基于几何信息多模态变分自编码器的PBF-LB制造Ti-6Al-4V力学性能实时预测模型研究

本研究针对激光粉末床熔融（PBF-LB）制备Ti-6Al-4V薄壁试样时力学性能难以实时监控的难题，开发了几何信息多模态变分自编码器（GMVAE）模型。通过融合原位光电二极管信号与激光扫描路径的几何特征，实现了对不同厚度试样抗拉强度（UTS）和断裂伸长率（EF）的精准预测（准确率分别达98.9%和94.2%）。该模型通过变分自编码器（VAE）平衡多模态特征，结合阶梯式学习策略显著降低计算成本，为增材制造实时质量控制提供了新范式。

　　

在激光粉末床熔融（PBF-LB）增材制造领域，Ti-6Al-4V薄壁构件因其在航空航天和生物医疗领域的广泛应用而备受关注。然而，制造过程中热历史的波动（如激光功率、扫描速度的差异）、基板位置效应以及试样厚度变化，会导致微观结构和力学性能呈现显著的各向异性和不均匀性。传统上，零件质量评估依赖于离线无损检测方法，如X射线计算机断层扫描（XCT）或超声波检测，这些方法无法在制造过程中实时干预。尽管已有研究尝试通过光电二极管信号、声学信号或热成像等原位监测手段捕捉缺陷信息，但如何直接、快速地从多源监测数据中预测关键力学性能，仍是实现闭环质量控制的核心挑战。

为攻克这一难题，宾夕法尼亚州立大学材料科学与工程系的Qixiang Luo等人在《Journal of Intelligent Manufacturing》发表了题为“Geometry-informed multimodal variational autoencoder for real-time prediction of properties for Ti-6Al-4V fabricated using PBF-LB”的研究。他们开发了一种几何信息多模态变分自编码器（GMVAE）模型，通过融合原位光电二极管信号和激光扫描路径的几何描述符，实现了对Ti-6Al-4V薄壁拉伸试样抗拉强度（UTS）和断裂伸长率（EF）的高精度实时预测。

研究团队首先制备了150个不同厚度（0.4–2.0 mm）和工艺参数（激光功率与扫描速度组合）的Ti-6Al-4V拉伸试样，利用EOS M280设备搭载的多光谱光电二极管传感器采集线发射（I_line）、连续发射（I_continuum）及其比值（I_l2c）信号，并提取激光扫描路径中的几何特征（如截面尺寸、轮廓扫描参数、 hatch角度与长度统计量）。关键技术创新在于：采用预训练深度卷积神经网络（DCNN）提取光电二极管图像特征，通过变分自编码器（VAE）将其压缩为低维潜在空间表征，再与几何特征拼接为多模态输入，训练神经网络回归模型。模型通过阶梯式学习策略优化计算效率，在保持预测精度的同时将单层截面处理时间压缩至5.3毫秒，显著低于PBF-LB单层制造时间（80–400毫秒）。

模型性能对比分析

GMVAE在预测UTS和EF时分别达到98.9%和94.2%的准确率，R²值为0.97。相较于单一数据源的DCNN模型或多模态未压缩的MDCNN模型，GMVAE通过VAE潜在空间平衡了多源特征贡献，误差降低最高达51%（如MVAE(lsp)对比MVAE）。

同时，几何特征的引入显著提升了模型对厚度效应的捕捉能力，例如MDCNN(lsp)比未包含几何信息的MDCNN在UTS预测误差上降低3%。

计算效率评估

阶梯式学习策略将训练数据按工艺参数组合分组，依次优化VAE和回归模型，使GMVAE的总训练时间仅为DCNN模型的66%，测试时间降低至37%。这种效率优势使其能够满足实时质量控制对计算速度的严苛要求。

多模态特征可视化验证

通过t-SNE（t-分布式随机邻域嵌入）对潜在空间表征进行可视化分析，发现VAE压缩后的特征较原始DCNN特征更清晰地按工艺参数和力学性能聚类，证明其有效保留了关键物理信息。

本研究通过GMVAE框架成功实现了PBF-LB制造过程中力学性能的实时高精度预测，其核心突破在于：第一，将几何信息以物理描述符形式嵌入多模态模型，增强了模型对复杂结构的适应性；第二，通过VAE潜在空间表征解决了多源数据特征尺度不匹配的融合难题；第三，结合迁移学习与阶梯式训练大幅提升计算效率。该模型为增材制造闭环质量控制提供了可落地的技术方案，未来可通过引入多尺度特征（如表面粗糙度、热累积效应）或时序模型（如循环神经网络）进一步扩展应用场景。