综述：金属粉末床熔融智能缺陷检测研究进展：原位监测、数据预处理与机器学习的融合

本综述系统探讨了金属粉末床熔融（PBF）技术中缺陷智能检测的前沿进展，重点聚焦于（in situ）原位监测技术、多模态数据预处理方法及其与机器学习（ML）模型的深度融合。文章详细解析了激光（L-PBF）与电子束（EB-PBF）两种工艺中典型缺陷（如孔隙、裂纹、未熔合）的形成机制，并对比了光学、声发射（AE）、热成像及电子信号等监测手段的优劣。特别强调了数据预处理作为连接原始信号与ML分析的关键桥梁，在提升缺陷分类与预测准确性中的核心作用，为智能增材制造（AM）的质量控制提供了重要理论支撑与技术路径。

　　

金属粉末床熔融（PBF）作为增材制造（AM）的核心技术，在航空航天、生物医疗等领域展现出巨大潜力，但其广泛应用仍受制于制造过程中产生的孔隙、裂纹、未熔合（LoF）等缺陷。本文系统回顾了通过智能检测手段提升PBF质量控制的策略，重点围绕原位监测、数据预处理与机器学习（ML）的集成展开。

缺陷类型及其形成机制

PBF工艺主要包括激光（L-PBF）与电子束（EB-PBF）两类，其缺陷可归纳为过程瞬态现象（如飞溅、羽辉）和最终零件缺陷（如LoF、孔隙、裂纹）。未熔合缺陷常分布于扫描轨迹与沉积层之间，由能量源扫描轨迹不完全重叠或层间熔合不充分导致，其特征为嵌入打印件的未熔粉末颗粒，会降低零件密度并引发应力集中。孔隙则包括气孔和匙孔孔洞，气孔通常呈圆形且尺寸与粉末颗粒相近，匙孔孔洞多集中于熔池底部，表面凹凸不平，二者均会显著影响疲劳性能。裂纹则包括凝固裂纹、液化裂纹和韧性下降裂纹，多由应力超过材料屈服强度或成分偏析引起，严重损害零件的力学性能与密封性。飞溅与羽辉作为过程现象，不仅可能改变粉末化学成分，还会阻碍粉末铺展或激光辐射，进而诱发孔隙与未熔合。

原位监测技术进展

原位监测通过实时数据采集为缺陷检测提供关键信息。光学成像是应用最广泛的手段，通过高速相机或光电二极管捕获熔池、飞溅及粉末床状态，可分为同轴（监测打印区域）与离轴（覆盖整个基板）两种配置。光电二极管将辐射转换为电压信号，虽结构简单但易受热辐射变化干扰。声发射（AE）监测通过捕捉高频声学信号识别裂纹、分层等缺陷，其传感器（如PAC AM4I）通常工作在0–100 kHz范围，并需配合巴特沃斯滤波降噪。热成像则利用红外（IR）相机或高温计测量温度分布，可细分为近红外（NIR）、短波红外（SWIR）、中波红外（MWIR）与长波红外（LWIR）等类型，适用于熔池形态分析但易受发射率误差影响。电子信号成像是EB-PBF的主要监测方法，依赖二次电子（SE）与背散射电子（BSE）成像揭示表面形貌与孔隙，但存在边缘效应与层间成像限制。多传感器融合趋势显著，通过结合光学、AE、热信号等提升数据集可靠性，并支持跨模态验证与ML模型训练。

数据预处理的核心作用

原始监测数据常含噪声、缺失值或不一致性问题，直接制约ML模型效能。数据预处理成为提升数据质量与模型精度的关键。光学图像处理通常包括感兴趣区域（ROI）提取、灰度转换、滤波（高斯、双边、中值滤波）、二值化（Otsu、Li、K-means法）、轮廓检测与目标识别等步骤，以提取熔池几何特征或飞溅动态。图像配准技术（如与XCT图像对齐）可增强缺陷定位准确性，但面临模态差异与几何失配挑战。声发射信号作为一维数据，多采用短时傅里叶变换（STFT）与快速傅里叶变换（FFT）进行时频分析，再转换为二维图像供ML处理。热信号预处理侧重于通过等温图绘制与背景减除提取熔池温度与尺寸信息，为缺陷分类提供热力学依据。电子信号处理则涉及手动标记、噪声去除、畸变校正（如表面倾斜与立体角对比度调整），但尚未形成标准化流程。预处理中需权衡数据精简与特征保留，例如滤波在降噪时可能模糊细节，而二值化虽简化分割却丢失灰度信息。

机器学习在缺陷检测中的应用

ML技术通过数据驱动方式提升缺陷识别效率，主要包括监督学习、无监督学习、半监督学习与强化学习。监督学习依赖标注数据，常用方法如支持向量机（SVM）、随机森林（RF）与卷积神经网络（CNN），在光学信号孔隙分类中准确率可达98.83%（BPNN模型），但模型泛化性受材料差异限制（如不锈钢SS 316L与铜合金CuSn8需重新训练）。无监督学习（如K-means聚类）通过挖掘无标注数据中的隐藏模式，适用于密度分类（准确率94.6%）。半监督学习结合少量标注与大量未标注数据，可减少标注成本（如通过随机奇异值分解与高斯混合模型降低40%标注需求）。强化学习（RL）则探索通过动态调整工艺参数实现实时缺陷缓解，但计算开销与延迟奖励机制制约其应用。迁移学习通过复用预训练模型（如VGG-16、ResNet-18）缓解数据稀缺问题，在跨材料缺陷分类中表现优异（ResNet-18准确率87%）。数据融合与混合学习成为前沿方向，例如结合光学与AE信号可将飞溅分类置信度从70.9%提升至85.08%，而多模态传感与物理模拟融合有望增强模型可解释性与泛化能力。

挑战与未来展望

当前研究仍面临诸多挑战：光学信号对小尺寸缺陷（如<0.2 mm孔隙）检测精度骤降（66.67%），AE与电子信号处理缺乏标准化流程，热信号在缺陷预测中的应用尚未成熟，且ML模型常作为“黑箱”制约工业可信度。未来需优先发展端到端标准化框架，统一传感器设置、数据预处理与ML模型选择流程。同时，强化多传感器融合与跨模态学习，结合合成数据增强与联邦学习，以应对数据稀缺与系统变异问题。最终目标是通过实时监测-预处理-ML的闭环控制，实现缺陷从检测到主动抑制的跨越，推动PBF技术在高端制造领域的可靠应用。