科学家和工程师经常通过手动反复试验，寻找最佳参数，以便稳定有效地3D打印新材料。
但研究人员如今通过训练机器学习模型来监测和调整3D打印流程、实时纠正错误，从而简化了这一过程。
该系统有望帮助工程师轻松将新型材料用于打印，也能让技术人员在材料或环境条件意外变化时调整打印流程。
科学家和工程师不断开发具有独特性能、可用于3D打印的新材料，但要弄清楚如何 使用这些材料进行打印，可能会成为复杂且成本高昂的难题。
通常，专家操作员必须手动反复试验——可能要进行数千次打印——才能确定理想参数，以稳定有效地打印新材料。这些参数包括打印速度，以及打印机沉积材料的用量。
麻省理工学院的研究人员如今利用人工智能简化了这一流程。他们开发了一套机器学习系统，利用计算机视觉监控制造过程，并实时纠正材料处理方式中的错误。
他们利用模拟训练神经网络，使其学会如何调整打印参数以尽量减少误差，随后将该控制器应用于一台真实的3D打印机。他们的系统打印物体的精度高于所有与之比较的其他3D打印控制器。
这项研究避免了通过打印数千乃至数百万个真实物体来训练神经网络这一成本高得令人难以承受的做法。它还有望让工程师更轻松地将新型材料用于打印，帮助他们开发具有特殊电学或化学性能的物体。如果材料或环境条件意外变化，该系统还可帮助技术人员即时调整打印流程。
“这个项目确实是首个展示如何构建制造系统、并利用机器学习学习复杂控制策略的案例。”论文资深作者、麻省理工学院电气工程与计算机科学教授沃伊切赫·马图西克（Wojciech Matusik）说。他领导着麻省理工学院计算机科学与人工智能实验室（CSAIL）下属的计算设计与制造组（CDFG）。“如果制造设备更加智能，就能实时适应工作场所不断变化的环境，从而提高系统的产出率或精度。你可以让机器发挥更大作用。”
该研究的共同主要作者包括这项研究的共同主要作者迈克·福希（Mike Foshey），他是CDFG的机械工程师和项目经理；以及米哈尔·皮奥瓦尔奇（Michal Piovarci），他是奥地利科学技术研究所的博士后。麻省理工学院的合著者还包括电气工程与计算机科学研究生徐杰（Jie Xu），以及CDFG前技术助理蒂莫西·埃尔普斯（Timothy Erps）。
选择参数
确定数字制造流程的理想参数，可能是流程中成本最高的环节之一，因为这需要大量反复试验。技术人员找到有效的参数组合后，这些参数也只适用于一种特定情形。对于材料在其他环境或不同设备上的表现，或新批次材料是否具有不同性能，她掌握的数据很少。
使用机器学习系统也面临诸多挑战。首先，研究人员需要实时测量打印机上发生的情况。
为此，他们开发了一套机器视觉系统，使用两台摄像机对准3D打印机的喷嘴。材料沉积时，系统会向材料照射光线，并根据透光量计算材料的厚度。
“你可以把视觉系统想象成一双眼睛，实时观察整个过程。”福希说。
随后，控制器会处理从视觉系统收到的图像，并根据发现的任何误差，调整进料速度和打印机的移动方向。
但要训练基于神经网络的控制器理解这一制造过程，需要大量数据，还得进行数百万次打印。因此，研究人员改为构建模拟器。
成功的模拟
为了训练控制器，他们采用了一种称为强化学习的方法，让模型通过带有奖励反馈的反复试验来学习。模型的任务是在模拟环境中选择打印参数，以制作特定物体。看到预期输出后，如果模型所选参数能缩小打印结果与预期结果之间的误差，它就会得到奖励。
在这里，“误差”指模型分配的材料过多，沉积到了本应留空的区域；或分配的材料不足，留下了本应填满的空隙。随着模型进行更多模拟打印，它会更新控制策略以最大化奖励，精度也不断提高。
然而，现实世界比模拟环境复杂得多。实际条件通常会因打印过程中的细微变化或噪声而改变。因此，研究人员创建了一个数值模型，用来近似模拟3D打印机产生的噪声。他们利用该模型在模拟中加入噪声，从而得到更贴近现实的结果。
“我们发现，有趣的是，通过引入这个噪声模型，我们能够把完全在模拟中训练出的控制策略迁移到硬件上，而无需进行任何物理实验训练。”福希说。“之后我们不需要在实际设备上做任何微调。”
测试结果显示，该控制器打印物体的精度高于他们评估过的任何其他控制方法。它在填充打印方面表现尤为出色，也就是打印物体内部的部分。一些其他控制器沉积的材料过多，导致打印物体隆起；而研究人员的控制器会调整打印路径，使物体保持平整。
他们的控制策略甚至能够学习材料沉积后的扩散方式，并据此调整参数。
“我们还能够设计控制策略，让它们即时适应不同类型的材料。因此，如果你在现场运行制造流程并想更换材料，就不必重新验证制造流程。只需装入新材料，控制器便会自动调整。”福希说。
如今，他们已经证明了这项技术用于3D打印的有效性，研究人员希望为其他制造流程开发控制器。他们还希望探索如何调整这一方法，以适用于存在多层材料或同时打印多种材料的情形。此外，他们的方法假设每种材料的黏度（“糖浆般的稠度”）固定不变；未来的版本则可以利用人工智能实时识别并适应黏度变化。
