Research progress in surface quality prediction control in fused deposition modeling technology based on machine learning

doi:10.19491/j.issn.1001-9278.2025.08.021

Abstract

Abstract:

This review systematically analyzed the generation mechanisms of surface defects in fused deposition modeling （FDM） and their key influencing parameters. The effectiveness of machine learning⁃based predictive control throughout the FDM process was summarized， focusing on two critical aspects：（1） construction of process predictive control models and （2） optimization of result predictive control. Finally， urgent unresolved issues were proposed and potential future development directions were discussed.

Key words: fused deposition modeling, surface roughness, machine learning, prediction control, optimization

CLC Number:

TQ320.6

CHENG Wei, ZHAO Yongqiang, PANG Jayao, HE Yong, YU Le. Research progress in surface quality prediction control in fused deposition modeling technology based on machine learning[J]. China Plastics, 2025, 39(8): 131-138.

Figures/Tables 10

References 46

[1]	高海亮，胡程，周宇强，等.3D打印零件的尺寸精度及控制［J］.中国塑料，2023，37（08）：79⁃85.
	GAO H L， HU C， ZHOU Y Q， et al. Research progress in ABS materials for 3D printing［J］. China Plastics， 2023， 37（08）： 79⁃85.
[2]	Tamburrino F， Barone S， Paoli A， et al. Post⁃processing treatments to enhance additively manufactured polymeric parts： A review［J］. Virtual and Physical Prototyping， 2021， 16（2）： 221⁃254.
[3]	龚强，金志明.基于模型算法的注塑制品质量预测控制研究进展［J］.中国塑料， 2024， 38（04）： 98⁃102.
	GONG Q， JIN Z M. Research progress in quality prediction and control of injection molded productsbased on model algorithms［J］. China Plastics， 2024， 38（04）： 98⁃102.
[4]	Rajan K， Samykano M， Kadirgama K， et al. Fused deposition modeling： process， materials， parameters， properties， and applications［J］. The International Journal of Advanced Manufacturing Technology， 2022， 120（3）： 1 531⁃1 570.
[5]	Vyavahare Swapnil， Kumar Shailendra.Experimental study of surface roughness， dimensional accuracy and time of fabrication of parts produced by fused deposition modelling［J］. Rapid Prototyping Journal， 2020， 26（9）：1 535–1 554.
[6]	潘丽娟，商正，贾桂红，等.熔融沉积制造表面粗糙度参数显著性及预测模型研究［J］.图学学报，2020，41（04）：593⁃598.
	PAN L J， SHANG Z， JIA G H， et al. Investigation of parameters significance and predicted model on surface roughness on fused deposition modeling［J］.Journal of Graphics，2020，41（04）：593⁃598.
[7]	Asadollahi⁃Yazdi E， Gardan J， Lafon P. Generic roughness meta⁃model in 3D printing by fused deposition modeling［J］. Progress in Additive Manufacturing， 2022： 1⁃12.
[8]	Sumalatha M， Rao J N M， Reddy B S. Optimization of process parameters in 3D printing⁃fused deposition modeling using taguchi method［C］//IOP Conference Series： Materials Science and Engineering. IOP Publishing， 2021， 1112（1）： 012009.
[9]	Navangul G， Paul R， Anand S. Error minimization in layered manufacturing parts by stereolithography file modification using a vertex translation algorithm［J］. Journal of Manufacturing Science and Engineering， 2013， 135（3）： 031006.
[10]	Zha W， Anand S. Geometric approaches to input file modification for part quality improvement in additive manufacturing［J］. Journal of Manufacturing Processes， 2015， 20： 465⁃477.
[11]	Nathaphan S， Trutassanawin W. Effects of process parameters on compressive property of FDM with ABS［J］. Rapid Prototyping Journal， 2021， 27（5）： 905⁃917.
[12]	李卫飞.基于ANSYS仿真的FDM 3D打印成型件精度研究［D］.武汉科技大学，2019.
