作为一篇发表于《Journal of Intelligent Manufacturing》的系统性综述，Wang等（2026）的研究通过对110篇高质量文献的深度整合，构建了“多模态传感-深度学习-闭环控制”三位一体的激光粉末床熔合（LPBF）智能化技术框架。本文在原有解读基础上，进一步深化技术细节、补充量化数据对比、拆解核心算法逻辑，从“技术演进-参数细节-文献对比-落地瓶颈”四个维度，为硕博生及科研工作者提供可复现、可延伸的深度学习参考。
【论文基础索引】
论文标题：Research advances in multimodal sensing and closed-loop control technology in laser powder bed fusion process based on deep learning
核心作者：第一作者Yingqi Wang；通讯作者Hualong Xie（东北大学机械工程与自动化学院）
发表期刊/会议：Journal of Intelligent Manufacturing
发表时间：2026年（在线发表：2026年1月17日）
卷期/页码：
核心标签：激光粉末床熔合（LPBF）、多模态传感、闭环控制、深度学习、缺陷监测、工艺优化
一、综述核心定位与文献覆盖
（1）综述背景与核心目标
在Industry 4.0推动下，LPBF技术经历了“原型制造→数字化→智能化”三阶段演进（McCann et al., 2021），其核心优势在于复杂结构成型能力，但激光-粉末-熔池的多物理场强耦合（热力学+流体力学+相变）导致四类典型缺陷（孔隙、球化、开裂、层间熔合不良），成为规模化应用的核心瓶颈。
现有研究存在“三脱节”问题：
传感与数据处理脱节：单模态传感无法捕捉多物理机制，传统机器学习（SVM、随机森林）依赖手工特征，难以处理高维时空数据（Chadha et al., 2023）；
数据处理与控制脱节：深度学习模型仅停留在缺陷检测，未形成实时控制闭环（Santa Di Cataldo et al., 2021）；
实验室研究与工业应用脱节：高精度检测方法（同步辐射X射线）成本高、难集成，工业级方法精度不足（Ronan McCann et al., 2021）。
基于此，本综述的核心目标是打通“传感-建模-控制”全链条，具体包括：
量化对比不同传感技术在复杂工况下的缺陷检测性能（如信噪比、空间分辨率、实时性）；
拆解多模态数据融合的三级机制（数据层/特征层/决策层）的算法逻辑与适用场景；
明确深度学习模型在工艺优化与缺陷检测中的参数选择、性能边界与泛化限制；
建立闭环控制的“可控参数-反馈信号-控制策略”映射关系，提供工业落地的技术选型指南；
识别当前研究的十大核心缺口，提出可落地的未来研究方向。
（2）文献检索与筛选策略
为确保综述的系统性，论文设计了“三维检索-三级筛选”框架：
检索维度：技术维度（LPBF/SLM）× 方法维度（多模态传感/深度学习/闭环控制）× 应用维度（缺陷检测/工艺优化）；
检索式优化：以Web of Science为例，检索式包含4组核心关键词，共组合生成12个检索子式，确保覆盖“单模态→多模态”“传统机器学习→深度学习”“开环→闭环”的全技术谱系；
筛选流程：
初筛（标题/摘要）：排除非金属增材制造、纯理论研究，保留836篇；
中筛（全文核心内容）：需包含实验数据/工业案例，且聚焦三大核心技术之一，保留217篇；
终筛（质量评估）：3名研究者独立评分（技术创新性、数据完整性、工业适配性），评分≥7分（10分制），最终纳入110篇；
文献时间分布：2020-2025年占比89%（2020年12篇、2021年18篇、2022年23篇、2023年27篇、2024年19篇、2025年11篇），凸显综述的前沿性；
