Zach Simkin 感谢 Jennifer Fielding由于她接替她担任 SME 增材制造社区顾问主席一职，她获得了空军研究实验室的服务。在亚瑟柯南道尔爵士的“猩红研究”中，夏洛克福尔摩斯告诉我们，“这是一个严重的错误在有数据之前先推理。”这是一个很好的报价。这是另一个：“你不能改进你不衡量的东西。”管理顾问彼得·德鲁克 (Peter Drucker) 是这么说的，他还说：“预测未来的最好方法就是创造未来。”
扎克·西姆金 (Zach Simkin) 会同意这三点。作为总部位于纽约的 Senvol 的联合创始人兼总裁，他和业务合作伙伴 Annie Wang 在过去十年中一直致力于开发产品和服务，帮助制造商访问、生成和分析增材制造 (AM) 数据。
“当班级收到关于 3D 打印的作业时，我正在攻读硕士学位，”西姆金说。 “那是我第一次真正接触增材制造，我立刻被它的可能性迷住了。巧合的是，那是我遇到志趣相投的安妮的时候。我们开始提出问题并尽可能多地收集知识和信息，很快就发现增材制造商可用的数据量存在巨大差距。那是灯泡熄灭的时候。”
Opening Doors
Senvol 就是那个灯泡的结果。从那时起，该公司声名鹊起，不仅是 3D 打印数据和相关软件工具的供应商，还是美国国防部 (DoD) 及其各个分支机构以及制造商的合作伙伴，例如作为诺斯罗普·格鲁曼公司。 Simkin 还积极参与 SME AM 咨询委员会，担任副主席，然后担任 chair，并且是 ASME 增材制造技术顾问小组 (TAP) 的成员。
他将他们早期的一些成功归功于 Paramount Industries 的所有者 Jim Williams，Paramount Industries 是一家制模店，后来转变为 3D 打印服务机构. 3D Systems 于 2012 年收购了 Paramount，Williams 在那里担任了一段时间的航空航天和国防副总裁，但当 Simkin 和 Wang 还是硕士生时，他将他们置于自己的羽翼之下，并打开了一些原本会保留下来的大门牢牢关上。这包括增材制造技术和教育提供商 America Makes，Simkin 说“尽管他们当时是新手，但对我们非常欢迎。从那时起，事实证明，与 America Makes 的合作伙伴关系和 America Makes 的成员资格非常有价值。”
Senvol 的大部分工作旨在帮助公司选择或鉴定用于 3D 打印的材料并评估相关工艺参数。其产品包括 Senvol’s 添加剂机器和材料数据库（称为 Senvol 数据库）、软件开发人员可以用来访问该数据库的应用程序编程接口 (API) 以及各种标准操作程序库。该公司还提供名为 Senvol Indexes 的 AM 数据集及其最新产品 Senvol ML，这是一种“数据驱动的机器学习软件，用于分析增材工艺参数与材料性能之间的关系。”
卓有成效的合作
在最近的一个例子中，Senvol 与计量巨头蔡司和 AM 产品和服务提供商 Materialise 合作，协助德国工业锻造公司 Rosswag Engineering 简化其激光粉末床所用原料的鉴定流程融合 (LPBF) 打印机。
Senvol的Zach Simkin和商业伙伴Annie Wang 在过去十年中一直在开发产品和服务，帮助制造商访问、生成和分析增材制造 (AM) 数据。以前，Rosswag 的技术人员已经设法自行鉴定了 40 多种材料，但现在是时候了- 耗费大量人力的工作。 Senvol 为他们提供了 Senvol ML 机器学习软件，该软件用于自动化实验设置的设计，然后分析结果。
连同 Materialise Process Tuner (MPT) 和蔡司 AM 参数工作流程工具，Senvol据公司发言人称，ML 帮助“显着减少了确定最佳打印配方所需的时间、成本和构建次数”。
“假设您要打印 50 张测试优惠券，每张优惠券都有不同的参数集，”Simkin 说。 “如果没有诸如 Materialise Process Tuner 之类的自动化工具，操作员必须一次为每个试片手动键入一个参数。这个不仅耗时长，而且容易出错。每一张优惠券都必须在打印后进行评估，通常是通过 CT 扫描，然后收集和查询结果数据。在这些步骤和实验的初始设计之间——这也可能非常耗时——我们能够共同优化整个过程。”
具有讽刺意味的是，合作是偶然发生的——没有一家公司知道Rosswag 独立使用所有三种解决方案。正是在这一幸运的发现之后，Senvol、Materialise 和 ZEISS 才聚在一起开发了一个联合工作流程并发布了结果。
前进之路
