再发增材顶刊丨基于物理机理和数据驱动的激光增材制造混合建模、智能缺陷监测、多目标协同优化

原位监测是另一种被广泛采用的质量保证手段，它通过提供过程参数、缺陷检测和材料特性等方面的实时数据，在金属PBF过程中发挥关键作用。借助持续的过程监测，原位传感器能够发现异常、偏差和缺陷，从而实现即时调整，以维持打印质量与一致性。这种由原位监测所支持的实时反馈回路显著增强了工艺控制，降低了错误发生的可能性，并最终提高了 增材制造过程的整体质量与可靠性。

基于数据的数字化监测结合原位过程检测，在缓解这些缺陷方面已日益重要。然而，挑战如金属PBF工艺的复杂性、庞大的数据量以及信号噪声的存在，可能阻碍数据的有效利用，机器学习（ML）方法被频繁用于原位数据处理以克服这些挑战。用于缺陷检测的ML模型在收集的数据集上进行训练，而无需完全理解底层物理机制，使其能够识别制造过程中的模式和异常。然而，其有效性依赖于其统计特性以及对不同数据特征的适用性。

适当的 ML 模型选择应考虑数据集规模、数据复杂性和计算限制，RF 更适合结构化缺陷分类，SVM 更适合高维但小规模数据集，而 NN 则适合大规模非结构化缺陷检测。然而，使用原位监测数据训练 ML 模型存在挑战，包括噪声、离群点、缺失值、数据不平衡、标准化需求、特征选择以及时间序列处理。这些问题必须通过严格的原位数据预处理来解决，这是弥合实时监测与 ML 驱动缺陷检测之间差距的关键步骤。适当的预处理能够增强数据可靠性，最小化离群点，并确保稳健的训练和测试数据集，最终提高基于 ML 的缺陷检测系统的准确性和可信度。

随着航空航天、高端装备制造等领域对金属构件轻量化、功能集成化需求的升级，传统增材制造技术面临核心挑战：多物理场耦合机理不透明、工艺质量强依赖试错、全流程不确定性量化缺失。与此同时，人工智能与物理机理的深度融合正为增材制造开辟新范式—通过构建“物理信息驱动+数据智能”的混合模型，实现制造过程的可预测、可调控与可优化。

国际趋势方面，《Nature Materials》、《Additive Manufacturing》等顶尖期刊持续聚焦“多物理场智能建模”、“增材制造不确定性量化”等前沿方向。全球工业界与学术界正加速推进物理信息神经网络（PINN） 在熔池监测、多场耦合仿真、晶体结构预测等场景的落地应用，推动增材制造向 “首件即合格件” 的智能闭环生产模式演进。

国家需求层面，我国《“十四五”智能制造发展规划》在《智能制造技术攻关行动》专栏中，将“产品优化设计与全流程仿真、基于机理和数据驱动的混合建模、多目标协同优化等技术”列为关键核心技术。《国家自然科学基金机械工程学科发展战略报告》中将 “高性能机电装备设计与制造”列为优先资助领域，重点研究方向包括“复杂机电系统多学科集成，精准成形制造，数据驱动的智能制造系统，多维多参数测量与微纳制造”，为创新装备制造理论设计方法奠定基础。

智能增材制造作为 “材料-物理-AI-仿真”交叉学科，亟需复合型人才：既要精通金属增材物理过程，又需掌握 工业AI全链路能力，同时能驾驭不确定性量化工具链与微观组织预测技术。当前，航发集团、航天科技等头部企业对具备上述能力的研发人才需求缺口持续扩大。为了攻克增材制造“机理黑箱化、工艺经验化、质量波动大”的行业痛点，响应国家智能制造战略对高端人才的迫切需求，特举办本次培训会议。