近日，中國科學院合肥物質院智能所朱錕鵬研究員團隊提出一種金屬增材制造中多源信號融合與機理引導的全新范式，能夠顯著提升缺陷識別精度，為激光粉末床熔融（LPBF）過程低成本、規模化、高精度在線監測提供了理論支撐與技術方案。相關研究成果發表在增材制造領域頂刊Additive Manufacturing上。

近年來，熔池狀態監測已成為揭示LPBF工藝動態演化規律、解析熔化機理、預測成形缺陷的核心技術。然而，現有研究大多依托熔池圖像與深度學習算法開展端到端智能監測，鮮有通過多源數據融合實現熔池數據生成的相關探索；同時，面向LPBF工藝的低成本監測研究尚未得到充分關注，尤其缺乏機理知識引導與數據驅動建模相融合的系統性研究。

基于此，研究團隊構建了一種機理引導的多源數據融合模型，實現了熔池圖像序列的高精度生成。該模型通過物理引導多源融合，生成熔池圖像并遷移用于孔隙識別，能夠在淺層完成近紅外、光電二極管及可見光信號成對信息高效交互與自適應賦權，在深層通過查詢矩陣編碼、特征融合與差分運算實現全局特征深度聚合，從而顯著提升多源特征提取與融合能力。同時，通過引入物理引導多模態融合分支，將數值模擬熔池信息轉化為可學習權重，在深層網絡中實現了機理知識的顯式嵌入與異質融合，完成高保真熔池圖像重構。團隊還將所生成的熔池數據作為先驗信息開展了任務遷移學習，構建LPBF物理引導多任務監測框架，融合生成數據與低成本原位信號，顯著提升了對成形構件孔隙度的識別精度，并成功應用于航空航天TC4材料制備的點陣結構打印過程監測中。

該研究構建了面向LPBF低成本過程監測的機理引導多源數據融合方法，覆蓋熔池數據生成至熔化狀態識別的全流程，并有望支持多設備協同一體化生成。智能所毛楊坤博士研究生為論文第一作者，朱錕鵬研究員為論文通訊作者。該項研究得到了國家重點研發計劃、國家自然科學基金的資助。

論文鏈接：https://www.sciencedirect.com/science/article/abs/pii/S2214860426001260

圖1?機理引導的多源信號融合總體框架

圖2?多源信號融合中的機理相關性分析

圖3?航空航天TC4材料制備的點陣結構打印過程監測實驗驗證

圖4?增材制造多設備協同一體化制造方法