AI赋能增材制造：智能技术驱动制造业革新
目前，全球制造业正处于以数字化、智能化为标志的第四次工业革命浪潮中，增材制造（Additive Manufacturing，AM）作为智能制造的关键一环，已从早期的快速原型制造发展为可直接应用于航空航天、医疗器械、汽车工业等高端领域的精密制造手段。然而，增材制造在工艺稳定性控制、缺陷实时监测、产品质量预测等方面仍面临挑战，这些问题成为制约其大规模工业化应用的主要瓶颈。
人工智能（AI）技术的迅猛发展为解决上述难题提供了新路径。借助机器学习、深度学习、融合AI大模型工具辅助科研、物理信息神经网络等AI技术，可以实现对增材制造过程的实时监控、缺陷智能检测、工艺参数优化及全流程质量控制，从而大幅提升增材制造的质量稳定性和生产效率，推动其向智能化、绿色化、高效化方向迈进。
本课程正是基于这一行业背景而设计，旨在帮助学员系统掌握AI在增材制造领域的核心技术与应用方法，培养跨学科的复合型人才，满足智能制造产业对高端技术人才的迫切需求。
本课程采用"理论+实践+项目"三位一体的教学模式，为期5天的集中培训涵盖以下核心模块：
第一天：机器学习与深度学习算法基础
课程从机器学习与深度学习的基础理论入手，系统讲解支持向量机（SVM）、随机森林、XGBoost、高斯过程回归（GPR）、K近邻（KNN）及多层感知器（MLP）、等传统机器学习算法，以及卷积神经网络（CNN）、ResNet残差网络、Transformer、生成对抗网络（GAN）、U-Net等深度学习核心架构。同时介绍自监督学习、对比学习（BYOL、SimCLR、Triplet Loss）、融合AI大模型工具辅助科研、迁移学习与领域自适应等前沿方法，为后续的增材制造应用奠定坚实的算法基础。
第二天：增材制造过程监控与特征工程
聚焦激光粉末床熔融（LPBF）过程的声发射监控技术，系统讲解声发射传感器的选型策略、经验模态分解（EMD）特征提取、1D CNN时序分类模型设计。深入探讨领域自适应方法解决跨设备、跨材料的数据迁移问题，以及半监督学习技术应对标注数据稀缺的挑战。通过SLM密度预测实战案例，对比多种机器学习算法的性能表现。介绍LPBF综合监控系统（M350_ArenaView）的架构设计与工业级应用，以及线弧增材制造（WAAM）熔化效率预测的工艺优化方法。
第三天：熔池图像缺陷检测与深度学习应用
深入讲解视听特征融合网络，实现熔池视觉图像与声发射信号的多模态融合检测。系统对比神经网络、高斯过程回归、SVM、XGBoost等算法在熔池特征预测任务上的性能。研究ResNet-50与ConvNeXt-T在激光吸收率预测任务中的应用。详细讲解YOLOv8实时缺陷检测系统的训练与部署，以及基于深度学习的仪器化压痕实验数据解析。介绍3D打印Python工具库（pyslm）的几何处理、扫描路径规划功能，以及视觉Transformer在缺陷检测中的应用。
第四天：材料优化设计与热场仿真自动化
涵盖AI辅助金属材料设计的完整流程，包括热力学计算（Thermo-Calc）、机器学习代理模型、多目标优化（NSGA-II）。讲解热力学组合空间映射工具（AMMap）的相图可视化与组合优化。对比有限元方法（FEM）、传统机器学习与物理信息神经网络（PINN）在热场预测任务上的性能差异。深入讲解PINN求解瞬态热传导方程的方法，以及ThermaNO热核子算子的神经算子技术。介绍后处理机器人自动化系统（ROS2+UR5e）、晶格结构分析框架（SOX）、CladNet复合特性预测框架。Abaqus与COMSOL仿真软件的增材制造建模实战，包括移动热源、熔池模拟、残余应力分析等核心内容。
