Multi-scale closed-loop melt pool control for LPBF via policy optimization

想象一个工厂，那里的机器人不是通过从金属块中切割来制造复杂的金属物体，而是通过高能激光一层又一层地“涂抹”微小的粉末。这个过程被称为激光粉末床熔融（LPBF），它是 3D 打印的高科技版本，只不过它使用的不是塑料，而是熔融钢或钛。神奇之处在于，激光束会熔化一小点粉末，并将其与下一层融合在一起。如果激光太弱，金属就无法粘合在一起（一种被称为“缺乏融合”的缺陷）；如果激光太强，则会使金属沸腾，产生微小的气泡甚至导致零件开裂（一种称为“小孔效应”的缺陷）。

问题在于，这个过程极其敏感。随着机器人的打印，金属会变得越来越热，就像一个永远不会冷却的炉灶上的平底锅。如果机器人不能立即调整热量，零件就会变形、开裂或变成一团无用的废料。传统上，工程师必须手动调节机器人的设置，猜测功率与速度之间的平衡点。这是一种缓慢且昂贵的试错游戏，对于复杂的形状尤其如此。这篇论文通过教机器人如何“感知”热量并实时自我调整，解决了这个令人头疼的问题，它使用了一个聪明的双部分控制系统，能够从错误中学习并适应混乱。

熔化金属的双脑方案

苏黎世联邦理工学院（ETH Zürich）和 inspire AG 的研究人员开发了一种巧妙的新方法来控制这种熔化过程，就像为 3D 打印机配备了一个“双脑”系统。该系统不仅仅是对发生的现象做出反应，而是拥有两个协同工作的不同“大脑”：一个负责快速思考（层内控制），另一个负责战略思考（层间控制）。

快脑：即时反应
想象你正在一条颠簸的路上开车。你的反射神经就是你的“快脑”。当你遇到坑洼时，你会立即转向或刹车以保持车辆稳定。在打印机中，这就是层内控制器。当激光扫描单层粉末时，一个高速传感器（热电偶/高温计）每秒测量数千次温度。如果金属过热，该控制器会立即降低激光功率；如果过冷，则会调高功率。

然而，调整这些反射动作非常困难。如果设置得过于灵敏，激光可能会剧烈抖动；如果反应太慢，零件就会烧焦。作者使用了一种称为策略优化（一种人工智能训练方法）的方法来寻找完美的“反射动作”。他们并没有靠猜测，而是在计算机中运行了数千次模拟，加入随机误差和噪声，以观察哪种方案效果最好。他们找到了一套规则，使打印机即使在现实世界与计算机模型不完全匹配时也能保持稳定。

战略脑：从过去的层级中学习
现在，想象你在驾驶同一辆车，但你还拥有一张前方的道路地图。你知道前面有一个陡坡，所以你在到达之前就提前减速。这就是层间控制器。在 3D 打印中，一旦一层完成，机器人会等待新的粉末层铺开。这段停顿给了“战略脑”思考的时间。它会观察上一层的情况：它变热了吗？金属膨胀了吗？然后，它会计算出下一层的全新“计划”，通过调整基准激光功率来补偿积累的热量。

这部分系统使用了名为**迭代学习控制（ILC）**的技术。这就像一名学生参加考试，拿到成绩，然后通过研究错误来为下次考试做得更好。通过将这种长期规划与第一个大脑的快速反射相结合，该系统创建了一个极其稳健的“闭环”。

研究发现：更平滑的熔融与更少的错误

团队通过两种方式测试了他们的想法：首先是在详细的计算机模拟中，其次是在实验室的真实金属 3D 打印机上。

在模拟中：
他们模拟了打印六层金属的“方螺旋”路径，这种路径极难处理，因为激光必须在拐角处停止并急转弯，导致热量堆积。他们将这个双脑系统与另外两种方法进行了对比测试：一种只有“快脑”（仅层内控制），另一种只有“战略脑”（仅层间控制）。
结果显而易见。单脑系统表现不佳。“快脑”单独存在时无法阻止多层之间的热量累积，而“战略脑”单独存在时则反应太慢，无法应对突然的温度激增。但这个双环控制器保持了温度的稳定，即使在模拟中引入了显著误差以模拟现实世界的混乱情况，它仍能将温度控制在目标温度上下约 20 开尔文的范围内。

在现实世界中：
转向物理机器时，由于实际打印机的硬件无法像计算机模拟那样快速更改设置，研究人员简化了他们的系统。他们将系统调整为使用带有固定“前馈”计划的标准“PI 控制器”（一种常见的工业控制器）。他们利用 AI 方法对这个简化版本进行了调优，但仅使用了来自一次不受控测试打印的数据。
当他们打印实际的金属楔形块（一种旨在产生极高热量的形状）时，结果令人印象深刻：

• 更高的精度： 与一种名为贝叶斯优化（BO）的最先进方法相比，他们的方法将平均跟踪误差（实际温度与目标温度的偏差）降低了 3.4%。
• 更少的危险峰值： 最重要的是，他们将平均“输入约束违规”减少了 47.5%。这意味着激光功率更接近安全区域。在 BO 方法中，激光功率经常跳得过高（面临小孔效应风险）或过低（面临缺乏融合风险）。而他们的控制器让激光长时间处于“金发姑娘区”（即恰到好处的状态）。
• 更光滑的表面： 当他们在显微镜下观察打印出的金属时，发现了一些有趣的现象。不受控的打印和 BO 打印都显示出“矢量头部膨胀”——即在每一条激光线的起始处，金属会堆积形成一个凸起。而他们的控制器几乎消除了这种膨胀，使得打印出的零件看起来更接近原始的数字设计。

一个意外的发现：“抖动”的力量

他们最有趣且意想不到的发现之一，来自于测试一个不对激光功率的快速变化进行惩罚的控制器版本。这导致激光以 2 到 4 kHz 的极高频率发生振荡（抖动）。

通常，工程师会试图保持激光功率平滑且稳定。但在这里，这种“抖动”的激光甚至比平滑版本更能减少起始处的膨胀。作者认为，这些快速的波动可能干扰了熔融金属的流体动力学，防止了金属在扫描开始时堆积。虽然他们目前还不完全理解背后的物理机制，但这打开了一扇新门：也许一点受控的“混沌”正是熔融金属池保持平静所需要的。

总结

这篇论文证明了，你不需要海量的现实世界数据来教会金属打印机如何表现。通过使用智能模拟来训练控制器，然后将知识转移到真实的机器上，研究人员取得了媲美甚至超越现有最佳方法的结果。他们证明了，将快速反应的反射动作与慢速思考的战略相结合，可以创造出一个不仅精确而且能够应对熔融金属多变且不可预测性质的系统。

虽然“抖动”激光效应仍是一个有待解决的谜团，但核心结论是明确的：控制热量的双脑方法可以使 3D 打印的金属零件更坚固、更精确，且更不容易失效。这是迈向“不仅能遵循指令，而且真正理解所构建材料物理特性”的打印机的一大步。