[13]	Wickramasinghe S， Do T， Tran P. FDM⁃based 3D printing of polymer and associated composite： A review on mechanical properties， defects and treatments［J］. Polymers， 2020， 12（7）： 1529.
[14]	Taufik M， Jain P K. Role of build orientation in layered manufacturing： a review［J］. International Journal of Manufacturing Technology and Management， 2013， 27（1/3）： 47⁃73.
[15]	Golhin A P， Tonello R， Frisvad J R， et al. Surface roughness of as⁃printed polymers： a comprehensive review［J］. The International Journal of Advanced Manufacturing Technology， 2023， 127（3）： 987⁃1 043.
[16]	Turner B N， Strong R， Gold S A. A review of melt extrusion additive manufacturing processes： I. Process design and modeling［J］. Rapid Prototyping Journal， 2014， 20（3）： 192⁃204.
[17]	Turner B N， Gold S A. A review of melt extrusion additive manufacturing processes： II. Materials， dimensional accuracy， and surface roughness［J］. Rapid Prototyping Journal， 2015， 21（3）： 250⁃261.
[20]	Bellehumeur C， Li L， Sun Q， et al. Modeling of bond formation between polymer filaments in the fused deposition modeling process［J］. Journal of manufacturing processes， 2004， 6（2）： 170⁃178.
[21]	Moorthy E S， Balasubramanian A， Kumaran P K S， et al. Effect of process parameters on tensile strength and surface quality of PLA⁃ABS part produced by fused deposition modeling［J］. Indian Journal of Engineering and Materials Sciences （IJEMS）， 2021， 28（3）： 300⁃310.
[22]	Yang Y， Chen Y， Wei Y， et al. 3D printing of shape memory polymer for functional part fabrication［J］. The International Journal of Advanced Manufacturing Technology， 2016， 84： 2 079⁃2 095.
[23]	Nidagundi V B， Keshavamurthy R， Prakash C P S. Studies on parametric optimization for fused deposition modelling process［J］. Materials Today： Proceedings， 2015， 2（4/5）： 1 691⁃1 699.
[24]	Nancharaiah T， Raju D R， Raju V R. An experimental investigation on surface quality and dimensional accuracy of FDM components［J］. Int J Emerg Technol， 2010， 1（2）： 106⁃111.
[25]	Wang P， Zou B， Xiao H， et al. Effects of printing parameters of fused deposition modeling on mechanical properties， surface quality， and microstructure of PEEK［J］. Journal of Materials Processing Technology， 2019， 271： 62⁃74.
[26]	Alsoufi M S， Elsayed A E. Surface roughness quality and dimensional accuracy—a comprehensive analysis of 100% infill printed parts fabricated by a personal/desktop cost⁃effective FDM 3D printer［J］. Materials Sciences and Applications， 2018， 9（01）： 11.
[27]	Moorthy E S， Balasubramanian A， Kumaran P K S， et al. Effect of process parameters on tensile strength and surface quality of PLA⁃ABS part produced by fused deposition modeling［J］. Indian Journal of Engineering and Materials Sciences （IJEMS）， 2021， 28（3）： 300⁃310.
[28]	Horvath D， Noorani R， Mendelson M. Improvement of surface roughness on ABS 400 polymer using design of experiments （DOE）［C］//Materials science forum. Trans Tech Publications Ltd， 2007， 561： 2 389⁃2 392.
[29]	Wafa F， Abdulshahed A M. Prediction of surface roughness in additive manufacturing using artificial neural networks［C］//The International Journal of Engineering & Information Technology （IJEIT）， Special issue for the international Eng Conf IECMU 2021，2021.
[30]	Singh J， Goyal K K， Kumar R， et al. Development of artificial intelligence‐based neural network prediction model for responses of additive manufactured polylactic acid parts［J］. Polymer Composites， 2022， 43（8）： 5 623⁃5 639.