第五天：迁移学习、融合AI大模型工具辅助科研与端到端智能制造系统
系统讲解跨材料迁移学习（VGG16/ResNet18实战）、jax-am过程-结构-性能耦合框架、X射线CT深度重建（pyMBIR）。深入探讨流形学习、自编码器、GAN在DED质量异常检测中的应用。对比学习Triplet Loss实战、自监督贝叶斯表示学习、同轴DED自监督学习、可变时间尺度分析。介绍LPBF基准测试（RAISE-LPBF）、事件序列生成（AMPES）、Transformer模拟工具（AM_sim_transformer）、干涉测量控制等前沿技术。最终通过综合项目构建端到端智能制造系统，融合AI大模型工具辅助科研，整合声发射分析、缺陷检测、热场预测、后处理优化与质量追溯。
AI科技的发展没有终点，只有不断的前行与突破。随着技术的持续迭代，它将不断突破自身的能力边界，从弱智能向强智能稳步迈进，解锁更多未被探索的科技可能。未来，AI将在更广阔的领域实现突破，在更精细的场景实现应用。
添加好友领取免费课件资料，了解详情课程安排，下方有具体时间
直播课程一：人工智能技术助力增材制造领域研究与工程落地专题（课表上下滑动查看）
特惠福利：
（报名一门直播课赠送一门录播课程回放）
录播课程一：深度学习流体力学（点击跳转查看）
第1天：机器学习算法、增材制造技术及前沿应用综述
上午：机器学习与深度学习算法基础、结合AI大模型工具辅助科研
(1)��课题1.1：传统机器学习算法（监督学习）
1.支持向量机(SVM)：核函数选择、基于时频特征的二分类/多分类任务、超参数调优
2.随机森林与梯度提升：随机森林、XGBoost、LightGBM、在SLM密度预测中的应用
3.高斯过程回归(GPR)：核函数（RBF、Matérn、Matern32等）、不确定性估计、WAAM熔化效率预测
4.K近邻与MLP：KNN算法、MLP多层感知器、在熔池特征预测中的应用（融合工艺参数与材料属性）
(2)��课题1.2：深度学习核心算法
1.卷积神经网络(CNN)：卷积层、池化层、特征自动提取、熔池状态图像分类、缺陷类型识别
2.ResNet残差网络：残差连接、深层网络训练技巧、预训练模型迁移学习、熔池图像特征提取、孔隙检测、裂纹识别
3.Transformer与ViT：自注意力机制、ViT缺陷检测、处理高分辨率熔池图像，捕获全局上下文信息
4.生成对抗网络(GAN)：对抗训练原理、DCGAN、WGAN、StyleGAN在图像生成任务、生成稀缺缺陷样本，解决类别不平衡问题、基于工艺参数控制生成特定类型的缺陷图像、
5.U-Net图像分割：编码器-解码器结构、采样提取语义特征、语义鸿沟问题、熔池边界提取、缺陷区域像素级分割、CT/MRI分割方法在AM缺陷分割中的借鉴
(3)��课题1.3：自监督与对比学习入门
1.BYOL自监督学习：在线网络与目标网络对比学习、在线网络与目标网络的对比学习框架、非对称架构、无标签数据利用、在声发射监控中的应用（学习时序信号的通用表示，迁移至缺陷分类任务）
2.对比学习(Contrastive Learning)：正负样本对比、InfoNCE损失、SimCLR框架、在熔池图像分析中的应用：学习正常熔池的表示，异常熔池偏离中心
3.Triplet Loss度量学习：锚点-正-负三元组、特征空间优化、在线难例挖掘、在DED缺陷检测中的应用：相同缺陷类型聚集、不同类型分离
4.半监督学习：伪标签技术、VAE在半监督中的应用、GAN在半监督中的应用（增材制造应用）
