在增材制造（AM）领域，我们常常面对一个棘手的矛盾：传统的高强度铝合金往往难以打印，而易于打印的合金其性能又无法满足高端需求。例如，广泛使用的Al 7075合金就因热裂敏感性高，通常认为难以直接打印。

论文链接：
https://doi.org/10.1002/adma.202509507

最近，一项来自麻省理工学院等研究团队、发表于Advanced Materials的研究带来了新思路。研究团队通过一套创新的 “计算-实验”混合流程，成功设计并制备出一种名为Al-0.4Er-1Zr-1.33Ni 的新型合金。研究团队制备了合金粉末并通过增材制造制成无裂纹的宏观试样，其强度是同类铸造合金的五倍，与锻造Al 7075相当。并且研究团队指出“在400°C度高温环境下时效 48小时后，该合金的强度没有明显下降。” 本期谷·专栏将简要分享这一研究成果。

 对“快速凝固”的巧妙利用

与传统铸造的缓慢冷却不同，激光粉末床熔融（LPBF）技术本质上是极快的冷却过程。

研究团队发现，对于特定成分的铝合金，快速凝固能诱发出一个关键的亚微米尺度（约100 nm）的“亚稳三元相”。这个相本身并非最终的强化相，但它是一个至关重要的 “前驱体” 和 “反应元素库” 。

在后续对打印材料进行热处理时，这个前驱体便会转化为真正起到强化作用的、纳米尺度的L1₂-Al₃M相。正是这些在高温下仍抗粗化的纳米析出相，使材料获得了明显高于基准合金的强度。

图1. 合金设计概念图 (论文Figure 1，展示三种不同凝固路径与最终硬度对比)清晰揭示设计精髓：借助快速凝固形成亚稳三元相（蓝色路径），最终得到纳米级析出相和最高硬度。

 机器学习和计算模型

那么，研究团队如何锁定这一“最优成分”？

面对Al-Er-Zr-Y-Yb-Ni这个庞大的成分体系，传统的“试错法”无异于大海捞针。麻省理工学院团队采用的方式是：让机器学习和计算模型来帮忙。

他们构建了一套高效的集成设计流程：

1. 定义目标：首先明确，理想的合金必须在高温下具备高强度的“性能描述符”（如高L1₂相分数、低粗化指标）和良好的“可打印性描述符”（如低热裂纹敏感性）。

2. 高通量计算：通过热力学计算，对数十万种虚拟成分进行模拟，初步锁定关键元素——Zr和Er对降低粗化指标至关重要。

3. 机器学习建模：研究团队采用神经网络算法，在仅40组训练样本、5折交叉验证的条件下，将测试RMSE降至3%，建立起从成分到粗化指标的代理模型，捕捉到元素间的非线性效应

4. 逆向设计：最后，采用贝叶斯优化算法，在成分空间中主动搜寻最优解，仅用约100个采样点，锁定使关键“粗化指标”下降71%的最佳成分，查询效率显著高于随机搜索。

图2. 逆向设计效能对比图 (论文Figure 5b，展示贝叶斯优化与随机采样的效率差异)

该图展示了数据驱动设计的威力：机器学习指导的搜索，以更少计算量获得找到更优性能“配方”。

经上述流程确定的合金Al-0.4Er-1Zr-1.33Ni 在实验中显示出与预测一致的力学性能与可打印性：

可打印性验证：激光扫描与LPBF打印样品均未观察到裂纹，而相同条件下的Al 7075样品存在明显裂纹。

超高的强度与硬度：3D打印的样品在经过400°C、8小时的时效处理后，达到了性能峰值。

硬度：论文指出，其“硬度（200 HV）再次比基准合金（133 HV）高出50%”。

拉伸强度：论文指出，其“室温拉伸强度达到395 MPa，同样比参照基准铝合金（275 MPa）高出约50%。”

卓越的热稳定性：研究团队在论文中指出，此高强度“且在400°C时效48小时后仍无明显下降”，证明了其纳米析出相确实具有强大的抗粗化能力。

图3. 力学性能对比图 (论文文Figure 6c，展示新设计合金与基准合金的拉伸曲线对比)

 在纳米世界寻找证据

理论需要实证支持。通过高分辨率的微观结构表征，研究人员在打印出的合金中清晰地看到了他们设计的一切：

扫描电镜和透射电镜确认了晶界处存在作为前驱体的三元相。

更重要的是，在晶粒内部，他们观察到了弥散分布的、尺寸仅为1-5 nm的强化相，这些相具有L1₂有序结构。

原子探针技术更是从成分上证实，这些纳米析出相正是设计的L1₂-Al₃(Er,Zr)，而较大的第二相则是预期的三元化合物。

图4. 纳米析出相表征(论文Figure 3，展示原子分辨率下的L1₂纳米析出相)

这些图像直观地显示，设计的微观结构已与计算预测结果一致。

 总结与展望

这项研究，成功地完成了从一个虚拟预测到实验验证的完整合金设计周期。其核心在于通过成分设计，充分利用快速凝固条件，获得了具有抗粗化能力的纳米级析出相，从而实现传统方法难以获得的高温强度。

展望未来，这种亚微米级亚稳相析出策略完全可以拓展至其他合金体系。而这项工作中所发展的集成计算与实验的流程，更为加速设计新一代增材制造及传统制造用结构合金，为后续合金设计提供了可复制的流程。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源

 TCT深圳峰会——低空经济与增材融合产业论坛

在低空经济快速崛起的大背景下，“TCT深圳峰会——低空经济与增材融合产业论坛”上的嘉宾分享勾勒出了一条从技术研发到商业落地的完整路径。

中国航天科工集团 唐晔教授阐述了精密电子增材制造如何应用于无人飞行器；南方科技大学 熊异教授则聚焦纤维复合材料增材制造技术，展望了其在低空飞行器上的应用潜力；无锡汉和航空 李玉涛先生与翱坤普电航空 彭兴林先生，分别从FFF 2.0技术在特种无人机的实践探索和3D打印在低空航空器推进装置研制过程中的具体应用，展现了增材制造在终端产品与核心部件上的加速作用；亿欧网盟 梁杰民先生分享了2025中国低空经济商业洞察报告（无人机）。

3D打印技术以其轻量化、复杂结构制造优势，正加速赋能无人机、eVTOL、航天航空等领域，成为推动低空经济发展的关键力量。

 TCT深圳峰会——医疗健康

医疗健康板块汇聚了来自临床、科研与产业的权威专家，以真实用户案例与知识分享为主线，聚焦口腔修复、正畸、种植体及生物医用材料，从临床问题到创新突破，全景呈现3D打印如何赋能医疗。

港岛东医院联网医疗管理及临床科技培训中心 唐嘉信博士探讨了AI与机器人技术在医学领域的融合应用；南京大学医学院附属口腔医院 骆小平教授则深入剖析增材制造口腔用钛及钛合金金属支（桥）架面临的问题及挑战；倍康美医疗 康璇总经理与广州医科大学附属口腔医院 吴哲教授分别从市场化与临床视角，分享了3D打印在数字化正畸与口腔修复中的广泛应用与巨大潜力；南方科技大学 严明教授则聚焦于3D打印生物医用钛材料的性能提升及技术创新，共同呈现了增材制造在医疗领域的前沿图景。

 TCT深圳峰会——设计与制造创新论坛

“TCT深圳峰会——设计与创新论坛”上，中科丰阳 朱姚胜先生、匹克体育 刘洋洋先生、Carbon 3D 任嘉祺先生和中科硅纪 江亚东先生齐聚，带来鞋类与灵巧手3D打印制造的前沿趋势分享。从设备选型到数字化设计，再到环保材料的创新应用，进一步拓宽了3D打印在设计与制造的深度融合中的想象边界。

当设计与制造之间的界限被打破，以3D打印为核心的数字化制造闭环正在无缝衔接从模具开发、创意设计到批量生产与市场应用的全流程，为企业打造更快、更个性、更高性能的产品解决方案提供了关键助力，真正响应了“体验为王”的消费时代诉求。

 烧结与3D打印技术应用论坛

烧结与3D打印技术应用论坛从技术研发到产业化实践，系统剖析精密烧结技术的前沿进展。来自华中科技大学、深圳大学、赛诺动力、昆山耀德和惠普的专家教授们向现场带来的议题覆盖：金属粘结剂喷射、陶瓷液材3D打印、液压元件应用等，清晰地呈现了烧结技术作为3D打印实现高性能制造的“供给侧”核心，正通过材料、工艺与装备的联动创新，将实验室成果推向产业化洪流。

从基础机理研究到关键装备选型，再到特定行业的落地挑战，这一技术链条的深度融合，正是推动3D打印在高精度制造领域走向深入的关键驱动力。

 东盟新热土：增材制造出海东南亚的黄金机遇

在东盟新热土:增材制造出海东南亚的黄金机遇上，六位来自不同领域的专家勾勒出了增材制造出海的清晰路径与实战策略。雨果跨境 刘丽欣主编以详实数据揭示了东南亚市场的规模与潜力；山海图 李宁先生则基于深厚的地域经验，强调了“本地化”是出海成功的核心；深圳乙烯 彭泓先生分享了如何通过海外众筹引爆市场；浩天律所 钟白璐女士系统剖析了出海必须规避的法律风险；ASTM 吕朕先生指明了国际认证作为通行证的关键作用；胡椒出海 陈如月女士则提供了在泰国等地的具体落地指南。

出海东南亚，既是机遇，也是挑战。面对这一充满潜力的市场，成功不再仅依赖于技术优势，更需要市场洞察、本地化运营、合规风控与国际化营销的多元能力组合，以长期主义的心态深耕本地，方能在这片制造业新热土上赢得黄金机遇。

 TCT INTRODUCING 新品发布

TCT INTRODUCING 新品发布汇聚产业前沿力量，来自倍丰智能、华曙高科、共享智能装备、西门子、IPG、中航迈特、金源智能、升华三维、希禾增材、西空智造、Formlabs、增隆新材料等数十位增材制造产业创新企业相继发布最新成果，覆盖了从智能软件、新型材料、核心零部件到3D打印设备及在医疗、3C电子等领域的创新应用，集中展现了增材制造技术深度与广度的双向拓展。

 Deep Material新品发布会

在本次TCT深圳展现场，Deep Material（创材深造）正式发布多款金属3D打印粉末材料，涵盖高强铝合金、中强铝合金、高温合金和模具钢四大体系，材料性能卓越，为行业应用提供坚实保障。同时，重磅推出自主研发的材料智能体（DM Agent），重新定义材料研发的效率与可能性。

更通过与多家行业领军企业达成战略合作，加速“AI+新材料”技术在多个产业场景中的规模化应用。以人工智能驱动的新材料研发，正通过极致性价比与卓越性能的双重优势，突破增材制造的应用成本瓶颈，为整个行业的规模化发展注入强劲动力。

 2025年首届中国3D打印鞋业创新论坛

在3D打印鞋的热潮中，由TCT主办方联合3D打印资源库举办的2025年首届中国3D打印鞋业创新论坛精彩亮相！博理科技、鑫博川、柏林艺术大学独立设计师、武汉静铭、广东福欣齐聚舞台，围绕“技术创新引领鞋业未来”的核心主题，从数字化设计、材料研发到市场应用展开了多维度深度探讨，充分展现了3D打印技术在推动鞋业个性化定制、提升研发效率与促进可持续制造方面的巨大潜力，为鞋业的高质量发展与跨界融合注入新活力。

 3D GENIUS HUB

专为创客、设计师、教育者等角色打造的“3D Genius Hub”展区是一个充满活力的共创社区。通过特色MINI摊位市集、Innovation Gallery创新廊与Maker Talk创客说三大特色板块，将趣味性与专业性深度融合。

Snapmaker携新品U1与现场观众零距离交流，特邀博主喵星考拉、蛋蛋人的猫分享了从技术实践到内容创作的宝贵经验，为现场注入了源源不断的灵感与动能。Polymaker、依迪姆、精亮科技、Phrozen、Flsun和TripoAI等企业带来了面向农场主等实际应用的解决方案，充分彰显了3D打印技术正从小众走向大众的“破圈”之势。

同时，联合YouTube、TikTok、Bilibili等主流平台，跨平台传播，提高品牌传播声量。#TCT深圳展 全网热度超1,755,000+，累计播放量1,488,000+，海外播放量418,000+，多项数据反馈喜人，TCT将持续共创3D打印社区，推动3D打印生态持续繁荣。

2025年TCT深圳展已于9月13日圆满收官。2026年让我们春聚上海，秋赴深圳，期待与您继续相约，携手见证3D打印技术为制造升级与产业发展带来的变革力量。

目前，2026年TCT亚洲展筹备已进入冲刺阶段，核心展位资源正在快速递减。作为TCT在亚太地区的主阵地，TCT亚洲展是您对接精密制造、航空航天、汽车工业与海外市场的重点布局要地！即刻预订2026年TCT亚洲展展位，可免费获得等值展位面积15％的2026年TCT深圳展展位面积，一站式布局沪深双线市场，倍增参展回报。

深圳作为粤港澳大湾区的核心引擎，则是您切入消费电子、模具制造、低空经济并辐射东南亚市场的最佳平台。如您专注华南市场，仅预订2026年TCT深圳展，亦可享早鸟8折优惠，助您低成本撬动华南及东南亚区域商机，实现品牌影响力与市场回报的激增。席位有限，火速预定席位！

