使用深度学习技术监测和控制直接能量沉积 (DED) 增材制造过程:一篇评论
Yonghui Liu1,2,3, Haonan Ren1,2, Qi Zhang1,2
1College of Engineering, Ocean University of China, Qingdao 266400, China.
Materials (Basel, Switzerland)
|January 10, 2026
概括
本综述探讨了深度学习 (DL) 如何增强定向能量沉积 (DED) 制造过程,如激光DED和WAAM. 人工智能驱动的优化和实时监控是提高航空航天应用的质量和效率的关键.
科学领域:
- 添加剂制造 添加剂制造 添加剂制造
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 包括激光DED和WAAM在内的定向能量沉积 (DED) 对航空航天部件至关重要.
- 传统的DED依赖于过程参数优化,面临复杂参数相互作用的挑战.
- 深度学习 (DL) 提供了先进的解决方案,用于AI驱动的优化和实时监控在DED.
研究的目的:
- 系统地审查DL技术在激光DED和WAAM过程中的应用.
- 在各种数据源和准确度指标中比较人工智能驱动的监控策略.
- 探索DL在DED中的闭环控制和强化学习的潜力.
主要方法:
- 概述DL框架如ANN,RNN,CNN和RL及其与DED数据的相关性.
- 基于参数,光学,热学,声学信号和传感器融合的DED过程监控中的AI应用进行比较.
- 调查DL的闭环参数调整和强化学习控制.
主要成果:
- DL框架显示与DED数据的兼容性,用于高级过程优化.
- 与传统方法相比,人工智能驱动的监控在各种数据输入中提供了更高的准确性.
- DL 显示了在 DED 中实时控制和质量提升的巨大潜力.
结论:
- DL对于智能升级DED流程至关重要,解决复杂的挑战.
- 未来的研究应该专注于克服数据质量和模型解释性瓶.
- 人工智能集成有望提高使用DED的航空航天制造业的效率和质量.
