引领增材制造智能化浪潮，掌握前沿交叉技术

在全球制造业迈向智能化的浪潮中，增材制造（Additive Manufacturing, AM）因其灵活性和高定制化潜力，成为航空航天、医疗器械、汽车制造等领域的核心技术。然而，工艺复杂性、缺陷控制难度和材料优化挑战限制了其进一步发展。人工智能（AI）作为突破这些瓶颈的关键，正推动增材制造进入全新阶段。本课程聚焦AI在增材制造中的前沿应用，涵盖激光粉末床熔融（LPBF）、定向能量沉积（DED）、光敏聚合物制造等多种工艺，旨在帮助学员掌握从过程监控到材料设计的完整技术链。学员将深入学习监督学习、深度学习、自监督学习、对比学习、迁移学习等多种AI模型，理解它们如何优化制造流程。例如，通过深度学习分析声发射数据实现LPBF的实时监控，或利用视听特征融合技术提升DED缺陷检测精度。此外，课程探索AI在4D打印材料设计和热场预测中的应用，揭示智能材料和复杂结构的未来潜力。通过系统化的理论讲解和行业案例分析，学员将站在技术前沿，掌握引领增材制造智能化革命的核心能力，为航空航天、医疗、汽车等高价值行业创造竞争优势。

实践驱动学习，产出行业级项目成果

本课程以实践为核心，80%的课程时间专注于动手操作，确保学员将理论转化为实际开发能力。课程设计了从基础数据处理到复杂模型部署的递进式实践环节，覆盖增材制造的真实场景，如过程监控、缺陷检测、材料优化和后处理自动化。学员将通过Python、Matlab等工具，完成多个贴近行业需求的案例：构建LPBF过程监控系统以分析工艺稳定性，训练DED缺陷检测模型以识别微小裂纹，优化4D打印材料以实现智能响应，自动化后处理流程以提升生产效率。课程的高潮是一个综合项目，学员将整合所学技术，设计并实现一个LPBF综合监控与优化系统，涵盖声发射分析、缺陷检测、热场预测和后处理自动化。项目完成后，学员将提交代码和报告，并在团队展示中获得专家反馈，强化技术能力和团队协作经验。课程提供预配置的数据集、项目模板和详细实践指南，确保初学者也能快速上手。完成课程的学员将产出可直接应用于工作或研究的行业级项目成果，提升职业竞争力，并获得结业证书作为能力证明。

独家资源与持续支持，赋能职业与研究突破

本课程提供独家资源和持续支持体系，助力学员在增材制造领域实现职业与研究的双重突破。学员将获得基于全球顶级研究机构和行业项目的丰富资源，包括高水平学术论文、全面的课程讲义和预配置的数据集。这些资源覆盖增材制造的最新进展，如过程-结构-性能关系、跨材料工艺优化、实时质量控制等，为学员提供坚实的理论和实践基础。课程配备详细的环境配置教程和调试技巧，确保学员高效掌握复杂技术。此外，课程的实践设计紧密贴合行业需求，所学技术可直接应用于航空航天（如高精度零件制造）、医疗（如定制化植入物）、汽车（如轻量化结构）等高薪领域。为确保学习效果的持续性，课程提供线上答疑支持，学员可在课程结束后通过线上平台咨询技术问题、获取项目指导，解决实际应用中的难题。这种独家资源与持续支持的结合，不仅加速学员的技术掌握，还助力他们在快速发展的增材制造行业中脱颖而出，成为具备全球竞争力的专业人才。

