金屬增材制造帶來了前所未有的設(shè)計自由度，但在涉及到安全關(guān)鍵的領(lǐng)域中，其規(guī)?；瘧?yīng)用之路往往受限于質(zhì)量控制的“黑箱”。機器學(xué)習(xí)技術(shù)則有望點亮工藝參數(shù)與最終性能之間的盲區(qū)，為生產(chǎn)過程的精準導(dǎo)航與自主決策提供可能，是推動增材制造擺脫人工試錯，走向智能化制造的引擎之一。

“3D Science Valley 白皮書 圖文解析

本期谷·專欄將分享近期發(fā)表于Advanced Powder Materials期刊的綜述文章“

Machine learning assisted quality control in metal additive manufacturing: a review

出版信息：Adv. Powder Mater. 4(2025)100342

共同一作：胡澤啟，黃長林

通信作者：謝樂春，華林，張來昌

01

文章摘要

增材制造（AM）技術(shù)憑借顯著的設(shè)計靈活性推動了金屬零部件制造技術(shù)的發(fā)展，但其在關(guān)鍵領(lǐng)域的應(yīng)用仍因難以確保質(zhì)量與性能的一致性而受限。工藝波動易導(dǎo)致缺陷、幾何精度不足及材料性能不佳等問題，而傳統(tǒng)質(zhì)量控制方法在建模高維非線性關(guān)系和實現(xiàn)自適應(yīng)控制方面存在局限性，致使這些問題難以有效管控。機器學(xué)習(xí)（ML）技術(shù)通過利用增材制造豐富的數(shù)據(jù)環(huán)境，為復(fù)雜工藝-結(jié)構(gòu)-性能關(guān)系建模提供了革命性解決方案。本研究系統(tǒng)綜述了機器學(xué)習(xí)在金屬增材制造質(zhì)量保障中的應(yīng)用實踐：首先創(chuàng)新性地探討了機器學(xué)習(xí)在預(yù)測和理解影響構(gòu)件質(zhì)量的核心多物理場（包括溫度場、流體動力學(xué)和應(yīng)力/應(yīng)變演化）方面的突破性探索；隨后詳細論述了機器學(xué)習(xí)在優(yōu)化關(guān)鍵質(zhì)量指標中的應(yīng)用，包括缺陷檢測與消除（孔隙、裂紋等）、幾何保真度提升（尺寸精度、表面粗糙度等）以及材料性能調(diào)控（機械強度、疲勞壽命、耐腐蝕性等）；最后討論了基于機器學(xué)習(xí)的實時閉環(huán)智能質(zhì)量控制系統(tǒng)開發(fā)，以及應(yīng)對金屬增材制造數(shù)據(jù)稀缺性和跨場景可遷移性問題的策略。本文為機器學(xué)習(xí)技術(shù)在金屬增材制造質(zhì)量控制應(yīng)用的深遠潛力提供了新穎視角，指出了研究過程中面臨的挑戰(zhàn)，并展望了未來發(fā)展方向。

02

研究背景

圖 1. 金屬增材制造中機器學(xué)習(xí)輔助質(zhì)量控制綜述框架。

金屬增材制造，通過逐層累加的方式構(gòu)建實體，徹底顛覆了傳統(tǒng)“減材”或“等材”制造的理念，賦予了產(chǎn)品前所未有的設(shè)計自由度，特別是在制造復(fù)雜結(jié)構(gòu)和拓撲優(yōu)化部件方面展現(xiàn)出巨大潛力。然而，這一變革性技術(shù)邁向交通運載、能源、醫(yī)療、工程機械等關(guān)鍵領(lǐng)域的應(yīng)用面臨諸多挑戰(zhàn)。其核心在于“過程復(fù)雜性”與“質(zhì)量穩(wěn)定性”之間的矛盾。金屬增材制造過程中，高能束與金屬粉末/絲材的交互涉及極高的溫度梯度及冷卻速度，形成了復(fù)雜的動態(tài)多物理場環(huán)境。這種內(nèi)在的工藝波動性極易導(dǎo)致各類缺陷（如孔隙、裂紋）、幾何形狀偏差（如翹曲變形、表面粗糙）以及材料微觀組織和力學(xué)性能的不穩(wěn)定。傳統(tǒng)的質(zhì)量控制手段，如依賴經(jīng)驗的試錯法，不僅耗時耗力、成本高昂，且在多參數(shù)優(yōu)化空間中難以找到全局最優(yōu)解；基于物理的數(shù)值模擬雖然能提供深入的物理信息，但巨大的計算成本限制了其在實時控制和大規(guī)模優(yōu)化中的應(yīng)用；而傳統(tǒng)的離線檢測方法則存在反饋滯后的問題，無法實現(xiàn)過程中的動態(tài)糾偏。在智能制造時代，迫切需要一種能實時、智能、精準地控制增材制造過程的先進技術(shù)。機器學(xué)習(xí)技術(shù)憑借其強大的非線性建模、模式識別和數(shù)據(jù)驅(qū)動決策能力，成為應(yīng)對這一挑戰(zhàn)的理想工具。它能夠從增材制造過程中海量的多源異構(gòu)數(shù)據(jù)（傳感器信號、圖像、工藝參數(shù)等）中學(xué)習(xí)，構(gòu)建從工藝輸入到質(zhì)量輸出的精確映射模型，從而實現(xiàn)質(zhì)量的預(yù)測、優(yōu)化和實時閉環(huán)控制，為金屬增材制造的廣泛應(yīng)用鋪平道路。

