西門子如何利用機器學習與 ElectroPuls® 預測 3D 列印零件的疲勞壽命
透過 Instron ElectroPuls® E10000 系統提供的真實疲勞數據，Siemens Digital Industries Software 開發出一種機器學習方法，可預測從未進行過物理測試的 3D 列印金屬組件之疲勞性能，從而縮短鑑定積層製造零件特性所需的時間並減少測試次數。
關於
西門子 (Siemens AG) 是一家德國跨國公司，專注於工業自動化、建築自動化、鐵路運輸和醫療技術。它是歐洲最大的工程公司，也是工業人工智慧、自動化和工業軟體領域的全球市場領導者。
地點
德國慕尼黑
網站
積層製造 (AM) 又稱為 3D 列印，是指一系列逐層構建三維零件的製造技術，僅使用構成最終組件的材料。積層製造製程不僅可以製造高度複雜且結構高效的零件，還能大幅減少與減法技術（如從較大體積的材料中進行機械加工）相關的廢料。
西門子採用了在 ElectroPuls® E10000 疲勞測試機上進行的測試活動數據，該機器已針對積層製造產品的疲勞測試進行了優化。這些數據被用於評估金屬合金積層製造相關的挑戰，並透過 Siemens Digital Industries Software 為其中一些挑戰提供解決方案。
為何預測 3D 列印零件的疲勞壽命如此困難
金屬組件的疲勞性能取決於材料微觀結構內的特徵和試片的幾何形狀。與任何製造技術一樣，透過積層製造生產的組件包含製程固有的特徵——殘餘應力、孔隙率或表面粗糙度的差異——且這些特徵的存在很大程度上取決於組件的局部幾何形狀，如圖 1 所示。這意味著組件幾何形狀與決定其疲勞性能的微觀結構特徵之間的關係變得高度複雜；在數學上模擬這些特徵之間的相互作用以及每個特徵的單獨影響，實際上變得不可能。
對於生產關鍵性能組件的製造商而言，研究疲勞特性通常意味著高度依賴原型測試以及廣泛且昂貴的測試活動。這是由於缺乏能夠根據每個組件局部發現的特徵排列和組合來預測動態性能差異的電腦輔助工程 (CAE) 工具。
表面粗糙度是局部特徵在 3D 列印組件中可能存在差異的明顯例子，因為零件是透過少量的材料懸垂層構建的，如圖 2 中不同的分佈所示。因此，製造商必須在盡可能多的方向上列印和測試零件，以確定哪種方向能產生最佳的疲勞特性。
測試每個構建方向或評估微觀結構特徵的每個組合是不可行的，更不用說負載條件、殘餘應力和後處理的影響了。儘管如此，對於要在安全關鍵場景中使用的 3D 列印零件，必須可靠地預測這些影響。
機器學習解決方案
透過機器學習，Siemens Digital Industries Software 可以評估從未進行過機械測試的 3D 列印組件之疲勞性能。該方法在 3D Systems 根據一組固定處理參數列印的試片上進行了評估，疲勞測試和分析由魯汶大學 (KU Leuven) 機械工程系的積層製造團隊使用 Instron® ElectroPuls® E10000 進行。
Instron 的 ElectroPuls® E10000 配備整合式 T 型槽工作台，針對積層製造產品的疲勞測試進行了優化。其全電動設計配合易於使用的 WaveMatrix3 軟體以及專利的基於剛度的調諧 (Stiffness Based Tuning) 等功能，結合成一個多功能、高效且佔地面積小的測試系統。與應變計、DIC 攝影機和許多其他感測器的簡單連接，讓使用者能夠記錄複雜測試組件表面的詳細應變分佈圖，從而比以往更快、更輕鬆地為測試活動產生詳細的數據集。
利用 ElectroPuls® 系統獲取的真實 S-N 數據，軟體隨後可以預測未經測試的條件組合之 S-N 曲線。
機器學習方法採用高斯過程回歸 (Gaussian Process Regression)——這種方法可以根據最少的輸入數據提供結果的機率分佈，比傳統的內插或外插方法更具優勢。
從測試數據到耐用性預測
將機器學習整合到 Siemens Simcenter 3D Specialist Durability 軟體後，可以按區域或元素定義疲勞特性，包括額外的材料處理。系統從 CAD 模型中識別組件中影響疲勞的特徵，機器學習演算法則預測模型中不同表面元素對應的局部 S-N 曲線。隨後，耐用性計算會根據局部特徵、材料特性以及模型中 S-N 曲線的分佈，量化整個結構的損傷累積，從而產生如圖 3 示意圖所示的模擬。
圖 4 的結果顯示了三個不同樣本的預測疲勞行為。在每個案例中，該樣本的實際測試數據（顯示為藍色數據點）均未輸入機器學習演算法。演算法成功預測了每個樣本的行為，所有數據點均落在預測的上下限範圍內，且接近預測的 S-N 曲線（紅色實線）。樣本包括一個以 90 度方向構建並經過後續機械加工和熱等靜壓 (HIP) 處理的樣本，以及兩個以 50 度方向構建的樣本——一個接受完全退火 (FA) 處理，另一個接受 HIP 處理。
獲取可靠疲勞數據的更快途徑
西門子的這種機器學習方法為鑑定積層製造組件的疲勞特性提供了一種成功的方法，無需對每個影響疲勞的因素進行特定推論。該方法也足夠靈活，可以考慮給定樣本內的局部現象。
對於通常專業人員有限但測試需求量大的積層製造設施而言，西門子的機器學習方法與 ElectroPuls® E10000 的測試效率相結合，顯著減少了獲得廣泛結果所需的時間和測試次數。
延伸閱讀
閱讀西門子的原始文章(在新分頁中開啟)
與 Instron 專家洽談。
不確定 ElectroPuls® E10000 是否適合您的疲勞測試或積層製造應用？請告訴我們您的需求，我們將協助您找到合適的解決方案。
與應用工程師洽談
告訴我們您的測試需求，我們將協助您為實驗室配置合適的機架、荷重元、夾具與軟體。請填寫下方表單，我們將於 1–2 個工作天內回覆。若需更快回覆，請致電 +1-800-473-7838；美國以外地區請撥 +1 781 828 2500。
