Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

想象一下这样一个工厂车间：巨大的金属零件并非从实心块中切削而成，而是由一股熔融金属层层堆叠而成。这就是定向能量沉积（directed energy deposition），一种用于制造从喷气发动机部件到医疗植入物在内的各种高科技制造方法。它功能强大且灵活，能够修复昂贵的机械，或打印出通过其他方式无法制造的复杂形状。然而，这个过程的控制极其困难。金属被激光或电弧等强热源熔化，产生一个微小的、灼热的液态池，并在瞬间冷却并凝固。由于这一过程发生得极快且涉及极端高温，过程极不稳定。它很容易产生隐藏的裂纹、孔洞或薄弱点，从而毁掉最终的零件。传统上，解决这些问题意味着一个缓慢且昂贵的试错循环：设定机器、制造零件、切开进行检查、发现缺陷、更改设置，然后再次尝试。

为了打破这一循环，研究人员正转向两种强大的工具：机器学习和数字孪生。机器学习是一种能够从海量数据中学习识别模式的计算机智能，就像人类通过观察成千上千个案例来学会识别缺陷一样。数字孪生是物理机器及其正在制造的零件的虚拟副本。它不仅仅是一个静态的3D模型；它是一个“活”的模拟系统，能够接收来自监控实际机器的传感器的实时数据，从而实现对物理世界的同步镜像。当这两种技术结合在一起时，它们有望将制造业从一种“反应式”过程（即在缺陷发生后才发现）转变为“主动式”过程（即在金属冷却之前就预测并纠正问题）。

德克萨斯大学里奥格兰德河谷分校的一组研究人员最近致力于绘制这项技术的现状图谱。他们对2016年至2026年间发表的130项科学研究进行了系统性回顾，分析了机器学习和数字孪生目前是如何应用于定向能量沉积的。他们的研究成果发表在一次系统性文献综述中，揭示了一个正在飞速发展但仍处于重大转型边缘的领域。研究人员发现，虽然科学家们已经非常擅长使用摄像头和传感器来观察过程并预测何时可能出错，但他们尚未完全掌握如何自动修复这些问题的能力。

该综述强调，目前研究最多的材料是特定类型的钢材和镍基超合金，这些材料对于航空航天和能源工业至关重要。最常用的制造方法是电弧增材制造（使用电弧熔化金属丝）和激光沉积（使用高功率激光熔化金属粉末）。在这些研究中，主要焦点在于对过程进行“观察”。研究人员为机器配备了高速摄像机和热传感器，以捕捉熔池的图像。然后，他们将这些视觉数据输入机器学习模型，通常使用复杂的神经网络，这些网络充当着“数字眼睛”的角色。这些模型在识别缺陷方面取得了显著成功。一些研究报告称，这些系统检测裂纹或孔洞的准确率超过了99%，或者能高精度地预测金属熔滴的形状。

然而，作者指出，在“看到问题”与“解决问题”之间存在着关键的鸿沟。目前审查的大多数数字孪生系统更像是一个“数字影子”。在这种设置下，数据是单向流动的：从物理机器流向虚拟模型。虚拟模型可以告诉操作员：“看，一个缺陷正在形成”或“温度太高了”，但它很少能自主采取行动。虚拟预测与物理机器之间的连接往往是断开的。系统通常不会自动调整激光功率或机器人手臂的速度来纠正错误，而是会停止运行并等待人工干预。研究人员指出，虽然少数先进的研究展示了“闭环控制”（即系统自动调整过程以修复错误），但这些属于例外，而非普遍现象。

该综述还指出了阻碍这些技术在工业界广泛应用的重大障碍。一个主要问题是数据的匮乏。训练机器学习模型需要成千上万个既有合格零件又有缺陷零件的样本。在定向能量沉积中，创造这些样本既昂贵又耗时。这通常需要破坏成品进行内部缺陷检查，这意味着研究人员无法轻易收集到教导计算机所需的庞大数据集。为了应对这一问题，一些研究人员使用了诸如“迁移学习”（将针对一种金属训练的模型适配到另一种金属上）的技术，或者利用基于物理的模拟来生成虚拟数据。然而，作者警告说，这些方法并不完美。在一个机器或一种材料上训练的模型，在面对不同的设置时往往难以奏效，这限制了其在多样化工厂环境中的实用性。

此外，研究人员发现，目前的数字孪生系统过于简单，无法处理现实世界制造中的复杂性。一个真正的数字孪生应该能够与物理机器进行双向通信，根据新数据不断更新自身的理解，并利用这些知识来指导机器的行为。目前，许多系统是碎片化的。它们可能非常擅长监测温度或预测几何形状，但缺乏将所有这些信息整合进单一、自主决策过程的能力。该综述建议，若要使这些技术发挥全部潜力，该领域需要超越孤立的实验。未来的研究必须致力于开发标准化的系统，使其能够同时处理来自多个传感器的数据，实现无延迟的实时操作，并且最重要的是，闭合从“预测”到“行动”的环路。

作者总结道，虽然基础已经奠定，但房屋尚未建成。预测缺陷的能力已经成熟，但自主纠正缺陷的能力仍然不完整。行业的下一步是开发稳健的闭环系统，让机器不仅是在“观察”自己，而且是在“驾驶”自己的航向。这不仅需要更好的算法，还需要将物理定律更深层次地融入计算机模型，并致力于在不同机器和材料之间共享数据。在此之前，定向能量沉积将作为一项充满前景的技术，受限于如何跨越“观察过程”与“真正控制过程”之间的鸿沟。