03

創(chuàng)新點

（1）從多物理場本質(zhì)出發(fā)，系統(tǒng)構(gòu)建ML與質(zhì)量關(guān)聯(lián)的新視角。從最根本的 Multi-physics fields （溫度場、流體動力學(xué)、應(yīng)力/應(yīng)變場）這一層面開始分析，系統(tǒng)性地綜述了機器學(xué)習(xí)如何用于預(yù)測和理解決定金屬增材制造零件成形質(zhì)量的基礎(chǔ)物理機制。

（2）橋接基礎(chǔ)物理場與最終零件質(zhì)量，闡明ML驅(qū)動的質(zhì)量優(yōu)化新機制。明確地搭建了基礎(chǔ)物理場與最終零件質(zhì)量屬性之間的橋梁，詳細討論了如何利用機器學(xué)習(xí)對物理機理的洞察來優(yōu)化關(guān)鍵質(zhì)量屬性（如缺陷抑制、幾何保真度、材料性能調(diào)控），系統(tǒng)闡明了基于機器學(xué)習(xí)的多物理場預(yù)測/控制與最終質(zhì)量優(yōu)化之間的關(guān)聯(lián)機制。

（3）聚焦ML驅(qū)動的實時閉環(huán)控制與數(shù)據(jù)挑戰(zhàn)，探索質(zhì)量保證的新路徑。致力于探索代表智能質(zhì)量保證終極目標的、由機器學(xué)習(xí)驅(qū)動的實時閉環(huán)控制系統(tǒng)，并通過綜述先進策略來解決數(shù)據(jù)稀缺這一關(guān)鍵挑戰(zhàn)。這種通過跨尺度協(xié)調(diào)、多模態(tài)數(shù)據(jù)融合和反饋優(yōu)化實現(xiàn)的全程調(diào)控，為融入數(shù)字孿生和邊緣計算等先進技術(shù)鋪平了道路，指明了未來的關(guān)鍵研究方向。

04

文章概述

1.概述

本綜述旨在系統(tǒng)性地闡述機器學(xué)習(xí)在金屬增材制造質(zhì)量控制領(lǐng)域的研究進展。文章首先簡要回顧了傳統(tǒng)質(zhì)量控制方法（試錯法、數(shù)值模擬、離線檢測）的優(yōu)勢與局限性，為引入機器學(xué)習(xí)的必要性奠定基礎(chǔ)。隨后，作為綜述的核心，文章深入剖析了機器學(xué)習(xí)在多個關(guān)鍵層面的應(yīng)用：首先是從物理第一性原理出發(fā)，探討其在多物理場（溫度、流體、應(yīng)力）預(yù)測中的應(yīng)用，揭示工藝過程的內(nèi)在機理；接著，將物理場與實際質(zhì)量相關(guān)聯(lián)，詳細論述了機器學(xué)習(xí)在微觀組織預(yù)測與缺陷檢測、幾何精度與表面質(zhì)量優(yōu)化、以及力學(xué)與使役性能（疲勞、腐蝕等）定制方面的研究進展。文章隨后討論了實現(xiàn)智能制造終極形態(tài)的實時閉環(huán)控制技術(shù)。最后，針對該領(lǐng)域普遍存在的數(shù)據(jù)稀缺難題，系統(tǒng)總結(jié)了多種先進的機器學(xué)習(xí)應(yīng)對策略。