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络， 为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注 发布的白皮书系列。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源 l 链接到 网站原文

 拓扑之美：1693个零件的精密共舞

历经七次迭代，设计师创造了一种前所未有的拓扑结构。1693个钛合金组件在3D打印过程中同步成型，如生命体般环环相扣。这种精妙架构并非传统工匠手持工具所能雕琢，而是依靠激光将金属粉末逐层熔融、持续“生长”而成。3D打印在此扮演着数字时代制表师的角色，以微米级精度将力学性能与结构美学熔铸一体。

 材质诗学：轻量化带来的佩戴革命

设计师选择航空航天“骨干”材料 — 钛合金作为表链的材质，它比精钢轻45%，却拥有更高的强度。这种材料在保证结构绝对稳固的前提下，能够赋予表链近乎无感的佩戴体验。

 制造革命催生设计革命

创新性设计的背后，是制造技术对设计思维的彻底解放。当3D打印突破了传统制造技术的极限，设计师首次获得了在微观尺度“编织”金属的自由。表链得以同时拥有皮革的柔韧贴合与金属的永恒质感，让“舒适与耐久可兼得“。

MING的这款表链不仅是工艺的突破，更是一场关于“融合”的实践——数字技术与传统制表的融合，机械理性与人体感性的融合。当科技与艺术真正对话，即使传统的领域，也能焕发全新的生命力。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络， 为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注 发布的白皮书系列。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源 l 链接到 网站原文

随着人工智能模型复杂度攀升，AI 数据中心正陷入前所未有的“热危机”。根据洞见热管理，芯片单位面积内的最大热通量已达到 200 W/cm²，并预计将很快突破 500 W/cm²。传统冷却方案已表现的力不从心。除此之外，芯片表面功率分布极不均匀，热点区域温度骤升，冷却系统稍有懈怠，芯片就会降频，出现算力打折。与此同时，制冷和泵送功耗一路上涨，成为数据中心第二大电费支出，散热问题已经变成AI算力提升的“隐形天花板”。

 哪里热就“狙击”哪里

近日，在由Meta（原 Facebook）主导的年度硬件盛会——OCP Global Summit 2025（开放计算项目全球峰会）上，液冷技术成为了焦点。
根据 的市场观察，Wiwynn 纬颖联合增材制造企业Fabric8Labs 联合展出了3D打印下一代液冷散热冷板。包括：

• 双面冷板：同时冷却AI加速器(最高4kW) 和垂直供电芯片；3D打印微通道设计，预计提升40%散热性能。
• 两相冷板：使用环保介电流体，利用相变增强传热；3D打印吸液鳍片设计，减少泄漏。

图：ECAM增材制造技术支持从单相直触式芯片冷却到浸没式冷却的定制化散热解决方案。来源：Fabric8Labs

Fabric8Labs 披露，他们展示的创新性冷板具有如下优势：

• 卓越的散热性能：通过优化的翅片结构，将冷却液精确导向芯片热点，使这些冷板在最需要的地方实现最大化的冷却效果，对于高TDP（热设计功耗）设备，可能使芯片最高温度降低5-8°C。
• 增强的温度均匀性：采用定制微通道设计的ECAM冷板能精确引导冷却液流动，显著减少温度波动，使芯片表面的温度差异改善了200%。这种均匀性对于最大化芯片性能和延长其寿命至关重要。
• 降低总拥有成本：通过集成一流的散热性能和更高的可靠性， 纬颖的IT基础设施为AI数据中心降低了运营成本，具体体现在制冷和驱动冷却液流动的泵功功耗方面的支出减少。

其核心价值点是，哪里最热，冷却液就精准流向哪里。由于该公司的增材制造技术能把微通道直接“写”成和芯片热点分布完全匹配的图案，传统“花洒式”均匀冷却变为“狙击式”点对点散热，显著减少温度波动。

 散热新解法

以上冷板均来出自于Fabric8Labs公司给出的散热新解法：电化学增材制造（ECAM）技术。
Fabric8Labs官方称，与基于粉末床金属熔融的3D打印工艺不同，电化学增材制造（ECAM）是一种室温条件下的金属3D打印技术，可直接制造结构复杂、致密度高的金属部件，且无需后续处理。
ECAM技术采用由来源广泛、成本低廉的金属盐构成的水基原料。该原料类似于印刷电路板（PCB）和半导体制造中使用的电镀化学药水。

实现ECAM工艺的关键创新在于其打印头——一个包含数百万个独立可寻址像素的微电极阵列，其像素尺度在数十微米量级。利用该微电极阵列并结合富含金属离子的原料，ECAM在原子级别进行构件构筑，从而能够实现微米级特征分辨率、复杂内部结构、高材料纯度、低表面粗糙度，并具备支撑大规模生产的快速可扩展性。

该技术可使用的材料包括所有可通过电沉积获得的金属，例如：纯铜、铜合金、镍、镍合金、钨合金、锡、金、铂和钯。

来源：Fabric8Labs

 与芯片同步迭代的设计自由度

理论上，冷板效率每提高一点，都有机会转化为机房层面的能耗节省，但整机PUE（电能利用效率= 数据中心总耗电 ÷ IT 设备耗电）收益仍待实测。不论如何，从“一刀切”到“点对点”散热，ECAM增材制造技术至少让热管理拥有了与芯片同步迭代的设计自由度，为更高功率的AI算力提供了一条可扩展的散热新路径。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络， 为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注 发布的白皮书系列。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源 l 链接到 网站原文

“ 3D Science Valley 白皮书 图文解析

”

近日，连续纤维复合材料3D打印公司 Markforged 展示了该技术在飞机内饰件维修中的应用，体现出非金属3D打印技术在此领域的潜力与意义。

飞机在进行定期维修保养时，常因老旧零部件原备件缺失而面临挑战，可能导致飞机停飞数月。为解决这一问题，Markforged 的用户 Spectrum Networks 采用连续纤维复合材料设备 FX10 制造飞机内饰件，实现了备件的小批量快速生产。

在最新披露的案例中，Spectrum 公司通过 FX10 3D打印飞机内饰件，并将其交付给飞机维修服务商 ALOFT AeroArchitects 进行安装。这些部件所服务的对象主要为私人飞机或某些政要乘坐的飞机。

其中一类典型的3D打印内饰件是飞机天花板上使用的照明装置。该飞机机龄已达20年，天花板上多个照明灯需要更换。原装照明灯为卤素灯，而替换件则为带有3D打印外壳的LED灯。

这款3D打印照明装置由 Spectrum 根据用户提供的尺寸与设计要求进行设计与制造，并符合原有零部件的认证数据。

图为 ALOFT 待更换照明灯的飞机天花板，约有86个灯需要更新。通常情况下，新照明装置与天花板原有安装孔并不完全匹配，需进行扩孔或填孔处理。若所有86个孔均需调整，将既耗时又增加可观成本。

而3D打印所提供的定制化照明装置解决方案有效克服了这些困难，将交付周期从过去的3–6个月缩短至数周之内。

关于3D打印LED照明装置的质量，Spectrum 公司的用户分享了以下观察：

FX10 设备配合连续纤维复合材料所制造的3D打印部件具备结构完整性与可直接安装的表面光洁度。零件打印完成后无需进行其他后处理即可发货交付客户。

航空零部件需满足严格的FAA适航认证要求，3D打印零件也不例外。FAA 通常要求证明打印零件与设计图纸具有一致性。用户指出，Markforged FX10 设备在打印过程中会对每个零件进行自动激光测微仪检测，并自动生成逐层合规性报告。

这一创新有助于加速3D打印零件获得航空监管认证的进程。

据悉，2024年，Spectrum Networks 使用 Markforged 3D打印机生产了超过10,000个经认证的飞行零件。每一个零件都在帮助客户实现飞机内饰的更换、减少停机时间，并保障机队的正常运营。

文中动图来源：Markforged

参考资料：中航军工研究《深度 | 增材制造：由“可选”到“必选”，由“配角”到“主角”》

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络， 为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注 发布的白皮书系列。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源 l 链接到 网站原文

近日，瑞士洛桑联邦理工学院（EPFL）研究人员突破性开发出在水基凝胶内部“生长”出金属与陶瓷的3D打印技术。该技术通过独特的“灌注-沉淀”循环，在预先打印的“空白”水凝胶支架内原位合成高负载量的金属纳米颗粒，最终经热处理获得结构精密且异常致密的新材料，为生物医疗和传感、能量转换存储等领域开辟了新途径。

 现有方法的局限性

研究团队指出，目前，用于制造陶瓷/金属材料的主流光固化3D打印方法包括：

浆料法：将陶瓷/金属粉末分散在光敏树脂中，3D打印形成生坯后经热处理获得最终结构。但粉末的存在导致树脂粘度增加和光散射，影响打印质量与精度。

无机-有机杂化光刻胶法：使用含金属杂原子的可光聚（大分子）单体，打印后直接热解为陶瓷/金属。此方法虽避免了光散射，但可用前驱体有限，且聚合物-陶瓷转化过程中收缩率大。

近年来，利用金属盐溶液的方法展现出了潜力。该方法兼具浆料法的组分多样性和杂化树脂法的精细特征尺寸。研究团队此前开发的水凝胶灌注增材制造（HIAM） 技术即属此类，实现了“先打印后选材”的新范式。然而，该方法及其它金属盐方法仍普遍存在高收缩率（50–90%） 的问题，导致零件翘曲、开裂和孔隙率高，难以实际应用。

 凝胶内“长”金属

研究团队在《先进材料》期刊发表的最新论文中提出了一种创新性的方法，采用灌注-沉淀策略，通过在3D打印的凝胶支架内原位沉淀金属纳米颗粒，大幅提高金属负载量，从而制备出低收缩、高密度的陶瓷与金属三维结构。

图：尺寸为1.3×1.0厘米的铁质螺旋二十四面样件，来源：EPFL

研究团队指出，经过5-10次“生长循环”后，他们最终通过热处理去除残留凝胶，获得了与原始聚合物形状高度一致且具有高致密度的金属制品。由于金属盐是在制造完成后才注入，单个凝胶模板可转化为多种复合材料、陶瓷或金属。

 三大关键指标的显著提升

该技术制备的金属结构在关键性能指标上实现了显著突破，具体表现在以下方面：

首先，在尺寸稳定性方面，该方法成功实现了极低的线性收缩率。通过重复灌注-沉淀循环在凝胶内部原位生成高负载量纳米颗粒，有效减少了热处理过程中的体积收缩。最终获得的铁（Fe）、铜（Cu）和银（Ag）结构的线性收缩率分别控制在了38%、46%和37%的极低水平，远低于传统金属盐溶液方法通常带来的60%-90%的收缩率。

图：微型银螺旋二十四面体样件（图中刻度间距为1毫米）

其次，所得结构的理论密度达到了前所未有的高度。论文中所示的微计算机断层扫描测定结果所示，铁、铜、银结构的理论密度分别高达88%、84%和84。这表明材料内部孔隙率极低，异常致密。。

最重要的是，该技术使零件的机械性能得到了数量级上的提升。压缩测试结果表明（论文中图4c, d），氧化铁（Fe₂O₃）和纯铁（Fe）结构的抗压强度分别达到约2 MPa和约5 MPa。与此形成鲜明对比的是，采用传统水凝胶灌注增材制造技术制备的同类样品，其抗压强度仅为约0.1 MPa和0.2 MPa。这意味着新技术的采用使得金属样件抗压强度约是上一代技术的20至25倍。

论文图4：a) HIAM 传统工艺 与 b) 本研究”灌注-沉淀”新方法 所制备的Fe₂O₃和Fe螺旋二十四面体样件在密度与收缩率上的对比。c) Fe₂O₃ 与 d) Fe 螺旋二十四面体样件在压缩测试下的代表性工程应力-应变曲线。

 推动产业化应用

研究团队通过制造铁、银、铜材质的螺旋二十四面体等复杂的曲面晶格结构，验证了该技术制造先进三维结构的能力。如上图所展示的直径为1.3×1.0厘米的铁质螺旋二十四面体极小曲面样件，结构完整，变形极小。该技术特别适用于需要同时满足高强度、轻量化与复杂结构的三维器件制造，如传感器、生物医疗设备、能量转换存储装置等。

目前，研究团队正致力于通过进一步提升材料致密度和采用机器人自动化流程来缩短多次灌注带来的工艺耗时，以推动该技术的产业化应用。这项技术不仅提供了一种高性能金属、陶瓷的制造方案，更巩固了“先打印后选材”的增材制造新范式，为未来多功能三维器件的设计与制造开辟了广阔道路。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络， 为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注 发布的白皮书系列。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源 l 链接到 网站原文

镍钛形状记忆合金（SMAs）因其卓越的超弹性与形状记忆效应，在海洋工程、交通运输、航空航天等领域被广泛用作先进结构-功能一体化材料。这些独特性能源于热或机械激励引发的可逆马氏体相变。然而，镍钛形状记忆合金存在显著加工难点：低热导率、明显加工硬化及强烈回弹效应，制约了通过传统方法制备高精度零部件的能力。

