当金属3D打印被广泛认为是一种可靠的工业制造方法时，这一天正在慢慢地来临，但在真正来临之前我们还需要解决一些问题。大量的研究工作探讨了金属3D打印缺陷的根本原因，这可能导致最终3D打印部件中的飞溅和微裂纹等缺陷-当您处理航空部件等高风险应用时，这是不可接受的。
但卡内基梅隆大学工程学院（CMU）的两位研究人员已经想出了如何将3D打印和机器学习结合起来进行实时过程监控，这种做法可以检测出零件在3D打印过程中的异常情况。
CMU机械工程系（MechE）校友Luke Scime与NextManufacturing Center主管Jack Beuth合作创建了一种机器学习算法，该算法对激光粉末床融合技术进行过程监控，该技术很容易因粉末层散布不均而出错。
其他研究人员正在使用诸如声学技术、光谱学和温度监测等方法来了解构建的结构内部发生了什么。但是，虽然市场上有一些有限的监测类型，但它们通常不具备自动分析的能力，只能提供机器操作员必须解读的数据。但是Scime和Beuth的工作有不同的方向：计算机视觉算法。
Scime说：“制作一个看起来不错的部件并将其放在飞机上的最大障碍之一是确保你制造的部件没有缺陷。计算机视觉是使用数据分析技术来理解图像中发生的事情的术语。”
Scime的创新算法拍摄粉末床的图像并提取特征，然后将这些特征进行分组并在不同层次的分析中进行比较，直到创建图像的指纹。该机已经学会了如何识别不同的缺陷，因为研究人员提供了数百个预标记的训练图像。现在，它可以比较它接收到的新图像的指纹和它已知的指纹以隔离各种异常。
据悉，Scime和Beuth在“添加剂制造”杂志上发表了一篇论文，标题为“Anomaly detection and classification in a laser powder bed additive manufacturing process using a trained computer vision algorithm”，他们演示了算法如何能够检测粉末中的毫米级瑕疵。该算法可以确定缺陷是什么以及它发生在哪里，这可以帮助提高过程稳定性（打印能力）。
论文摘要写道：“这项工作提出了一种原位监测和分析粉末床图像的方法，可能成为LPBF机器中实时控制系统的一个组成部分。具体而言，使用计算机视觉算法来自动检测和分类在该过程的粉末扩散阶段发生的异常。使用无监督机器学习算法实施异常检测和分类，在适当大小的图像块的训练数据库上进行操作。通过几个案例研究进行演示，对最终算法的性能进行评估，并将其作为独立软件包的有用性。”
这项工作是使金属3D打印成为工业生产可靠、安全的方法。
Scime说：“圣杯是在实时环境中部署这个环境，你将自动分析数据，做一些事情，然后继续前进。真正的问题是，我们是否可以检测到它，了解这是一个问题，然后设计我们所称的处理参数，以便做一些不同于我们为了减少翘曲量而做的事情？”
Scime解释说，“自动纠正最终可能以几种不同的方式工作，其中最基本的是一旦发现异常情况，3D打印机向操作员发送警报，以便早日解决问题。然后，您将继续教授3D打印机，以识别关键缺陷并自动执行简单修复。”
然而，自动化自我修正的最高成就是抗击超高。造成大部分损坏的这种异常情况发生在部分构建开始扭曲或卷曲出粉末时。虽然在达到这种自动化水平之前可能还有一段时间，但CMU机器学习算法已经能够准确地识别出一些异常情况，并准备在现实世界中应用。但是，Scime希望研究如何将附加传感器数据添加到其分析中，并提高其准确性。
