据光粒网，于2024年02月28日报道，为了成功地3D打印金属零件，以满足许多行业要求的严格规格，必须优化工艺参数，包括打印速度、激光功率和沉积材料的层厚。

        但是，为了开发确保这些最佳结果的增材制造工艺图，研究人员不得不依赖传统方法，即使用异地材料表征来测试使用各种参数打印的零件的实验室实验。为了开发最佳工艺而测试如此多的参数组合可能既耗时又昂贵，特别是考虑到可用于增材制造的各种金属和合金。

       卡内基梅隆大学机械工程系的David Guirguis、Jack Beuth和Conrad Tucker开发了一种使用超高速原位成像和视觉变压器的系统，该系统不仅可以优化这些工艺参数，而且还具有可推广性，因此可以应用于各种金属合金。

        他们的研究成果发表在《自然通讯》杂志上。

        视觉转换器是机器学习的一种形式，它将最初为自然语言处理任务开发的神经网络架构应用于计算机视觉任务，例如图像分类。视频视觉转换器更进一步，使用视频序列而不是静止图像来捕获空间和时间关系，使模型能够学习视频数据中的复杂模式和依赖关系。

        自注意力机制允许自然语言处理模型权衡序列中不同单词的重要性，允许 Guirguis 创建的模型权衡输入序列不同部分的重要性，以预测缺陷的发生。

      “我们需要自动化这个过程，但仅靠计算机编程是无法完成的，”机械工程博士后Guirguis解释道。“为了捕捉这些模式，我们需要应用机器学习。

      “我们很高兴开发了一种人工智能方法，利用增材制造成像数据中的时间特征来检测不同类型的缺陷。证明使用不同AM金属的人工智能方法的可推广性是开创性的，并揭示了可以使用相同的经过训练的AI模型，而无需使用额外的数据进行昂贵的重新训练，“机械工程教授Tucker评论道。

        Guirguis说，他很幸运能在卡内基梅隆大学接受过如此强大的机器学习培训，因为机械工程师知道如何将实验和计算解决方案应用于他们解决的问题比以往任何时候都更加重要。

        在这种情况下，Guirguis试图克服激光粉末床熔融增材制造工艺原位成像的主要局限性。该技术使用高功率激光作为能量源，在特定位置熔化和熔化粉末以形成某些形状，然后重新涂布机铺开一层新的粉末，然后重复该过程，直到形成 3D 物体。

        但是，在打印过程中，相机看到的熔融金属是饱和的，因此无法看到其物理特征，这可以识别可能降低机械性能并降低打印零件疲劳寿命的缺陷。