为应对这些挑战，金属构件增材制造技术凭借其在复杂几何结构方面无可比拟的设计自由度受到广泛关注。镍钛形状记忆合金亦不例外。

论文链接：
https://doi.org/10.1007/s12598-025-03556-9

非晶-层状和核壳双重结构协同强化增材制造镍钛形状记忆合金
马虎文，赵燕春，苏玉，罗俊辉，相甲铖，郑腾飞，柴韶瑜，冯力，Peter K.Liaw，吴渊
兰州理工大学，材料科学与工程学院
北京科技大学，国家先进金属材料重点实验室
温州泵阀工程研究院
西安电子科技大学，先进材料与纳米技术学院
田纳西大学，材料系

最近，兰州理工大学材料科学与工程学院的赵燕春教授课题组在Rare Metals 期刊发表了“Synergistic strengthening of additively manufactured NiTi shape memory alloys via amorphous/lamellar and core/shell dual structures“ 一文。本期谷·专栏将进行简要分享。

 【文章亮点】

1.通过SLM制备的NiTi SMA在微柱压缩测试中展现出显著性能：抗压强度超过5 GPa，经过宏观压缩至16%后卸载，纳米尺度上形成了交替的非晶态/B2相层状结构与非晶态壳层/B2核心结构。

2.在分子动力学模拟中，随着核壳模型中晶核尺寸的增大，合金强度呈现下降趋势。

3.研究发现，相较于核壳模型，层状模型具有更低的高剪切应变概率，并观察到较高的位错密度更有利于激活多个剪切带。

4.与二维分子动力学和有限元模拟相比，在三维应力条件下，相变对剪切带传播的影响较小。

 内容简介

研究聚焦于选择性激光熔化（SLM）制备的NiTi形状记忆合金，通过宏观和微观压缩测试揭示其卓越性能：宏观压缩强度超3.2 GPa、塑性变形超40%，微柱压缩强度超5 GPa且无局部破坏。在预压缩至16%应变后卸载的样品中，观察到非晶化形成交替的非晶/B2相层状结构及非晶壳/B2核芯结构。分子动力学模拟建立理想层状和核芯-壳模型，发现核芯-壳模型中强度随B2相厚度减小而提升，层状模型则强度先增后减，两者均突破8 GPa极限。强化机制归因于相变诱发强化、位错增殖及非晶相渗流效应：剪切应变量化分析表明较大晶相尺寸降低应变水平，促进多剪切带协同激活；TEM及逆FFT分析证实非晶剪切带周围存在高密度位错。该工作为设计高性能非晶/晶相复合材料提供了原子尺度指导。

 图文解析

图1 3D打印NiTi形状记忆合金的结构表征与宏观微观力学性能测试：(A) 3D打印工艺示意图；(B) 打印样品的X射线衍射图谱；(C) SMA在XOY平面的EBSD测试结果；(D) SMA在YOZ平面的EBSD测试结果；(E) SMA的EDS能谱；(F) 沿Y轴方向（杆状试样轴线与Y轴对齐）切割的棒状试样测定的宏观压缩应力-应变曲线。(G) 微柱压缩应力-应变曲线及断裂前后微柱形貌变化。

结果表明，直接打印的NiTi相SMA材料以B2相结构为主，且（100）取向明显，与XRD结果一致。可以观察到试样侧面形成了人字形晶粒结构。同时，人字形晶粒结构中粗晶与细晶界面处还聚集了几何必需的位错，导致背应力和前应力的产生，从而实现HDI强化和硬化效应。

图2 预压缩SMA样品（压缩应变16%)的结构表征：(A)非晶纳米片分布；(B) 对应A的SAED衍射图谱；(C) 预压缩样品中含球状晶体相的非晶区域的TEM图像、FFT图谱及GPA图谱；(D) 非晶/晶层状区域的TEM图像、FFT图谱及GPA图谱；(E) 非晶/晶层状区域的STEM能量色散光谱（EDS）图谱；(F) 打印成型SMA的三维原子探针结构显示合金中存在少量氧原子。

结果表明，在完成16%的预压缩和卸载后，透射电镜分析揭示出两种独特的纳米级微观结构一种是无定形壳层-B2相核结构；另一种则是由无定形相与B2相交替排列形成的层状结构。通过层状结构的高分辨率透射电镜图像可发现区域C和D的原子构型与核壳模型相似。结果可观察到两组分别对应B2相和B19‘相的衍射斑点，证实了这两种相态的共存。在本研究中，B2相与B19’相之间发生了连续相变，随后转变为非晶相，而B19‘相在相变过程中难以被观测到。根据图谱，可以将这两个结构识别为B2相和B19’相。

图3 核壳结构与片状结构模型的分子动力学压缩模拟: (A) 球形B2相核壳模型；(B) 非晶态片状模型；(C)晶体-非晶态纳米结构放大视图；(D)模型的部分径向分布函数（PRDF）；(E) 不同B2相颗粒直径核壳模型的压缩应力-应变曲线；(F) 对应E压缩过程中B19‘相体积分数的变化趋势；(G) 对应E压缩过程中位错密度的变化趋势；(H) 非晶态片状模型的压缩应力-应变曲线；(I) 对应H B19’相体积分数的变化趋势；(J) 对应H位错密度的变化趋势。

结果表明，不同模型下合金微观结构与性能关系，RDF次近邻峰分裂是非晶相标志。核壳模型中6纳米B2颗粒强度近12GPa，较大晶体相降低杨氏模量有生物医学潜力；B2颗粒增加促进马氏体形成与位错密度提升，利于剪切带形成和塑性提升。层状模型强度随层厚减小先增后降，片层非晶模型激活更多剪切带。

图4 核壳结构与片状结构模型在压缩过程中的相结构演变及剪切应变分布：(A) 核壳模型的晶体部分在宏观应变10%时的状态；(B) 对应A的位错分布模型；(C) 纳米片模型的晶体部分在宏观应变10%时的状态；(D) 对应C的位错分布；(E) 核壳模型在加载和卸载过程中的相结构演变；(F) 纳米片模型在压缩过程中的相结构演变；(G) 核壳模型在加载过程中相结构演变及对应的剪切应变分布；(H) 纳米片模型在加载过程中相结构演变及对应的剪切应变分布。

结果表明，球形模型10%应变时马氏体相有少量孪晶界，伴随大量位错，位错从非晶-晶界萌生向晶体内部迁移形成孪晶界，层状模型有类似现象。循环加载中B2-B19‘-B2相变，加载时马氏体相从晶体内部萌生扩展至完全转变，卸载时B2相从边缘萌生向内部生长，核心残留少量B19’相。应变增加时，球形模型加载初期STZ在晶体颗粒周围激活，随应变增加连成线状形成剪切带且数量减少；层状模型有多个STZ成核位点，应变增加形成多条剪切带，剪切应变水平低。

图5 剪切带与位错演化分子动力学模拟结果对比实验观测：(A) 外壳层模型与层状模型在宏观应变10%时的剪切应变概率分布；(B) L=3.66纳米层状模型在不同宏观应变水平下的剪切应变分布；(C) 不同晶核尺寸模型的剪切应变与位错分布；(D) 不同层状厚度模型的剪切应变与位错分布；(E) 图2C和D中A、C区域对应的逆快速傅里叶变换图像以观察位错分布；(F) 预压缩层状区域非晶/晶界处TEM、GPA、位错及剪切带相互作用示意图。

结果表明，剪切带演化对非晶合金塑性变形至关重要，分析重点为其与位错的相互作用。10%压缩应变下，核壳模型中小D值使高剪切应变概率增加，层状模型层厚减小对高剪切应变概率先增后减，层状模型阻碍剪切带扩展更强。层状模型中高剪切应变先出现在晶体相，B2相转变成B19‘相后，界面机械失配引发STZ晶核形成并促进剪切带扩展。10%应变时晶相中有高密度位错形成位错壁和晶胞结构，增强加工硬化能力，位错能激活并促进非晶相STZ形变，较大晶体相尺寸使位错密度更高，剪切带分布更分散。HRTEM成像显示晶体界面有大量位错，相邻非晶相有剪切应变，位错可阻碍剪切带扩展。

图6 (A) 核壳模型与多层模型中变形机理及强化效应示意图；(B) 载荷传递机制示意图；(C) D=7.2 nm核壳模型各相Mises应力随宏观应变的演化过程；(D) 不同厚度层状模型中B2和B19‘相Mises应力的演化过程。

结果表明，非晶态壳-晶核复合材料中较厚非晶壳层增强强度，层状模型中较大晶相产生位错壁阻碍剪切带扩展，较小晶相则不能。三维应力下相变强化对剪切带演化影响小，因结晶相体积占比低于30%。变形初期B2相和非晶相承载，应变2%时B2相开始转变为B19‘相，5%时非晶相形成剪切带，载荷转移至B19‘相，引入TRIP相可抑制初级剪切带形成，层状模型载荷转移行为与核壳模型相似，相变受应变控制。

 全文小结

1. 实验与模拟结合优化增材制造合金结构及力学性能；
2. 复合模型强度受尺寸及强化机制影响；
3. 层状模型剪切带激活与塑性变形能力更优；
4. 三维应力条件下相变对剪切带传播影响较小。

论文引用

Ma, HW., Zhao, YC., Su, Y.et al. Synergistic strengthening of additively manufactured NiTi shape memory alloys via amorphous/lamellar and core/shell dual structures. Rare Met. (2025).

论文引用

Han Zhang, Boyu Nie, Weijian Qian, Zhe Song, Yao Xiao, Bingqing Chen, Zijun Zhao, Nan Li, Changkui Liu, Chengli Dong, Shengchuan Wu*, High-temperature strengthening mechanisms of optimized L-PBF IN718 superalloys with interpretable machine learning, Additive Manufacturing, 2025, 110: 104958.

研究团队概况

赵燕春，女，兰州理工大学材料科学与工程学院教授，博士生导师，甘肃省领军人才，甘肃省杰出青年基金获得者，美国田纳西大学访问学者。从事亚稳态金属材料、异质金属材料功能结构一体化调控及增材制造、相变及变形机制的有限元模拟等科学研究工作。在Materials Today、Rare Metals、Journal of the Mechanics and Physics of Solids等共发表论文120余篇相关成果以第一完成人获甘肃省科技进步二等奖和甘肃省自然科学三等奖、甘肃省高等学校科研优秀成果奖一等奖等。

冯力，男，兰州理工大学材料科学与工程学院副院长，教授，博士生导师，甘肃省拔尖领军人才，从事凝固微观组织的相场法模拟研究、高熵合金涂层、冷喷涂增材制造技术、金属陶瓷复合涂层的制备与研究等。主持国家重点研发计划“政府间国际科技创新合作”重点专项、国家自然科学基金项目、中国博士后科学基金、甘肃省重点研发计划等。主持多项企业科技攻关项目，为核电秦山联营有限公司，酒泉钢铁集团、东风汽车零部件集团和兰石铸钢有限公司等企业解决工程技术难题。

吴渊，男，北京科技大学研究员，博士生导师，北京科技大学新金属材料国家重点实验室副主任，国家自然科学基金杰出青年科学基金获得者，美国橡树林国家实验室（2013）、德国马普所访问学者（2019）。主要从事非晶合金、高熵合金等先进金属材料的纳米析出与相变韧塑化及其原子级精细结构表征等相关研究。在Nature, Nature Communications, Advanced Materials等学术期刊上发表论文200余篇，SCI他引9000余次，授权专利30余项。研究成果被Science，Nature出版集团评述，并评为研究热点。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源

金属粉末床熔融（PBF）是制造金属零件的一项关键增材制造（AM）技术。然而，该工艺易受到孔隙、裂纹、翘曲等缺陷的困扰，从而削弱最终产品的质量。针对这一问题，学界和工业界日益关注利用原位监测、数据预处理与机器学习（ML）技术来进行金属 PBF 过程中的缺陷检测与预测。

来自新加坡制造技术研究院的科研团队发表了以“Towards intelligent defect detection in metal powder bed fusion: A review of in situmonitoring, data pre-processing, and machine learning“ 为题的综述论文。论文对粉末床熔融金属增材制造技术的原位监测、数据预处理与机器学习领域的最新进展进行了系统分析。谷·专栏将分上、下两期分享该综述。本期为下篇。

迈向粉末床熔融增材制造的智能缺陷检测 l 综述（上篇）

“ 3D Science Valley 白皮书 图文解析

”

 金属PBF中的原位数据预处理

如前所述，近几十年来已开发出多种原位监测方法，在获取金属PBF的实时数据方面发挥了关键作用。虽然直接分析原始数据在技术上可行，但经过预处理的原位数据往往能产生更可靠的结果，因为这一过程解决了噪声、数据丢失和数据量过大等问题，再将其整合到机器学习模型中。该步骤至关重要，因为原始数据通常包含不一致性，这会阻碍预测模型的准确性。特别是，噪声的存在和数据量庞大对直接用于机器学习应用构成了重大挑战，限制了其有效性。

除了用于机器学习，原位数据还可以通过后处理技术（如XCT和光学显微镜）进行详细缺陷分析。这些方法提供了互补的高分辨率见解，使得缺陷分类更加精确。实时监测能为即时反馈提供价值，而后处理方法进一步优化数据，提供关键的形貌细节，从而增强缺陷检测和表征。高效的原位数据处理因此成为提升缺陷识别和优化机器学习模型的基石，有助于开发稳健可靠的监测系统。以下小节将详细介绍不同信号类型下的原位监测数据预处理的最新进展。

