通过机器学习优化增材制造过程

对于航空航天中的金属合金，机器学习可以使增材制造（AM）工艺的开发更快和更便宜。

与谢菲尔德大学高级制造研究中心（AMRC）和波音公司合作，英特勒根（Intellegens）使用了炼金厂^™deep learning software to develop a model that could identify optimal AM parameter sets for laser powder bed fusion (LPBF) and test them for nickel-based alloys across two experimental cycles. The results from the second cycle showed great agreement with the scientists’ estimations.

Following this, the model was used in combination with the 400W M2 machine from GE Additive to develop process parameters for the new additive-specific Aheadd^®CP1 powder from Constellium.

在仅两个版本中，项目团队能够从新粉末转移到最终参数，应用强大的机器学习方法，而无需专家统计知识。这说明了如何炼金术™机器学习can speed up AM process parameter optimization.

挑战

一种快速发展的制造技术，添加剂制造（AM）可提供更强大，更轻的组件，具有按需制造的潜力，并且具有巨大的灵活性。

在许多领域，这些好处都得到了广泛认可 - 最著名的是在航空航天中，它们可以通过支持飞机轻巧来提高燃油效率。

但是，实施AM面临着重大的实际挑战。新组件规格通常需要新的AM机器或金属粉末材料。由于众所周知，最终属性对材料，机器设置或环境条件的微小变化敏感，因此找到最佳的机器处理参数很棘手。

通常，优化这些参数是通过使用耗时，昂贵的实验而发生的。使用实验设计方法与AM项目团队的知识结合使用，参数空间被缩小。但是，即使使用复杂的统计分析，传统的实验设计也很少能够充分减少测试数量，从而产生了沉重的实验负担。而且，由于粉末，机器和团队成员的变化，团队通常会在项目之间失去知识。

机器学习（ML）可以在此过程中有助于两种关键方法。ML方法可以从历史数据中学习，从而在可重复使用的模型中获取知识，从而可以在其他地方应用一个项目的经验。可以预测地使用此类模型，并通过在复杂的高维数据中识别和使用微妙的关系来减少实验的需求。

但是，对ML方法有限制，但是最值得注意的是，它们从“培训数据”中学习。困难在于，实际实验数据中通常存在差距：这些数据通常是从多个测试中组装出来的，针对不同的属性，并且可能稀疏和嘈杂，而项目团队不确定要测量哪些参数。

Can ML be Applied to Accelerate AM Parameter Optimization?

解决方案

项目奖章解决了这一挑战。在英国国家航空技术剥削计划（NATEP）的支持下，这项合作涉及英特勒根斯，波音，GE添加剂，谢菲尔德大学高级制造研究中心（AMRC）和星座。

At the heart of the project was Alchemite^™，一项深度学习技术¹它开始在剑桥大学开始，并在英特勒根（Intellegens）进一步开发。

炼金石解决了困难的材料和过程设计问题^™。炼金石的核心特性^™它是处理嘈杂，稀疏，实验数据的能力。它能够摄入历史项目数据并从中构建ML模型。然后，它可以采用该模型来预测或优化新系统的输出。

An ML tool for AM based onAlchemite™是在第1阶段创建的²由Intellegens，AMRC和波音公司。激光粉末融合（LPBF）是关键重点，该项目构成了过程参数开发的主要研究。

The model, based on historical data, could be used in real-time to guide the choice of process parameters for the next experiment every time a new input to the system (e.g., a new material, machine, part, or even operator) was introduced. Following this method, parameter space was explored with maximum efficiency.

如图1所示^™（由蓝线表示）可以根据实验少于传统的实验设计方法（在许多情况下，少10倍）来优化给定的目标。

图1。将Alchemite™与标准实验设计方法进行比较。图片来源：Intellegens Limited

结果

Phase 1 demonstrated that it was possible to learn from historic builds and apply the resulting model to new builds. To predict the results of a second cycle, the outcomes from a first experimental cycle were used, and close agreement was found between the predicted and experimental results.