2. 傳統(tǒng)增材制造質(zhì)量控制方法

傳統(tǒng)的金屬增材制造質(zhì)量控制體系主要依賴于經(jīng)驗試錯法、數(shù)值模擬分析和離線檢測評估。經(jīng)驗試錯法通過大量的實驗來摸索合適的工藝參數(shù)窗口，這種方法雖然直觀，但效率低下、成本高昂，且在面對新材料或復(fù)雜結(jié)構(gòu)時往往捉襟見肘，難以實現(xiàn)全局最優(yōu)化。數(shù)值模擬，如有限元法（FEM）和計算流體力學(xué)（CFD），能夠在一定程度上預(yù)測熔池行為、溫度演變和缺陷形成，為工藝優(yōu)化提供理論指導(dǎo)，從而減少了物理實驗的次數(shù)。例如，Cao等人利用動態(tài)網(wǎng)格技術(shù)高效模擬了粉末床熔融過程中的熔池形態(tài)，其模擬結(jié)果與實驗觀察展現(xiàn)出高度的一致性，證明了模擬在理解物理機制上的重要價值。然而，數(shù)值模擬的瓶頸在于其巨大的計算開銷和對材料物性參數(shù)精確度的極高依賴，使其難以用于實時指導(dǎo)。離線檢測，如CT掃描、金相分析和力學(xué)性能測試，能夠?qū)Ξa(chǎn)品進行精準的判定，提供高精度的質(zhì)量數(shù)據(jù)。Karna等人通過對不同增材工藝參數(shù)下AA6061鋁合金樣品的檢測，發(fā)現(xiàn)相對密度與體積能量密度（VED）之間存在復(fù)雜的非線性關(guān)系，微小的VED變化就可能導(dǎo)致孔隙率急劇增加。但其最大的弊端在于反饋的嚴重滯后性，無法在制造過程中進行任何干預(yù)，一旦發(fā)現(xiàn)問題，損失已經(jīng)造成。總而言之，這些傳統(tǒng)方法本質(zhì)上是“開環(huán)”的，缺乏實時預(yù)測、在線反饋和自適應(yīng)調(diào)控的能力，無法有效應(yīng)對金屬AM過程內(nèi)在的動態(tài)波動性，限制了其在高性能、高可靠性領(lǐng)域的規(guī)模化應(yīng)用。

圖 2.（a）不同功率下增材制造的SS316L表面粗糙度變化；（b）激光功率為340 W、焊接速度為1500 mm/s時焊池中的熱分布；（c）不同功率下模擬熔池與實驗形成的熔池橫向視圖特征比較。

3. 機器學(xué)習(xí)輔助增材制造質(zhì)量控制方法

面對傳統(tǒng)方法的局限性，機器學(xué)習(xí)（ML）作為一種數(shù)據(jù)驅(qū)動的范式，為金屬增材制造的質(zhì)量控制帶來了革命性的機遇。AM過程本身就是一個數(shù)據(jù)密集型環(huán)境，包含了海量的工藝參數(shù)、原位傳感信號和事后表征數(shù)據(jù)。ML技術(shù)，特別是深度學(xué)習(xí)，擅長從這些高維、復(fù)雜、非線性的數(shù)據(jù)中學(xué)習(xí)潛在規(guī)律和映射關(guān)系，構(gòu)建出從“輸入”（工藝參數(shù)、傳感器信號）到“輸出”（物理場、缺陷、幾何、性能）的精確預(yù)測模型。這使得我們能夠從被動的“事后檢測”轉(zhuǎn)向主動的“事前預(yù)測”和“事中控制”，從而實現(xiàn)更智能、更高效、更自適應(yīng)的質(zhì)量保證。

3.1增材制造多物理場預(yù)測

多物理場（溫度場、流場、應(yīng)力場）的瞬態(tài)演變是決定金屬AM成形質(zhì)量的物理根源。精確預(yù)測這些物理場是實現(xiàn)質(zhì)量前瞻性控制的基礎(chǔ)，但傳統(tǒng)數(shù)值模擬的計算成本使其無法滿足實時性要求。機器學(xué)習(xí)為此提供了高效的替代方案，通過構(gòu)建代理模型，實現(xiàn)對復(fù)雜物理過程的超快預(yù)測。在應(yīng)力場預(yù)測方面，傳統(tǒng)FEM模擬耗時極長，嚴重制約了工藝優(yōu)化效率。Kushwaha等人創(chuàng)新性地采用了一種專為多物理場問題設(shè)計的深度算子網(wǎng)絡(luò)（DeepONet），基于變化的幾何形狀和打印速度來預(yù)測全場殘余應(yīng)力，其訓(xùn)練好的模型預(yù)測應(yīng)力場的速度比傳統(tǒng)FEM快了43000倍，平均相對L2誤差僅為5.53%，平均絕對誤差為5.70 MPa，在保證精度的前提下實現(xiàn)了計算效率的巨大突破。在更為復(fù)雜的溫度場預(yù)測中，獲取充足的真實標簽數(shù)據(jù)異常困難。為此，Li等人開發(fā)了物理信息神經(jīng)網(wǎng)絡(luò)（PINN）框架，該方法將熱傳導(dǎo)、對流和輻射等物理控制方程作為損失函數(shù)的一部分，直接嵌入到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中。這使得模型無需任何標記數(shù)據(jù)，僅依據(jù)物理定律就能預(yù)測三維溫度場，其預(yù)測結(jié)果與FEM模擬相比，最大相對誤差約2%，熔池內(nèi)的絕對誤差低于55 K，為解決數(shù)據(jù)稀缺下的物理場預(yù)測問題開辟了新路徑。