光学图像

光学图像是最常见的原位监测数据形式，因为在L-PBF中广泛使用了不同类型的相机。因此，光学原位数据预处理是信号预处理中最重要的考量。光学原位数据预处理的质量决定了输入机器学习训练的数据集质量。根据具体应用，图像预处理的目标可能不同，包括提取熔池几何形状、捕捉飞溅动力学，以及未熔合/孔隙等工艺缺陷的识别与预测（表1）。

在这个语境下，熔池和飞溅本身并不是缺陷，而是工艺特征，可以独立分析，或作为下游缺陷检测任务的中间指标。根据已有研究，光学原位数据预处理通常包括以下步骤：感兴趣区域（ROI）提取、灰度处理、滤波、二值化、轮廓检测、图像分割以及目标识别。虽然这一流程代表了常见框架，但具体实现可能因目标缺陷类型、数据特性和所用机器学习模型的不同而存在显著差异。表1 展示了这一任务特定的多样化工作流，同时也突出了不同应用中共享的基础步骤。

ROI提取涉及将图像裁剪到合适的大小，有效减少在原位监测、XCT或其他成像方法中采集到的多余或无关信息。原始图像往往大于缺陷检测所需的范围，边缘区域有时包含非必要数据。聚焦于ROI可以提高计算效率，使下游处理任务获得更高精度并降低成本。一些图像最初是灰度捕获的，但更多的是RGB格式。ROI提取后，如果图像是RGB格式，RGB三通道能提供更丰富的视觉信息，尤其在基于颜色特征进行缺陷识别时特别有用。然而，保留RGB格式可能会使后续预处理步骤（如滤波和二值化）复杂化，因为许多传统算法和机器学习算法是针对单通道输入优化的。此外，灰度化能够通过将每个像素简化为一个强度值而非三个颜色值，减少内存需求和处理复杂度。在灰度化之前，有时应当进行阈值分割，用以区分目标和背景，增强对比度并提高分割精度。自适应阈值分割方法可动态适应不同光照条件，尤其适合光照波动的原位监测环境。尽管灰度化可能导致部分信息丢失，但它能战略性地简化图像数据，使预处理流程更稳健高效。

滤波是关键预处理步骤，旨在尽量减少背景噪声，同时保留与打印目标相关的关键特征。选择合适的滤波方法直接影响后续数据处理质量和分割精度。高斯滤波因能处理符合高斯分布的背景噪声（如电噪声和光学噪声）而被广泛使用，且算法简单，只需通过二维高斯核函数即可实现，并常通过试错法选择参数。高斯滤波还具有平滑图像的作用，有助于轮廓检测，通过降低噪声边缘增强特征连续性。然而，平滑效应也可能模糊细节，从而削弱对微小缺陷的检测能力。因此，高斯滤波并非通用最优解。在某些应用（如高温熔池监测）中，快速非局部均值去噪、双边滤波和中值滤波可能表现更好。与高斯滤波不同，双边滤波和中值滤波具有保边特性，能够在抑制背景噪声的同时保留关键的高温特征。双边滤波通过同时考虑空间邻近性和像素强度差异来减少噪声，同时保持边缘清晰；而中值滤波在消除椒盐噪声方面表现突出，通过将像素替换为周围像素的中值来提高图像稳健性。这些方法在实际应用中已经用于高温熔池图像处理，并能在挑战性的成像环境下提供更强的鲁棒性（图17）。

图17

此外，还有方法结合光效消除、阈值分割与形态学滤波等手段，利用形态学操作（腐蚀、膨胀）去除小噪声点，再通过连通域滤波识别和连接像素群，从而实现稳健去噪并保留结构信息。这些先进的滤波策略不仅提高了噪声抑制效果，还促进了下游特征提取的准确性。

二值化是灰度图像中的关键步骤，与对比度增强类似。需要先在全局或局部设置阈值，以处理不同区域的灰度值差异，然后将目标图像转换为黑白。该方法省时且便于进行目标轮廓检测。阈值的选择通常依赖试错法，关键在于既能避免丢失图像中的核心目标，又能忽略无关信息。如果羽流在肉眼下清晰可见，那么所有二值化方法都应给出相似结果。然而，当羽流表现为低频区域且伴随一些肉眼不可见的大飞溅时，Otsu、Li和K-means方法在特征提取上效果最佳，能准确分离出这些细微特征。这三种方法在鲁棒图像分割中表现突出（图18）。

图18

相反，IsoData和Huang方法在原位数据处理中容易出现误分割和错误预警，因此应避免使用。轮廓检测在需要获取目标形状和尺寸信息时显得尤为重要。分割则用于从处理后的图像中提取相关特征，因为图像中突出的特征未必与目标对象所需的信息完全一致。例如，当需要捕捉图像中的飞溅时，通常会对熔池进行分割；而打印物体在缺陷检测中往往不被视为重要。目标识别在从图像中提取必要信息以进行后续分析和研究时是基本步骤，能够满足光学原位数据预处理的不同需求。

在原位监测图像与后处理图像（如XCT）之间建立关联，是一种无需依赖机器学习即可直接分析图像的常用方法。这种方法为利用XCT的高分辨率体积数据验证原位数据提供了途径。然而，实现精确的关联需要克服多项技术挑战。这些挑战包括数据模态的不匹配，例如二维图像与三维模型的对齐，以及几何差异，需要通过各种变换进行校正。模态不匹配体现在不同维度数据的比较，例如将原位监测获取的时间序列二维逐层图像与XCT的静态三维体数据进行对比。解决方法包括将三维XCT数据切片为与成形层对应的二维截面图像，或将二维原位监测图像拼接以重建三维体积，这是关键的数据转换步骤。几何失配包括尺度差异（需要缩放变换）、位置不匹配（通过平移和旋转校正）以及局部变形（需补偿算法修正形状畸变）。因此，图像配准通常被作为直接分析的额外步骤。

图像配准常用于比较光学图像与XCT图像，以分析成形板或熔池。起初，由于光学图像与XCT图像的采样间隔不同，需要将不同层的特征组合为可比形式（图19a）。

图19

这种组合允许在光学图像和XCT图像之间实现配准。对于拼接熔池图像与XCT图像的自动配准而言，几何特征匹配通常不可行，因为拼接熔池图像无法准确表示目标特征的位置。为解决这一问题，研究者检测了两个几何向量，分别用于水平和垂直切片的配准（图19b）。在零件移除后，XCT扫描数据与熔池数据之间存在约0.5 mm的差异，使配准过程更加困难和关键（图 19c）。配准完成后的图像可以通过叠加和分析用于不同的研究方法。当配准准确时，原位熔池图像与XCT扫描结果表现出高度相关性，表明其有潜力独立表征气孔的尺寸和形状。这种能力不仅提高了缺陷检测效率，还支持基于XCT图像的气孔类型分类。尽管已有进展，目前的方法在直接比较光学和XCT图像进行缺陷检测时仍面临挑战。

局限性包括空间分辨率的不一致、成像模态的差异，以及熔池图像在拼接过程中可能出现的畸变，这些都会导致精度下降。要解决这些问题，需要开发创新的配准算法，可能结合机器学习技术，以改进特征对齐并支持更可靠的缺陷分析。

除了标准的二维光学图像处理外，光电二极管信号提供了一种独特的方法，其生成的是一维数据流而非传统的二维图像。这种降维简化了预处理流程，相比之下，声学信号往往需要更复杂的去噪和特征提取方法。光电二极管信号的处理通常包括设定阈值以提取有意义的数据，同时抑制背景噪声（图20）。

图20

这一阈值步骤对于提高信噪比至关重要，确保与缺陷相关的波动特征得以保留。完成阈值处理后，信号会进一步通过短时傅里叶变换（STFT）和快速傅里叶变换（FFT）进行处理，以提取时域信息并对环境噪声去除。傅里叶变换（FT）是一种减少多项式运算处理时间的方法，包括FFT、STFT和离散傅里叶变换（DFT）。这一变换对分析光电二极管信号中的时间模式尤为有利，因为它能够识别与工艺异常相关的特定频率成分。STFT尤其适合金属PBF过程中瞬态事件的检测，因为它具备时频局部化的优势；而FFT则提供全局频谱，有助于识别持续的周期性信号并滤除环境噪声。

在傅里叶变换之后，优化过的一维信号会被转换为二维图像表示，从而能够集成到机器学习模型中。例如，研究者对光电二极管信号进行预处理时，通过平均两个50 kHz锗光电二极管的强度值来减少角度检测偏差。随后，他们将信号转换为二维图像数据集，其中一个版本保留了内部和轮廓数据点，另一个则排除了外部轮廓。这些表示捕捉了与工艺波动相关的局部强度变化，有效实现了熔合不足缺陷的检测，并展示了原位光电二极管信号与缺陷形成之间的强相关性。

尽管存在多种成像硬件和安装方式，光学监测中的一个关键挑战是接收到难以直观解释的信号，或分辨率不足，尤其是在轴外或高速条件下。这些局限会妨碍缺陷的及时和准确检测。然而，光学信号同样可以用于获取熔池信息，因为这些信息能反映潜在的缺陷。飞溅特征可从光学信号中提取，而飞溅与缺陷形成密切相关。因此，可以进一步分析光学信号中的附加信息用于缺陷研究。通过提取和分析二级特征（如飞溅轨迹、强度波动、几何不规则性），未来研究有望揭示缺陷演化的更深层次机制。这也凸显了不仅需要改进传感器硬件，还要通过智能数据处理和特征提取方法提升信号解释能力，这将在后续章节中进一步探讨。

声发射信号

声发射（AE）信号主要是一维信号，通常以幅值（Pa）随时间（s）变化的形式表示。AE信号的标准处理方法是使用傅里叶变换（FT）和数字滤波器来分离高、低频背景噪声。最初，离散傅里叶变换（DFT）被用于处理AE和其他类型的信号，它能降低数据维度并将其集中到频域中。随着AE技术的发展，快速傅里叶变换（FFT）因其计算效率高而越来越受欢迎，能够显著减少处理时间。

在信号到图像的转换过程中（图21），一维AE信号首先被分段并通过FFT转换到频域，然后应用带通滤波来抑制带外噪声。去噪后的信号被映射成二维灰度图像，并结合激光扫描信息进行处理。经过这一流程，AE信号就转化为二维图像，可以利用光学图像处理方法进行分析。灰度图像随后可作为典型的二维光学图像进行处理，并用于训练机器学习模型。

图21

除了这种转换方法外，AE信号还可以直接与其他后处理结果进行比较，例如XCT图像。AE信号与XCT图像的直接对比表明，AE信号波峰可以与气孔相对应，即使存在一定误差（图22）。

图22

值得注意的是，AE信号与XCT图像中波峰位置的不一致，往往表明裂纹的萌生和扩展。AE事件通常出现在包含缺陷（气孔和裂纹）的区域，偏差仅有2–3 mm，这表明AE信号处理具有很高的精度。这种精度水平对于不同材料和结构的缺陷检测与预测具有良好前景。

尽管如此，AE信号分析的可解释性和鲁棒性仍有进一步提升的空间。AE数据的一个长期局限是其复杂且嘈杂的特性，往往掩盖了有意义的特征。传统的分析工具（如皮尔逊相关系数）在这一领域的应用仍然不足。已有研究表明，皮尔逊分析在其他增材制造工艺（如DED和电弧增材制造）中处理光学与AE信号时是有效的，但在L-PBF中尚未有已知研究应用这一方法。探索此类统计方法可能有助于揭示声学信号模式与缺陷形貌之间的潜在关联，为实时缺陷预测提供一种互补且可解释的路径。

热学信号

热学信号表示物体内部或表面的热分布。通过检测温度或热能的变化，这些信号可以在二维热像图中提供关于对象特征、状态及缺陷的信息。在金属PBF中，热学信号检测的一个常见应用是熔池形貌分析，如图23 所示。

通过提取ROI、绘制等温图并将图像转化为灰度图像，可以获得熔池的轮廓，其结果的精度依赖于分辨率。原位数据处理后获取的信息（如熔池尺寸和温度）可用于进一步分析。直接利用热像图进行熔池预测时，误差可控制在5%以内。

除了熔池分析之外，热学信号还能揭示更广泛的热分布模式。通过应用背景扣除和统计特征提取，热数据可被预处理并用于训练机器学习模型，在预测局部热积累方面取得了94.7%的准确率。这不仅有助于监测热变化，还能辅助缺陷预防。在缺陷检测方面，红外图像与SEM图像对比被用于预测熔合不足，结果准确率为82%。类似地，通过分析原位监测的多层热特征，可以实现孔洞型气孔的检测。在一项代表性研究中，该方法在局部700 × 700 × 50 µm³ 子体积内预测孔洞型气孔时，达到了96%的准确率和0.86的F1值。该结果表明，该方法在L-PBF实时质量控制中具有潜力。

