ИИ и машинное обучение в аддитивных технологиях: что подтверждено, а что хайп

Искусственный интеллект и машинное обучение всё чаще упоминаются как технология, которая должна изменить аддитивное производство — от автоматической детекции дефектов до генеративного проектирования деталей. Разница между тем, что реально подтверждено рецензируемыми исследованиями и независимыми полевыми проверками, и тем, что остаётся маркетинговым обещанием, — заметна и поучительна. Ниже — обзор того, что на 2026 год работает в применении ML к селективному лазерному плавлению и смежным процессам, с указанием источников и честных границ применимости каждого результата.

Мониторинг процесса: самая проработанная область

Наиболее зрелое направление — in-situ мониторинг печати и детекция дефектов по данным датчиков в реальном времени. Здесь накоплен наибольший объём рецензируемых исследований с конкретными, проверяемыми результатами.

• Классификация качества плавления по изображениям слоя. CNN, обученная на 5110 размеченных послойных снимках (пере-плавление / несплавление / норма, 24 комбинации мощность/скорость лазера), классифицировала качество с точностью 98,14%, превзойдя SVM на вручную выделенных текстурных признаках (96,77%) — журнал Materials, MDPI, 2026. Ограничение: один станок, один материал, одна геометрия — перенос на другое оборудование не проверялся.
• Предсказание пористости по термографии. 1D CNN на данных коротковолновой ИК-термографии предсказывает keyhole-пористость в стали AISI 316L с точностью 0,96 и F1 = 0,86 — Journal of Intelligent Manufacturing, Springer. Модели требуется около 10 слоёв «разгона» до первого достоверного предсказания, точность падает на стохастических локальных отклонениях.
• Мультимодальные модели, верифицированные по синхротрону. Модели на данных фотодиода и акустической эмиссии предсказывали образование keyhole-пор в титановом сплаве Ti-6Al-4V с F1 до 0,95 и полнотой 1,0 — верифицировано синхротронной рентгеновской съёмкой на 20 000 кадров/с (Additive Manufacturing journal, Ливерморская национальная лаборатория и SLAC). Такая проверка ground truth требует синхротронного луча — недоступного на серийном производстве исследовательского инструмента.
• Слияние сенсоров не всегда помогает. Исследование объединения акустического и фотодиодного сенсоров (Progress in Additive Manufacturing, 2025) дало результат, идущий вразрез с распространённым допущением: слияние сенсоров не улучшило точность по сравнению с одним акустическим датчиком — «больше сенсоров = точнее» подтвердилось не всегда.

Что показала независимая проверка в поле

Лабораторная точность — это ещё не полевая надёжность. Самый показательный пример — независимая (не от производителя оборудования) оценка коммерческой системы мониторинга Renishaw InfiniAM Spectral, выполненная Датским техническим университетом (DTU) с проверкой по рентгеновской компьютерной томографии 1074 дефектов (Virtual and Physical Prototyping, 2023).

Positive predictive value — доля сигналов «дефект», которые подтвердились по факту. Для микропористости из каждых шести сигналов тревоги подтверждался в среднем один: остальные пять — ложные срабатывания. Разница объясняется известным в LPBF феноменом «заживления» дефектов: последующие проходы лазера частично переплавляют и заживляют поры, зафиксированные датчиком на предыдущем слое, — то есть сигнал мониторинга в моменте не гарантирует, что дефект останется в готовой детали. У более крупных дефектов нависания такого эффекта заживления нет, поэтому надёжность там принципиально выше.

Показательно и то, что подобная независимая полевая проверка по КТ — по-прежнему редкость: сопоставимых по строгости независимых исследований для других коммерческих систем мониторинга (EOSTATE, Sigma Labs PrintRite3D/Meltpool 3D, Additive Industries, DMG MORI) в открытых источниках не обнаружено. Это не значит, что они хуже — это значит, что заявленную производителем точность стоит проверять на конкретном оборудовании и материале, а не принимать на веру.

Оптимизация параметров процесса: от перебора к обучению

Подбор параметров процесса — мощности лазера, скорости сканирования, стратегии штриховки — традиционно делается перебором экспериментов. Ряд академических исследований показывает, что обучение с подкреплением (RL) и байесовская оптимизация могут заменить часть этого перебора — но пока почти исключительно в симуляции, а не на серийном оборудовании.

