FDM3D打印會自己看自己改：哈工大實時缺陷控制方法

AM易道科研分享

AM易道最近讀到哈工大團隊在國慶節發在《Additive Manufacturing》上的一篇論文，講的是給FDM打印機裝上眼睛和大腦，讓它能自己發現打印缺陷并實時調整參數。

論文開篇就用一張系統架構圖（Fig. 1）把整個思路講清楚了：

左邊是帶攝像頭的打印機實時監控擠出過程，中間是視覺模型做缺陷檢測和流量預測，右邊是控制器根據檢測結果調整參數。

這個方向其實很多團隊都在做，但這篇文章特別之處在于，我們認為它用控制理論的數學分析把為什么現有方案會失敗講得很透，然后給出了一套真正能用的解決辦法。

AM易道對于該文章的許多理解和表達已脫離原文章的原始技術表述，有大量原創主觀的解讀創作成分，如需要了解更多原始硬核技術內容，請自行閱讀原文。

56萬張圖像怎么來的

要訓練一個靠譜的視覺檢測模型，首先得有足夠多的標注數據。

團隊開發了一套自動標注系統，Fig. 2展示了整個流程。

他們在打印頭風扇下面裝了個直徑不到4毫米的小攝像頭，鏡頭正對著噴嘴擠出區域。

打印過程中每隔300秒自動調一次流量參數（50%到150%之間，每次變5%），同時以每秒5幀的速度采集圖像。

因為知道每個時刻的流量設定值，圖像就自動打上標簽了。

為了讓模型有泛化能力，他們換著花樣打印：

從網上下載各種開源模型，用不同的填充圖案、不同的填充方向和密度來切片，換紅黃藍三種顏色的耗材，還換了兩種型號的噴嘴。

最后收集了100多萬張圖像，篩選后留下56萬多張。

Fig. 2d的柱狀圖顯示了這些圖像在不同流量范圍的分布，基本覆蓋了從嚴重欠擠出到嚴重過擠出的各種情況。

模型選擇上，他們對比了8種網絡架構，Fig. 3d的散點圖很直觀地展示了參數量和性能的關系。

MobileNetV3-Small只有254萬個參數，是ResNet-18的五分之一，但在外部驗證集上的R2反而更高，達到0.9638。

模型訓練其實挺順利。

選的MobileNetV3-Small是個輕量級網絡，參數量只有ResNet-18的五分之一，但效果反而更好。

訓練30輪之后損失就不再下降了，說明模型學到東西了。

關鍵是這個模型在沒見過的新數據上表現怎么樣。

團隊專門打印了一批零件來測試，把模型預測的流量和實際設定的流量畫成散點圖，發現絕大多數點都落在理想直線附近。

預測誤差的平均值接近零，波動范圍也很小，說明模型既準確又穩定，不會出現系統性偏差。

簡單說就是：這個視覺模型看一眼打印過程，就能準確判斷當前流量是多少，準確率在95%左右。這為后面的實時控制打下了基礎。

為什么比例控制會失效

現在很多研究宣稱做了閉環控制，實際上要么是檢測到問題后暫停打印手動調整，要么就是用最簡單的比例控制，結果系統來回震蕩根本穩定不下來。

團隊做了個對比實驗，用常規的統計濾波加比例控制去應對流量突然降低的情況，結果打印機花了將近200秒才勉強恢復穩定。

問題出在哪？

Fig. 4a把整個閉環系統拆成兩部分：左邊Part I是擠出系統加視覺檢測，右邊Part II是數據濾波和控制器。

他們從控制理論角度建了個數學模型，通過階躍響應測試（Fig. 4c）發現，FDM的擠出過程可以用一階加純滯后模型來描述。

這里有兩個關鍵發現。一個是系統響應速度會隨打印路徑變化，Fig. 4b畫了兩種路徑：

縱向打印（耗材擠出方向跟移動方向平行）和橫向打印（耗材擠出方向跟移動方向垂直）。

Fig. 4c的曲線對比顯示，顯然，A路徑（縱向）響應明顯比B路徑（橫向）快。

另一個是時間延遲。

從修改G代碼指令到真正看到擠出效果的變化，中間有大約5秒延遲。

再加上常用的統計濾波方法會再引入至少1個控制周期的延遲，整個系統就變得特別難控制。

Fig. 4d的實驗結果很說明問題：給系統加一個正弦波擾動，用統計濾波加比例控制，系統輸出始終跟不上，一直在延遲和振蕩。

團隊推導了系統的特征方程，用數學證明了在這種延遲條件下，簡單的比例控制最多只能讓系統處于臨界穩定狀態，也就是會一直振蕩。

如果延遲再大一點，系統就會完全不穩定，越調越偏。

模糊控制怎么解決問題

解決方案的核心是重新設計數據處理和控制器。

Fig. 5a展示了整個控制框架：

從圖像采集到缺陷檢測，再到模糊推理輸出控制量，最后執行參數調整，形成完整閉環。

數據處理方面，他們改用指數平滑濾波。

Fig. 6a和6b對比了兩種處理方式。傳統的統計濾波是設個閾值，超過就扔掉。