除了目前在熔池监测和缺陷分类中的应用外，热学信号在更深入的工艺理解和早期缺陷预测方面也有潜力。其捕捉熔池几何与温度特征的能力，也可用于跟踪熔池演化和识别工艺异常。特别是一些在DED中应用的技术（如重力超像素）可被改造用于L-PBF中的熔池分割和时间跟踪，为实时质量保证提供新机会。最新研究表明，热梯度和熔池尺寸与特定缺陷类型和工艺异常相关。此外，空间分辨的高温数据还能基于热分布不均来识别气孔聚集现象，提供了关于缺陷如何在不同热历史下演化的新视角。这些关联突显了热学信号的价值，不仅适用于分类任务，也能用于缺陷形成机理的建模。

电子信号

来自原位监测的电子信号仍以原始数据的形式存在，其表现为二维图像，与原始光学图像类似。电子信号的原位数据处理可分为人工标注、噪声去除、畸变校正、分辨率增强以及图像分析。

在一种常见的人工标注与缺陷分类方法中（图24）

图24

单次EB-PBF过程中通过人工判断对孔隙严重程度进行分级（如不均匀、良好和多孔），以有效指示工艺窗口。此类数据集可在一次构建过程中完成采集，将开发时间从传统后处理分析所需的数周甚至数月大幅缩短至数小时。然而，这种依赖人工判断和操作经验的方法在图像分类能力上较为粗糙，主要适用于识别最明显的缺陷（如大气孔），但难以检测更细微或复杂的缺陷特征。其在初步、粗粒度分类中仍具成本效益和效率，但在需要高精度和细致缺陷表征的场景下，该方法存在明显不足，因此亟需更先进的自动化技术以实现精确的缺陷检测与分类。

噪声去除方法包括生成电子图像的直方图，并应用中值滤波和归一化以增强图像对比度（图24b）。电子图像中的畸变与倾斜角度有关，因此通过表面倾斜校正和立体角对比度调整来修正畸变（图24c）。经校正后，图像显示这些因子仅依赖于样品表面形貌。

在数据归一化与三维可视化方面，有研究使用纯铜样品的数据流文件，将所有层的数据导入MATLAB进行处理，并通过X、Y偏转归一化总电子发射信号，生成总电子产额数据集。这提高了信噪比并减少了数据规模。为了便于与XCT图像对比，还利用ImageJ对分辨率与灰度值进行了标准化，再用Dragonfly软件实现三维可视化。另有研究则使用基于Python的图像分析脚本，该脚本能够利用分水岭算法实现表面轮廓的精确勾勒。该方法首先通过索贝尔边缘检测算法增强特征对比度，继而采用泛洪填充法消除非闭合特征，最终利用霍夫圆变换识别小型环形特征。此外，该技术还实现了逐层图像的三维重构。处理后的ELO图像被用于污染检测和后处理结果对比（图25）。

图25

在污染检测中，ELO图像可用于识别杂质，如钽元素会在图像中表现为亮区。

此外，通过构建ELO电压图并结合归一化的最大、最小值，可突出材料异常。由于EB-PBF过程中温度变化难以测量，ELO成像结合电压信息被认为是缺陷检测与预测的一种有前景的替代方法。

在对比后处理结果方面，ELO图像与XCT、OM图像的对比是一种常用的方法。研究发现，ELO成像在某些方面比OM和XCT的限制更少，例如样品大小，因为它是一种实时监测方法。然而，ELO成像往往高估孔隙率，这是由于其只能捕捉每一层的电子信号，而某一层检测到的孔隙可能在随后的层中被重熔。此外，ELO成像的分辨率不足也是检测微小缺陷或精确定位时的问题。

后续研究表明，ELO图像可用于监测熔融层精度和预测打印表面的粗糙度，但边缘损失问题依然存在。这一局限源于ELO成像的固有限制，即只能进行逐层表面成像。在理想条件下，其最小可检测缺陷约为100 µm，因为其空间分辨率仅为47µm/像素。

还有研究将BSE成像与XCT图像进行配准，采用结构相似性指数和平均绝对百分比误差作为比较标准。结果（图26b）显示，BSE成像检测到的孔隙与金相分析结果高度一致。这表明BSE与XCT成像结合在增强缺陷检测和表征方面具有潜力。

图26

除XCT和OM外，激光扫描显微镜与共聚焦激光扫描显微镜也被用于与ELO图像的对比（图27）。

图27

结果表明，ELO图像的低、高强度区域与激光显微镜图像具有显著相关性，但ELO图像仍表现出较高的噪声水平。

研究还探讨了环境参数对EB-PBF打印的影响，例如温度、氦气效应、倾斜角度、人工喷砂和视场。结果表明，温度变化（室温至320 ºC）对ELO图像无影响，倾斜角度对图像畸变和BSE/SE反馈信号影响也很小。但氦气和人工喷砂会改变电子图像纹理，因此对BSE检测有较大影响。

总体而言，电子信号的原位数据处理仍研究不足，在理解和方法学上存在显著空白。除缺陷与形貌检测外，BSE或SE成像还能检测金属和合金的显微结构，而显微结构的质量也反映了打印件的致密度，因此这一方法也可能用于EB-PBF中的气孔检测与评估。然而，缺乏标准化流程导致了电子信号和图像处理在生产率和可靠性上的不足。数据解读不一致与可重复性差，直接影响了缺陷检测和工艺控制质量。这些局限对机器学习在EB-PBF工艺中的应用构成重大障碍，因为ML模型需要大量高质量且一致的数据进行训练。没有可靠、标准化的数据处理方法，ML技术的应用将变得困难，从而阻碍自动化、缺陷预测和工艺优化的发展。最终，这一不足限制了原位监测系统在提升EB-PBF效率和准确性方面的潜力。

通过综合上述针对不同信号的预处理流程,论文总结了各操作如何重塑信息结构，明确指出哪些数据被有意舍弃、哪些特征被保留，以及这些决策的重要性。它还评估了每一步对空间分辨率与时间保真度的影响。该映射清晰展现了数据压缩与信息保留之间的平衡，包括熔池几何、与缺陷相关的频率带以及时间分辨的强度模式，这些都是实现可靠缺陷检测和机器学习推断的关键。通过将处理流程与量化结果相联系，突出了原位数据处理中的权衡，并展示了合理设计的处理管道如何在不牺牲关键信息的前提下降低计算需求。这为后续特征提取和模型训练策略的讨论提供了概念基础。

 原位监测数据与机器学习在缺陷检测中的集成

尽管在统计处理原位监测数据方面已经取得了进展，但由于数据量庞大且复杂，要获得确定性结果仍然困难。为此，机器学习为金属PBF工艺提供了一种实用且高效的解决方案。作为人工智能的一个子集，机器学习算法通过计算学习特定模式，在数据总结和分析方面具有优势。这一能力使得机器学习能够进行预测，而这些预测要么是人类难以迅速得出的，要么是人类根本无法实现的，因此为金属PBF工艺中的深度理解和决策提供了有前景的途径。

金属PBF缺陷检测中的机器学习技术分类

用于金属PBF缺陷检测的机器学习方法已经发展出监督学习、无监督学习、半监督学习、强化学习和迁移学习等。其中，监督学习和无监督学习在当前应用中占主导地位，而半监督学习和强化学习尽管具有潜力，但仍然应用不足。每种方法采用不同的判别标准，如图28 所示，反映了它们在处理原位监测数据时的独特优势与局限性。

图28

监督学习依赖于带标签的数据集，以建立输入特征（如热成像、声发射信号）与缺陷标签（如气孔、裂纹）之间的关联。如图29 所示，其流程通常包括将原位监测数据划分为训练集（>60%）、验证集和测试集，随后进行模型选择和评估。

图29

监督学习算法可分为分类、回归和深度学习。例如，支持向量机（SVM）是经典的分类方法；线性回归是回归的重要方法；卷积神经网络（CNN）则是金属PBF中最常用的机器学习方法，较复杂的结构还包括VGG和残差网络（ResNet）。已有多项研究展示了监督学习在增材制造缺陷检测中的应用，例如将多传感器数据融合用于缺陷分类、利用光电二极管和AE信号实现实时缺陷检测、结合逐层图像实现早期缺陷识别，以及利用ResNet结构实现对熔合不足气孔等细微缺陷的高精度检测（超过90%准确率）。尽管如此，监督学习在跨材料泛化方面仍存在挑战，例如基于不锈钢训练的模型往往需要大量再训练才能在铜合金上保持准确性。

无监督学习则利用完整数据集进行学习，无需带标签的输入。其核心是发现未标注数据中的潜在模式、结构或关系，特别适用于人类理解有限或缺失的场景。无监督学习可分为聚类与降维两类。代表性应用是K-means聚类算法（图30），其中滤波器被优化并卷积处理（图30b），相似特征通过K-means进行聚类（图30c），最终利用指纹表与直方图（图30f–g）匹配来检测异常（图30i–j）。

图30

另一方面，降维方法（如主成分分析PCA）主要用于数据预处理，而非独立的缺陷分类，因为其输出通常需要进一步解释才能与具体缺陷类型相关联。

半监督学习介于监督与无监督之间，在标注成本较高时具有优势。通过将少量带标签数据与大量无标签数据结合学习，它能在工业应用中缓解标注样本稀缺的问题。当数据量充足时，其性能可接近甚至媲美完全依赖标注数据的监督学习模型。已有研究表明，半监督学习结合随机奇异值分解和高斯混合模型，可在减少40%标注工作量的同时，仍保持与全监督模型相当的性能，尤其在利用光电二极管测量数据进行缺陷检测时表现突出。不过，由于半监督学习依赖于对无标签数据分布的假设，若数据分布分散或存在偏差，会导致精度下降甚至误判。

强化学习（RL）虽在PBF应用中研究较少，但它引入了一个基于决策的范式，使智能体能够通过迭代优化来提升缺陷预测效果。已有研究表明，基于CNN的模型驱动强化学习在钛合金的L-PBF过程中，通过动态调整激光参数，使逐层表面粗糙度预测提升了20%（F1-score）。这凸显了RL在实时缺陷缓解中的潜力。然而，计算开销和延迟奖励机制阻碍了其实时实现，需要先进的架构来降低延迟。同时，决策和训练过程中的高计算量与人力成本也使其收敛变得困难。未来研究应探索将半监督学习与RL结合，利用多模态传感数据进一步增强实时质量保障和工艺优化。

迁移学习通过借鉴相关领域的知识来降低训练成本（图31）。

图31

它包括示例驱动、特征驱动、模型驱动和多任务驱动四类，适用于不同场景。已有研究表明，迁移学习在应对数据有限问题时尤为有效。例如，利用AE信号训练VGG-16和ResNet-18，对不锈钢和铜合金的四类PBF过程机理（飞溅、熔合不足气孔、热传导模式和孔洞型气孔）进行聚类，结果显示ResNet-18在精度和计算效率上均优于VGG-16，尤其在小规模数据集下效果更佳。

然而，迁移学习在PBF中的应用仍然有限，主要挑战是领域偏移：不同机器、材料批次、传感器配置及工艺参数会形成差异化的数据域，使得模型难以跨域泛化。为解决此问题，领域自适应成为研究重点，旨在对齐不同域的特征分布，提高模型鲁棒性。例如，基于AE信号的领域自适应方法显著提升了模型在跨材料与跨参数条件下的泛化性能。此外，研究还提出数据优化策略，认为并非所有源域数据都有助于模型迁移，需通过多目标优化方法筛选更相关的源数据。

在工业协作中，数据所有权与隐私问题也限制了迁移学习的发展。为此，联邦学习逐渐兴起，它允许多个机构在不共享敏感原始数据的前提下，协同训练全局模型。尽管在PBF领域仍处于起步阶段，但其利用多样化数据集构建高度鲁棒模型的潜力，预示了其未来在行业最佳实践模型构建中的重要地位。

迁移学习在PBF中的有效策略包括特征提取与微调。特征提取利用预训练CNN的中间层（如VGG16、ResNet50、MobileNetV2）生成缺陷特征图，MobileNetV2已成功应用于裂纹与气孔分类。微调则通过在目标数据集上重训练部分层，将通用工业检测模型改造为适配AM缺陷的模型。与此同时，合成数据增强通过模拟裂纹和气孔等缺陷来缓解数据稀缺问题。已有研究结合合成数据与Inception ResNet V2架构，提升了多材料缺陷检测的鲁棒性。

尽管取得了这些进展，迁移学习在L-PBF缺陷预测中的应用仍不广泛。未来研究应重点探索：将合成数据与多模态传感结合的混合方法；优化适用于实时AM监测的架构；以及通过 Point Cloud Library 和 Detectron2 等平台统一特征提取、微调与合成数据策略，构建动态灵活的缺陷表征框架，从而减少对大规模标注数据集的依赖，加速金属PBF缺陷检测中模型训练与应用的落地。

为便于实施，开源平台（如 Detectron2、TensorFlow Hub、PyTorch Hub、Point Cloud Library）提供了丰富的迁移学习资源，支持预训练模型的高效利用。例如，Detectron2中的Mask R-CNN算法可微调用于制造过程中的实时缺陷分割；PrintWatch系统通过AI驱动的实时视频分析与3D打印机联动，实现即时缺陷干预；Point Cloud Library则为点云数据处理提供了曲面重建和特征估计算法。

利用机器学习进行缺陷分类与预测

-光学图像

处理并配准后的光学图像，不仅可用于分析，也能作为机器学习的训练数据。图像标注被认为至关重要，因为监督学习模型需要带标签的数据进行训练。然而，由于其耗时且依赖专家输入，仍是一个挑战。为解决这一问题，有研究提出使用人工设计的孔洞作为标注基础。他们借助计算机辅助设计与XCT方法对样品进行配准，并在 ImageJ 中完成图像标注（图32）。