文献来源分布：Journal of Intelligent Manufacturing（17篇）、Additive Manufacturing（15篇）、The International Journal of Advanced Manufacturing Technology（12篇），覆盖领域顶刊。
二、关键技术主题进展梳理
（1）主题一：LPBF典型缺陷的多模态检测进展
① 孔隙缺陷（Porosity）：四类孔隙的检测技术迭代与性能对比
孔隙按形成机制分为LOF（未熔合）、LOP（熔池不稳定）、KH（匙孔坍塌）、GP（气体残留），其检测技术经历了“单模态→多模态”“离线→原位”的演进，核心研究与性能数据如下表所示：
技术演进规律：KH孔隙因信号特征明显，单模态高分辨率传感即可实现高精度检测；而GP孔隙因尺寸小（<5μm）、形成机制复杂，需多模态融合，但当前检测率仍不足30%，是未来重点突破方向。
② 球化缺陷（Balling）：从实验室高精度到工业级低成本的技术断层
球化缺陷的核心特征是熔融金属破裂形成10-150μm的球形颗粒，其检测技术分为两类：
实验室高精度方案：
代表研究：Ziao Yan et al. (2024)；
技术：原位微聚焦X射线成像；
核心突破：揭示厚粉层下飞溅聚合是大尺寸球化（>50μm）的主要来源，建立接触角与体积能量密度的定量关系，确定113.6 J/mm³为球化临界阈值；
性能：球化率测量误差<5%；
局限：设备成本>500万元，操作复杂，无法工业在线应用。
工业级低成本方案：
代表研究：He Qiu et al. (2025b)；
技术：CCD光学显微镜+全卷积网络（FCN）；
核心参数：相机帧率：100fps；图像分辨率：1280×720；FCN网络层数：8层（编码器4层+解码器4层）；
性能：球化率定量评估误差<8%；成本：<5万元；
局限：仅能捕捉最终缺陷形态，无法观测熔池飞溅等瞬态过程，无预测能力。
技术断层：现有研究缺乏“高精度+低成本+实时预测”的折中方案，复杂结构（如悬垂结构）中球化与孔隙的耦合演化机制尚未被充分揭示（Zhao et al., 2026）。
③ 开裂缺陷（Cracking）：跨尺度检测的三大技术瓶颈
开裂分为冷裂纹（固态）和热裂纹（凝固/液化），现有检测技术的核心瓶颈的是“时空分辨率不匹配”“跨尺度表征不足”，具体如下：
动态监测（声学发射传感） ：
代表研究：Mikhail Seleznev et al. (2022)；
技术：接触式PZT传感器（频率>100kHz）；
优势：对裂纹萌生灵敏度高，可捕捉应力释放弹性波，时间分辨率：1μs；
局限：无法3D空间定位，SNR<1时微裂纹（1-3μm）检测能力下降>70%，需μ-CT验证。
高时空分辨率监测（同步辐射X射线） ：
代表研究：Hossein Ghasemi-Tabasi et al. (2022)；
技术：毫秒级成像，空间分辨率：0.5μm；
优势：可观测裂纹萌生与扩展的动态过程；
局限：二维投影易遗漏平行于光束方向的裂纹，视场<1mm²，随机分布裂纹漏检率>40%。
离线3D表征（工业μ-CT） ：
代表研究：Changyu Meng et al. (2024)；
技术：体素尺寸：6.1μm；扫描时间：2h/件；
优势：可重构3D裂纹网络；
局限：无法检测1-3μm的微裂纹，这些微裂纹是后续宏观裂纹的萌生点，导致检测盲区。
④ 层间熔合不良（Poor Interlayer Fusion）：间接表征的可靠性挑战
该缺陷因随机性强（飞溅颗粒再沉积导致），检测依赖间接表征，核心技术与局限如下：
多模态光学传感：
代表研究：Zackary Snow et al. (2023)；
技术：可见光成像+近红外光学相干断层扫描+光电二极管信号融合；
核心逻辑：通过飞溅行为关联缺陷形成；
性能：缺陷定位误差：±0.3mm；