聽起來合理，但問題是打印機剛開始響應調整時，數據變化最劇烈，恰恰會被判定為異常扔掉。

結果就是系統看到的都是幾秒前的舊數據。

他們改用指數平滑，簡單說就是最新的數據權重最大，越往前權重越小。而且只看最近2秒的數據來判斷要不要調整，這樣響應就快多了。

效果立竿見影。

比例控制（Fig. 6c）花了近200秒才收斂，打印件上留下了很長一段質量不好的區域。

模糊控制（Fig. 6d）只用了20秒左右就把流量拉回到正常范圍，打印件上的缺陷區域明顯短很多。

如何適配到新設備新任務

深度學習模型有個通病：在一個設備上訓練的模型，換到另一個設備或者檢測不同類型的缺陷時，往往要重新收集大量標注數據。

論文的第三部分就是解決這個問題。

Fig. 7a展示了應用場景：一個六軸機械臂的FDM系統，用來打印圓柱形零件。

再重申下這個深度學習的麻煩：在桌面FDM上訓練的，換到機械臂FDM上就不靈了。

Fig. 7d的顏色分布對比很直觀，兩套設備拍出來的圖像顏色差異明顯，模型直接搬過去肯定不行。

傳統做法是重新拍幾萬張圖手工標注，太費勁。

團隊的思路是讓AI自己給圖像分類。具體怎么做？

Fig. 7f和7g畫出了流程：把機械臂系統拍的17000張無標簽圖像輸入預訓練模型，模型會把相似的圖像歸為一堆，每一堆就算一個類別。

比如所有拉絲缺陷的圖像會被歸到一起，擠出不足的圖像會被歸到另一堆。

有了這些標簽，就可以微調模型了。

但怎么微調效果最好？Fig. 7h展示了四種方案：從只訓練最后一層到把整個網絡全練一遍。

全練一遍精度最高（93.2%），但耗時也最長；

只練最后一層最快但精度低（63.6%）；

折中方案是練深層加分類器，精度89.4%，耗時只有全練的一半。

89.4%這個數字意味著什么？

想想看，只有17000張無標簽圖像，還是從流量檢測跨到缺陷分類，完全不同的任務，居然能達到接近90%的準確率。

關鍵是整個過程不需要人工標注一張圖，收集好數據跑個腳本就行。

如果你有十臺不同廠家的打印機，或者要檢測十種不同的缺陷，用這套方法復制起來就很快。

怎么實際應用

雖然論文比較學術，但我們認為從實驗部分可以提煉出一些落地經驗。

硬件上，需要在打印頭附近裝一個小型攝像頭，參考Fig. 2b的安裝方式，視野覆蓋噴嘴擠出區域。

攝像頭要跟打印頭保持相對固定，避免震動導致視野變化。

分辨率不需要太高，1280×720就夠用，但采集頻率至少要5幀每秒。

軟件上，如果要檢測流量相關的缺陷，可以按照Fig. 2的流程收集自動標注數據訓練模型。

模型結構可以參考Fig. 3a的MobileNetV3-Small架構。

控制系統的關鍵參數包括：

控制周期設為5秒，用最近2秒的檢測數據計算誤差，模糊控制器的函數可以參考Fig. 5b的配置，抗延遲閾值設為0.2赫茲（也就是5秒）。

如果要適配到新設備或檢測新類型缺陷，可以走Fig. 7的遷移學習路線：

收集無標簽數據，用預訓練模型提取特征做聚類偽標注，然后按照策略2（Fig. 7h）微調模型。

實際部署時建議先做Fig. 6那樣的應力測試，確認系統能在20秒左右就能把干擾抑制下來。

AM易道讀完最大的感受是：終于有人把FDM閉環控制為什么這么難這個問題說清楚了。

很多團隊做AI檢測，結果系統要么不響應，要么振蕩個沒完。

為什么？因為他們把FDM當成了一個靜態系統，但實際上本文講清楚了這是個有延遲、會變化、還不太線性的動態過程。

對于想做AI實時監控和控制企業來說，我們認為這篇論文提供的價值是：

知道為什么會失敗，知道怎么避開這些坑，知道如何適配到自己的設備。

關注AM易道，讀懂3D打印的變化之道。

尋找AM易道編輯，5年以上3D打印行業經驗，不限專業領域。期待與有深度思考能力、文字能力和創作興趣的小伙伴合作，共同打造優質內容。有意者請加yihanzhong詳聊。

企業合伙人計劃：

讀者提示：添加amyidao加入讀者交流群（備注加群），獲取原始信源鏈接或不便發表內容，并與AM易道同頻讀者共同探討3D打印的一切，AM易道建議也讀者星標公眾號，以便第一時間收到AM易道更新。

免責聲明：AM易道圖片視頻來自于網絡，僅作為輔助閱讀之用途，無商業目的。版權歸原作者所有，如有任何侵權行為，請權利人及時聯系，我們將在第一時間刪除。本文圖片版權歸版權方所有，AM易道水印為自動添加，輔助閱讀，不代表對該圖片擁有版權，如需使用圖片，請自行咨詢版權相關方。AM易道文章不構成任何投資建議，AM易道不對因使用本文信息而導致的任何直接或間接損失承擔責任。