基于数字孪生与实时数据驱动的3D打印工艺自适应优化研究

摘要：基于制造业数字化转型升级与高精度制造的需求快速增长背景下，传统3D打印技术由于受到物理过程复杂性、多目标协同困难等问题的制约，存在精度低、速度慢的问题，为了满足以上不足，在数字孪生以及实时数据驱动的思想下，提出一种集成数字孪生及实时数据驱动的3D打印工艺自适应优化方法，使用生成式AI增强建模方法，基于Transformer网络建立多尺度物理场耦合模型并用于时序缺陷诊断；采用虚拟—物理闭环验证机制。提升了产品制造的效率25%、材料利用率达20%以上。为3D打印工艺优化提供了一种新思路。

关键词：数字孪生；实时数据驱动；3D 打印；自适应优化

一、引言

（一）研究背景

制造业智能制造转变，实现了任意复杂结构成型为显著特征的3D打印技术，已经成为目前世界上发展最快的高端制造核心技术之一。金属粉末激光增材制造加工过程中由激光或电子束能量输入引起的熔池瞬态变化极其复杂，其中激光功率的波动将导致熔池温度发生剧烈变化，激光的扫描速度不同会使得熔池的形态和固化过程发生变化，从而造成成型件尺寸产生偏差。除此之外，由于材料在快速加热或冷却的过程中，会产生不同的热应力，进而引起零部件产生裂纹、变形等问题，也严重影响了3D打印在高精度制造方面的发展。

（二）研究现状与问题

目前数字孪生技术在3D打印的应用大多集中在单个物理场模拟上，如：基于热力学模型的数字孪生只能解析热场的分布，不能完全反映热—力、热—流等多物理场耦合作用下的打印过程，因此对打印缺陷的预测精确度不足70%；且现有的实时控制系统从传感器采样至执行器调控的动作延时基本都大于5ms。

二、相关研究

（一）数字孪生建模技术

传统上，在使用数字孪生建模时使用了有限元分析（FEA）及计算流体力学（CFD），使用FEA可将打印结构离散成网格状单元来模拟其力学性能及温度场分布情况，在面对复杂边界条件时计算时间会长达几个小时；而使用CFD模拟熔池内流体流动的状况时因为简化了湍流模型，会使得预测的熔池形态与实际情况相差15%-20%。2024 年，斯坦福大学研究团队通过部署 8个高分辨率相机，以 120fps 帧率采集打印过程图像，利用 NeRF 算法重建出精度达0.01mm 的物体表面形貌，为数字孪生模型提供了高精度几何数据。扩散模型在缺陷预测方面表现卓越，MIT 团队基于10万组多材料打印数据训练扩散模型，在预测复杂结构缺陷时，准确率提升至 88%。

（二）实时监测与数据处理能够采集并检测熔池表面热变化到0.1℃的超分辨率热成像（1000 Hz）技术可以提供有关热传导的数据；利用声发射信号监测材料内部应力波动的情况，可以对微裂纹萌生发出早期预警；基于在线Transformer时序建模的数据处理方式对数据量具有一定的处理效果，而且可同时分析来自100个传感器的时序数据，相比之下相比于LSTM算法减少了异常检测的响应时间，大约缩短了6倍左右。

（三）自适应优化算法PID控制用于3D打印机的温度控制，但它的PID参数由人来调节很难与复杂的工艺环境相适应。运用遗传算法对打印参数进行模拟自然选择的过程，虽能优化打印参数，但单目标优化要迭代约500次后才会收敛。运用量子退火加速拓扑优化技术，可以实现量子比特叠加态下的多目标计算。

三、研究方法

（一）数字孪生-AI 融合建模框架建立

分子动力学（MD）-介观-宏观耦合的多尺度模型，在MD尺度上利用LAMMPS软件开展原子间的相互作用计算，阐述了材料在高温下晶体结构的变化情况；在介观尺度使用相场模型描述晶粒长大以及发生相变的过程；在宏观尺度采用有限元方法对零件的整体力学性能进行研究。三者利用数据传递的方法完成了跨尺度的耦合，有效地实现了由微观到宏观的材料性能的预测。利用Stable Diffusion生成虚拟传感器数据。

（二）超高速实时反馈控制建立基于5G+边缘计算的超高速实时反馈控制系统：以10kHz频率采集传感器数据，将传感器采集的数据通过5G网络传送到边缘服务器上，在NVIDIA Jetson AGX Orin平台上对数据进行毫秒级处理；在该控制系统的数字孪生模型的基础上应用优化算法，将激光功率、扫描速度等12个重要参数不断调整到最合适的数值范围中去，并且使得整个系统在运行的过程中不超过1ms的时间就能够产生变化。

（三）通过量子门运算得到初始解空间，并用量子态叠加的办法找到更多的解，引入自适应权重调整策略：打印初期以效率为主，将权值设置为0.7；成型后精度优先，将权值设置为0.8；用这种方法可以解决精度、效率、材料利用率3个目标同时优化的问题，相比于传统的多目标粒子群算法，该算法在求解精度、效率和材料利用率3个目标优化的过程中，寻优时间缩短了60%，帕累托前沿解集的质量提高了35%。

四、实验验证

（一）实验设计：针对不锈钢开展激光选区熔化（SLM）打印实验，设计了3组对比实验：对照组使用传统PID控制和离线优化参数；实验组1使用改进的遗传算法优化；实验组2采用本文提出的数字孪生—实时数据驱动优化方法。实验设备为EOS M290打印机，将打印层厚设置为0.03 mm、激光功率设置为200 W等基础参数，用三坐标测量仪测得尺寸精度值，并使用称重法得到材料利用率。

（二）实验结果：实验组2的打印精度达到±0.05 mm，提高了30％；比对照组多出25％的生产率，单件产品的打印时间由4.2 h缩减为3.15 h;提高了20％的材料利用率，由原来68％提升到了81.6％；利用扫描电镜分析了实验组2，证明了实验组2中零件内缺陷的数量相比对照组降低了40％，说明本文所提出的优化方案对于3D打印工艺有很好的优化效果。

五、讨论

（一）技术创新利用生成式AI优势补充传统物理模型，同时以物理模型为先验知识约束AI搜索可能解的范围。生成式AI可以产生1000个材料结构假设作为传统物理模型的初值；再用物理模型选择出符合物理规律的假设作为进一步优化的前提条件，有效假设由原来的30％上升到现在的75％。

（二）研究局限目前对于虚拟数据生成过程缺乏严格的伦理审查，所以当虚拟数据有偏差时，在生物医疗领域使用可能会影响植入物的设计。

六、结论与展望

该文建立了数字孪生和实时数据驱动的3D打印工艺自适应优化系统，实现全流程闭环控制，并大幅提升打印质量和打印稳定性和打印效率，为后续发展留下良好的基础，在今后发展过程中需要重点考虑数字孪生与区块链技术的结合，利用区块链的分布式账本及智能合约完成多方安全优化工作，同时要研发轻量级多物理场耦合算法，尽量降低算法运行计算量的需求，使3D打印技术可以更好地服务于各行业领域的发展。

参考文献

[1]张玉琳.钛合金支架的内部结构设计及增材制造数字孪生研究[D]. 吉林大学，2024.

[2] 陶飞. 数字孪生五维模型及十大领域应用 [J]. 计算机集成制造系统， 2019，25（第 1）： 1.

本论文为中国成人教育协会2024 年度一般课题《智能数字化赋能3D打印与增材制造技术的研究 》课题（2024-SJYB086S ）成果