[31]	Malleswari V N， Manaswy G K， Pragvamsa P G. Prediction of surface roughness for fused deposition in fabricated work pieces by RSM and ANN technique［J］. Materials Today： Proceedings， 2023： 1⁃6.
[32]	Mishra P， Sood S， Bharadwaj V， et al. Parametric modeling and optimization of dimensional error and surface roughness of fused deposition modeling printed polyethylene terephthalate glycol parts［J］. Polymers， 2023， 15（3）： 546.
[33]	Barrios J M， Romero P E. Decision tree methods for predicting surface roughness in fused deposition modeling parts［J］. Materials， 2019， 12（16）： 2574.
[34]	Molero E， Fernández J J， Rodríguez⁃Alabanda O， et al. Use of data mining techniques for the prediction of surface roughness of printed parts in polylactic acid （PLA） by fused deposition modeling （FDM）： A practical application in frame glasses manufacturing［J］. Polymers， 2020， 12（4）： 840.
[35]	Wu D， Wei Y， Terpenny J. Surface roughness prediction in additive manufacturing using machine learning［C］//International manufacturing science and engineering conference. American Society of Mechanical Engineers， 2018， 51371： V003T02A018.
[36]	Wu D， Wei Y， Terpenny J. Predictive modelling of surface roughness in fused deposition modelling using data fusion［J］. International Journal of Production Research， 2019， 57（12）： 3 992⁃4 006.
[37]	Li Z， Zhang Z， Shi J， et al. Prediction of surface roughness in extrusion⁃based additive manufacturing with machine learning［J］. Robotics and Computer⁃Integrated Manufacturing， 2019， 57： 488⁃495.
[38]	Cerro A， Romero P E， Yiğit O， et al. Use of machine learning algorithms for surface roughness prediction of printed parts in polyvinyl butyral via fused deposition modeling［J］. The International Journal of Advanced Manufacturing Technology， 2021， 115（7）： 2 465⁃2 475.
[41]	Nagarajan H P N， Mokhtarian H， Jafarian H， et al. Knowledge⁃based design of artificial neural network topology for additive manufacturing process modeling： A new approach and case study for fused deposition modeling［J］. Journal of Mechanical Design， 2019， 141（2）： 021705.
[40]	纪良波.熔融沉积成型有限元模拟与工艺优化研究［D］.南昌大学，2011.
[39]	Raju M， Gupta M K， Bhanot N， et al. A hybrid PSO–BFO evolutionary algorithm for optimization of fused deposition modelling process parameters［J］. Journal of Intelligent Manufacturing， 2019， 30： 2 743⁃2 758.
[42]	Rao R V， Rai D P. Optimization of fused deposition modeling process using teaching⁃learning⁃based optimization algorithm［J］. Engineering Science and Technology， an International Journal， 2016， 19（1）： 587⁃603.
[43]	Yang L， Li S， Li Y， et al. Experimental investigations for optimizing the extrusion parameters on FDM PLA printed parts［J］. Journal of Materials Engineering and Performance， 2019， 28： 169⁃182.
[44]	Saad M S， Mohd Nor A， Abd Rahim I， et al. Optimization of FDM process parameters to minimize surface roughness with integrated artificial neural network model and symbiotic organism search［J］. Neural Computing and Applications， 2022， 34（20）： 17 423⁃17 439.
[45]	Shirmohammadi M， Goushchi S J， Keshtiban P M. Optimization of 3D printing process parameters to minimize surface roughness with hybrid artificial neural network model and particle swarm algorithm［J］. Progress in Additive Manufacturing， 2021， 6： 199⁃215.
[46]	董海，高秀秀，魏铭琦.基于深度学习的完全填充型熔融沉积成型零件质量预测方法［J］.计算机集成制造系统，2023，29（01）：200⁃211.
	DONG H， GAO X X， WEI M Q. Quality prediction method of fully filled fused deposition molding parts based on deep learning［J］. Computer Integrated Manufacturing Systems，2023，29（01）：200⁃211.