目标

掌握AI技术在增材制造中的核心应用

本课程旨在帮助学员系统掌握人工智能（AI）在增材制造（AM）中的核心技术，涵盖激光粉末床熔融（LPBF）、定向能量沉积（DED）、光敏聚合物制造等多种工艺。学员将学习多种AI模型，包括监督学习、深度学习、自监督学习、对比学习、迁移学习、半监督学习、流形学习和迭代学习，理解它们在解决增材制造关键挑战中的作用，如过程监控、缺陷检测、材料优化和后处理自动化。通过深入剖析AI如何提升制造精度、效率和稳定性，学员将能够将理论知识转化为实际应用。例如，学员将探索如何通过深度学习分析声发射数据以监控LPBF工艺动态，或利用视听特征融合技术实现DED中的实时缺陷检测。这些技术不仅代表增材制造的前沿趋势，还直接响应航空航天、医疗器械、汽车制造等行业对高性能制造的需求。课程通过结构化的理论讲解和案例分析，确保学员全面理解AI在增材制造中的潜力，为后续实践奠定坚实基础。

精通基于独家资源的实践开发能力

课程的目标之一是培养学员基于独家资源开发AI驱动增材制造解决方案的实践能力。学员将通过提供的30+代码库和3篇高水平学术论文，完成从数据预处理到模型部署的全流程实践。这些资源覆盖过程监控（如声发射分析）、缺陷检测（如熔池特征预测）、材料设计（如4D打印材料优化）和后处理自动化（如晶格结构分析）等多个领域。学员将使用Python、Matlab和Abaqus等工具，运行真实案例，如构建LPBF过程监控系统、训练DED缺陷检测模型、优化4D打印材料设计等。课程特别设计了递进式实践环节，从简单的数据分箱与可视化到复杂的综合项目，确保学员逐步精通技术开发。此外，课程提供预配置的数据集、项目模板和详细的实践指南，降低学习门槛，让初学者也能快速上手。通过这些实践，学员将掌握将AI技术应用于增材制造的开发能力，产出可直接用于工作或研究的可交付成果。

打造行业竞争力和持续支持体系

本课程致力于提升学员在增材制造领域的行业竞争力，帮助他们在职业和研究中实现突破。通过学习AI与增材制造的交叉技术，学员将具备开发高精度、高效率制造解决方案的能力，适用于航空航天（如高强度零件制造）、医疗（如定制化植入物）、汽车（如轻量化结构）等高需求领域。课程的综合项目要求学员设计并实现一个LPBF综合监控与优化系统，整合声发射分析、缺陷检测、热场预测和后处理自动化，培养跨领域协作和问题解决能力。完成课程的学员将获得结业证书，证明其在AI驱动增材制造领域的专业能力。为确保学习效果的持续性，课程提供线上答疑支持，学员可在课程结束后通过线上平台咨询技术问题、获取项目指导，解决实际应用中的难题。这种持续支持体系确保学员能够将所学知识无缝应用于工作或研究场景，从而在快速发展的增材制造行业中保持领先地位。

人工智能技术助力增材制造大纲

第1天：AI模型与增材制造应用

目标：汇总后面四天用到的 AI 模型，介绍其在增材制造中的应用，建立理论基础。

内容：

上午：AI模型与增材制造背景

增材制造挑战：过程稳定性、缺陷控制、材料优化。

增材制造AI 模型概览：

监督学习： 增材制造中的不锈钢相对密度预测、电弧增材制造熔融效率预测。

不锈钢相对密度预测：本研究通过比较七种监督机器学习算法（支持向量机、决策树、随机森林、梯度提升、高斯过程、K近邻、多层感知器），预测了选择性激光熔化工艺制造的316L不锈钢3D打印件的相对密度，旨在优化工艺参数以提高零件密度。SLM技术可加工复杂几何形状，但层间孔隙导致各向异性和零件磨损。

电弧增材制造熔融效率预测：利用机器学习方法预测电弧增材制造（WAAM）的熔化效率，WAAM因其高生产率和加工大型航空零件的能力而备受关注。熔化效率是评估工艺能量利用和稳定性的关键参数，传统测量需破坏性测试或专用设备。本研究基于线径、送丝速度、移动速度和净功率等工艺参数，采用高斯过程回归器预测熔化效率，并开发简化的解析模型进行对比。

深度学习：视听特征融合缺陷检测、时间分辨激光吸收率预测的深度学习方法（ResNet-50、ConvNeXt-T 激光吸收预测）、深度学习缩进方法（材料机械性能提取）。