(4)��课题1.4：迁移学习与领域自适应
1.迁移学习策略：特征提取模式、微调模式、渐进式微调、从304不锈钢数据训练的模型迁移至316L不锈钢
2.领域自适应方法:域偏移问题、特征对齐、域对抗神经网络DANN、不同工艺图之间的知识迁移
3.声发射跨域监测：跨设备迁移、跨材料迁移、跨工况迁移、领域自适应在声发射监测中的具体应用案例分析
下午：增材制造技术及前沿应用综述
(5)��课题1.5：金属增材制造最新进展综述【2026必读】
1.LPBF工艺最新突破：
•超高速扫描技术（EHLA）与AI工艺参数优化
•多激光协同打印的缺陷预测与控制策略
•原位监测技术与实时反馈控制系统
2.DED工艺最新进展
•增减材复合制造的智能化路径规划
•多材料同步沉积的成分梯度控制
•声发射与视觉融合的熔池稳定性监测
3.WAAM工艺优化
•电弧参数的实时优化与预测控制
•残余应力的在线测量与调控
•送丝系统的自动化控制策略
4.AI驱动材料设计方法论
•高通量计算与机器学习加速新材料发现
•热力学数据库与深度学习的协同设计
•多目标优化算法在成分设计中的应用
5.智能化工艺优化策略
(6)��课题1.6：AI驱动端到端加工综述
1.端到端AI优化框架设计
2.数字化孪生技术赋能
3.智能制造闭环控制系统
4.工程落地关键技术
(7)��课题1.7：物理信息神经网络(PINN)入门【重要·后续课程基础】
1.PINN基本原理：物理信息约束、自动微分技术、边界条件处理
2.PINN核心组成：神经网络近似逼近、物理方程约束（自动微分计算PDE）、复合损失函数
3.PINN在AM中的典型应用：
•热传导方程求解：预测LPBF激光扫描的温度场时空分布
•熔池温度预测：基于移动高斯热源的瞬态热分析
•应力应变预测：热力耦合问题的数据高效建模
(8)��课题1.8：表面处理与应力腐蚀研究进展
1.表面处理技术最新进展
2.应力腐蚀开裂机理研究
3.AI在腐蚀预测中的应用
•基于深度学习的腐蚀速率预测模型
•表面缺陷的机器视觉检测与分类
•寿命预测与维护决策优化
第2天：增材制造LPBF声发射监控与传感器特征工程
上午：声发射监控理论与特征工程
(9)��课题2.1：LPBF声发射传感器选择——如何选对传感器？
1.声发射传感器基础：LPBF声发射信号、压电传感器、光纤传感器、EMS传感器、频率响应灵敏度选择
2.1D CNN时序分类：一维卷积在时序信号中的应用、多层1D CNN架构设计、稳定熔池/不稳定熔池/缺陷的三分类任务
3.EMD经验模态分解：固有模态函数IMF提取原理、筛选迭代过程、多尺度信号分解、多尺度信号分解、在声发射特征提取中的应用
(10)��课题2.2：声学特征工程——如何提取有效特征？
1.时域特征提取：统计特征、峰峰值、均方根RMS、波形因子、脉冲因子
2.频域特征提取：FFT快速傅里叶变换、主频率Peak Frequency、频带能量分布、频谱重心、谱熵
3.时频特征提取：短时傅里叶变换STFT、连续小波变换CWT、Wigner-Ville分布、波包分解WPD
(11)��课题2.3：领域自适应——跨工艺图知识迁移
1.领域自适应原理：源域与目标域分布差异、特征对齐方法、引入域判别器，与特征提取器对抗优化
2.跨工艺图迁移：不同工艺参数下的数据差异、知识迁移方法、跨域声发射监测：
•跨域声发射监测：从一种材料迁移至另一种材料，从一台设备迁移至另一台设备
3.典型域自适应方法：DANN域对抗神经网络、CDAN条件域对抗网络、DeepCORAL深度相关对齐