图32

然而，标注精度对结果极为关键，不同分辨率的图像之间差异使得高质量标注极具挑战性。此外，研究也表明，由于标注精度、解释偏差和图像分辨率不一致，机器学习分割结果与专家驱动的分割结果可能存在差异。这些差异可能引入偏差，影响缺陷表征与分析的可靠性。因此，采用稳健的数据准备策略（如标准化标注协议、严格的真值验证和迭代优化的工作流）对于提升缺陷表征的准确性和一致性至关重要。

在图像配准之后，各类机器学习模型已被应用于缺陷预测。例如，2018年提出的多尺度卷积神经网络（CNN）展示了其在材料分析与缺陷检测中的应用潜力。另一项研究利用VGG-16预测人工设计的缺陷，在2 mm 孔洞的预测中准确率达到96.09%，但在小于1 mm 的孔洞时仅为81%，凸显了小尺寸缺陷检测的困难以及对更有效配准方法的需求。还观察到，随着孔径减小，错误标注对准确率的负面影响更为显著。其他研究中，CNN被用于训练熔池监测图像，在曝光前后的缺陷预测准确率分别达90.3%和97.1%；CNN也被用于检测大于200 μm 的缺陷，原始构件准确率为93.5%，而在新构件中下降至87.3%。更复杂的CNN结构，如AlexNet、VGG16和Inception V3，能够自动学习特征，从而减少对原位数据预处理的依赖。也有研究提出半监督CNN方法，有效识别实验轨迹、平均宽度和连续性。

光电二极管信号也被用于原位监测和机器学习模型的结合。例如，三光电二极管系统结合无监督聚类和监督学习方法，用于预测缺陷。通过对比K-means和高斯混合模型（GMM，作为无监督方法）与高斯过程回归（GPR，作为监督方法），实现了基于密度的缺陷分类。另一项研究则利用半监督GMM处理小规模数据，展示了仅依赖光电二极管时序数据也能进行缺陷分析的可行性。

在孔隙检测方面，机器学习模型的准确率随着孔径的变化而显著不同。

当孔径为2 mm 时，准确率可达97%；当孔径减小至1 mm、0.8 mm 和0.5 mm 时，准确率下降至约80%；进一步缩小至系统分辨率极限以下（如0.2 mm），准确率仅为66.67%。这种波动反映了小缺陷检测的内在复杂性。除孔径外，孔隙特征的复杂性也会影响光学信号下的缺陷检测准确率。熔合不足（LoF）缺陷检测准确率在86.20%至93.50%之间，而孔隙分类准确率超过98.83%。熔合不足的特征更为复杂、不规则，因此难以区分，而不同类型孔隙（如气孔与孔洞型孔隙）的形态差异更易于识别。进一步地，熔池的形貌特征（受激光功率与扫描速度影响）与孔隙形成密切相关，机器学习模型在熔池图像分析中也可达到90%以上的准确率。

相比熔池和孔隙特征，羽流与飞溅的分类准确率更低。这是由于羽流与飞溅的复杂性和高度可变性，它们受能量输入、材料属性和工艺条件等多因素影响。二维图像对这些现象的捕捉往往不足，加之干扰、噪声和特征区分能力有限，进一步降低了分类准确率。此外，飞溅特征往往过小且不规则，不易与背景噪声区分。

总结来看，机器学习方法已广泛应用于光学图像，作为分析小尺寸缺陷模式的有效工具。由于光学信号是最常见的原位监测手段，因此其在缺陷分类与预测中的机器学习应用也占据了绝大多数。然而，模型泛化性和小缺陷检测仍是显著挑战。

-声发射信号

有研究提出利用深度信念网络（DBN）在无需预处理的情况下检测缺陷。与SVM和多层感知机（MLP）相比，DBN在处理未经FFT或去噪的AE原始信号时表现更好，并能在不同工艺参数组合下实现更强的泛化能力。

另一项研究使用不同机器学习模型将孔隙率划分为低（1.42 ± 0.85 %）、中（0.3 ± 0.18 %）和高（0.07 ± 0.02 %）（Table 5）。类似地，还有研究将密度分为大于99%、介于94.3%与99%之间以及低于94.3%三个等级（Table 5）。目前，AE信号与机器学习的结合主要用于分类，而对缺陷具体尺寸、形状和位置的预测仍然缺乏，但结果同样可用于构件质量评定。

-热学信号

热学信号与机器学习的结合在L-PBF中的研究仍处于发展阶段。2019年，有研究利用三维有限元方法检测熔池尺寸，在宽度与深度预测中准确率超过94%。

另一项研究使用随机森林（RF）、决策树（DT）和线性回归（LR）对构件状态进行预测与聚类，其中RF的F1分数最高（0.966）。还有研究使用SVM、MLP和一维CNN对构件密度进行分类，大于98.15%、介于96.13%–98.15%、低于96.13%，结果表明MLP的准确率最高（94.32%）。另一项研究利用高温计从熔池图像中提取熔池长度、温度分布和飞溅等特征，并使用KNN等模型进行训练，F1分数在89–97%之间。与AE信号类似，目前热学信号结合机器学习的研究以分类为主，对缺陷位置、大小和形状的预测仍需进一步探索。

未来研究应聚焦于更先进的机器学习模型，以提供空间精确且可解释的预测。基于视觉的方法（如实例分割）具有巨大潜力，可直接在热像图中定位并量化缺陷。例如，Mask R-CNN可生成像素级的缺陷掩膜，并区分重叠的缺陷实例，从而跟踪熔池中缺陷随时间的演化，特别适用于几何复杂或缺陷类型多样的构件。

-电子信号

迄今为止，机器学习在EB-PBF中的缺陷检测、分类与预测研究仍然有限，主要原因在于EB-PBF缺乏稳定且高产的原位监测方法来提供足够可靠的训练与测试数据集。2022年，有研究利用后处理方法，将逻辑回归、SVM、决策树、XGBoost和朴素贝叶斯五种模型用于分析内部缺陷与表面形貌的关系，其中SVM的准确率最高（95%）。另一项研究开发了GPR与SVR模型来预测Inconel 718打印件的相对密度，GPR取得了更高的拟合精度（MSE为7.63%，R²为99.82%）。

目前，尚无研究在EB-PBF中使用原位监测数据结合机器学习进行缺陷检测与预测，但随着新监测技术的发展，这一状况有望改变。

-数据融合与混合学习

单一传感器监测虽然能提供有价值的信息，但存在固有局限。例如，光学信号在捕捉飞溅特征时容易受到噪声干扰，声发射信号的准确率也有限。为克服这些局限，已有研究展示了多传感器融合方法，显著提升了增材制造过程中的缺陷检测准确性与可靠性。

数据融合可在不同层次实现，各具优势。例如，有研究通过结合光学与声发射信号来监测飞溅行为，深度学习模型的分类置信度达到85.08%，显著高于单一光学信号的70.9%。这种提升可能源于AE传感器能够检测到不可见的飞溅事件，提供了更全面的监测手段。光学信号也常与热学信号结合，生成反映熔池温度分布的综合数据集，从而更好地理解激光-材料相互作用的复杂过程。

此外，声学传感器与光电二极管传感器也能结合使用。光电二极管信号通常用于监测光强度，其受熔池尺寸、温度、飞溅和羽流强度影响。最初，光电二极管信号主要用于密度分类，而当其与AE信号结合时，还能实现孔隙分类。进一步地，有研究同时采集光学、光电二极管与AE数据，利用基于CNN的多传感器数据融合方法（包括数据级融合、特征级融合和决策级融合），其准确率高于任一单一信号。

最近，研究者将多种传感信号与混合深度学习模型结合，例如将CNN与LSTM结合，用于在不同时间尺度上分类工艺状态（如孔洞模式、传导模式和熔合不足），其信号来源包括光学、声发射、红外与反射信号。这些信号捕捉了L-PBF过程中的不同物理现象，其融合提升了分类模型的鲁棒性与准确率。在部分研究中，还借助同步X射线成像验证了传感信号与实际熔池动力学之间的相关性。

除数据融合外，混合学习方法（结合数据驱动模型与基于物理的仿真）也逐渐受到关注。例如，将热学模拟或有限元熔池模型的先验知识引入学习过程，有助于提高模型的可解释性与泛化性。还有研究提出了结合无监督聚类与半监督学习的混合训练策略，即使在标注数据有限的情况下，也能实现跨材料的泛化能力。

混合学习的概念已扩展至自适应控制。例如，将机器学习模型与机器人控制系统结合，使得工艺参数和路径能够基于传感器反馈实时调整，从而提高工艺稳定性和表面质量。这种人工智能驱动的控制框架展示了混合学习在闭环制造环境中的潜力，将传感数据、决策与执行联系在一个统一架构中。

这些进展表明，结合异构传感与混合学习能显著提升缺陷检测系统的可靠性。通过嵌入物理约束并利用互补的传感信息，这类方法为金属PBF的实时自适应质量保障提供了有前景的方向。

最后，需要强调的是，尽管光学信号仍是基于机器学习的PBF原位监测的主要数据来源，但越来越多的证据表明，包括声发射、光电二极管和热学数据在内的其他信号，可能在减少预处理需求的同时实现相当的缺陷检测准确率。然而，原位监测数据与机器学习结合在缺陷分类与预测中仍存在诸多挑战，如 Table 4 所示，光学信号在小孔径缺陷检测中的准确率显著下降。此外，更深层的CNN架构需要庞大的计算资源，模型可解释性不足，也使其在工业应用中推广受限。因此，未来研究应聚焦于改进数据获取策略、开发结合物理知识的混合机器学习方法，以及增强模型可解释性，以促进机器学习与原位监测在增材制造中的可靠集成。

 总结性意见

金属PBF作为增材制造中的一股变革力量，仍因孔隙、裂纹和熔合不足等缺陷而限制其工业应用。本综述指出，原位监测与机器学习的结合并非独立解决方案；数据预处理才是必不可少的使能环节，它将原始的、异构的传感器数据转化为可靠的输入，从而支持机器学习驱动的缺陷检测。不同监测方式的发展与挑战同时展现了前景与关键缺口。

光学信号是目前研究中使用最多的手段（约占60%），通过相机和光电二极管检测表面缺陷，如熔合不足、孔隙和结球。经由ROI提取、灰度化和轮廓检测等预处理，原始图像可转化为适配机器学习模型的输入。例如，DBN模型能够以99.59%的准确率分类不同的孔隙模式，VGG16在孔隙预测中的准确率可达96.09%。然而，光学信号的非直观特性（如熔池眩光）与硬件局限（如分辨率权衡）表明，在传感器设计与预处理算法上仍需持续创新。

声发射（AE）信号虽仍不成熟，但在内部缺陷检测上具备独特优势。近年来，结合原位监测、数据预处理与机器学习的AE信号分析逐渐兴起，用于识别L-PBF过程中的裂纹和孔隙。已有研究证明AE信号的直接分析能与内部裂纹相关联，而机器学习的应用主要停留在孔隙率与密度分类，而非对缺陷尺寸、形状与位置的精确检测。

热学信号主要用于检测与热相关的缺陷，如热裂纹和温度梯度，同时具备提取与预测熔池特征的潜力。然而，原位监测、热学数据预处理与机器学习的结合仍处于发展中。目前，灰度处理与等温图绘制被用于弥合热学原位监测与机器学习分析之间的差距。直接基于热像图进行分析较少见，因为热学信号主要传递与热相关的信息。尽管其在熔池现象预测与检测中应用广泛，但在缺陷预测与分类方面的研究仍相对不足。然而，鉴于其反映熔池动力学的能力，热学信号在金属PBF缺陷预测中仍极具潜力。

电子信号是EB-PBF工艺独有的，ELO成像是其中最常见的原位监测方法，可捕捉二维缺陷特征。然而，该领域仍处于起步阶段，尚无标准化的预处理流程。目前的方法依赖人工标注、噪声去除和畸变校正，以便将电子图像与后处理数据对齐。但环境干扰（如氦气散射）限制了信号可靠性，从而延缓了机器学习的应用。虽然尚无研究将电子原位数据与机器学习结合，但预处理的进展有望推动其在污染检测和显微组织分析中的应用。

多传感器方法（结合光学、声发射与热学信号）代表了一个新兴前沿。通过交叉验证异构数据流（如将热峰值与声学异常关联），研究者已证明缺陷定位精度有所提高。然而，其可扩展性仍受限于计算复杂性和缺乏标准化融合协议。

对这些进展的综合分析揭示了三点普遍结论：第一，机器学习模型的有效性根本上取决于预处理数据的质量，而不仅仅是算法的复杂程度；第二，光学信号研究的主导地位反映了体系性失衡，AE、热学和电子信号同样需要重视，以应对其在缺陷检测中的独特作用；第三，缺乏标准化的预处理流程（如AE去噪协议）与模型选择准则（如针对特定缺陷应使用CNN还是SVM），限制了研究的可重复性和跨研究比较。