利用机器学习实现增材制造在激光定向能量沉积中的音视特征融合，用于缺陷检测和质量预测。通过融合声学信号和同轴熔池图像，提出多传感器融合数字孪生框架，显著提升局部质量预测精度。研究探索了音视特征的跨模态相关性，利用混合CNN直接融合原始数据，实现高精度缺陷检测。此外，通过声学信号和机器人运动数据推断熔池视觉特性，提出基于麦克风的低成本监控方法。数据集和代码公开，支持高效的LDED工艺优化。

异步增材制造实时、同步吸收和高速 X 射线成像用于激光能量吸收率预测和关键孔分割的模型训练。end_to_end_approach包含ResNet-50和ConvNeXt-T训练代码，ConvNeXt-T在吸收率数据集上表现最佳，平均L1损失为2.35±0.35。semantic_segmentation提供关键孔分割模型训练代码，UNet模型mIoU达90.4±0.6。opencv_segmentation使用OpenCV实现关键孔阈值分割，keyhole_feature_extraction提取分割掩模的几何特征。预训练模型权重可通过Google Drive获取，数据见官方网站，支持下游任务优化。

通过深度学习从仪器化压痕实验中提取材料力学性能，利用多保真神经网络和多保真高斯过程回归，基于DeepXDE框架（v1.1.2）处理压痕数据，拟合材料应变硬化指数等力学参数。代码包括数据读取、神经网络模型、拟合函数等模块。用户需根据案例调整硬编码参数。代码和数据公开，支持学术研究，引用需标注相关论文。

自监督学习：增材制造自监督学习同轴DED工艺区成像（DED 同轴成像）、增材制造自监督贝叶斯表示学习声发射（声发射监控）。

基于深度学习的无监督域适应技术，通过声发射信号监测激光粉末床熔融（LPBF）过程，解决不同工艺参数空间下数据分布变化问题。利用卷积神经网络（CNN）从无标签数据推断类别标签，连接源域与目标域的潜在特征，有效减少特征空间失配。研究提升了LPBF实时质量验证的鲁棒性，降低传统检测成本，支持工艺优化

深度学习无监督域适应技术，通过声发射监测激光粉末床熔融（LPBF），解决工艺参数变化引起的数据分布偏移。利用CNN从无标签数据推断类别，连接源域与目标域特征，增强模型鲁棒性，降低检测成本。

对比学习：基于深度对比学习的质量监控方法，应用于定向能量沉积（L-DED）工艺，通过同轴成像分析熔池光发射，实时监控Ti6Al4V零件质量。采用对比学习和三元组损失训练CNN，提取低维特征表示，提升跨工艺空间的分类和监控能力

迁移学习：激光粉末床熔融（LPBF）实时监控，利用声发射（AE）和可解释机器学习（CNN、XGBoost、SVM）分析316L不锈钢工艺动态，识别低于40kHz的关键频率范围，区分缺熔、传导模式和关键孔缺陷。采用EMD分解AE信号，通过显著性图和特征重要性分析优化传感器选择。

半监督学习：半监督学习策略，利用声发射（AE）监控激光粉末床熔融（LPBF）工艺，通过变分自编码器（VAE）和生成对抗网络（GAN）区分Inconel粉末无缺陷状态与异常。仅用无缺陷声学签名训练生成模型，实现实时缺陷检测。

流形学习：基于深度学习的流形学习方法，通过同轴CCD相机捕获的熔池图像，实时监控定向能量沉积（DED）工艺。利用自编码器和生成对抗网络（GAN）学习熔池形态的流形特征，结合单类SVM分类六种工艺条件，区分理想质量与缺陷，分类精度达97%。

迭代学习：提供迭代机器学习框架，使用极端随机森林预测增材制造中的温度分布。核心代码在课程中展示，支持邻域信息整合。包含三个Jupyter笔记本用于温度预测。数据集公开，需Scikit-Learn、Numpy、Pandas、XGBoost支持。