在第2阶段与星星粉和GE添加剂机一起工作：

• With no expert knowledge of the powder, the AMRC engineers could apply the Alchemite^™指导他们工作的机器学习工具。
• 发现机器学习方法适用于多个不同的机器，粉末和AM处理类型。
• Alchemite™机器学习工具能够准确地预测仅一版构建后第二版零件的UTS性能（图3）。
• 稳定，可预测的性能由前面提供^®CP1粉末除了激光功率不足导致缺乏融合的地方。

图2。使用前面星座打印的样品的谷物结构^®CP1>。图片来源：Intellegens Limited

图3。测试样品在项目的2阶段（左）（左）以及第二构建UTS与实验测量值的Alchemite™预测进行比较，显示高一致（右）。图片来源：Intellegens Limited

结论

炼金石的有效性^™该项目证明了对新AM过程的加速过程参数优化的机器学习。

通过显着减少所涉及的实验数量，该功能使AM流程团队可以减少将新流程推向市场所需的时间。

该项目由伊恩·布鲁克斯（Ian Brooks）领导，伊恩·布鲁克斯（Ian Brooks）当时是AMRC西北地区的技术研究员。伊恩评论说：

“ Alchemite™在最佳溶液上收敛，实验更少。该项目的机会是为最终用户提供开发自己的粉末和参数组合的经济上可行的方法。”

一套图形分析工具Alchemite™分析平台可用于分析ML模型做出的预测 - 例如，找出哪些输入参数驱动键输出。

当他们追求可靠，可重复的AM流程时，AM团队可以从材料和机器创新中获得最大的收益，例如了解过程/属性关系。波音研究与技术的卢卡斯·吉拉尼克（Lukas Jiranek），在金属添加剂制造中引用³, explained the company’s involvement:

“目前，波音平台上有超过70,000 AM的组件。通过这些多重努力和数据丰富的AM过程链，机器学习有可能成为加速AM的进一步开发和采用的关键技术。项目奖章是为数据驱动的AM流程参数开发创建和证明机器学习的标准化方法的宝贵步骤。”

There is huge potential for alloys designed specifically for laser powder bed fusion. This project has confirmed the robust performance of Aheadd^®GE添加剂平台上的CP1，该方法证明我们可以很快达到可预测的机械性能。机器学习将使我们能够在多个应用领域更快地达到优化的AM解决方案^®CP1，包括热交换，卫星组件，高端汽车零件和半导体行业设备。app亚博体育

Ravi Shahani，添加剂制造战略合作伙伴关系经理。

关于项目参与者

深度学习软件以炼金石的名义^™由Intellegens提供。Intellegens的重点是简化机器学习来加速材料，化学，制造业及其他地区的创新。亚博网站下载

谢菲尔德大学高级制造研究中心（AMRC）是一个世界领先的研究与创新中心网络，与参与全球各种规模的制造公司合作。

GE Addivity的一部分是金属添加剂设计和制造业的世界领导者，这是一个开创性的过程，可以真正改变业务。Constellium的高级合金和工程解决方案是高增值铝产品和解决方案开发和制造的全球领导者，支持一系列应用，例如饮料罐，汽车，飞机等。

波音公司是世界上最大的航空航天公司，是商业喷气机，国防，太空和安全系统的领先制造商，以及售后支持的服务提供商。

References

1. “ Alchemite™深度学习 - 解决现实世界数据的复杂问题”，Intellegens白皮书（2021）
2. 新闻稿：“机器学习使增材制造航空合金的轻便起作用”，谢菲尔德大学增材制造中心，2021年1月。
3. 沃德·S（Warde S.

此信息已从Intellegens Limited提供的材料中采购，审查和改编。亚博网站下载

有关此消息来源的更多信息，请访问Intellegens Limited。