中国3D打印机网美国西北大学发布新成果：可推进激光DED过程控制的数字孪生框架
2025年10月8日，美国西北大学和凯斯西储大学的研究人员公布了一个数字孪生框架，旨在利用机器学习和贝叶斯优化技术来优化激光定向能量沉积 (DED)制造过程。数字孪生框架将用于预测热建模的贝叶斯长短期记忆(LSTM) 神经网络与用于工艺优化的新算法相结合，建立了迄今为止最完整的金属增材制造数字孪生实施方案之一。
这项题为《Towards a digital twin
framework inadditive manufacturing: Machine learning and bayesian
optimization for timeseries process
optimization/迈向增材制造中的数字孪生框架：机器学习和贝叶斯优化用于时间序列过程优化》的研究发表在《制造系统杂志》上。它致力于实现DED中的实时自适应控制。
DED是一种增材工艺，以其在功能梯度材料和修复应用方面的潜力而闻名，但常常受到热不稳定性以及部件间差异性的限制。
△论文提出的DED增材制造数字孪生框架示意图。图片来自《制造系统杂志》。
迈向增材制造真正的数字孪生
在金属增材制造中，DED系统将激光束照射到基板上，同时输送金属粉末或金属丝，逐层构建零件。虽然DED工艺可以实现近净成形制造和材料定制，但也会产生周期性热波动，导致微观结构不均匀性和机械各向异性。现有的反馈控制方法，例如PID或前馈控制器，虽然可以缓解一些热变化，但仍然受到单向信息流和无法预测未建模干扰的限制。西北大学的研究团队试图通过创建一个完全双向的数字孪生框架来克服这些挑战，可以在模拟和物理DED过程之间持续交换数据，从而实现动态的模型预测控制。
与仅反映流程行为的所谓“数字阴影”不同，数字孪生框架能够动态更新虚拟模型，并将优化后的流程参数发送回机器。作者认为，这种能力对于实现工业 4.0 愿景至关重要，即打造能够智能自我修正的信息物理制造系统。
△基于 LSTM 的神经网络架构，用于预测不同空间位置的温度。图片来自《制造系统杂志》。
不确定性量化的实时预测
数字孪生框架的核心是一个贝叶斯长短期记忆 (LSTM) 替代模型，经过训练模型可以预测激光沉积过程中零件的温度变化。新模型取代了计算成本高昂的有限元法 (FEM) 模拟，后者速度太慢，无法进行实时操作。
神经网络使用西北大学的增材快速成型仪 (ARPI) 生成的高保真热数据进行训练，模拟 Inconel 718 中的薄壁构造。每个数据集都改变激光功率、频率和扫描路径，以捕捉各种热行为。
通过将蒙特卡罗随机失活 (Dropout)
与变分贝叶斯推断相结合，新模型不仅可以估算预期温度，还可以估算置信区间，从而量化由材料变异性、测量噪声或模型简化引起的不确定性。此功能使数字孪生能够在不确定的情况下做出明智的调整，这是动态过程控制的一项重要特性。模型在独立数据集验证中，R²
得分达到
0.75，展现出强大的实时应用准确性。在活跃熔池附近（反馈数据可用）的预测最为精确，而在零件较深或热滞后区域，预测结果的准确性会降低。
据作者称，这种替代建模方法为未来物理 DED-DT 系统中的实时模型预测控制 (MPC) 奠定了基础。
时间序列控制的贝叶斯优化
为了补充预测模型，研究人员开发了时间序列过程优化的贝叶斯优化（BOTSPO），这是一种用于确定随时间变化的最佳激光功率分布的数据高效算法。由于时间序列数据的高维性，传统的DED参数优化计算成本高昂。BOTSPO通过将激光功率曲线表示为仅由十个可调参数（包括振幅、频率、相位、线性趋势、季节性及其变化率）定义的修正傅里叶级数，解决了这一难题。
△贝叶斯时间序列过程优化（BOTSPO）中的数据流框架。图片来自《制造系统杂志》。
高斯过程 (GP)
模型评估每个候选曲线对目标的影响，在本例中是热处理时间，即材料在 Inconel 718 合金 γ” 相沉淀硬化的关键温度范围 (654–857
°C) 内停留的时间。然后，优化器使用置信上限 (UCB) 获取函数来平衡探索和利用，并根据模型不确定性动态调整搜索。BOTSPO
应用于模拟的薄壁几何形状后，平均热处理时间从 30.3 秒提升至 38.2 秒，提升了
26%。早期迭代进行了广泛的探索，而后期迭代则优化了功率轨迹，使其达到最佳顺序：初始激光功率较高以促进均匀加热，然后随着散热量随着构建高度的增加而逐渐降低功率。
△不同 BOTSPO 迭代中的激光功率分布，目的是最大化热处理时间；第一个图是迭代 1 时的激光功率分布，第二个图是迭代25 时的激光功率分布，第三个图是迭代 50 时的激光功率分布。图片来自《制造系统杂志》。
结果虽然显示有提高增材部件机械性能潜力，但也揭示了在整个部件中实现热均匀性仍存在挑战，这是研究团队计划的多目标扩展的重点。
通过数字孪生连接模拟和控制
所提出的数字孪生架构将 BOTSPO 实现的离线优化与贝叶斯长短期记忆 (LSTM) 驱动的在线预测控制相连接。在实践中，优化后的激光功率分布可作为数字孪生实时控制器的参考轨迹，控制器可根据现场传感器反馈动态修改输入。
上述工作流程代表着迈向自主增材制造过程控制的重要一步，它将基于物理的模型、数据驱动的学习和动态决策结合在一个统一的系统中。据作者介绍，下一阶段的研究将集中于将数字孪生架构与物理DED系统集成，并开发用于校正制造过程中模拟漂移的连续模型更新。
迈向数据驱动的增材制造
通过将不确定性感知神经网络与自适应贝叶斯优化相结合，西北大学领导的研究团队展示了一条通往金属增材制造智能数字孪生的实用途径。这项研究凸显了增材制造研究的更广泛转变，即从静态过程监控转向能够自我优化的预测性、反馈式系统。
这项工作得到了美国国家科学基金会混合自主制造工程研究中心：从进化到革命（ERC-HAMMER）、美国国家科学基金会研究生奖学金以及西北大学预测科学与工程设计集群的支持。此外，全球数字孪生技术正在工业和人工智能研究领域迅速扩展。今年早些时候，SecondLife
获得了 1000
万美元的资金，用于开发基于人工智能的数字孪生功能，旨在提高制造流程的智能化程度。在海事领域，一个英国财团启动了全球首个数字化增材制造螺旋桨项目，展示了集成仿真和性能监控如何加速认证和设计验证。
与此同时，Meta发布了全球最大的3D模型数字孪生目录，以支持人工智能驱动的研究，凸显了增材制造、仿真和人工智能之间日益融合的趋势。西北大学牵头的这项研究将数字孪生原理转化为金属增材制造的实时闭环优化，进一步拓展了这些进展。
版权声明
本站部分文章来源于网络，如有侵权请联系删除！。
文章观点并不代表本站观点，请谨慎对待。
相关文章
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。