基于机器学习的激光粉末床熔融工艺参数优化、过程监测和服役寿命预测的方法论
摘要：激光粉末床熔融工艺(LPBF)因成形精度较高、制造周期短，成为增材制造的主流方法之一，但其制造工艺的可重复性、生产过程的可解释性和成形构件的可靠性仍面临重大挑战。LPBF成形过程涉及的参数众多袁不同工艺参数的选择会导致构件内部产生不同类型的微观/宏观缺陷，进而影响构件的服役性能。因此明确工艺参数、缺陷和性能三者之间的联系是当前激光粉末床熔融制造的热点与难点。作为大数据与人工智能发展到一定阶段的必然产物，机器学习方法为有效处理高维物理量之间的复杂非线性关系提供了契机，在增材制造过程中工艺参数优化、缺陷监测和性能预测等方面得到持续关注。本文介绍了常用的机器学习(ML)模型，总结了LPBF中ML的输入信息，重点分析了数据驱动和物理驱动ML模型在LPBF各领域的应用，最后指出当前ML的局限性，并探讨了其发展趋势和技术前景。
