综述:定向能量沉积金属增材制造中用于质量控制与监测的人工智能:应用、挑战与机遇

《JOURNAL OF INTELLIGENT MANUFACTURING》:Artificial intelligence for quality control and monitoring in directed energy deposition metal additive manufacturing: applications, challenges, and opportunities

【字体: 大 中 小 】 时间:2026年08月27日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7

编辑推荐:

  定向能量沉积(DED)是一种多功能的金属增材制造(MAM)技术,能够在不同行业中实现高价值部件的制造与修复。然而,由于热梯度、材料行为与工艺参数之间复杂的相互作用,确保DED工艺中一致的质量仍然是一个持续的挑战。近年来,人工智能(AI)方法,尤其是机器学习(M

  
定向能量沉积(DED)是一种多功能的金属增材制造(MAM)技术,能够在不同行业中实现高价值部件的制造与修复。然而,由于热梯度、材料行为与工艺参数之间复杂的相互作用,确保DED工艺中一致的质量仍然是一个持续的挑战。近年来,人工智能(AI)方法,尤其是机器学习(ML)和深度学习(DL),在提升DED工艺的质量控制与实时监测方面展现出巨大潜力。本研究对DED中基于AI的质量控制与监测进行了系统性文献综述,重点涵盖缺陷检测、工艺状态监测、物理信息建模、数字孪生、工业就绪度以及基于AI的检测方法与常规检测方法的比较。采用系统综述和荟萃分析首选报告项目(PRISMA)方法,分析了2015年至2026年间发表的145篇同行评审文章。DED中的质量问题被分为几何、形态和微观结构三类,并针对每一类分析了AI的应用情况。综述表明,卷积神经网络(CNNs)、随机森林、自编码器及相关ML/DL模型已被广泛应用于熔池监测、热信号与视觉信号解读、缺陷分类、几何预测和工艺条件评估。比较分析表明,常规方法在直接测量、验证和鉴定方面仍然不可或缺,而基于AI的方法主要用于过程预测、早期预警、筛查以及潜在的闭环控制。新兴的物理信息ML和数字孪生框架通过将工艺数据与热、几何及缺陷相关的质量状态联系起来,进一步拓展了AI的能力。尽管取得了这些进展,但在数据采集、传感器可靠性、AI模型的可解释性以及跨几何形状和材料的泛化能力方面仍存在关键挑战。本综述确定了在数据高效学习、物理集成传感器融合、稳健且可解释的建模、标准化质量指标以及可工业部署的闭环控制等方面的未来研究需求。通过综合当前研究,本研究为推进AI赋能的DED质量保证从研究目的演示迈向可扩展、可追溯且具备鉴定就绪性的制造系统奠定了坚实基础。
**引言**

金属增材制造(MAM)在过去几十年中取得了显著进展,人们对各种工艺及其参数如何影响所制造金属部件性能的理解不断深入。MAM技术通过从三维CAD模型逐层沉积材料直至最终结构完成,用于生产具有复杂几何形状的产品。MAM技术可分为粉末床熔融(PBF)、粘结剂喷射、薄板叠层和定向能量沉积(DED)工艺。PBF和粘结剂喷射分别通过选择性熔化或粘合粉末颗粒来制造复杂零件,而薄板叠层则通过粘合金属、纸张或聚合物薄板来构建大型部件。然而,材料的有限可重用性阻碍了其更广泛的采用。

DED是一种MAM工艺,利用聚焦能源将粉末或丝材原料同时熔化并沉积到基材上,实现逐层制造,并具备局部修复和打印复杂几何形状的能力。DED工艺可通过三种主要的材料输送方式实现:(i)丝材送进系统,(ii)粉末送进系统,以及(iii)结合丝材和粉末形式的混合系统。虽然丝材送进增材制造(AM)适用于制造大型、高成本的复杂几何形状金属部件,但粉末送进DED系统擅长生产高分辨率特征、内部通道,并保持精确的尺寸控制。DED集成了计算机辅助设计/计算机辅助制造系统、机器人技术、传感器技术和粉末冶金技术,可将薄金属层沉积到基材上。激光或电子束、等离子体或电弧是最常用的能源。虽然PBF能实现更精细的特征分辨率,但其构建能力受限于需要充满粉末的腔室。相比之下,DED通过在沉积过程中从单独的可再填充容器中熔化原料实现自由形式制造,其可扩展性取决于机器人和龙门系统。DED能够逐层创建金属部件、功能结构和梯度材料,用于快速原型制作、零件修复以及飞机和汽车零件的再制造。此外,由于其在制造近净成形和功能梯度部件方面的能力和重要性,DED在各种工程领域生产高价值零件方面具有巨大潜力。现有研究已探索了AI在DED中的应用以提高质量,特别是在过程监测、缺陷检测和工艺参数优化方面。然而,对于AI在DED质量控制与监测中的应用,特别是在评估现有方法、评估其有效性、识别现有局限性以及概述聚焦于质量方面的未来研究方向方面,仍存在显著的研究空白。为填补这一空白,本研究旨在对AI在DED质量控制中的应用进行系统分析和综述,识别研究趋势、挑战和未来方向。