圖 3.（a）利用Conv1D模型進行等離子弧AM的溫度場預(yù)測和FEM仿真結(jié)果；（b）用于DED快速溫度預(yù)測的數(shù)據(jù)驅(qū)動模型框架和圖形樣本；（c）C光纖布拉格光柵熱解調(diào)的機器學(xué)習(xí)流程；（d）校準實驗與機器學(xué)習(xí)解調(diào)的地下熱剖面比較；（e）激光熔融沉積（LMD）過程中代表性點的預(yù)測與模擬熱歷史比較。

3.2組織預(yù)測與缺陷檢測

多物理場的演化最終物化為材料的微觀組織和各類缺陷，這兩者是連接制造工藝與最終性能的關(guān)鍵橋梁。利用機器學(xué)習(xí)對微觀組織進行預(yù)測和對缺陷進行精準檢測，是質(zhì)量控制的核心環(huán)節(jié)。ML能夠通過分析各類原位傳感器數(shù)據(jù)（如視覺、熱、聲學(xué)信號）或離線表征圖像，實現(xiàn)對孔隙、裂紋、未熔合等缺陷的快速、自動化識別與分類，并逐漸走向?qū)ξ⒂^組織（如晶粒形態(tài)、相分布）的定量預(yù)測。在表面缺陷檢測方面，一項研究針對熔絲增材（WAAM）過程中的表面氣孔和夾渣問題，開發(fā)了基于YOLOv4深度神經(jīng)網(wǎng)絡(luò)的視覺檢測方法。該模型通過對CMOS相機采集的圖像進行分析，實現(xiàn)了對最小尺寸0.50 mm缺陷的有效識別，平均精度（mAP）達到94.50%，處理速度高達42幀/秒，展現(xiàn)了在產(chǎn)線上進行實時表面質(zhì)量監(jiān)控的巨大潛力。對于更具危害性的內(nèi)部缺陷，多模態(tài)信息融合是提升檢測能力的關(guān)鍵。Scime等人設(shè)計了一種新穎的雙流卷積神經(jīng)網(wǎng)絡(luò)（CNN），該網(wǎng)絡(luò)能夠同時融合可見光和近紅外圖像信息。通過這種互補信息的融合，模型成功地檢測出了LPBF工藝中尺寸在200至1000 μm范圍內(nèi)的亞表面缺陷，準確率高達90%，這對于預(yù)防因內(nèi)部缺陷導(dǎo)致的災(zāi)難性失效至關(guān)重要。

圖 4. (a) 利用PIML、LPBF參數(shù)的優(yōu)化將未熔合缺陷減少到最低水平；(b) ML過程和ML引導(dǎo)優(yōu)化的示意圖；(c) GPR模型預(yù)測的激光功率和掃描速度工藝窗口；(d) GPR預(yù)測的缺陷率平均值的響應(yīng)面。

3.3幾何形貌與精度優(yōu)化

零件的幾何質(zhì)量，主要包括尺寸精度和表面粗糙度，直接決定了其能否被成功裝配和使用。金屬AM固有的逐層制造特性、復(fù)雜的熱-力耦合效應(yīng)不可避免地會導(dǎo)致翹曲變形、尺寸偏差和“臺階效應(yīng)”等問題。機器學(xué)習(xí)為此提供了強大的數(shù)據(jù)驅(qū)動優(yōu)化工具，通過建立工藝參數(shù)與幾何輸出之間的非線性模型，實現(xiàn)對成形幾何的精確預(yù)測和主動補償。在單道熔敷幾何控制這一基礎(chǔ)層面，Hu等人針對機器人WAAM工藝，開發(fā)了一種快速的ANN-GA（遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)）模型。該模型能夠精確預(yù)測任意層高處焊道的寬度、高度和面積，平均相對誤差分別低至3.12%、4.63%和1.58%，顯著優(yōu)于傳統(tǒng)建模方法，為復(fù)雜構(gòu)件的精確成形奠定了基礎(chǔ)。在整體零件幾何精度控制上，Li等人采用改進的Mask R-CNN對激光熔覆沉積過程中的熔池圖像進行分割，并結(jié)合堆疊集成模型預(yù)測熔覆層高度。通過這種方式，他們成功優(yōu)化了葉片的成形質(zhì)量，展示了ML在復(fù)雜曲面零件幾何控制中的應(yīng)用潛力。此外，為了應(yīng)對極端幾何特征的挑戰(zhàn)，Oh等人采用支持向量機（SVM）對WAAM工藝中起弧區(qū)和穩(wěn)定區(qū)的焊道幾何進行建模和優(yōu)化。通過5層堆積實驗驗證，其起弧區(qū)高度/寬度誤差為-0.36%/1.28%，穩(wěn)定區(qū)誤差為-0.64%/1.26%，證明了ML能夠?qū)に囍胁煌A段的幾何特征進行精細化調(diào)控。

