【论文速递】金属基激光增材制造中基于机器学习的原位监测、过程控制与残余应力预测综述

主要亮点内容

1. 系统划分 MLAM 主流工艺，厘清应用场景与痛点将金属基激光增材制造分为激光定向能量沉积（LDED） 和激光选区熔化（LPBF） 两大主流工艺，对比二者在成形精度、沉积效率、构件尺寸、适用场景上的差异：LPBF 精度高、成形尺寸受限、沉积速率低；LDED 沉积效率高、可制备大型构件，但尺寸控制难度大、易出现熔池失稳、粗晶等问题。同时点明残余应力是两类工艺共有的核心难题，也是制约 MLAM 大规模工业应用的关键。

2. 全面总结原位场辅助强化技术详细介绍四类主流原位场辅助工艺的原理、优势与不足，包括超声辅助、磁场辅助、脉冲激光辅助，以及原位轧制、原位喷丸、原位热处理等复合场技术，同时分析了多场耦合协同作用机制：

   超声辅助：利用空化效应与声流作用细化晶粒、降低孔隙与裂纹、提升粉末利用率与力学性能；
   磁场辅助：借助热电磁流体动力学效应优化熔池流动、减少缺陷、调控晶粒取向，弱化织构；
   脉冲激光辅助：通过激光冲击产生冲击波，调控熔池形貌、抑制气孔、原位引入压应力以抵消残余拉应力；
   多场耦合：融合电磁、超声、感应加热等技术，进一步强化晶粒细化效果与应力调控能力，但工艺复杂度显著提升。

3. 分类梳理四大原位信号监测技术将 MLAM 原位监测信号划分为热信号、视觉信号、声发射信号、光谱信号四大类，逐一介绍对应传感器、监测目标、技术优劣及工业应用成熟度：

   热信号：采用高温计、红外相机等监测熔池温度与热场分布，是工业应用最成熟的监测手段之一，可预判未熔合、孔隙等缺陷；
   视觉信号：依托 CCD/CMOS 相机、3D 视觉系统采集熔池形貌、飞溅、层厚等信息，结合机器视觉与深度学习实现缺陷识别；
   声发射信号：通过声发射传感器捕捉构件内部弹性波，可检测内部裂纹、孔隙等内部缺陷，抗环境干扰能力较弱；
   光谱信号：利用光学发射光谱分析熔池等离子体成分与状态，间接判断工艺异常，目前仍处于实验室研究阶段。此外，文章对比了多传感器融合的技术瓶颈，包括信号干扰、数据异步、异构数据融合难度大等问题。

4. 深度解析残余应力形成机理与机器学习预测方案

   明确 MLAM 残余应力三大形成机制：热梯度机制（TGM）、冷却阶段机制（CDP）、固态相变机制，并量化两类主流工艺中各机制的占比差异；
   系统归纳适用于残余应力预测的主流机器学习模型：人工神经网络（ANN）、3D U-Net 卷积神经网络、深度神经网络（DNN）、反向传播神经网络（BPNN）、随机森林（RF）等，对比各类模型的输入特征、预测精度、适用数据集规模与应用场景；
   证实机器学习相较于传统有限元仿真速度提升上万倍（机器学习预测最快仅需 0.47s，有限元仿真需 5~10h），且精度误差可控制在 5%~15%，是实现实时应力预测的核心方案。

5. 指明数据集构建、模型验证与不确定性量化规范提出 MLAM 机器学习模型的数据集两大来源（有限元仿真数据、实验实测数据），总结训练集划分、K 折交叉验证、留件验证等主流模型验证方法；同时强调 不确定性量化（UQ） 与可解释性机器学习的重要性，适配航空、医疗等安全严苛领域的认证需求。

6. 提出前沿技术融合路线与全维度未来研究方向结合 5G 通信、边缘计算、数字孪生等前沿技术，构建 “5G 高速传感 + 可解释机器学习 + 边缘计算” 的实时自适应闭环控制体系；并从过程监测、过程控制、机器学习模型性能、工业标准化四大维度，梳理未来亟待突破的技术难点。