[论文解读] Digital Twins in Additive Manufacturing: A Systematic Review

Md Manjurul Ahsan, Yingtao Liu+2 more|arXiv (Cornell University)|Sep 2, 2024

Additive Manufacturing and 3D Printing Technologies被引用 4

一句话总结

本系统综述综合了当前关于增材制造（AM）中数字孪生（DT）的研究，识别出关键的DT类型、与工业4.0技术的集成，以及在工艺优化和混合制造中的应用。研究结果表明，多传感器融合、物理信息驱动的机器学习和实时仿真可显著提升缺陷检测与工艺控制能力，同时指出了在数据质量、可扩展性以及实时部署计算需求方面仍存在的挑战。

ABSTRACT

Digital Twins (DTs) are becoming popular in Additive Manufacturing (AM) due to their ability to create virtual replicas of physical components of AM machines, which helps in real-time production monitoring. Advanced techniques such as Machine Learning (ML), Augmented Reality (AR), and simulation-based models play key roles in developing intelligent and adaptable DTs in manufacturing processes. However, questions remain regarding scalability, the integration of high-quality data, and the computational power required for real-time applications in developing DTs. Understanding the current state of DTs in AM is essential to address these challenges and fully utilize their potential in advancing AM processes. Considering this opportunity, this work aims to provide a comprehensive overview of DTs in AM by addressing the following four research questions: (1) What are the key types of DTs used in AM and their specific applications? (2) What are the recent developments and implementations of DTs? (3) How are DTs employed in process improvement and hybrid manufacturing? (4) How are DTs integrated with Industry 4.0 technologies? By discussing current applications and techniques, we aim to offer a better understanding and potential future research directions for researchers and practitioners in AM and DTs.

研究动机与目标

• 绘制当前增材制造（AM）中数字孪生（DT）应用的全景图，并识别关键的研究空白。
• 分析DT如何与机器学习、增强现实（AR）和物联网（IoT）等新兴技术集成，以实现实时监控与控制。
• 评估DT在提升工艺质量、减少缺陷以及实现AM工艺自适应控制中的作用。
• 探索未来研究方向，包括多尺度建模、可持续制造，以及与工业5.0原则的集成。

提出的方法

• 对2010年至2024年期间发表的关于增材制造中数字孪生的同行评审文献进行了系统性文献综述。
• 根据其架构、数据源以及与仿真和传感技术的集成情况，对DT类型进行分类。
• 评估基于物理的模型、机器学习（如PINNs、RNNs）以及多传感器融合（MFDT）在实时工艺预测与缺陷检测中的应用。
• 分析DT与工业4.0技术（如IoT、AR/VR和信息物理系统）的集成，以提升监控与控制能力。
• 评估在实现实时AM应用中部署DT时面临的计算需求、数据质量挑战及可扩展性问题。
• 将研究发现综合为未来研究方向，包括可持续制造、改进的成本建模以及更广泛的应用场景。

Figure 1: The multiscale nature of the powder-bed metal AM process, showing various properties and interactions across different length and time scales [ 7 ] .

实验结果

研究问题

• RQ1 在增材制造中使用的数字孪生关键类型有哪些，其具体应用场景是什么？
• RQ2 数字孪生在AM工艺中的最新发展与实施情况如何？
• RQ3 数字孪生在AM工艺改进与混合制造中是如何应用的？
• RQ4 数字孪生如何与增材制造中的工业4.0技术实现集成？

主要发现

• 在增材制造中，数字孪生通过融合来自多个传感器的数据，显著提升了实时缺陷检测能力，例如在机器人激光定向能量沉积（L-DED）工艺中，其性能优于单一传感器方法。
• 基于物理的仿真结合体素化几何建模与瞬态热力建模，可准确预测热分布与最优打印参数，从而减少材料浪费与计算负载，适用于基于挤出的AM工艺。
• 机器学习模型（包括物理信息神经网络（PINNs）和循环神经网络（RNNs））可增强实时工艺自适应能力，支持自适应调整刀具路径与工艺参数，实现实时修正。
• 将增强现实（AR）与虚拟现实（VR）技术与数字孪生集成，可改善操作员交互体验，实现对复杂AM工艺的直观监控与控制。
• 与工业4.0技术（尤其是IoT、人机-物理系统（HCPS）和实时数据管道）集成的数字孪生，可实现动态、自适应控制，并提升AM环境中的决策能力。
• 尽管已取得进展，但在数据质量、计算需求、可扩展性方面仍存在挑战，且亟需标准化框架以支持工业的广泛应用。

Figure 2: Different types of AM techniques [ 17 ] .