圖 5. 基于機器學(xué)習(xí)方法的金屬增材制造幾何和尺寸精度優(yōu)化。(a) 基于不同機器學(xué)習(xí)方法提取的熔池尺寸比較；(b) 優(yōu)化的葉片成形質(zhì)量；(c) 基于機器學(xué)習(xí)的WAAM工藝參數(shù)建模與預(yù)測；(d) 用于火箭噴嘴的自適應(yīng)切片模型；(e) 預(yù)測的電弧沖擊區(qū)高度（SVM回歸模型）；(f) 預(yù)測的電弧沖擊區(qū)寬度；(g) 預(yù)測的中間區(qū)高度；(h) 預(yù)測的中間區(qū)寬度。

3.4增材性能優(yōu)化

最終產(chǎn)品的使役性能，如力學(xué)性能、耐腐蝕性和疲勞壽命，是評價增材制造技術(shù)成功與否的終極標準。這些性能由復(fù)雜的工藝-組織-缺陷關(guān)系共同決定，傳統(tǒng)方法往往需要漫長且昂貴的實驗周期來優(yōu)化。機器學(xué)習(xí)則通過構(gòu)建“工藝-性能”或“工藝-組織-性能”的端到端模型，極大地加速了材料性能的預(yù)測和優(yōu)化進程，甚至能夠發(fā)掘出超越傳統(tǒng)認知的高性能工藝窗口。在力學(xué)性能優(yōu)化方面，Zhang等人將高通量實驗（一次打印54個不同參數(shù)的樣品）與集成學(xué)習(xí)、貝葉斯主動學(xué)習(xí)相結(jié)合，對LPBF工藝制造的316L不銹鋼進行優(yōu)化。該方法不僅成功將孔隙率從0.57%降至0.10%以下，還獲得了高達609 MPa的抗拉強度和50.67%的延伸率，實現(xiàn)了優(yōu)異的強韌性匹配，其綜合性能超越了傳統(tǒng)方法制造的同類材料。在最具挑戰(zhàn)性的疲勞性能預(yù)測方面，傳統(tǒng)模型難以處理多缺陷共存的情況。Feng等人開發(fā)了一種集成了物理知識的PINN模型，該模型將關(guān)鍵缺陷特征（如應(yīng)力強度因子ΔK、最大應(yīng)力σmax）作為輸入，并將疲勞敏感性（?Nf/?ΔK < 0）等物理約束嵌入到損失函數(shù)中。這種物理-數(shù)據(jù)混合驅(qū)動的方法，顯著提升了對高周疲勞壽命的預(yù)測精度（R2=0.82），為含缺陷部件的壽命評估提供了更可靠的工具。

圖 6. 基于機器學(xué)習(xí)的增材制造部件力學(xué)性能優(yōu)化。(a) 優(yōu)化試樣的應(yīng)力-應(yīng)變曲線；(b) 孔隙率和硬度隨VED的變化情況及其擬合曲線的R2值；(c) 不同功率和速度組合的YS分布圖；(d) 使用機器學(xué)習(xí)方法在不同功率和掃描速度下預(yù)測維氏硬度；(e) Ti-6Al-4V可實現(xiàn)的力學(xué)性能設(shè)計空間；(f) 通過機器學(xué)習(xí)獲得的CP-Ti力學(xué)性能比較；(g) 由機器學(xué)習(xí)計算的EL三維等高線圖；(h) 通過GPR建立的相對密度與激光參數(shù)之間的映射關(guān)系；(i) 不同時效條件下析出模型計算的γ′半徑與基于物理的YS模型預(yù)測對比。

3.5增材過程實時閉環(huán)控制

實時閉環(huán)控制是實現(xiàn)增材制造過程“自主智能”的終極形態(tài)，它代表了從被動的質(zhì)量監(jiān)測到主動的質(zhì)量保證的根本性轉(zhuǎn)變。該系統(tǒng)集成了實時傳感、ML驅(qū)動的快速決策和自動化的工藝參數(shù)調(diào)節(jié)，形成一個完整的反饋回路，能夠在缺陷發(fā)生之前動態(tài)補償工藝波動，確保質(zhì)量的高度一致性。強化學(xué)習(xí)（RL）因其無需精確系統(tǒng)模型、通過與環(huán)境交互自主學(xué)習(xí)最優(yōu)策略的特性，在該領(lǐng)域展現(xiàn)出巨大潛力。Mattera等人成功將深度確定性策略梯度（DDPG）強化學(xué)習(xí)模型應(yīng)用于WAAM過程，訓(xùn)練了一個RL控制器。該控制器通過實時調(diào)整送絲速度、電壓等工藝參數(shù)，將薄壁件的寬度控制精度穩(wěn)定在±0.1 mm以內(nèi)，并創(chuàng)新性地提出了基于過程的獎勵函數(shù)，極大地提升了學(xué)習(xí)效率和控制效果。除了RL，監(jiān)督學(xué)習(xí)模型與傳統(tǒng)控制邏輯的結(jié)合也是一條有效路徑。Ma等人設(shè)計了一個混合控制框架，其中CNN模型用于實時量化LPBF過程中的熔池特征，然后將這些量化指標輸入到一個模糊推理系統(tǒng)中，該系統(tǒng)結(jié)合歷史狀態(tài)信息，對下一層的工藝參數(shù)進行優(yōu)化，從而有效抑制了層間缺陷的產(chǎn)生。這些前沿探索表明，ML驅(qū)動的閉環(huán)控制系統(tǒng)正將金屬AM推向一個前所未有的自動化和智能化水平。