 未来展望

金属PBF缺陷检测的未来不依赖于原位监测或机器学习的单独进展，而在于通过自适应、数据驱动的框架实现两者的融合。该领域不应仅追逐算法新颖性，而应优先保证高质量数据与标准化流程，以实现主动的质量保障，特别是在核能、航空航天和生物医用植入物等关键应用领域。

一个核心优先事项是开发标准化、实用的端到端框架，明确传感器安装、信号解读、数据预处理、图像分析和基于机器学习的预测等环节的最佳实践。这类标准化将减少研究碎片化，提高可重复性，并加速创新。

数据预处理在这一融合中发挥关键作用。作为原始传感数据与机器学习模型之间的桥梁，它决定了后续分析的可靠性与一致性。亟需标准化的预处理工作流和开放协议，以确保不同设备、工艺和研究团队间的数据完整性。

在机器学习方面，迁移学习尤为值得关注。通过利用已有模型的知识，它能减少对大规模标注数据集的依赖，并实现跨域泛化。其他先进方法，如半监督学习、领域自适应与联邦学习，也为解决数据稀缺与系统差异问题提供了潜力。多传感器监测（如光学、声发射、热学信号）与工艺元数据（如扫描路径、熔池行为、羽流动力学）的结合，开辟了多模态融合的新可能。这不仅提高了缺陷检测的鲁棒性，还为实时闭环控制系统奠定了基础，使其能够动态调整工艺参数，从而同时提升效率与质量一致性。

这一整体方法（如图33 所示）不仅提高了缺陷检测与分类的准确性，还增强了对增材制造工艺的信心。展望未来，将实时检测与闭环/校正能力集成到这些框架中，有望进一步推动该领域的发展。快速响应制造环境中的动态变化并自动调整参数的能力，不仅将提升工艺效率，还能确保输出质量的一致性。

图33

最终，原位缺陷检测的目的不仅在于实时发现异常，更在于深化对制造—显微组织/缺陷—性能关系的理解，以契合增强产品性能的制造目标。建立缺陷位置与拉伸力学性能的定量关联、明确缺陷分布对断裂行为的影响、评估缺陷特征对疲劳性能的作用，都是关键的前进方向。此外，将原位监测数据融入实验设计，可形成有价值的反馈机制，使测试方案能基于实时洞察进行动态调整。这一自适应方法不仅提升了测试效率，还增强了缺陷预测的准确性以及缺陷缓解策略的有效性。

本文转载自：筑基手册

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源

金属粉末床熔融（PBF）是制造金属零件的一项关键增材制造（AM）技术。然而，该工艺易受到孔隙、裂纹、翘曲等缺陷的困扰，从而削弱最终产品的质量。针对这一问题，学界和工业界日益关注利用原位监测、数据预处理与机器学习（ML）技术来进行金属 PBF 过程中的缺陷检测与预测。

来自新加坡制造技术研究院的科研团队发表了以“Towards intelligent defect detection in metal powder bed fusion: A review of in situmonitoring, data pre-processing, and machine learning“ 为题的综述论文。论文对粉末床熔融金属增材制造技术的原位监测、数据预处理与机器学习领域的最新进展进行了系统分析。谷·专栏将分上、下两期分享该综述。本期为上篇。

论文链接：
https://doi.org/10.1016/j.mser.2025.101112

本文特别强调了数据预处理这一新兴趋势，该技术作为原位监测与机器学习之间的桥梁发挥着关键作用。

通过解决背景噪声、数据丢失以及数据体量庞大等挑战，原位监测数据的预处理对于提升粉末床熔融（PBF）金属增材制造过程中缺陷检测与预测的准确性具有重要意义。此外，论文还讨论了该领域的重要方法、技术与发展趋势，并对当前面临的挑战及未来潜在的发展方向进行了深入探讨，为推动金属PBF 增材制造-3D打印部件缺陷研究中的原位监测、数据预处理与机器学习技术提供了新的视角。

“ 3D Science Valley 白皮书 图文解析

”

 引言

增材制造（Additive Manufacturing, AM），又称三维（3D）打印技术，已发展成为一种成熟且广受欢迎的制造技术。该技术通过逐层堆积材料，从计算机辅助设计（CAD）或数字三维模型中构建三维物体。与传统生产方法相比，AM 具有材料浪费更少、环境污染更低等优势。此外，其在零件设计上的高度灵活性，使得定制化产品和轻量化设计成为可能，因此已在诸多领域得到广泛应用，如航空航天、生物医学、汽车以及柔顺机构等行业。

粉末床熔融（Powder Bed Fusion, PBF）是金属与合金工程零件的主要增材制造技术之一。金属PBF工艺通常包括预处理（如零件设计、模型分析、路径规划、打印及后处理）（见图1）。

图1

在打印过程中，粉末在设备中被熔化，并根据 CAD 模型形成零件。在拆除成形板并将样件切割下来后，打印样品会进入后期检测，包括性能鉴定、机械加工、热处理，以及光学显微镜、X 射线计算机断层扫描（XCT）、疲劳测试等测量环节。随后，后处理如表面精加工和数控加工（CNC）会进一步将打印部件加工为最终产品，以实现应力最小化、降低孔隙率并获得高几何精度。在此背景下，后期检测过程对于保证打印部件的质量和可重复性至关重要，是其有效应用的前提。然而需要指出的是，后期检测也存在一些不足，包括检测流程耗时、材料浪费以及可能对打印部件造成不可逆损伤。

图1 展示了在金属 PBF 全流程中实现质量保证的两种关键数字化方法。从预处理到后期检测阶段，多尺度物理建模揭示了影响打印过程的各种因素，包括显微组织、铺粉行为、热分析、几何变形以及力学性能。这种深入分析有助于优化工艺参数，从而提升3D打印零件的质量。由此可见，物理建模使制造商能够预测和控制金属PBF的结果，提升了生产效率与可靠性。然而，物理建模并非本文的研究重点，本论文更关注原位监测方法。

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。

• 随机森林（RF）是一种基于集成的算法，在处理噪声数据集和缺失值时特别稳健，通过聚合多棵决策树（DTs），使其适用于结构化缺陷检测应用。然而，RF 在计算上可能要求较高，并且在高度复杂的情境中缺乏可解释性。
• 支持向量机（SVM）因其构建最优超平面的能力而著称，在高维空间表现良好，特别适合特征选择至关重要的小型到中型结构化数据集。尽管其分类精度高，但 SVM 需要仔细的参数调优，并且在大规模数据集上的可扩展性有限。
• 相比之下，神经网络（NNs）擅长建模非线性关系和提取高层次特征，使其特别适用于涉及非结构化数据的缺陷检测任务，如基于图像的检测和传感器驱动的异常检测。其深层架构允许高级特征学习，但需要大量的计算资源和规模庞大且标注良好的数据集来降低过拟合风险。

因此，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。

随着金属 PBF 结合原位监测、数据处理和 ML 成为主要研究焦点，许多研究总结了原位监测和 ML 的进展。具体而言，Shi 等总结了电子束粉末床熔融（EB-PBF）的缺陷形成和过程控制。Grasso 等全面回顾了金属 PBF 工艺的原位传感、测量和监测技术，包括方法学分类以及这些方法性能的比较分析。Peng 等综述了激光粉末床熔融（L-PBF）过程中的缺陷，考察了原位监测和缺陷检测方法，并讨论了它们在 L-PBF 工艺中的应用和集成。Fang 等在回顾 AM 加工链、控制框架、原位监测系统和缺陷检测方法的同时，提出了新的 AM 控制框架。AbouelNour 等探讨了表面以下和内部缺陷的原位监测，涵盖了通过成像和声学方法获得的数据的表征、分析和处理。他们还介绍了结果验证的离线检测技术，以及应用和多样化的 ML 模型。Babu 等讨论了 ML 的工作流，包括监督、无监督和强化学习的类别，以及其在不同子流程中的应用，包括预处理设计阶段、参数优化、异常检测、原位监测和 AM 的最终后处理阶段。Zhang 等介绍了金属 PBF 中的 ML 方法，并讨论了其在不同类型缺陷聚类或预测中的应用。此外，还总结了原位监测和 ML 技术。在这些研究中，Taherkhani 等提供了迄今为止最详细和系统的原位监测方法与 ML 应用分析，将其基于信号类型和波长划分为辐射型和非辐射型传感器。他们的综述最后提出了 ML 在预测和检测各种缺陷中的应用见解。

在这些全面综述的基础上，有必要探讨如何将这些进展有效地集成到金属 PBF 的未来发展中。ML 技术在电弧增材制造（WAAM）和定向能量沉积（DED）中已取得显著成功，可被改造用于实时缺陷检测、自适应过程控制和零件质量提升。通过利用原位监测和自适应控制，离线 ML 模型可在制造前优化工艺参数，而在线 ML 模型可实时处理传感器数据以诊断缺陷并动态调整加工条件。金属 PBF 系统还可以受益于基于强化学习的控制模型，从而实现主动缺陷缓解并减少由工艺引起的孔隙和裂纹等缺陷。此外，过程监测和传感技术，包括热成像、声发射（AE）和光学断层扫描（OT），已在 WAAM 和 DED 中显示出有效性，并可定制用于金属 PBF，以提高缺陷检测的准确性。结合基于深度学习的计算机视觉模型，金属 PBF 系统可以利用预训练的卷积神经网络（CNN）架构，从熔池图像中提取特征并识别缺陷趋势。此外，已在其他 AM 工艺中应用的合成数据增强，可以通过模拟缺陷场景补充训练数据集，从而提高金属 PBF 模型的鲁棒性和泛化能力。展望未来，将自适应 ML 缺陷缓解策略与基于物理的仿真相结合，将实现混合建模方法，使金属 PBF 系统能够预测缺陷形成并主动优化工艺参数。这一进展将推动闭环控制系统的发展，实现缺陷的自主修正和零件可靠性提升，最终使金属 PBF 与智能制造和工业 4.0 的目标保持一致。

与此同时，在控制与监测、图像数据处理、计算机辅助设计和增材制造商业方法等领域，知识产权活动显著增加。2001 到 2010 年间，这些领域的年度专利申请数量保持在 100 以下。然而，从 2011 到 2020 年，这一数字显著增长。仅在 2019 和 2020 年，就有超过 3000 件专利申请被公开，其中与控制和监测相关的超过 1500 件，图像数据处理相关的超过 300 件。这一增长归因于先进传感器和机器视觉技术等创新，确保了 AM 工艺的精度、质量和可靠性。通过监测关键参数，如熔池形态、羽流行为和工艺稳定性，这些技术能够实现实时反馈。然而，ML 和图像数据处理在金属 PBF 中的全部潜力尚未完全发挥。

遗憾的是，仅仅集成原位监测和 ML 并不能确保 ML 训练的数据输入有效或预测准确。作为接收原位监测信号并生成处理数据以供 ML 训练的桥梁，图像预处理决定了 ML 和应用最终结果的可靠性和稳健性。基于此，研究团队旨在开展一项全面综述，涵盖原位监测方法、数据预处理以及随后的 ML 在金属 PBF 中的应用。因此，本综述拟回答两个研究问题：(i) 金属 PBF 的原位数据预处理有哪些新技术？(ii) 原位数据处理如何弥合监测与 ML 缺陷检测之间的差距？

为了使综述全面，研究团队在第 2 节简要描述了金属 PBF 的常见缺陷及其形成机制；第 3 节描述了不同原位监测方法及其优缺点，并重点介绍了新近发展的原位监测技术；第 4 节聚焦于第一个研究问题，详细阐述了图像和信号预处理的结构，重点介绍了关键步骤和最新进展；第 5 节则回答第二个问题，详细讨论了如何将原位监测数据与 ML 模型结合进行缺陷检测。尽管两个问题详略不同，但它们本质上是相互联系的，共同构成本综述的核心主题，即通过原位监测和智能处理相结合，实现金属 PBF 的数据驱动质量控制。最后，本文以对原位监测、原位数据预处理和 ML 在金属 PBF 中的挑战与未来发展的展望作为结束。

 原位监测在金属 PBF 中可检测的缺陷类型及其形成机制

金属 PBF 工艺包括 L-PBF 和 EB-PBF。其基本原理是在基底平台上选择性熔化铺设的粉末。该过程逐层进行，重复粉末铺展、熔化以及平台下降，从而逐步构建三维零件。L-PBF 通常在惰性气体环境下运行，这种环境能形成无氧气氛，保证粉末材料的稳定性并降低氧化风险。相反，EB-PBF 则在真空环境中进行，并包含预热步骤。其能量通过带电电子与粉末颗粒的动能碰撞传递至粉床。这一根本差异导致 PBF 系统在设备配置、工艺环境以及材料适配性方面存在显著差异（图2）。理解这些区别至关重要，因为缺陷的形成机制以及原位监测方法的适用性在不同 PBF 系统中存在差异。

图2

金属 PBF 中缺陷的形成通常源于熔化与再凝固时间尺度之间的不平衡。熔化速率过低会导致零件内部熔化区不足，而熔化速率过高则可能引起粉末汽化。基于这一点，金属 PBF 的缺陷一般可分为两类：