请注意术语“机器学习”较早使用。由于多种原因，它对 AM 社区来说很重要。 Simkin 列出了一些 AM 操作中存在的一些工艺变量，其中包括构建速度、层厚度、填充密度和零件几何形状。这些是输入，他说，这与成品零件的表面粗糙度、拉伸强度、弯曲模量等工艺输出有关。评估每一项以试图确定实现所需输出所需的输入是人类思维的一项艰巨任务。可以理解的是，我们不是很擅长，这是阻碍行业发展的一个因素。
作为证据，Simkin 引用了另一个项目，这个项目是与 Northrop Grumman 合作的，由 America Makes 资助，在此期间，他将公司的机器学习软件与 Northrop Grumman 经验丰富的 AM 工艺工程师团队进行了比较，后者遵循传统工艺进行参数优化。任务？为特定的工件性能要求列表确定最佳 3D 打印参数。
遗憾的是，人与机器的争论还没有结束。 Simkin 的看法：“它的缺点是没有性能要求Northrop Grumman 选择的参数满足了我们评估的任何应用程序的要求，实际上，我们的机器学习软件选择的参数满足了每个目标的每个目标。这是白天和黑夜。”
原因是双重的，他解释道。首先，Northrop Grumman 的工程师可以访问 Senvol 的机器学习软件使用的相同数据集，但无法以有意义的方式分析大量数据，因此无法构建全面准确的过程模型——他们无法填充在差距中，可以这么说。谁又能责怪他们呢？ Simkin 指出，在这种特殊情况下，大约存在 220,000 种可能的参数组合，Northrop Grumman 只能评估其中的几百种——他们有经验数据的参数组合。
第二个问题是Northrop Grumman 假设每个经验数据点代表一个平均值该特定参数集将如何执行或将提供什么。然而，这并不总是正确的。 “即使你对完全相同的参数集进行重复分析，也会有一条分布曲线，其中一些点比其他点提供更好的结果，”Simkin 说。 “这正是计算机擅长而人类不擅长的任务，这就是为什么机器学习将在这些类型的增材制造场景中发挥越来越重要的作用。”
Driving it Home
Zach Simkin ，总部位于纽约的增材制造数据、软件和服务提供商 Senvol 的联合创始人兼总裁。
最后一个论点来自 BMW，其中 AM 工程师努力使用传统开发方法找到最佳参数集。在选择了他们认为最佳的参数之后（尽管并不令人满意），他们与 Simkin 和他的团队进行了接触，他们选择从头开始选择过程。至少对于汽车制造商而言，结果令人惊讶。
“我们期待一个积极的结果，但它仍然是一个有趣的项目，因为它让我们对获得的参数进行了真正的同类比较使用机器学习软件与不使用机器学习软件的人，”Simkin 说。 “前者的性能明显优于后者，而且，更重要的是，它允许客户生产他们之前未能成功构建的一系列零件，因为他们无法确定可行的参数集。”
快速生成和优化参数集，然后针对材料、零件几何形状和 3D 打印机对其进行微调的能力呈现出一些令人兴奋的大门。更高的生产率和零件质量是其中之一，但另一个是在过程中调整变量的潜力，以满足 c随着零件的增长和平台在构建过程中向下工作而不断改变几何形状。“构建参数的过程中调整代表了对技术的非常先进的使用，而今天的 AM 社区很少有人这样做，至少根据我所看到的，”西姆金说。 “但我确实认为，这个行业当然正朝着这个方向前进。我们已经开展了一些项目来进一步探索这种可能性，甚至支持了一些沿着这些路线进行试验的组织，但这显然不是大众所做的事情。至少，现在还没有。”
加速结果
Simkin 指出，机器学习不仅仅可以加速材料开发和参数优化。它还加快了机器和材料的鉴定过程。例如，在最近与代顿大学研究所 (UDRI) 合作的空军研究项目中，Senvol 帮助最近购买的 M4 取得了资格EOS 的 00-4 四激光打印机。 “我们使用机器学习作为一种工具来更有效、更准确、更快地完成资格认证。”
开发者表示，Senvol ML是一款数据驱动的机器学习软件，分析增材制造工艺参数与材料性能之间的关系。回顾过去十年以及他和他的团队所取得的成就，Simkin 认为我们作为一个社区正处于行业中一个特别有趣但独特的时期。他说，3D 打印技术的创始人仍在我们身边。他们仍在走秀，有些人每天都去上班，而且几乎所有这些人仍然可以访问。 “我认为我们能够接触到这些人并与他们交谈并向他们学习真的很酷。一代人以后，人们不会有那个机会。我们必须记录这些先驱者在我们身边时所做的事情。”总有一天，西姆金和许多阅读本文的人将成为这些先驱者，而且比我们任何人都希望的早。 “我在这方面才十年，一些增材制造的新手认为我是个老手，”他笑着说。 “日子一定会过去，不是吗？”