圖 7. 基于機器學(xué)習(xí)的增材制造質(zhì)量閉環(huán)控制策略。(a) 由強化學(xué)習(xí)協(xié)調(diào)的數(shù)據(jù)驅(qū)動制造過程控制優(yōu)化；(b) 使用預(yù)訓(xùn)練深度確定性策略梯度控制器進行寬度和高度控制的輸出響應(yīng)；(c) 基于深度強化學(xué)習(xí)的LPBF熱控制；(d) 基于機器學(xué)習(xí)和模糊推理減輕LPBF過程中逐層熔化缺陷的方法。

3.6增材制造高質(zhì)量數(shù)據(jù)稀缺應(yīng)對策略

盡管機器學(xué)習(xí)潛力巨大，但其數(shù)據(jù)驅(qū)動的本質(zhì)在金屬增材制造領(lǐng)域面臨一個核心瓶頸：高質(zhì)量、大規(guī)模、標記完整的訓(xùn)練數(shù)據(jù)往往是稀缺的。獲取每個數(shù)據(jù)點都可能意味著一次昂貴的實驗、復(fù)雜的后處理表征和耗時的人工標記。為了突破這一“數(shù)據(jù)枷鎖”，研究人員開發(fā)了一系列先進的ML策略，旨在從小樣本、多源、異構(gòu)數(shù)據(jù)中挖掘最大化的信息價值。數(shù)據(jù)增強和生成模型是直接擴充數(shù)據(jù)集的有效手段。He等人提出了一種基于矢量量化變分自編碼器和條件生成對抗網(wǎng)絡(luò)（cGAN）的數(shù)據(jù)增強算法，專門用于增廣時序熔池圖像數(shù)據(jù)集。該方法不僅增加了樣本數(shù)量，更重要的是豐富了缺陷場景的多樣性，顯著提升了缺陷分類器的性能。遷移學(xué)習(xí)則致力于知識的復(fù)用，將在數(shù)據(jù)豐富的“源域”學(xué)到的知識遷移到數(shù)據(jù)稀缺的“目標域”。Li等人成功實現(xiàn)了從316L不銹鋼到Ti-6Al-4V鈦合金的跨材料質(zhì)量監(jiān)控模型遷移。僅用5%的目標材料數(shù)據(jù)對在源域預(yù)訓(xùn)練好的CNN模型進行微調(diào)，就實現(xiàn)了超過92%的分類準確率，極大地降低了為新材料開發(fā)模型的成本和周期。此外，物理信息機器學(xué)習(xí)（PIML）通過將物理定律作為先驗知識融入模型，減少了模型對純數(shù)據(jù)的依賴，保證了預(yù)測的物理一致性，這在多物理場預(yù)測中已展現(xiàn)出巨大優(yōu)勢。

圖 8. (a)用于AM缺陷檢測的常見數(shù)據(jù)增強方法；(b)用于WAAM中時間序列熔池圖像的cGAN數(shù)據(jù)增強模塊；(c)基于遷移學(xué)習(xí)的跨材料LPBF質(zhì)量監(jiān)控；(d)基于遷移學(xué)習(xí)的PINN通用框架。

05

結(jié)論與展望

盡管金屬增材制造（AM）提供了前所未有的設(shè)計自由度，但在安全關(guān)鍵領(lǐng)域的工業(yè)應(yīng)用仍面臨著源于工藝波動大、缺陷率高、尺寸精度不足以及材料性能不可預(yù)測性等方面的持續(xù)瓶頸。這些挑戰(zhàn)無法通過傳統(tǒng)的質(zhì)量保證方法得到充分解決。在此背景下，機器學(xué)習(xí)（ML）作為一種數(shù)據(jù)驅(qū)動的解決方案應(yīng)運而生，它利用增材制造固有的數(shù)字連接性，解碼復(fù)雜的“工藝-結(jié)構(gòu)-性能”相互作用，并建立自適應(yīng)的質(zhì)量控制策略。本文對機器學(xué)習(xí)在金屬增材制造質(zhì)量控制框架中的融合應(yīng)用進行了全面的分析與總結(jié)。

