迈向粉末床熔融增材制造的智能缺陷检测 l 综述（上篇）

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

▌三维科学 l 无限可能

投稿丨daisylinzhu 微信

2509957133@qq.com 编辑邮箱

www.3dsciencevalley.com