橡树岭国家实验室（ORNL）发布了其迄今为止最先进的3D打印监测数据集——Peregrine数据集，旨在提高激光粉末床熔融（L-PBF）增材制造的质量控制。该数据集通过将实时打印数据与最终部件性能关联，提供了对缺陷形成和过程结果的深入洞察。Peregrine系统采用深度学习技术，结合多传感器数据流，支持实时检测3D打印中的异常情况，如边缘不连续性、回收器互动及纹理变化。此数据集是ORNL数字化工厂计划的重要组成部分，推动了增材制造研究中的标准化和开放数据共享，助力提高制造效率和产品质量。
美国能源部（DoE）橡树岭国家实验室（ORNL）发布了其“迄今为止最先进的数据集”，旨在改善激光粉末床熔融（L-PBF）增材制造中的质量控制。该数据集名为Peregrine，它将实时打印观察结果与最终部件性能相关联，提供了对缺陷形成和过程结果的深入了解。
Peregrine数据集是在能源部制造示范设施（MDF）生产的，包含64个圆柱体，每个圆柱体约15毫米直径和102毫米高度。研究人员加入了溅射生成块，以研究熔融颗粒如何导致未熔合孔和疲劳性能的影响。此次发布是基于2021年开始的Peregrine系列数据集的进一步发展，包括带标签的逐层成像用于异常分割，以及与316L不锈钢的拉伸测试结果相关的配准内外部数据集。
ORNL研究人员Luke Scime和Zackary Snow使用Peregrine软件监控和分析3D打印中的组件。图片由ORNL提供。
Peregrine系统与异常检测
Peregrine系统于2020年公开发布，利用深度学习技术来增强质量监控。它应用了ORNL的动态多标签分割卷积神经网络（DMSCNN）来处理层图像和传感器数据流，实现逐像素语义分割。这使得能够近实时地检测异常情况，如边缘不连续性、回收器交互和纹理变化。
逐层异常掩码被堆叠成三维“异常图”，支持操作员决策和数字化认证工作流程。多传感器融合结合了可见光、近红外（NIR）和熔池热辐射，从而增强了对内部缺陷的检测，这一技术已与RTX合作演示。
该数据集是ORNL数字化工厂计划的关键组成部分，旨在通过集成传感器、分析工具和基于模型的认证系统来推动数据驱动制造。
ORNL的Sunjin Kim正在使用“维特瑞姆”材料进行3D打印。图片由Genevieve Martin/ORNL、美国能源部提供。
推动增材制造研究中的标准化和开放数据
ORNL的Peregrine数据集反映了增材制造（AM）研究中标准化和开放多模式监控数据集的广泛推动。
类似的倡议包括2019年由EIT Digital开发的数据库，该项目由欧洲创新与技术研究所（EIT）的数字创新与教育部门支持，旨在帮助制造商识别潜在的时间和成本节约，并鼓励更多企业采用3D打印技术替代传统制造方法。
该数据库由芬兰的阿尔托大学开发，并作为3D数据专家软件的插件，供工业合作伙伴DeskArtes使用。全球制造和3D软件开发商西门子也为该项目贡献了知识图谱，确保所有收集的数据之间具有逻辑关联，从而提高数据的可用性和决策效率。
此外，2023年，Replique推出了一个全面的开放访问3D打印材料数据库。该平台得到了来自阿科玛、伊诺维克和DyeMansion等可靠材料合作伙伴的支持，旨在简化增材制造项目中的材料选择。传统上，这一过程费时且依赖于人工研究。而Replique的数据库通过提供直观的界面，使用户能够快速识别最合适的材料，节省时间和资源，同时确保组件符合所需的材料标准。