機器學(xué)習(xí)的變革性潛力在增材制造質(zhì)量的多個維度上得到了充分展示。先進的神經(jīng)網(wǎng)絡(luò)架構(gòu)，例如用于圖像分析的卷積神經(jīng)網(wǎng)絡(luò)（CNN）、用于序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、用于結(jié)構(gòu)關(guān)系的圖神經(jīng)網(wǎng)絡(luò)（GNN），特別是物理信息神經(jīng)網(wǎng)絡(luò)（PINN）及其他深度學(xué)習(xí)模型，已顯著提升了對溫度梯度、流體動力學(xué)、微觀結(jié)構(gòu)演化和相變等多物理場現(xiàn)象的模擬計算效率。集成的傳感器數(shù)據(jù)分析技術(shù)，通常利用CNN（如YOLO、U-Net）和集成方法（如隨機森林RF或梯度提升XGBoost），在高效識別孔隙與裂紋等缺陷方面表現(xiàn)卓越，并結(jié)合基于預(yù)測的參數(shù)優(yōu)化（例如，使用高斯過程回歸GPR或融合了遺傳算法/貝葉斯優(yōu)化的ANN）以有效抑制缺陷。在尺寸精度方面，機器學(xué)習(xí)能夠精準預(yù)測幾何偏差與表面不規(guī)則性，從而為通常由ANN或支持向量回歸（SVR）驅(qū)動的實時補償算法提供信息支撐。材料性能預(yù)測也通過機器學(xué)習(xí)驅(qū)動的相關(guān)性分析取得了顯著進展，這些模型（通常為ANN、GPR或RF）在工藝參數(shù)與拉伸強度、疲勞抗性及環(huán)境耐久性等關(guān)鍵性能指標之間建立了可靠的映射關(guān)系。這些能力共同支撐了以機器學(xué)習(xí)賦能的閉環(huán)控制架構(gòu)為核心的下一代自適應(yīng)制造，該架構(gòu)越來越多地采用強化學(xué)習(xí)（RL）或混合方法（將監(jiān)督模型與經(jīng)典控制器相結(jié)合），以動態(tài)調(diào)整工藝變量。此外，數(shù)據(jù)增強、遷移學(xué)習(xí)和生成模型等技術(shù)也為解決金屬增材制造領(lǐng)域的數(shù)據(jù)稀缺問題提供了一定保障。

上述進展凸顯了機器學(xué)習(xí)在重塑整個增材制造價值鏈質(zhì)量保證范式方面的巨大潛力。然而，挑戰(zhàn)依然存在，主要包括：特定應(yīng)用中高保真數(shù)據(jù)的稀缺性；復(fù)雜神經(jīng)網(wǎng)絡(luò)模型有限的可解釋性；連接微觀結(jié)構(gòu)演化與宏觀構(gòu)件性能的多尺度建模難題尚未完全解決；以及模型在跨平臺應(yīng)用中泛化能力不足。為應(yīng)對這些挑戰(zhàn)，未來的研究應(yīng)優(yōu)先關(guān)注構(gòu)建物理信息與人工智能相結(jié)合的混合框架，開發(fā)多模態(tài)傳感器融合架構(gòu)，并建立穩(wěn)健的自適應(yīng)控制系統(tǒng)。至關(guān)重要的是，促進材料科學(xué)、數(shù)據(jù)科學(xué)、物理學(xué)與制造工程學(xué)等領(lǐng)域的深度跨學(xué)科合作，這些舉措將是加速這些發(fā)展的關(guān)鍵。克服這些障礙，是充分釋放機器學(xué)習(xí)潛力、并在關(guān)鍵工業(yè)應(yīng)用中實現(xiàn)具有可靠質(zhì)量保證的金屬增材制造規(guī)模化生產(chǎn)的必要條件。

論文引用

Zeqi Hu, Changlin Huang, Lechun Xie, Lin Hua, Yujie Yuan, Lai-Chang Zhang,Machine learning assisted quality control in metal additive manufacturing: a review, Adv. Powder Mater. 4 (2025) 100342. https://doi.org/10.1016/j.apmate.2025.100342

研究團隊

華林，武漢理工大學(xué)首席教授，高溫輕合金及應(yīng)用技術(shù)全國重點實驗室教授、博士生導(dǎo)師，國家杰出青年科學(xué)基金獲得者。兼任中國汽車工程學(xué)會常務(wù)理事、中國機械工程學(xué)會理事、中國機械工程學(xué)會塑性工程分會理事長、東風(fēng)汽車集團公司首席科學(xué)家。主要從事先進材料與高端制造研究，主持了國家自然科學(xué)基金重點項目、國家重點研發(fā)計劃、國家科技重大專項等，獲國家科技進步二等獎、國家技術(shù)發(fā)明二等獎、中國機械工程學(xué)會科技成就獎。目前已發(fā)表SCI論文300余篇，出版專著5部，入選全球前2%高被引學(xué)者。同時擔(dān)任《Advanced Engineering Materials》、《Chinese Journal of Nonferrous Metals (English)》、《機械工程學(xué)報》、《中國機械工程》、《塑性工程學(xué)報》等期刊編委。

