尽管科学家和工程师不断创造可用于3D打印的具有特殊品质的新材料，但这可能是一项具有挑战性且成本高昂的任务。为了找到始终如一地为新材料提供最佳打印质量的最佳参数，专业操作员通常需要手动进行反复试验，有时需要进行数千次打印。打印速度和打印机沉积的材料量是其中的一些变量。现在，麻省理工学院的研究人员正在使用人工智能来简化这个过程。他们开发了一个ML系统，该系统使用计算机视觉来监控生产过程并实时修复处理错误。在使用模拟训练神经网络如何改变打印参数以减少错误后，他们将控制器放在真正的3D打印机上。这项工作避免了打印数千万或数亿个实际对象来教神经网络的过程。此外，它还可以让工程师更容易地将新材料融入他们的设计中，从而使他们能够创造出具有独特化学或电气特性的产品。如果设置或正在打印的材料发生意外更改，技术人员还可以更轻松地快速调整打印过程。由于涉及大量的试验和错误，为数字制造方法选择最佳参数可能是该过程中最昂贵的步骤之一。此外，一旦技术人员找到运行良好的组合，这些参数仅对于该特定情况是最优的。因为它缺乏有关该物质在各种环境、各种设备上的行为方式或新批次是否具有不同特性的信息。此外，使用ML系统也存在困难。研究人员必须首先对打印机上发生的事情进行实时测量。为此，他们开发了一种机器视觉设置，其中两个摄像头指向3D打印机的喷嘴。该技术在材料沉积时照亮材料，并根据穿过材料的光量确定材料的厚度。要训??练基于神经网络的控制器来理解这个制造过程，需要进行数百万次打印，这是一项数据密集型操作。他们的控制器使用一种称为强化学习的方法进行训练，该方法通过支付错误来教育模型。该模型需要选择能够在虚拟环境中生成特定对象的打印参数。当模型给出预测结果时，可以通过最小化打印结果与预期结果之间的方差来获得所选参数。在这种情况下，“错误”意味着模型分配了太多材料，填充了应该保持空白的空间，或者没有足够的材料，留下了需要填充的空间。然而，现实世界比模型更粗糙。在实践中，条件经常会因微小的波动或打印过程中的噪音而发生变化。研究人员使用这种方法来模拟噪声，从而产生了更准确的结果。测试控制器时，这种打印对象比他们检查的任何其他控制策略都更准确。它在打印填充材料时特别有效，这涉及打印物体的内部。研究人员的控制器改变了打印路径，使物体保持水平，而其他人则放置了大量材料，使打印的物体向上突出。即使在材料沉积之后，控制策略也可以了解它是如何分散的并调整参数。研究人员打算为其他制造过程创建控制，他们现在已经证明了这种方法在3D打印中的效率。他们还想研究如何改变策略以适应存在多个材料层或同时生产多种材料的情况。此外，他们的方法假设每种材料都具有恒定的粘度，但未来的版本可能会使用AI来实时检测和计算粘度。
