创新背景

近年来，研究人员不断开发可用于3D打印的具有独特性能的新材料，但要弄清楚如何使用这些材料可能是一个复杂且昂贵的过程。因为操作员通常要进行几百甚至上千次的打印，通过这种手动试错的方法，才能找到包括打印速度和打印机沉积的材料量等能够有效打印新材料的理想参数。

创新过程

2022年8月2日，麻省理工学院与奥地利科学技术研究所的研究人员共同发表了一项机器视觉系统，可以通过人工智能的监督来简化3D打印新材料的试错过程。他们开发了一种机器学习系统，该系统使用计算机视觉来观察制造过程，然后实时纠正材料处理方式的错误。
这项工作部分得到了FWF Lise-Meitner计划，欧洲研究委员会启动补助金和美国国家科学基金会的支持。

选择参数

确定数字化制造过程的理想参数可能是该过程中最昂贵的部分之一，技术人员往往需要经过大量的试错才能找到一个运行良好的组合。而使用机器学习系统来完成这项工作也充满了挑战，因为研究人员需要实时测量打印机上发生的事情。为此，在这项工作中，研究团队开发了一种机器视觉系统，使用两个针对3D打印机喷嘴的摄像头。该系统在材料沉积时向材料发出光照射，并根据通过的光线量计算材料的厚度。这个视觉系统就像一双眼睛，实时观察着打印过程。
然后，控制器对从视觉系统接收的图像进行处理，并根据它发现的错误，调整进纸速率和打印机的方向。

但是，训练基于神经网络的控制器来理解这种制造过程是数据密集型的，并且需要进行数百万次打印。因此，研究人员建造了一个模拟器。

成功模拟

研究人员利用强化学习的方法来训练控制器，在这个过程中，模型的任务是选择打印参数，以便在模拟环境中创建特定对象。模型通过试错来学习并获得奖励，当输出的结果接近预期时便会获得奖励。

在这种情况下，造成“错误”的原因可能是由于分配了过多或过少的材料。当执行了足够多的模拟打印后，模型通过不断更新控制策略以最大化奖励，从而变得越来越准确。

然而，现实世界比模拟更混乱。研究人员为了避免其他因素的干扰，创建了一个近似3D打印机噪音的数值模型。他们利用这个模型在模拟过程中添加了噪声，从而得到了更真实的结果。

研究人员发现，通过实现这个噪声模型，能够将纯粹在仿真中训练的控制策略转移到硬件上，而无需进行任何物理实验的训练，之后也不需要对实际设备进行任何微调。

经过对比测试发现，这个控制器能够比其他控制方式更准确地打印物体，它在填充打印（即打印物体内部）方面表现十分出色。其他一些控制器会由于沉积了太多的材料，导致打印的物体凸起，但这项研究开发出的新型控制器调整了打印路径，使物体表面保持水平。

他们的控制策略甚至可以了解材料在沉积后如何扩散，并相应地调整参数。

这种方式还能够设计控制策略，可以动态控制不同类型的材料。在制造过程中若想改变材料，只需加载新材料，控制器就会自动调整，不需要重新验证制造过程。

在这项工作中，研究的团队展示了这种技术对3D打印的有效性，希望利用这种技术为其他制造过程开发控制器。研究团队致力于寻找能够应对多层材料或同时打印多个材料的方法。此外，他们的方法假设每种材料都有固定的粘度，但未来的迭代可以使用AI来实时识别和调整粘度。

创新关键点

研究团队开发了一个机器视觉系统，利用两个针对3D打印机喷嘴的摄像头来实时监督打印机的制造过程。该系统在材料沉积时将光照射到材料上，并根据光穿过的量计算材料的厚度，然后利用控制器将从视觉系统接收的图像进行处理，从而实时纠正材料处理方式的错误。

创新价值

这项工作避免了打印数千或数百万个真实对象来训练神经网络的昂贵过程。它可以使工程师更容易地将新材料整合到他们的印刷品中，帮助他们开发具有特殊电气或化学特性的物体。它还可以帮助技术人员在材料或环境条件意外变化时对打印过程进行调整。