張來昌(Lai-Chang Zhang)，澳大利亞伊迪斯科文大學(xué)工程學(xué)院材料工程教授、先進材料與制造中心主任、機械工程專業(yè)負責(zé)人。博士畢業(yè)于中國科學(xué)院金屬研究所材料科學(xué)與工程專業(yè)，曾先后在西澳大學(xué)、伍倫貢大學(xué)、德國德累斯頓萊布尼茨固態(tài)與材料研究所（IFW Dresden）及達姆施塔特工業(yè)大學(xué)任職。研究興趣包括金屬增材制造、金屬生物材料、輕質(zhì)合金與結(jié)構(gòu)、高強度合金及復(fù)合材料。他是科睿唯安材料科學(xué)領(lǐng)域“高被引學(xué)者”及國際先進材料協(xié)會（IAAM）“先進材料桂冠學(xué)者”，已發(fā)表期刊論文410余篇，H指數(shù)為95，總被引次數(shù)超過32,000次。兼任 International Journal of Extreme Manufacturing、Advanced Powder Materials、International Journal of Mining Science and Technology、Advanced Engineering Materials、《Acta Metallurgica Sinica (English Letters)》等10余種期刊的編輯或編委。

謝樂春，武漢理工大學(xué)高溫輕合金及應(yīng)用技術(shù)全國重點實驗室教授、博導(dǎo)，博士畢業(yè)于上海交通大學(xué)。2011年至2018年，曾先后在美國西北大學(xué)、加拿大阿爾伯塔大學(xué)和澳大利亞迪肯大學(xué)任職。主要研究方向為多能場制造、增材制造、鈦合金與鈦基復(fù)合材料、微觀結(jié)構(gòu)與性能等。在 Progress in Materials Science、Acta Materialia、Additive Manufacturing 等期刊發(fā)表SCI論文80余篇。主持國家自然科學(xué)基金、國家重點研發(fā)計劃課題、中國商飛國家工程中心創(chuàng)新基金等國家省部級項目10余項。獲第68屆美國摩擦學(xué)與潤滑工程師學(xué)會(STLE)年會海報銀獎、澳大利亞迪肯大學(xué)Alfred Deakin博士后研究獎金，湖北省楚天學(xué)子等。擔(dān)任期刊 Engineering Reports、Virtual and Physical Prototyping、International Journal of Extreme Manufacturing、Advanced Powder Materials、Transactions of Nonferrous Metals Society of China、Additive Manufacturing Frontiers、Acta Metallurgica Sinica (English Letters)等10余種期刊的編委或青年編委。

胡澤啟，武漢理工大學(xué)汽車工程學(xué)院副研究員。博士畢業(yè)于武漢理工大學(xué)車輛工程專業(yè)。主要研究方向為電弧/激光金屬增材制造、機器學(xué)習(xí)輔助質(zhì)量控制、機器人技術(shù)以及鍛模再制造。在 Additive Manufacturing、Robotics and Computer-Integrated Manufacturing、International Journal of Mechanical Sciences 等國際期刊發(fā)表SCI論文40余篇。擔(dān)任《Additive Manufacturing Frontiers》、《表面工程與再制造》等期刊青年編委。

黃長林，武漢理工大學(xué)汽車工程學(xué)院博士研究生，師從謝樂春教授和胡澤啟副研究員，研究方向主要為鈦基復(fù)合材料激光增材制造成形優(yōu)化設(shè)計。在Materials Today Communications, Advanced Engineering Materials等期刊發(fā)表論文3篇，于2024年獲得云南省優(yōu)秀碩士學(xué)位論文。

袁玉潔，澳大利亞伊迪斯科文大學(xué)工程學(xué)院講師、化工與能源工程系系主任。博士畢業(yè)于澳大利亞科廷大學(xué)礦業(yè)學(xué)院能源工程專業(yè)。擔(dān)任國際會議委員會主席（如 2025 Intelligent Technology for Power and Energy（荷蘭）首席委員會主席Principal Committee Chair），學(xué)術(shù)期刊編委或青年編委（如Advances in Geo-Energy Research（IF 10.0）、International Journal of Coal Science & Technology（IF 8.7）、Scientific Reports等），書籍編著與特刊編輯、國際會議特邀報告人、學(xué)術(shù)會議專題召集人（如第一屆地球能源前沿論壇“專題11–非常規(guī)儲層形成機理與非均質(zhì)性評價”）等。主要從事CO2提高油氣采收率與長效地質(zhì)封存一體化、地下儲氫與天然氫、頁巖油氣工程與地質(zhì)一體化、氫脆與材料腐蝕等方向的研究和教學(xué)工作。近七年已發(fā)表學(xué)術(shù)論文及著作章節(jié)50余篇，多篇入選Web of Science高被引論文。

▌三維科學(xué) l 無限可能

投稿丨daisylinzhu 微信

2509957133@qq.com 編輯郵箱

www.3dsciencevalley.com