(i) 工艺过程中的瞬态现象，如飞溅、羽流和球化；
(ii) 终态缺陷，如未熔合（LoF）、孔隙、裂纹、致密度异常和变形。

本综述将重点探讨未熔合、孔隙和裂纹这三类关键的最终零件缺陷，以及飞溅与羽流这两类关键的过程现象。这是因为这些缺陷更容易通过原位监测（如高速相机或光电探测器，图 2a）进行检测、分类或预测，并且常常成为 ML 模型实时分析的目标。其他问题，如结球、致密度变化和零件变形，则为了保持讨论的清晰与范围而不作详细阐述。具体而言，结球与熔池不稳定性和粉末分布不均有关；致密度是一种反映底层微观缺陷的宏观属性；而变形则指零件尺度的几何偏差，通常需要不同的传感方式和分析尺度来研究。

未熔合（Lack of Fusion, LoF）

未熔合（LoF），又称不完全熔合孔，通常分布在能量源扫描道之间以及沉积层之间。其形成方式主要有两种：第一种是能量源扫描道之间重叠不完全，导致粉末之间部分未被熔化（图3a，左）；第二种是层与层之间熔化不完全（图3a，右），从而导致结合不良和粉末未熔化。LoF 的典型特征是在打印零件中夹杂未熔化的粉末颗粒（图3b），这会降低零件的致密度。在零件的断面上（图3c），可见未熔化粉末和 LoF，通常被认为是导致断裂的重要原因。综上，LoF 会削弱层间稳定性，促使结构失效。它还会引起应力集中，从而降低打印零件的疲劳寿命。LoF 可通过光学成像、声发射（AE）捕捉、热成像以及电子信号成像等方式进行监测。

图3

最新研究进一步表明，LoF 缺陷可能是逐层演化的结果，而非瞬时形成。例如，有研究通过原位监测与离线 XCT 验证的同步手段揭示：LoF 缺陷可能源于局部工艺异常，如熔池重叠不足或能量输入波动，这些异常可能在多个层次中持续存在而未被察觉。部分异常最初可能通过后续的再熔化过程得到自我修复，但若反复出现，则会导致缺陷累积。这一发现强调了需要区分工艺异常与真正缺陷：前者可能是瞬态且可恢复的，而后者会导致机械失效。因此，理解 LoF 的逐层动态形成过程，对于开发可靠的原位缺陷预测模型至关重要，其意义已超越了传统的异常检测方法。

孔隙（Porosity）

材料的孔隙率可定义为未被材料填充的体积分数，也可以通过孔隙的类型来描述，如气孔、匙孔、链状孔隙以及表面破口孔。由于未熔合（LoF）或裂纹也可能形成孔隙，因此这里仅对气孔和匙孔进行详细讨论，而 LoF 和裂纹作为金属 PBF 的其他典型缺陷，分别在第 2.1 节和第 2.3 节中说明。

气孔通常呈圆形，其尺寸与粉末颗粒相当，来源于熔化过程中气体未能完全逸出。除了被困气体外，孔隙的形成还可能源于原料中存在的挥发性杂质，如吸附的水分、润滑剂和有机残留物，它们在高温下分解，产生气体副产物进入熔池。此外，某些气体（尤其是氢气）在凝固过程中液相与固相之间的溶解度差异，也会促进气体空腔的形成。气孔可出现在 L-PBF 和 EB-PBF 工艺的产品中，可能会削弱其机械完整性和性能。

匙孔模式熔化所致的孔隙率是激光粉末床熔化（L-PBF）中另一常见缺陷。该类匙孔通常表现为球形空腔，富集于熔池底部（图4a）。尽管气孔与匙孔均呈球形结构（图4b），但气体气孔轮廓光滑，而匙孔则具有凹凸不平的轮廓界面。此类气孔尖锐棱角处更易萌生裂纹。疲劳测试试样内部孔隙缺陷引发裂纹萌生与扩展的机理示意图（图4c）表明，气孔与匙孔会严重制约成形件的疲劳性能与服役寿命。该孔隙缺陷可通过声发射捕捉与热成像技术进行检测。

图4

裂纹（Crack）

凝固裂纹、液化裂纹和高温失塑裂纹是金属 PBF 中常见的缺陷，每种裂纹都具有不同的特征（图5a）。凝固裂纹通常在凝固的最后阶段形成，原因是累积应力超过了材料的屈服强度，这类裂纹常见于成分复杂的合金中。液化裂纹通常呈现曲折形态，并伴随有由组分液化或低熔点二次析出相引起的再凝固组织。高温失塑裂纹则发生在纯固态条件下，通常出现在镍基高温合金中，表现为冷却过程中延展性降低，特别是在脆性温度区间。

裂纹会显著削弱打印零件的力学性能，导致零件提前失效（图5b）。它们不仅影响零件的疲劳寿命和承载能力，还可能破坏零件的密封性和气密性，同时降低表面质量与美观度。由于裂纹修复难度极高，因此预防与早期检测裂纹的形成对保证打印零件质量至关重要。

裂纹可通过光学成像、声发射（AE）捕捉以及热成像进行识别。

图5

飞溅（Spatter）与羽流（Plume）

在金属 PBF 中，“飞溅”是指在高能激光或电子束的作用下，熔融金属在熔池周围产生的小颗粒现象。这些颗粒通常由未熔化或部分熔化的金属组成，可能被喷射到周围区域（图6），从而引入意外杂质，并可能影响零件的最终表面质量。与此同时，“羽流”是指在金属熔化过程中，由于金属表面在高温下蒸发和气化而形成的可见喷雾或烟雾（图6）。羽流的形成与金属汽化、蒸发或挥发性杂质的存在密切相关。

图6

来自飞溅和羽流的污染物不仅可能改变粉末的化学成分，还会促进缺陷的形成。如果飞溅物粘附在3D打印零件表面上，则会阻碍铺粉器的工作，影响下一层粉末的铺展，从而导致粉末分布不完整，形成孔隙。同时，飞溅颗粒会妨碍粉末的循环，造成相邻间隙。飞溅物的后续凝结会阻碍熔池中液态金属的铺展（图7a）。由此可能在目标区域产生未熔合（LoF），并引发翘曲、鼓包与分层等现象（图7b）。羽流在加工条件变化下会发生振动，导致能量通过激光辐射的吸收或反射而损失。此外，熔化道表面上的飞溅会阻碍相邻熔道的成形。强烈羽流和飞溅的突然爆发或消失会显著影响熔池质量。此外，样品中还可明显观察到杂质与空隙，其空隙尺寸通常大于飞溅颗粒，这进一步证明了熔道中的空隙和未熔化粉末颗粒源于飞溅颗粒对粉末沉积与激光辐射的阻碍作用。

图7

飞溅与羽流可通过光学成像、声发射（AE）捕捉、热成像以及电子信号成像等方式进行监测。

最新研究进一步强调了飞溅与羽流行为在缺陷形成中的前兆作用，以及它们作为工艺不稳定性指标的重要性。例如，有研究表明，熔池形态的多尺度变化与飞溅动力学密切相关，并建立了基础模型来表征这些复杂的时间特征。另一些工作则提出了一种适用于 L-PBF 的统一数据结构，将飞溅和羽流的观测结果与 XCT 扫描中最终的缺陷位置对齐，凸显了系统化数据组织在基于 ML 的缺陷预测中的重要性。这些发现表明，飞溅和羽流信号不仅反映了实时的工艺状态，还能够实现对潜在缺陷的早期检测，从而在工艺监测与预测控制之间搭建桥梁。

本文转载自：筑基手册

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源

你是否想过，能像打印复杂图案一样“打印”出性能可定制的金属材料？多材料激光粉末床熔融（MM-LPBF）技术是实现路径之一。尽管该技术尚存挑战，但它已为复杂工况下的材料设计开辟了新维度。

“ 3D Science Valley 白皮书 图文解析

”

多材料激光粉末床熔融（MM-LPBF）技术制造具有复杂异质结构的双金属材料，以解决传统合金在复杂工况下难以兼具多种优异性能的问题。传统合金因成分均匀而性能受限，而多材料集成结构可弥补这一缺陷。增材制造技术，尤其是L-PBF，因其在制造复杂结构方面的优势而备受关注，但现有技术仍面临诸多挑战。

来自华东理工大学的研究团队在国际期刊CIRP Journal of Manufacturing Science and Technology上发表了Multi-material laser powder bed fusion (MM-LPBF) additive manufacturing of dual-phase heterostructure steel。该研究通过改进L-PBF系统和工艺软件，成功制造了316 L奥氏体不锈钢和18Ni300马氏体钢的双金属集成材料，并探索了其在动态冲击载荷下的性能表现，为开发新型高性能合金系统提供了理论和实验支持。本期谷·专栏将对该研究进行简要分享。

论文链接：
https://doi.org/10.1016/j.cirpj.2025.07.001

 全文概述

MM-LPBF增材制造技术能够实现多种金属材料的人工设计和空间有序集成结构的精细化制造。通过基于成分相似性和冶金相容性的异种材料匹配筛选，利用316L奥氏体不锈钢和18Ni300马氏体钢粉末作为原材料，采用MM-LPBF技术制备了三种具有不同异质性结构的双金属集成块状材料，分别是交错多层平面、交错多层棋盘和交错多层旋转光栅结构。

3D打印出的双金属构型呈现出细晶马氏体相（BCC晶体结构）和粗晶奥氏体相（FCC晶体结构）的双相和双峰结构，且双相区域按照人工设计呈现空间有序分布。双相区域之间的界面通过激光熔池熔化-凝固行为形成的“双相交错混合”过渡形式牢固结合。这些空间排列的相区的特征几何尺寸为200-500μm，双相混合区宽度为100μm，作为界面区域。考虑到奥氏体钢和马氏体钢双金属集成材料的强度-延展性协同效应，实验验证了在不同冲击应变率条件下异质结构的动态冲击性能，结果表明这些双相、双峰和多级异质结构具有良好的抗冲击性和能量吸收能力。这种MM-LPBF增材制造路径有利于使用更多集成的不同金属材料开发具有强度-韧性协同效应的新型合金体系。

 图文解析

图1展示了自制的双材料制造系统及其在MM-LPBF工艺中的应用。图1a说明了该系统被整合到商用LPBF机器中，图1b则展示了系统的关键特征，包括可移动双圆筒粉末输送机构、基于真空的粉末清除装置以及500W激光器。通过优化工艺参数，实现了超过99.8%的相对密度，并针对316L合金和18Ni300合金分别设定了不同的激光功率和扫描速度。此外，定制软件支持独立应用优化后的激光参数，粉末床层厚保持为50µm，连续层之间的旋转角度为67°。

图 1. （a）内置可移动双粉末室装置的国产双金属MM-LPBF增材制造系统示意图，（b）双金属打印工艺，（c）分别具有交错多层平面（I型）、交错多层棋盘（II型）和交错多层旋转光栅（III型）异质结构的三类双金属集成块状材料，以及（d）I型数字模型的解构，（e）II.型，以及（f）III.型。

图2通过试样模型的尺寸图和实际试样的照片，全面展示了三种不同异质结构（I型交错多层平面、II型交错多层棋盘、III型交错多层旋转光栅）的几何形状、尺寸参数和材料分布情况。

图 2. 用于 SHPB 动态压缩冲击试验 （a） 的这三种类型试样的试样模型和尺寸图 ，以及通过 MM-LPBF AM 的 I 型 （b）、III 型 （c， d） 和 II 型 （e） 试样的照片。

图3展示了I型样品中镍、铬、锰和钴呈现分层分布，而铁元素由于两种合金含量相似，分布波动极小，这种微小波动对实现两种合金界面处的强冶金结合至关重要。微观结构分析显示，316L合金区域呈现柱状晶粒，而18Ni300合金区域为细晶粒结构，且18Ni300合金区域的晶界密度远高于316L合金区域，主要归因于马氏体相变。该相变导致18Ni300区域形成BCC结构，而316L区域保持FCC结构，最终形成了BCC/FCC双相层状异质结构。

图 3. 通过 MM-LPBF 对双金属样品进行横截面显微照片：垂直于构建方向 （BD） 的 I 型样品（a）;与 BD 平行的 II 型样品 （b）;与 BD 平行的 III 型样品 （c）。

图 4. SHPB 动态压缩试验获得的 3 类异质结构试件和基体材料的工程应力-应变数据：1000 s （a）、2000s （b） 和 3000 s （c） 应变速率下的工程应力-应变曲线，以及 UCS （d）、总应变 （e） 和吸收能（f） 与应变速率的关系。

 总结

1. 通过多材料激光粉末床熔化（MM-LPBF）技术，成功构建了三种具有异质结构的双金属集成块体材料，包括交错多层平面、交错多层棋盘格和交错多层旋转光栅。这些双金属结构展现出双相异质组成，包含细晶粒的马氏体相（BCC晶体结构，平均晶粒尺寸为3.97μm）和粗晶粒的奥氏体相（FCC晶体结构，平均晶粒尺寸为26.33μm）。

2.异质相界面展现出良好的晶格过渡。在伸长的激光熔池和材料混合的干扰下，形成了宽度约为100μm的水平界面和宽度超过150μm的垂直界面，这些界面处的相互作用更为剧烈。

3.动态分离式霍普金森压杆（SHPB）测试表明，双金属样品兼具18Ni300合金的高强度和316L合金的韧性。通过“混合规则”“桶效应”“连续交错相互作用”以及界面区域的背应力强化等机制的联合效应，直观地展示了多材料增材制造样品解决强度 – 韧性权衡的潜力。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源