第三方工具与仿真环境：Python、Matlab（光聚合物增材制造母版的实时干涉测量控制）、Abaqus应用增材制造。

一个用于选择性激光熔化和增材制造的Python库，支持切片、填充、支撑结构生成及机器文件导出。基于Trimesh和Clipper2，提供高效的网格处理和扫描矢量生成，适用于SLM、DMLS等工艺。

下午：AI 应用场景与数据处理

应用场景：加载激光粉末床熔融（LPBF）数据集及基准模型，包含3DResnet、SlowFast、MViT等，用于从轴上视频重构激光参数。数据集支持帧提取与视频识别模型预处理。DED、光敏聚合物制造。

数据类型：声发射、图像、热场、X 射线 CT。

实践：

安装 Python 环境，grouch项目提供增材制造数据分箱分析工具，基于numba库，通过DataBins对象和process_dataframe函数，将测量变量（如光电二极管强度、飞溅）按坐标（如空间位置、扫描方向）分箱。可视化方式包括均值、计数或标准差。

第2天：过程监控与声发射分析

目标：应用 AI 进行增材制造过程监控，重点分析声发射数据。

内容：

上午：声发射监控理论

增材制造传感器应用：声发射在 LPBF 和 DED 中的作用。

特征工程：经验模态分解、特征提取。研究激光粉末床熔融（LPBF）过程中声发射（AE）特征，支持316L不锈钢工艺监控。分析时间、频率和时频域特征，识别传导、关键孔等模式的失效机制，结合机器学习实现原位分类。提出数据采集与预处理策略，构建综合监控系统。

下午：实践与案例

数据预处理：使用增材制造声学半监督学习主要内容处理声发射数据。

模型训练：实现半监督学习模型，分析 LPBF 过程动态增材制造传感器选择声发射。

结果可视化：使用 grouch展示声发射特征分布。

案例：选择性激光熔化（SLM）过程的技术视觉监控Python系统，实时处理3D打印机日志文件和相机图像，分析层间偏差与3D模型的符合度。，监控金属零件制造质量。成果：掌握声发射数据处理与建模，完成 LPBF 过程监控案例。

第3天：缺陷检测与质量预测

目标：利用深度学习和混合模型进行增材制造中的缺陷检测和质量预测。

内容：

上午：缺陷检测与质量预测理论

视听特征融合： LDED 缺陷检测。

深度学习模型：时间分辨激光吸收率预测的深度学习方法（ResNet-50、ConvNeXt-T）、混合机器学习框架。

熔池特征预测：预测金属增材制造（MAM）熔池和熔覆几何特性，优化工艺。采用神经网络、高斯过程、支持向量机和梯度提升决策树，基于文献数据生成通用模型。探讨GAN数据增强，展示回归与分类结果，支持工艺图生成。需TensorFlow、Scikit-Learn等运行。

质量控制：一个AI驱动的视觉检测系统，专为3D打印零件表面缺陷实时检测设计。利用YOLOv8进行精准缺陷识别，结合UiPath的RPA自动化缺陷跟踪与维护调度，通过Pandas生成Excel报告和Matplotlib可视化缺陷趋势。

下午：实践与案例

数据准备：处理 LDED 图像和声学数据。

模型训练：训练 FusionNet 模型进行缺陷分类。

案例：预测 316L 不锈钢相对密度。成果：完成 LDED 缺陷检测模型训练，生成质量预测报告。

第4天：材料设计、热场预测与后处理

目标：应用 AI 优化材料设计、热场预测和后处理自动化。

内容：

上午：理论与方法

材料设计：

AI 辅助增材制造 4D 打印材料设计：通过机器学习设计新型马氏体时效钢，用于高效4D打印，利用热力学软件Thermo-Calc生成数据，优化Ni3Ti沉淀相和Laves相含量。随机森林模型表现最佳，确定最佳成分Fe-20.8Ni-6.2Ti-1.7Al（wt%）。代码包括代理建模与成分优化，需Python 3.9.12。。

