增材制造 (AM) 已经证明自己是广泛使用的减材制造的潜在替代方案,因为它具有以最少的材料浪费制造高度定制产品的非凡能力。然而,由于它存在一些主要的固有挑战,包括复杂和动态的过程交互,有时即使使用传统机器学习也难以完全理解,因为它涉及高维数据,例如图像、点云和体素。然而,最近出现的深度学习 (DL) 在克服许多这些挑战方面显示出巨大的希望,因为 DL 可以自动从高维数据中捕获复杂的关系,而无需手动提取特征。因此,AM 和 DL 交叉领域的研究量每年都在呈指数级增长,这使得研究人员很难跟踪趋势和未来的潜在方向。此外,据我们所知,这个研究领域没有全面的综述论文来总结最近的研究。因此,本文回顾了最近应用深度学习来改善 AM 流程的研究,并对其贡献和局限性进行了高层次的总结。最后,它总结了当前的挑战,并推荐了该领域一些有希望进一步研究的机会,特别关注将深度学习模型推广到各种几何类型,管理 AM 数据和深度学习模型中的不确定性,通过结合生成模型克服有限和嘈杂的 AM 数据问题,并揭示可解释深度学习对 AM 的潜力。
主要关键词