使用增量学习集成迁移学习预测定向能沉积中的能耗

为什么更智能的3D打印能耗很重要

金属3D打印可以制造复杂的喷气发动机零件和医疗植入物，但它往往消耗大量电力。这种能量既有财务成本，也有气候成本。本文探讨了一种方法，教计算机在数据有限的情况下可靠地预测并最终减少某种金属3D打印工艺的能耗。对关注更绿色制造或更便宜高科技产品的人来说，这项工作指向了更智能、更高效的工厂。

金属零件如何用光构建

许多金属3D打印机通过将强烈的激光或电子束照射在金属粉末流或粉床上来工作。在这里研究的定向能量沉积（DED）过程中，粉末被吹入由激光产生的小熔池中，按层逐步构建零件。虽然这种方法比从坯料切削零件浪费更少原料，但仍然消耗大量能量，因为设备必须反复熔化和凝固金属。实际使用的能量取决于合金、激光功率、运动速度、粉末送入速率等多种因素。从这些参数预测能耗很困难，但对于控制成本和估算碳排放至关重要。

为何常规预测工具不足以应对

研究人员尝试使用基于物理的方程和传统机器学习来预测增材制造中的能耗。基于物理的模型难以捕捉所有复杂的现实影响，而标准机器学习通常需要大而详尽的数据集，这些数据不仅包含工艺参数，还包括传感器读数和图像。收集如此详细的数据既昂贵又耗时。更糟的是，在一种金属或一种机器设置上训练的模型在条件变化时常常失效。适用于一种镍基合金的模型可能不适用于钴铬合金，而为某一激光功率调优的模型在另一功率下可能表现不佳。

一种建立在现有知识之上的学习框架

作者将两种思路结合起来——迁移学习和增量学习——以应对这些限制。迁移学习让模型能够重用它在一种情形（例如用钴铬合金CoCrMo打印）中学到的关于能耗的知识，当应用到另一情形（例如用镍基合金IN718打印）时发挥作用。增量学习则允许模型随着新数据到来逐步更新，而无需从头重训。在他们的框架中，模型先在一种材料上分阶段训练，先使用较低激光功率下的样本，然后加入较高功率下的样本进行训练。训练好的模型随后在来自新材料或新功率水平的少量样本上进行轻量再训练，从而在不需要大量新数据的情况下适应新情况。

测试计算机识别模式的不同方法

为了检验该框架的效果，团队使用CoCrMo和IN718粉末打印了20个小测试件，同时测量每个时刻的电能消耗。他们只用了六个简单输入——时间步、激光功率、扫描速度、粉末送入速率、层号以及机器是否处于实际构建状态——来预测每一时刻的能耗。比较了四种模型：基于树的方法（XGBoost）、循环神经网络（LSTM）、时序卷积网络（TCN）和使用注意力机制的Transformer模型。在三项任务中——从CoCrMo到IN718、从IN718到CoCrMo，以及IN718中从较低到较高激光功率的切换——增量迁移学习方法在预测上持续比常规训练的模型更接近实际测量值。

哪种方法表现最佳

在四种模型中，时序卷积网络表现最为突出。在增量迁移学习框架下，它实现了约4.65%的平均误差，并解释了约92%的能耗变异，同时训练速度仍然相对较快。LSTM也表现良好，而Transformer和XGBoost在精度上稍逊一些，尽管XGBoost训练最快。改进后的模型尤其更擅长捕捉能耗中的突然下跌和峰值——即激光启动、停止或换层时的峰谷——而不是将这些变化平滑掉。

这对更清洁制造意味着什么

简而言之，这项研究表明，一种分层的智能学习策略可以让计算机准确预测金属3D打印机的功率消耗，即便工程师只有少量试验数据可供学习，且材料或工艺参数发生变化。这类预测是自动调整打印机以减少能耗同时保持零件质量的关键一步，也有助于在无需详尽测量的情况下估算排放。尽管实际工厂比本研究中的受控条件具有更多变数，但复用已学知识并逐步更新的做法为更具能耗意识、更加符合气候友好目标的制造提供了有前景的路径。

引用: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

关键词: 金属增材制造, 能耗预测, 迁移学习, 增量学习, 定向能量沉积