自适应多模态时间智能技术，用于增材制造中实现自主、无缺陷的材料沉积

《Next Materials》：Self-adaptive multimodal temporal intelligence for autonomous defect-free material deposition in additive manufacturing

　　

Natrayan Lakshmaiya

摘要

精确控制挤出流动仍然是实现完全自主3D打印的主要障碍，因为现有的仅依赖视觉或特定传感器的方法无法捕捉导致诸如翘曲、拉丝、层移和熔合不良等缺陷的复杂热机械相互作用。先前使用卷积神经网络（CNNs）、视觉变换器（Vision Transformers）和基础模型的研究虽然取得了较高的准确率，但仍然受到单一模态依赖性、有限的时间推理能力以及对新材料适应能力差的限制，这使得它们无法应用于现实世界的动态环境。为了克服这些限制，本研究提出了M-PACT 3D，这是一个多模态、时间对比性和物理引导的元自适应框架，旨在将视觉线索、多传感器信号和物理意义上的流动动态统一到一个智能控制架构中。该方法完全使用PyTorch实现，整合了多模态时空融合变换器（MST-Transformer）、时间对比表示学习（TCRL）、物理引导的神经动力学（PGND）、Meta-MAML++快速材料适应机制以及具有物理感知能力的SAC+MPC强化控制器。通过使用三个互补的数据集——FDM缺陷图像（1912个样本）、PBF逐层热图像（1500多层）和全多传感器IMU-热力数据集（58个序列），该系统在泛化能力和物理一致性方面均优于现有的最先进方法。M-PACT 3D模型的缺陷检测准确率（DDA）达到了96.85%，比基于CNN的方法提高了2.15%，比基于ViT的方法提高了8.4%，比基于VFM的方法提高了7.45%。结果证实，多模态物理对齐的学习显著增强了系统的鲁棒性、稳定性和实时流动校正能力。总体而言，M-PACT 3D为下一代自主3D打印系统奠定了可扩展和自适应的基础，使其成为一项引人注目的进展，鼓励进一步探索具有物理感知能力的元自适应增材制造智能技术。