近日，凯发k8合肥物质凯发k8研究院提出金属增材制造中多源信号融合与机理引导的全新范式，能够显著提升缺陷识别精度，为激光粉末床熔融（LPBF）过程低成本、规模化、高精度在线监测，提供理论支撑与技术方案。

近年来，熔池状态监测已成为揭示LPBF工艺动态演化规律、解析熔化机理、预测成形缺陷的核心技术。然而，现有研究多依托熔池图像与深度学习算法开展端到端智能监测，鲜有通过多源数据融合实现熔池数据生成的探索；同时，面向LPBF工艺的低成本监测研究尚未得到充分关注，尤其缺乏机理知识引导与数据驱动建模相融合的研究。

基于此，研究团队构建了一种机理引导的多源数据融合模型，实现了熔池图像序列的高精度生成。该模型通过物理引导多源融合，生成熔池图像并迁移用于孔隙识别，能够在浅层完成近红外、光电二极管及可见光信号成对信息高效交互与自适应赋权，在深层通过查询矩阵编码、特征融合与差分运算实现全局特征深度聚合，从而提升多源特征提取与融合能力。同时，通过引入物理引导多模态融合分支，将数值模拟熔池信息转化为可学习权重，在深层网络中实现机理知识的显式嵌入与异质融合，完成高保真熔池图像重构。团队还将所生成的熔池数据作为先验信息开展任务迁移学习，构建LPBF物理引导多任务监测框架，融合生成数据与低成本原位信号，提升了成形构件孔隙度的识别精度。

该研究构建了面向LPBF低成本过程监测的机理引导多源数据融合方法，覆盖熔池数据生成至熔化状态识别的全流程，有望支持多设备协同一体化生成。

相关研究成果发表在Additive Manufacturing上。研究工作得到国家重点研发计划和国家自然凯发k8基金的支持。

论文链接

机理引导的多源信号融合总体框架