應用機器學習輔助圖形辨識於FDM PLA試片之極限抗拉強度預測

1. 緒論

人工智慧與機器學習正為製造業帶來革命性的改變，為製程優化與預測分析提供了前所未有的能力。在積層製造領域，特別是熔融沉積成型技術中，預測如極限抗拉強度等機械性質，對於確保零件可靠性與拓展工業應用至關重要。本研究率先應用監督式分類演算法——邏輯迴歸分類、梯度提升分類、決策樹與K-近鄰演算法——來預估聚乳酸試片的極限抗拉強度。透過將關鍵製程參數與抗拉強度結果相互關聯，本研究旨在為FDM建立一個數據驅動的品質預測框架，減少對成本高昂且耗時的實體測試之依賴。

2. 方法論與實驗設置

本研究方法圍繞著一個受控實驗及後續的計算分析進行。

31

製作之PLA試片數量

4

關鍵輸入參數

4

評估之ML演算法

2.1. 試片製作與參數

總共使用FDM 3D列印機製作了31個PLA試片。實驗設計變動了四個關鍵製程參數，這些參數作為機器學習模型的特徵集：

填充率： 內部結構的密度。
層高： 每層沉積的厚度。
列印速度： 擠出頭的移動速度。
擠出溫度： 熔融線材的溫度。

每個試片的極限抗拉強度均透過標準拉伸測試測得，從而建立了一個用於監督式學習的標記資料集。

2.2. 機器學習演算法

本研究實作了四種不同的監督式分類演算法來預測極限抗拉強度類別。目標變數（極限抗拉強度）可能被離散化為類別以進行分類。

邏輯迴歸分類： 用於二元分類的線性模型。
梯度提升分類： 一種集成技術，透過建立序列樹來修正錯誤。
決策樹： 基於特徵值決策的樹狀模型。
K-近鄰演算法： 一種非參數、基於實例的學習演算法。

模型效能使用F1分數與曲線下面積等指標進行評估。

3. 結果與分析

3.1. 演算法效能比較

研究結果顯示，針對此特定任務，演算法效能存在明確的層級關係。決策樹與K-近鄰演算法均達到了相同的F1分數0.71，顯示兩者在精確率與召回率之間取得了相似的平衡。然而，KNN演算法展現了更優異的區分能力，其曲線下面積分數更高，達0.79，表現超越了決策樹及其他兩種演算法（邏輯迴歸與梯度提升）。

3.2. K-近鄰演算法之優越性

KNN較高的AUC分數，意味著它在所有分類閾值下，區分兩種極限抗拉強度類別的能力更強。這表明，對於給定的資料集——其特徵為四個製造參數，且與極限抗拉強度可能存在非線性、複雜的關係——KNN基於距離的局部推理，比決策樹學習的全局規則或線性/邏輯邊界更為有效。此結果凸顯了根據資料固有結構選擇演算法的重要性。

圖表解讀（概念性）： 一個假設性的接收者操作特徵曲線圖會顯示，相較於其他演算法，KNN曲線更接近左上角，直觀地證實了其優越的分類效能。決策樹曲線會略低於KNN，雖然共享相似的F1分數點，但其曲線下面積整體較小。

4. 技術框架與數學公式

KNN演算法針對新資料點 $\mathbf{x}_{\text{new}}$（由其四個FDM參數定義）做出決策的核心，是基於距離度量（通常為歐幾里得距離）及其在特徵空間中 $k$ 個最近鄰居的投票機制。

歐幾里得距離： 新點與訓練點 $\mathbf{x}_i$ 之間的距離計算如下： $$d(\mathbf{x}_{\text{new}}, \mathbf{x}_i) = \sqrt{\sum_{j=1}^{4} (x_{\text{new},j} - x_{i,j})^2}$$ 其中 $j$ 索引四個輸入特徵（填充率、層高等）。

分類規則： 在識別出與 $\mathbf{x}_{\text{new}}$ 距離最小的 $k$ 個訓練試片後，透過多數決來指定極限抗拉強度類別： $$\text{Class}(\mathbf{x}_{\text{new}}) = \arg\max_{c \in \{\text{高, 低}\}} \sum_{i \in \mathcal{N}_k} I(y_i = c)$$ 其中 $\mathcal{N}_k$ 是 $k$ 個最近鄰居的索引集合，$y_i$ 是第 $i$ 個鄰居的真實類別，$I$ 是指標函數。