(12)��课题2.4：半监督声学学习——标签不够怎么办？
1.半监督学习策略：标签数据稀缺问题、未标记数据利用、伪标签技术
2.VAE变分自编码器：隐变量模型、重构损失+KL散度、特征表示学习
•在声发射中的应用：学习正常声发射信号的隐空间表示，异常检测
3.GAN在半监督中的应用：半监督GAN原理、特征生成与增强、特征学习
下午：过程监控实践与应用
(13)��课题2.5：SLM密度预测——多种算法对比实战
1.数据集介绍：316L不锈钢SLM密度数据、特征工程与数据预处理、训练集/验证集/测试集划分
2.算法对比分析：模型评估方法、交叉验证方法、超参数调优、指标
•交叉验证方法：K折交叉验证、留一法交叉验证、嵌套交叉验证、特征重要性排序
•指标：回归任务RMSE、R²、MAE，分类任务Accuracy、Precision、Recall、F1
•超参数调优：网格搜索、随机搜索、贝叶斯优化
(14)��课题2.6：LPBF过程监控系统
1.实时监控架构：打印机日志实时采集、图像采集与处理、层间偏差检测算法
2.质量稳定性分析：统计过程控制SPC、异常检测与预警、质量报告生成（支持工艺优化决策）
3.系统集成：多传感器数据融合、实时可视化、历史数据分析、工艺知识挖掘与模型更新
(15)��课题2.7：WAAM熔化效率预测——电弧增材制造优化
1.WAAM工艺特点
•电弧热源特性：TIG/MIG/MAG等不同电弧类型的热输入特性差异
•送丝系统原理：送丝速度、送丝类型对熔敷金属的影响
•材料沉积速率：热输入、焊接速度对熔敷金属熔敷率的影响
•工艺窗口：功率-速度组合对成形质量的映射关系
2.熔化效率建模
•工艺参数影响分析：热输入、送丝速度、焊接速度对熔化效率的影响机理
•高斯过程回归GPR建模：融合多源异构数据，输出预测均值与不确定性
•不确定性量化：预测置信区间指导工艺决策，识别可靠工艺窗口
3.工艺优化
•参数敏感性分析：Sobol指数、Morris筛选法识别关键工艺参数
•多目标优化策略：同时优化熔化效率、成形质量、材料性能的Pareto前沿
•约束处理：考虑设备限制、材料规格、安全规范等约束条件
第3天：熔池图像缺陷检测与增材制造质量预测模型
上午：缺陷检测深度学习方法
(16)��课题3.1：视听特征融合——多模态缺陷检测
1.多模态融合架构
•视觉分支：EfficientNet/RegNet/MobileNet作为视觉编码器提取熔池图像特征，处理亮度、形状、飞溅等视觉信息
•音频分支：1D CNN处理声发射信号，提取时域和频域特征，捕获熔滴过渡、匙孔效应等声学特征
•融合模块：Multi-Head Attention机制自适应学习视觉和音频特征的重要性权重，实现动态融合
•模态对齐：时间同步对齐确保视觉帧与音频片段的对应关系
2.模型训练策略
•多模态数据同步采集：硬件触发实现视觉相机与声发射采集卡的时间同步
•损失函数设计：多任务损失（分类损失+回归损失），平衡不同任务的学习
•多GPU训练技巧：数据并行加速训练，混合精度训练降低显存占用
3.应用场景
•熔池状态分类：稳定熔池（无缺陷）、不稳定熔池（缺陷前兆）、缺陷熔池（需停机处理）
•缺陷类型识别：裂纹（熔合不良）、孔隙（气体卷入）、飞溅（工艺参数不当）
•质量预测：基于熔池状态历史预测成形件的密度、硬度、强度等力学性能
资料：视听特征融合资料
(17)��课题3.2：熔池特征预测——多算法比较
1.数据集介绍
•324个样本，包含熔池状态分类标签（稳定/不稳定）
•熔池几何特征回归数据（长度、宽度、面积、高度等）
•数据