✨文章主要亮点
✅1、全流程视角，覆盖两大主流金属增材制造工艺同时聚焦PBF‑LB/M（激光粉末床熔融）和DED‑LB/P（送粉式定向能量沉积），从原料选材→工艺参数优化→在线监控质量保障完整工艺链梳理机器学习应用，区别于大多数只聚焦单一环节的综述。
✅2、系统对比全部主流机器学习算法对线性回归、SVM、GPR、随机森林、XGBoost、ANN、CNN 等模型，总结各自优缺点、适配数据集规模、典型使用场景；重点指出高斯过程回归 GPR 非常适合小样本增材制造数据，CNN 在图像类传感监控任务表现突出。
✅3、五大传感监控方案全面盘点详细拆解声发射 AE、可见光、红外热成像、同步辐射高速 X 射线、多传感器融合 5 套原位监测方案，对比不同传感器适用缺陷类型、数据形式、机器学习实现方案，整理完整应用表格。
✅4、直面行业真实痛点，给出未来机会方向不只是罗列文献，深度剖析行业现实瓶颈：高质量数据集匮乏、模型泛化迁移差、可解释性不足、不同设备之间模型难以复用；提出物理信息融合机器学习、主动学习、大语言模型文献挖掘、回收粉末质量预测、多模态传感器融合等前沿方向。
✅5、多种先进技术结合案例汇总梳理高通量实验 HTE、CALPHAD 相图计算、多物理仿真、同步辐射 X 射线与机器学习结合的大量最新案例，给科研人员提供大量可参考思路。
✅6、明确区分两种工艺的差异性指出 DED 更适合高通量合金快速筛选；PBF/DED 各自特有缺陷、传感监测难点，工艺之间机器学习迁移存在壁垒。
图 1 两种激光金属增材制造工艺原理示意图：(a) 激光粉末床熔融 PBF‑LB/M；(b) 送粉式激光定向能量沉积 DED‑LB/P
图 2 (a) PBF‑LB/M 工艺主要缺陷与激光‑金属交互效应示意图；(b) 原位同步辐射 X 射线观测得到的缺陷与激光金属交互现象
图 3 (a) DED‑LB/P 工艺主要缺陷与激光‑金属交互效应示意图；(b) 原位同步辐射 X 射线观察熔池与孔隙推移现象
图 4 机器学习三大范式示意图：(a) 机器学习分为监督学习、无监督学习、强化学习及其子任务，以及与计算机视觉的关联；(b) 三种机器学习范式原理示意图；监督学习基于已知输入输出标签对做分类；无监督学习依靠数据内在模式聚类；强化学习通过与环境交互、获取奖励反馈完成决策。
图 5 各类机器学习算法原理示意图：(a) 线性回归 (LR)；(b) 支持向量机 (SVM)；(c) 高斯过程回归 (GPR)；(d) 随机森林 (RF)；(e) 人工神经网络 (ANN)；(f) 卷积神经网络 (CNN)
图 6 面向增材制造定制化材料开发：(a) DED‑LB/P 进行成分设计与试样制备；(b) 不同晶粒类型、晶粒占比、晶粒取向下的微观组织实例。
图 7 基于粉末扫描电镜 SEM 图像，机器学习用于金属粉末选型的主要应用：深度学习方法实现粒度分布表征；基于人工特征方法实现粉末流动性预测。
图 8 机器学习构建工艺地图与性能预测流程图，除工艺参数外，材料物理属性也可以作为模型输入；训练数据集来源包含试验设计、数据增强、高保真仿真、高通量试验。模型输出：致密度、表面粗糙度、力学性能、熔池几何形貌。
图 9 高通量实验 HTE 在金属增材制造中的应用：(a) 高通量拉伸试样夹具与测试平台；(b) PBF‑LB/M 在不同激光功率、扫描速度下制备的单熔道试样。高通量方法大幅降低数据生成的时间与成本，加速增材制造工艺研发优化。
图 10 不同优化策略实现工艺参数优化流程图：(a) 带元模型集成的非支配排序遗传算法‑II，优化打印件能耗、拉伸强度、表面粗糙度；(b) 结合 GPR 的贝叶斯优化，提升试样致密度。
图 11 PBF‑LB/M 三种不同打印条件下声发射信号的产生、传播、采集示意图：无缺陷信号、裂纹信号、匙孔孔隙信号。
图 12 监测系统的两种搭建方案：(a) 同轴监测系统以及采集的熔区图像；(b) 离轴监测系统以及采集的熔区图像。
图 13 (a) 红外传感器采集熔池图像与孔隙率之间的对应关系；(b) 每个体素红外信号与其缺陷状态的对应关系。
图 14 语义分割与目标检测模型处理 X 射线图像，识别感兴趣区域，提取匙孔长宽深等关键特征，用于激光吸收率预测。
图 15 集成多类传感器的原位监测系统示意图：(a) 声发射 + 可见光传感器；(b) 可见光 + 红外传感器。
图 16 PBF‑LB/M 和 DED‑LB/P 熔池内部熔体流动三维重建示意图。
图 17 同步辐射 X 射线成像系统、高速红外相机、高空间分辨率红外相机集成系统示意图，用于加深对金属增材制造工艺的理解。
图 18 金属增材制造 + 机器学习全流程总览：分为材料、参数、工艺监控三大阶段；分别列出各阶段现存挑战以及未来发展机遇。
