基于声发射的激光粉末床熔融健康监测：制造参数识别与智能监控新策略

《JOURNAL OF INTELLIGENT MANUFACTURING》：Towards health monitoring of laser powder bed fusion using acoustic emissions: identify manufacturing parameters

本研究针对激光粉末床熔融（L-PBF）增材制造（AM）技术亟需可靠过程监控的难题，开发了基于声发射的智能监测框架。研究人员通过提取时域统计特征、傅里叶变换、功率谱和集合经验模态分解等声学特征，建立支持向量回归模型实现制造参数精准预测（平均相对误差4-9%），为L-PBF过程健康监控与预测性维护提供了有效解决方案。

　　

可靠的过程监控对激光粉末床熔融（Laser Powder Bed Fusion, L-PBF）增材制造（Additive Manufacturing, AM）技术的工业化应用至关重要。本研究提出了一种基于声发射的过程监控框架，通过构建制造参数与声学特征之间的映射模型，实现L-PBF过程的实时健康监测。

在L-PBF工艺过程中，研究人员使用麦克风记录不同制造参数下产生的声信号。为了深入解析声学信号，从时间序列的统计特征、傅里叶变换、功率谱以及集合经验模态分解（Ensemble Empirical Mode Decomposition）中提取了对制造参数敏感的特征参数。通过筛选最具信息量的特征子集，训练支持向量回归（Support Vector Regression）模型来预测制造参数，平均相对误差控制在4%至9%之间。

高精度的预测结果验证了所选特征子集的有效性，同时证明了L-PBF过程监控的可行性，为实现智能监控与预测性维护提供了重要技术支撑。