金属聚电解质凝胶：支持增材制造金属聚电解质材料的分子控制研究，包含生成相图的均场理论代码（Clapeyron）、Kremer-Grest分子动力学模拟（LAMMPS）和密度泛函理论计算（ORCA）。

热场预测：

FEM 仿真与机器学习：提供机器学习代码，预测增材制造中热场，基于Abaqus FEM模拟数据。包括数据收集、预处理（特征提取与改进）和机器学习建模。

后处理与分析：

后处理自动化：研究增材制造后处理的自动化，涉及热处理、支撑移除和抛光，基于Universal Robots UR5e机器人、Robotiq夹具和Vzense 3D相机，使用Python3和ROS2开发。包含AM Vision（相机点云处理）、UR Path Planning（路径规划）、VCU UR Driver（机器人控制）和AM Post-Processing Interfaces（数据接口）四个包，优化生产效率。

晶格结构分析：一个MATLAB工具，用于分析增材制造晶格结构的支柱形态和表面粗糙度。支持MATLAB Runtime（R2020b）运行可执行安装程序，或通过MATLAB和iso2mesh工具箱运行源代码。需安装MATLAB（R2020b及以上）及iso2mesh，分析晶格结构特性，优化增材制造设计。

过程-结构-性能关系。

下午：实践与案例

数据处理：生成 4D 打印材料数据集

模型训练：预测温度曲线。

后处理实践

仿真分析：使用 jax模拟 LPBF 过程，结合 Abaqus 插件.zip 进行有限元建模。成果：完成 4D 打印材料设计案例，生成热场预测和后处理优化结果。

第5天：综合应用与项目实践

目标：整合前四天知识，完成综合增材制造 AI 项目。

内容：

上午：综合应用框架

跨材料迁移学习：算法模型创新点提高技巧。

流形学习与对比学习：算法模型创新点提高技巧。

X 射线 CT 表征：算法模型创新点提高技巧。

质量控制系统：算法模型创新点提高技巧。

可变时间尺度分析：一种混合深度学习模型（CNN-LSTM），用于激光粉末床熔融（LPBF）过程的实时监控，支持0.5ms至4ms的可变时间尺度。通过融合光学和声发射信号，结合X射线成像指导，模型实现复杂工具路径的实时质量检测，分类精度高。。