类型	突出优势	相对劣势
ANN	能捕获复杂的非线性关系；能处理各种输入类型；适合大数据	需要超参数调优；容易过度拟合；缺乏透明度
前馈反向传播（FFBP）	高效的参数更新；可扩展性强；全局优化	对超参数敏感；需要大量标记数据；存在梯度消失和爆炸的问题，需初始化和正则化方法来解决
自适应神经模糊推理系统（ANFIS）	可解释性强；高效的计算能力；较强的自适应性和泛化能力	对初始条件敏感；需要大量数据；模型复杂性，包括模糊推理和神经网络两个部分
多层感知器	非线性映射和特征学习能力强	训练复杂度高、容易过拟合和参数调整难度大
BMLP	提高整体模型的泛化能力，减少过拟合；预测结果更加稳定和鲁棒；并行化处理，训练效率更高	计算资源需求高；难以解释；基学习器过多
KB⁃ANN	可解释性更强；模型收敛更快，预测精度更高，特别是在数据量有限的情况下；能够处理复杂和高维的问题	计算资源需求高；知识获取困难；实施和调试过程可能更加困难

类型	突出优势	相对劣势
ANN	能捕获复杂的非线性关系；能处理各种输入类型；适合大数据	需要超参数调优；容易过度拟合；缺乏透明度
前馈反向传播（FFBP）	高效的参数更新；可扩展性强；全局优化	对超参数敏感；需要大量标记数据；存在梯度消失和爆炸的问题，需初始化和正则化方法来解决
自适应神经模糊推理系统（ANFIS）	可解释性强；高效的计算能力；较强的自适应性和泛化能力	对初始条件敏感；需要大量数据；模型复杂性，包括模糊推理和神经网络两个部分
多层感知器	非线性映射和特征学习能力强	训练复杂度高、容易过拟合和参数调整难度大
BMLP	提高整体模型的泛化能力，减少过拟合；预测结果更加稳定和鲁棒；并行化处理，训练效率更高	计算资源需求高；难以解释；基学习器过多
KB⁃ANN	可解释性更强；模型收敛更快，预测精度更高，特别是在数据量有限的情况下；能够处理复杂和高维的问题	计算资源需求高；知识获取困难；实施和调试过程可能更加困难

类型	突出优势	相对劣势
PSO⁃BFO	收敛速度；初始条件和参数设置的敏感性降低；非线性问题解决能力强	计算复杂度高；参数设置复杂；可能陷入局部最优解
TLBO	无参数调节；全局搜索能力强；简单易实现	依赖于初始种群；效率相对低
NSGA II	多目标优化能力强；全局搜索能力强；鲁棒性强	计算复杂度高；参数调整复杂；收敛速度慢
ANN⁃SOS	非线性建模能力、全局搜索能力及适应性都较强	对数据需求量大、参数调整复杂、实现难度大
ANN⁃PSO	非线性建模能力强；全局优化能力强；预测精度高	计算复杂度高；参数调整复杂；收敛速度不稳定；实现复杂
ACS⁃SDBN	高效的超参数优化；预测精度高；泛化能力强；	数据需求大；实现难度高；依赖于初始数据

类型	突出优势	相对劣势
PSO⁃BFO	收敛速度；初始条件和参数设置的敏感性降低；非线性问题解决能力强	计算复杂度高；参数设置复杂；可能陷入局部最优解
TLBO	无参数调节；全局搜索能力强；简单易实现	依赖于初始种群；效率相对低
NSGA II	多目标优化能力强；全局搜索能力强；鲁棒性强	计算复杂度高；参数调整复杂；收敛速度慢
ANN⁃SOS	非线性建模能力、全局搜索能力及适应性都较强	对数据需求量大、参数调整复杂、实现难度大
ANN⁃PSO	非线性建模能力强；全局优化能力强；预测精度高	计算复杂度高；参数调整复杂；收敛速度不稳定；实现复杂
ACS⁃SDBN	高效的超参数优化；预测精度高；泛化能力强；	数据需求大；实现难度高；依赖于初始数据