• Агент PPO, обученный на физической симуляции теплового поля (Университет Карнеги — Меллона), динамически меняет скорость сканирования лазера для стабилизации глубины ванны расплава: базовая линия с постоянной скоростью давала скачки глубины до 20 мкм на пересечениях штриховки (Additive Manufacturing journal, 2021).
• Отдельный DRL-фреймворк формирует адаптивные траектории сканирования (несколько вариантов пути на шаг, награда — минимизация локальной плотности энергии) как альтернативу обычному зигзагу и шахматной штриховке для термической однородности (Additive Manufacturing, 2024).
• Суррогатная модель на основе 3D U-Net, обученная на phase-field симуляциях, в сочетании с Deep Q-Network предложена для проектирования траектории сканирования, управляющей микроструктурой (например, формированием равноосных зёрен); суррогат даёт ускорение на 2-3 порядка по сравнению с прямой phase-field симуляцией — именно это делает RL-поиск траектории вычислительно осуществимым (препринт, 2025-2026).
• Байесовская оптимизация (группа NIMS, Япония) калибрует параметры формы источника тепла в тепловой симуляции для сплава Inconel 738LC: на двух ранее не встречавшихся условиях процесса ошибка получилась примерно вдвое ниже, чем при повторном использовании старых фиксированных параметров (Integrating Materials and Manufacturing Innovation, 2024). Оговорка: это подтверждено только для этих двух конкретных условий — обобщать на произвольный диапазон параметров без переобучения нельзя, и в самой публикации такого не заявлено.

Общая черта всех четырёх результатов — они получены и проверены в симуляции или в лабораторном масштабе, без валидации на серийном промышленном принтере. Это не преуменьшает ценность подхода, но означает, что путь от статьи до внедрения в производственную ячейку пока не пройден.

Генеративный дизайн: не просто топологическая оптимизация

Топологическая оптимизация методом SIMP — стандартный, зрелый инструмент, давно интегрированный в CAD/CAE для аддитивного производства. Отдельный вопрос — использование в дизайне именно моделей машинного обучения, а не классической оптимизации по критерию жёсткости.

• Условный автокодировщик (CVAE), обученный на 10 000 симулированных 3D-дизайнах моторамы БПЛА, оценённых по механике, термодинамике и аэродинамике; критерии печатаемости методом АТ (угол нависания, распределение тепла при печати) заложены в модель как полноценные критерии дизайна наравне с механическими и аэродинамическими, а не как проверка постфактум (препринт, представлено также на конференции WSCG, 2024).
• Отдельное исследование использует обучение с подкреплением (PPO с CNN-политикой, ограничения по методу конечных элементов в цикле награды) как альтернативу классическому SIMP для проектирования облегчённых конструкций под АТ (MethodsX, 2025).

Оба примера — небольшие академические прототипы (в частности, моторама беспилотника), а не подтверждённые кейсы аэрокосмических или энергетических деталей в производстве. Направление многообещающее, но пока на стадии исследовательских демонстраций, а не отраслевой практики.

Где данных пока недостаточно

У применения ИИ в аддитивных технологиях есть направления, где маркетинговых материалов заметно больше, чем независимо проверенных публикаций:

• Цифровые двойники процесса печати с ML-компонентом для предиктивного контроля качества активно продвигаются производителями оборудования и ПО — но для этого материала не нашлось рецензируемых публикаций с проверяемыми количественными результатами, подтверждающими предиктивную точность на независимых данных.
• Компьютерное зрение для контроля порошкового слоя (стрики от ракеля, недостаточное нанесение, посторонние частицы) — направление активно обсуждается в отрасли, но проверенных публикаций с конкретными цифрами точности для этого обзора не нашлось.
• Перенос обученных моделей между станками, материалами и геометриями (transfer learning) — в отрасли широко считается слабым местом, но ни одно из найденных исследований не тестировало это напрямую; это скорее общепринятое допущение, чем доказанный факт.

Вывод

На 2026 год машинное обучение в аддитивных технологиях металлов реально работает там, где задача узкая, данных достаточно, а условия испытаний строго контролируются: классификация дефектов по данным одного станка и одного материала, оптимизация параметров и траекторий в симуляции. Пример Renishaw InfiniAM Spectral — важное напоминание, что даже подтверждённая на бумаге точность может резко упасть в поле для одних типов дефектов и остаться высокой для других. Генеративный дизайн на основе подлинного ML и полноценные цифровые двойники процесса — многообещающие, но пока в основном исследовательские направления, а не отраслевая практика. Практический вывод один: результаты любой ML-системы в аддитивном производстве стоит проверять на своём материале и своём оборудовании, а не полагаться на общие цифры из презентаций.