下午：项目实践

项目任务：

声发射分析：算法模型创新点提高技巧。

缺陷检测：算法模型创新点提高技巧。

热场预测与材料优化：算法模型创新点提高技巧。

实现步骤：

数据收集与预处理：特征提取创新点提高技巧。

模型训练：整合算法模型创新点提高技巧。

后处理与可视化：使用技巧提高技巧。

学员获取的课程资料

独家代码库（30+ ZIP 文件）：

过程监控

缺陷检测

材料设计

热场与仿真

数据处理与分析

基准测试

学术论文（20+ 篇）

课程讲义与实践指南：

包含 AI 模型理论、代码实现步骤、案例分析和调试技巧。

提供 Python/Matlab 环境配置教程，确保学员快速上手。

项目模板与数据集：

预配置的数据集，用于声发射分析、缺陷检测和热场预测实践。

项目模板代码，方便学员快速开发综合项目。

学员答疑

增材制造相关项目中需要安装的软件和环境配置要求的更新汇总表格

（未指定  根据上课情况进行调整）

软件/库	版本要求	用途	项目相关说明
Anaconda3	未指定（推荐最新版本）	环境管理	管理Python环境及依赖，支持Conda安装如Trimesh、Shapely等，简化复杂依赖配置
Python	3.8.5, 3.8.10, 3.9.12	编程环境	核心编程语言，支持数据处理、模型训练和自动化
MATLAB	R2020b 或更高	数据分析与可视化	用于晶格结构分析、运行StrutSurf等
Abaqus	2019以上	有限元仿真	FEM模拟热场预测，生成增材制造数据
Scikit-Learn	0.19.1, 0.24	机器学习	支持监督学习、回归、分类等模型
NumPy	1.14, 1.19.2	数值计算	数据处理、矩阵运算
Pandas	0.22, 1.1.3	数据处理	数据预处理、Excel报告生成
Matplotlib	3.3.2	数据可视化	绘制特征分布、工艺图等
Seaborn	0.11.0	数据可视化	高级可视化，热图、趋势图
TensorFlow	未指定	深度学习	神经网络模型训练（如MeltpoolNet）
Keras	未指定	深度学习	构建神经网络模型
PyTorch	未指定	深度学习	支持3DResnet、SlowFast等视频识别模型
torchvision	未指定	图像处理	配合PyTorch处理图像数据
torchaudio	未指定	音频处理	处理声发射数据
cudatoolkit	11.0	GPU加速	加速PyTorch深度学习计算
XGBoost	0.7 或更高	机器学习	梯度提升决策树模型
DeepXDE	1.1.2	深度学习	多保真神经网络，压痕数据处理
numba	未指定	性能优化	加速分箱分析（如grouch项目）
Open3D	未指定	3D点云处理	相机点云生成与处理
OpenCV	未指定	图像处理	关键孔分割、图像预处理
ROS2	Rolling	机器人控制	UR5e机器人路径规划与控制
Trimesh	4.0	网格处理	切片、网格操作
Clipper2	未指定	多边形裁剪	通过Pyclipr支持扫描矢量裁剪
Pyclipr	未指定	多边形裁剪	扫描矢量偏移与裁剪
Shapely	未指定	几何操作	2D几何处理，Conda安装
Rtree	未指定	空间索引	高效几何查询，Conda安装
networkx	未指定	网络分析	网格与支撑结构分析，Conda安装
scikit-image	未指定	图像处理	图像预处理与分析，Conda安装
vispy	未指定	可视化	OpenGL支持的支撑结构生成
PyQt5	未指定	GUI与OpenGL	提供OpenGL后端
triangle	未指定	三角化	网格生成
manifold3d	未指定	CSG操作	精确支撑体视生成
mapbox-earcut	未指定	多边形三角化	高效三角化
arena_api	未指定	相机控制	管理SLM监控相机
watchdog	未指定	文件监控	实时监控3D打印机日志
tomllib	未指定	配置文件解析	解析TOML配置文件
LAMMPS	未指定	分子动力学	Kremer-Grest模拟
ORCA	未指定	量子化学	密度泛函理论计算
Clapeyron	未指定	均场理论	生成相图
iso2mesh	未指定	网格处理	晶格结构分析

环境配置要求：

操作系统：支持Windows、Mac OS X、Linux（PySLM、SLM监控等项目明确支持跨平台）。

MATLAB Runtime：R2020b（用于StrutSurf可执行文件）。

CUDA：需检查CUDA版本以支持GPU加速（PyTorch安装需匹配cudatoolkit 11.0）。

Conda：Anaconda3推荐用于管理Python环境（如LDED-FusionNet使用Conda创建torch环境）。通过conda install安装Shapely、Rtree、networkx、scikit-image、Trimesh等依赖。

OpenGL：支撑结构生成需OpenGL环境（通过vispy和PyQt5支持）。

硬件：部分项目需相机（如Vzense DCAM560CPro）、机器人（如UR5e）或3D打印机支持。

网络：部分项目需联网下载数据集或依赖（如PySLM、RAISE-LPBF-Laser）。

安装说明：

Anaconda3：安装Anaconda3后，使用conda create创建虚拟环境（如conda create --name torch python=3.8.10），并通过conda install -c conda-forge shapely rtree networkx scikit-image trimesh安装依赖。

大多数项目提供requirements.txt，通过pip install -r requirements.txt安装pip依赖。

PySLM需额外安装libSLM以支持商业机器文件格式。

Abaqus需单独安装并配置Python接口。

Thermo-Calc需购买许可证以生成材料设计数据。

建议在干净的Conda环境中安装numba以避免依赖冲突。

详情：人工智能技术助力增材制造