武汉理工大学 & 华中科技大学联合 l 机器学习赋能金属增材制造

图1. ML在MAM中的主要应用。

二、工艺参数优化：从经验试错走向数据驱动的高效寻优

MAM工艺参数数量多、耦合强，而且常常需要同时兼顾致密度、强度、塑性、表面质量、微观组织和成形效率。文章指出，参数优化通常先筛选能够抑制孔隙和未熔合的工艺窗口，再在该窗口内针对性能和效率进行多目标优化。

1. 传统降维与筛选方法。固定非主导参数能够简化实验并突出关键变量，但容易掩盖未考察参数之间的交互作用；体积能量密度（volumetric energy density, VED）可将激光功率、扫描速度、道间距和层厚压缩为单一指标，适合初步排除明显欠熔或过熔区域，但相同VED并不意味着相同的熔池行为、表面粗糙度、致密度或硬度；田口（Taguchi）正交设计可在有限实验次数下筛选主效应，但对高阶耦合项的刻画能力有限。

2. ML与主动学习方法。代理模型、贝叶斯优化、主动学习、遗传算法和粒子群优化可根据已有数据提出下一组最有价值的实验参数，并同时考虑预测性能与不确定性。文章通过代表性研究说明，这类方法能够以较少实验逐步逼近高致密度区域或拓展强度—塑性Pareto前沿，也可反向搜索满足目标熔池几何或成形质量的工艺参数。其有效性仍取决于数据质量、输入变量是否完整以及模型能否覆盖设备、粉末状态和局部热历史等关键差异。

图2. 多参数耦合问题的四种处理方法：固定非主导参数、采用VED降维、Taguchi正交设计和Pareto主动学习。

三、缺陷检测与过程监测：从单一图像识别走向多传感器融合

孔隙、裂纹、飞溅、分层和变形等缺陷会削弱构件的尺寸稳定性、强度和疲劳寿命。传统检测多在成形完成后进行，难以及时纠正过程异常。文章总结了基于热成像、可见光图像、声发射信号和多模态传感数据的ML方法，展示了质量保障由“成形后发现问题”向“成形中识别和预测问题”的转变。

1. 图像监测。卷积神经网络可从热图像中提取飞溅、分层、局部过热和表面异常等空间特征。进一步引入多层热历史、扫描路径和时序信息，有助于识别与热积累、重熔和局部冷却条件相关的孔隙风险。受传感器噪声、热漂移等因素影响，此类方法的工业稳定性受到限制。

2. 传感器信号与多模态融合。声发射信号可用于在线异常检测，并可结合主成分分析、变分自编码器和深度学习提取具有跨材料迁移潜力的特征。多传感器融合则将多光谱辐射、声学信号、层间图像、扫描矢量和CT缺陷标签进行时空配准，再由神经网络联合判断缺陷位置。多模态方法虽然信息更全面，但也带来传感器同步、数据配准、标注成本、计算负担和响应延迟等问题。

图3. 多模态传感数据的采集、配准、特征融合及缺陷预测流程。

四、性能预测与智能设计：连接工艺、组织、性能和几何结构

在材料性能预测方面，文章将现有研究分为三类：直接由工艺参数和过程图像特征预测强度、磁性能等指标；由扫描电子显微组织图像预测屈服强度和抗拉强度；以及面向可打印性和合金成分的逆向设计。相比单纯建立“参数—性能”统计关系，将热历史、组织特征和冶金描述符纳入模型，更有助于解释性能变化的来源。

在智能设计方面，ML被用于加速传统计算成本较高的拓扑优化，并辅助点阵结构和支撑结构设计。条件生成对抗网络可以学习设计参数与拓扑优化结果之间的映射，快速生成候选结构；遗传算法优化的神经网络可同时考虑工艺参数、杆件尺寸和成形角度，预测点阵结构性能；有限元仿真与ML结合则可快速筛选支撑宽度、间距和结构形式。文章指出，这些模型的主要价值是缩短迭代周期和扩大设计探索范围，但生成结果仍需满足可制造性约束，并通过仿真或实验验证。

图4. 基于pix2pix条件生成对抗网络的拓扑优化加速流程。

五、物理信息机器学习：由数据相关性进一步走向物理约束

纯物理模型能够解释传热、流动、凝固和应力演化等机制，但通常需要简化假设，并受到计算成本和实时性的限制；纯数据驱动模型训练完成后推理速度快、能够处理高维异构数据，却可能产生缺乏物理合理性的预测，并高度依赖高质量标注数据。PIML试图结合两者优势。

文章将PIML的实现路径概括为三类：一是把解析模型、守恒关系和冶金知识转化为输入特征或模型约束；二是将有限元等数值模拟数据与实验数据共同作为模型输入；三是在损失函数和训练过程中嵌入控制方程、初始条件和边界条件，例如物理信息神经网络（physics-informed neural network, PINN）。代表性研究利用PINN在无需标注温度场数据的情况下预测激光金属沉积过程中的三维温度演化，并结合迁移学习提高计算效率。

PIML并不意味着物理问题已经被完全解决。高维多物理场会显著增加训练成本，模型仍可能面临收敛困难、数值稳定性不足、对高频和多尺度现象学习不充分，以及跨工况泛化能力有限等问题。因此，物理知识如何选择、如何嵌入以及如何验证，仍是后续研究的重点。

图5. 激光增材制造过程三维温度预测PINN框架。

六、关键挑战与未来研究方向

文章将当前瓶颈概括为数据、模型、系统集成、PIML和工业化五个层面：高保真实验数据昂贵且标准不统一；深度模型可解释性和跨材料、跨设备泛化能力不足；算法推理速度、传感器处理和软硬件接口难以满足原位闭环控制需求；工业现场还需要兼顾低延迟、模型压缩、边缘计算、多传感器同步以及网络—物理安全。未来应建设公开基准数据集、标准化元数据和统一评价协议，发展数据增强、仿真—实验混合数据与少样本学习；推进可解释人工智能、神经算子、多保真度和不确定性量化方法；融合实时监测、物理模拟、机器学习、强化学习和数字孪生，形成可验证的自适应闭环控制；同时发展轻量化、硬件友好和可信模型，将安全验证贯穿数据采集、模型推理、控制决策和构件质量认证全过程。

结语：从经验驱动向可预测、可解释和闭环智能制造转变

总体而言，该综述系统展示了ML贯穿MAM全生命周期的潜力：它能够提高参数搜索效率，推动缺陷监测前移，建立PSP映射，并加速复杂结构设计。与此同时，文章并未将ML视为脱离材料与制造机理的独立工具，而是强调数据、物理知识、仿真、传感器和控制系统的协同。未来，随着标准化数据体系、物理信息学习、可解释人工智能、数字孪生、边缘计算和闭环控制持续发展，ML有望推动MAM由依赖经验和离线检验的工艺，逐步转向更可预测、更可靠、更可解释且能够实时调节的智能制造过程。真正实现规模化应用，仍需要在跨设备泛化、实时性、系统兼容性、验证标准和网络—物理安全等方面开展长期研究。

*本文由MRL编辑部邀请，作者团队供稿。