2024年8月18日，由国际智能制造联盟（ICIM）组织的 “全球视野下的智能制造：合作与共赢”系列专题讲座第七讲隆重开讲。本次讲座有幸邀请到国际知名智能制造专家、全球增材制造领军专家、美国佐治亚理工学院荣誉教授David W. Rosen为大家分享“用于制造设计和制造工艺选择的机器学习方法”。 本次讲座受到观众热情广泛的关注，累计观看超2千人次。

图1 美国佐治亚理工学院荣誉教授David W. Rosen

在当今制造业迅猛发展的时代浪潮中，设计需求的复杂性和制造工艺的多样性日益凸显。为了应对这些挑战，实现制造过程的高效率与高精确度，机器学习技术正逐步崭露头角，成为推动制造业转型升级的核心引擎。在本次讲座中，David教授深入浅出地阐述了三维CNN（卷积神经网络）在增材制造领域的革新应用，详细剖析了如何通过CNN精准分类并优选制造工艺，为制造业带来智能化升级。此外，他还进一步探索了cGAN（条件生成对抗网络）与拓扑优化的巧妙融合，并展示了如何通过这一结合实现生成式设计，使得设计过程既符合功能需求又能高效优化。同时，David教授还生动讲解了如何利用CNN与cGAN实现面向制造的设计，以及生成式设计与DFM（可制造性设计）的结合，为未来制造绘制了一幅充满希望的蓝图。
David教授指出，将CNN与拓扑优化技术结合，在增材制造的过程中进行仿真和优化，可使仿真结果更加逼近实际制造的结果，减少实际误差，并极大地缩短制造耗时，提升增材制造的整体效能。

在现代制造业中，为了提高生产效率，确保产品质量，基于零件的形状特征进行精确的制造工艺选择变得尤为重要。对此，David教授表示，以点云的形式精确捕捉零件的三维形状信息，不仅适应性强，可以识别各种状态下的零件特征，还保留了零件的几何细节，可为后续的分析和处理提供丰富的数据源。

图2 利用三维点云进行形状描述

David教授指出，传统的拓扑优化方法往往需要进行反复验证，会耗费大量的计算资源和时间，而将拓扑优化内置于cGAN中，可实现生成式设计。生成器能更快产出既符合特定要求又贴合实际的设计，而判别器则精准评估设计的真实性与功能性，可以更加快速和准确地得到满足特定功能需求的设计方案。

图3 传统的拓扑优化与融合cGAN的拓扑优化方法对比

在产品设计到制造的整个流程中，确保产品既满足功能设计需求又符合可制造性需求是至关重要的。David教授表示，将生成式设计应用到DFM中，通过cGAN的反复迭代优化，可将DFF（面向功能的设计）与DFM结合起来，实现既满足客户需求，又具有经济性和可持续性的制造。

在讲座尾声，进入问答交流环节，David教授对 “AI应用于智能制造的局限性有哪些？CNN如何解决复杂工程问题？如何进行对制造材料的选择？”等问题进行了讲解回答，其独到的见解和丰富的实践经验赢得了观众们的广泛赞誉。

本次在线讲座由国际智能制造联盟副秘书长、e-works数字化企业网CEO黄培博士主持，还特别邀请到来自南加州大学的陈勇教授作为嘉宾参与互动研讨。

2024 ICIM公益讲座第七讲在一片热烈的氛围中圆满落下了帷幕。本次讲座通过深入浅出的讲解与互动问答，为观众带来了一场知识与灵感的盛宴，不仅拓宽了观众的视野，让大家对机器学习在制造设计与工艺选择中的应用有了更为全面和深入的理解，更激发了大家对于未来科技发展趋势的无限遐想，为未来制造业发展提供了新的思路与方向。