新的实现路径。

写在最后

随着算法优化的持续推进和计算硬件成本的不断下降，这种实时缺陷检测技术有望在未来几年内实现商业化应用。

研究团队下一阶段的发展目标包括扩展检测范围以涵盖更多类型的制造缺陷，并最终构建集检测与修复功能于一体的智能制造系统。

这种闭环质量控制能力的实现将标志着3D打印技术从传统制造工具向智能制造系统的根本性转变，为增材制造在高端应用领域的大规模推广奠定坚实的技术基础。

注：本文基于美国能源部官方发布信息和Science期刊相关研究论文整理分析。

延伸阅读：

AI的Transformer技术首次被应用到3D打印质量监控领域!

告别破坏取样，金属3D打印原位表面检测新技术