**方法**

本研究采用系统性文献综述方法,全面调查AI技术在DED MAM质量控制与监测中的应用。整个综述过程分为多个阶段,从定义范围和协议到提取和分析相关发现。检索策略采用布尔逻辑,结合四个概念关键词簇:AI技术、DED相关工艺术语、质量控制术语和面向挑战的术语。在Web of Science和Google Scholar两个数据库中进行了检索。根据PRISMA框架构建了筛选和选择过程,经过标题、摘要和全文的三阶段评估,最终选定145项研究进行详细综述和分析。使用VOSviewer进行了关键词共现分析,以丰富综述的主题结构并识别主导概念联系。

**DED质量问题概述**

DED零件在沉积过程中经历反复的极端加热和冷却循环,导致各种缺陷。DED工艺的质量问题和缺陷大致分为三类:(i)几何缺陷,(ii)形态缺陷和(iii)微观结构缺陷。几何缺陷指所制造零件的物理形状、尺寸或整体几何形状的不准确性,如层厚不均匀、翘曲、边缘缺陷和尺寸不一致。形态缺陷指沉积构建体外部结构或层间外观的表面级不规则性和不一致性,如焊道轮廓不稳定、波纹度、表面粗糙度和过度沉积特征。微观结构缺陷指微观尺度上材料结构的不一致或退化,损害所制造零件的内部完整性和力学性能,如残余应力、晶粒取向错误、各向异性、孔隙率和微裂纹。这些缺陷主要归因于工艺参数,如热输入、工具速度、材料沉积速率、热梯度和冷却速率,而非材料固有特性,表明优化工艺参数可以有效减轻这些缺陷。

**比较视角:基于AI与常规DED质量控制方法**

在孔隙率和内部缺陷方面,常规检测方法仍被广泛使用,因为它们直接评估缺陷本身而非间接信号。X射线计算机断层扫描(XCT)等作为事后工具,用于识别孔隙形态、未熔合和内部缺陷分布。相比之下,基于AI的孔隙率监测主要旨在将缺陷意识引入构建阶段本身,通过解读与内部缺陷物理相关的熔池、热、视觉或声学特征,实现过程监测和预测。在几何偏差和表面粗糙度方面,常规计量方法用于直接零件级测量和检验,而AI方法则更侧重于预测和过程调整。在微观结构异常和残余应力方面,常规表征方法已占据明确地位,而AI方法通常依赖间接指标而非直接测量。

**AI在DED质量控制、监测和工艺推进中的应用**

AI在DED-MAM中主要用于缺陷检测和预测质量特性。深度学习(DL)模型,主要是卷积神经网络(CNNs),在图像或视频传感可用时占主导地位,用于检测孔隙率、预测几何变形、监测熔池动力学和识别高维图像数据中的工艺异常。常规监督ML模型则应用于低维工程特征向量,用于实时孔隙率预测、缺陷分类和原位过程状态监测。监督学习已应用于声学、电学、视觉、热信号和融合传感器数据,用于检测缺陷和监测过程质量。无监督学习和聚类技术在实时缺陷标注不可行时很有用,如K-means聚类、自组织映射和自编码器方法。物理信息ML和数字孪生框架通过嵌入热传递定律、过程物理或机械约束,提高预测保真度,减少对大型标注数据集的依赖,并增强可解释性。当前工业实施情况表明,传感监测已商业可用,自适应控制部分平台已选择性实施,而AI中心缺陷智能仍主要处于研究或试点验证阶段。

**AI在DED质量监测与控制中的关键挑战**

AI在DED质量控制中的有效集成受到数据与传感器相关限制的重大阻碍。数据质量方面,传感器数据常常受到噪声和缺失测量的影响;数据数量方面,存在样本不平衡、未标注数据和样本多样性有限等问题。此外,特征选择、模型复杂性和泛化挑战也很突出,包括DL模型缺乏可解释性、视觉相似类别难以区分、跨不同几何形状和材料的泛化能力弱、计算负担高以及模型对硬件配置和工艺参数的敏感性。

**未来研究方向**

未来研究的优先方向包括加强传感器融合与物理集成监测,开发数据高效、可扩展和标准化的监测系统,提高模型鲁棒性、可解释性和缺陷特定预测能力,推进自适应控制并扩展DED工业相关研究。具体而言,需要更好地结合仿真输出、工艺参数和多源传感数据,减少对标注数据的依赖,扩展模型至复杂多层构建,提高模型在不同材料和工艺条件下的泛化能力,并加强AI模型与实时控制系统的集成。此外,与激光基和电弧基DED相比,等离子弧DED和电子束DED研究较少,为工艺特定AI模型、监测框架和工业标准化提供了重要机会。

**结论**

本系统综述考察了AI集成在DED MAM质量控制与监测中的现状、方法趋势、挑战和未来机遇。研究发现AI越来越多地用于缺陷检测、熔池监测、工艺状态分类、孔隙率预测、表面和焊道质量评估、几何变形估计和自适应决策支持。综述强调,常规检测和表征方法对于直接证据验证、鉴定、可追溯性和验收决策仍然至关重要,而AI方法主要用于过程预测和监测。工业就绪度仍不均衡:监测和可追溯性在商业上可见,自适应控制选择性实施,AI中心缺陷智能仍主要处于研究阶段。未来研究应超越孤立模型开发,转向协调框架,将AI赋能的DED质量控制从实验室规模演示转化为生产就绪实践。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号