$k$ 的最佳值通常透過交叉驗證來決定，以避免過度擬合或過度平滑。

5. 分析框架：非程式碼案例研究

假設一家製造商欲列印一個功能性PLA支架，要求最低極限抗拉強度為45 MPa。他們可以使用訓練好的KNN模型作為數位分身，而無需列印數十個測試樣本。

輸入查詢： 工程師提出一組參數：{填充率：80%，層高：0.2 mm，速度：60 mm/s，溫度：210°C}。
模型推論： KNN模型計算此查詢與訓練資料庫中所有31個試片之間的歐幾里得距離。
鄰居檢索： 模型識別出5個參數集最相似的歷史列印記錄。
預測與決策： 如果這5個鄰居中有4個的極限抗拉強度被分類為「高」，則模型預測新設定為「高」。工程師可獲得高度信心以繼續進行。如果投票結果為3比2傾向「低」，則工程師會在進行任何實體列印前，收到調整參數的警示。

此框架將製程優化從試誤法的實體嘗試，轉變為快速的計算模擬。

6. 未來應用與研究方向

本研究的成功為未來發展開闢了多條途徑：

多材料與多性質預測： 將框架擴展至其他常見的積層製造材料，並同時預測一系列性質。
與即時製程監控整合： 將機器學習模型與現場感測器耦合，實現閉迴路控制，從後驗預測邁向即時修正。
進階機器學習架構： 採用深度學習模型分析列印件的微電腦斷層掃描影像，直接建立缺陷與性質的關聯。
生成式設計逆問題： 翻轉模型使其成為生成工具：輸入期望的機械性質，輸出最佳的列印參數集，加速面向積層製造的設計流程。

7. 產業分析師觀點

核心洞見： 本文不僅是關於KNN擊敗決策樹；它更是一個概念驗證，證明即使是相對簡單、可解釋的機器學習模型，也能夠充分捕捉FDM複雜的非線性物理特性，從而做出有用的預測。真正的價值主張在於進階模擬的普及化——將預測分析帶給中小企業與工廠現場，而無需擁有計算力學博士學位。

邏輯流程與優勢： 作者的方法務實且清晰：定義受控實驗、提取特徵、測試標準分類器。其優勢在於可複製性以及清晰、以指標驅動的結論。它有效地彌合了材料科學與資料科學之間的鴻溝。

缺陷與關鍵缺口： 顯而易見的問題是極小的資料集。在機器學習領域，這是一項先導研究，而非可投入生產的模型。它存在過度擬合的風險，且在不同印表機、線材批次或環境條件下缺乏穩健性。此外，將極限抗拉強度離散化為類別會損失有價值的連續資訊；對於工程設計而言，回歸方法可能提供更多資訊。

可行動的見解： 對於產業採用者：由此開始，但勿止於此。 使用此方法論建立您自己的專有資料集。對於研究者：下一步必須是透過自動化擴展資料獲取，並探索混合式的物理資訊神經網路——這種結合數據驅動學習與領域知識的混合方法，是開發穩健、可泛化且值得信賴的積層製造數位分身之關鍵。

8. 參考文獻

Du, B., 等人. (年份). Study on void formation in friction stir welded joints using decision tree and Bayesian neural network. 期刊名稱.
Hartl, R., 等人. (年份). Application of Artificial Neural Networks in analyzing FSW process data. 期刊名稱.
Du, Y., 等人. (年份). A synergistic approach combining physics-informed machine learning for defect mitigation in AM. Nature Communications.
Maleki, E., 等人. (年份). ML-based methodology for fatigue life prediction in post-treated AM samples. International Journal of Fatigue.
Raissi, M., Perdikaris, P., & Karniadakis, G.E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686-707.
America Makes. (n.d.). Additive Manufacturing Research Portfolio. Retrieved from https://www.americamakes.us
MIT Self-Assembling Systems Lab. (n.d.). Research on Autonomous Manufacturing. Retrieved from http://selfassemblylab.mit.edu
Zhu, J.Y., Park, T., Isola, P., & Efros, A.A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (Cited as an example of advanced generative ML frameworks).