局限：飞溅是瞬态事件，信号与缺陷存在时空偏差（时间偏差：5-10ms，空间偏差：0.5-1mm）。
同轴光学+红外测温：
代表研究：Zhang et al. (2025)；
技术：优化同轴光学成像（焦距：50mm）+ 红外测温（波长范围：3-5μm）；
核心逻辑：层间表面堆积演化与低能量密度导致的间隙型熔合不良关联；
性能：检测准确率：78%（理想工况）；
局限：高气流（>5m/s）、氧化环境下映射关系被破坏，准确率降至<50%。
（2）主题二：多模态传感技术的协同机制与进展
① 单一传感技术的核心参数与性能边界
② 多模态融合的三级机制：算法逻辑与实例拆解
多模态融合的核心是解决“数据异质性”“时空同步”“特征互补”三大问题，三级机制的具体算法与实例如下：
数据层融合：保留原始数据，解决时空同步与维度不一致
核心挑战：高维图像（2D）、一维信号（声学/光电二极管）、谱图（热辐射）的融合平衡；
同步算法：
硬件同步：Hocker et al. (2022) 采用500μs周期数字触发信号，对齐高速相机与激光位置信号，同步误差<100μs；
软件对齐：Piatkowski et al. (2025) 提出时间样本对齐算法，通过动态补偿校正异频传感器的延迟与冗余样本，无需硬件触发；
融合实例：Fung et al. (2019) Hopfield神经网络时空融合模型，构建嵌入物理约束（热传导方程）的能量函数，迭代优化校正时间偏移，适配熔池热图像与形态测量的异分辨率数据融合。
特征层融合：提取高维跨模态特征，核心是特征互补
算法逻辑：将不同模态数据转换为统一维度的特征向量，再通过深度学习模型提取融合特征；
典型实例1：Jingchang Li et al. (2022) 特征层融合架构
声学发射（1D时间序列）→ 短时傅里叶变换→ 2D谱图；
光电二极管信号（1D）→ 滑动窗口分割→ 2D特征矩阵；
CNN模型（输入：2×128×128；卷积层：4层；池化层：2层）自动提取融合特征；
性能：分类精度比单传感器模型提升23%，但需600组实验数据调优信号转换参数。
典型实例2：Snow et al. (2023) 深度可分离CNN融合
输入：光电二极管信号（1D）、可见光图像（2D）、红外热数据（2D）；
特征提取：深度可分离卷积（分组数=3， kernel size=3×3）提取跨模态高维特征；
输出：亚表面缺陷检测结果，空间分辨率提升至0.1μm。
决策层融合：整合独立决策结果，解决证据冲突
核心挑战：不同模态决策结果的冲突（如光学传感检测到缺陷，声学传感未检测到）；
主流算法：
加权D-S证据理论：Wu et al. (2024) 融合高速相机、光电二极管、麦克风的分类置信度，权重通过样本熵自适应分配，质量判别准确率达85%，但证据冲突时易出现悖论；
双通道CNN融合：Zou et al. (2024) CNN-DE模型，轻量化架构（参数量<1M）实现快速决策融合，检测速度达100fps，准确率79%，但独立训练的子模块易产生置信冲突；
加权集成融合：Tian et al. (2021) PyroNet（提取高温计空间特征）+ IRNet（提取红外时序特征），权重按缺陷类型动态调整，孔隙预测准确率达92%，但静态权重无法适配实时工艺变化。
（3）主题三：深度学习在LPBF中的应用进展
① 工艺参数优化：模型类型与性能对比
工艺参数优化的核心是建立“激光功率/扫描速度/层厚→熔池动态→质量指标”的映射关系，主流深度学习模型如下：
核心挑战拆解：
多目标优化冲突：维度精度（±0.01mm）、力学性能（抗拉强度>1000MPa）、成型效率（>10mm³/h）的非线性耦合，现有模型易偏向单一目标；
跨材料泛化：材料物理属性（熔点、热导率）差异导致模型迁移时误差增加15-30%；
实时性：DNN模型推理时间约10ms，无法满足闭环控制的毫秒级（<1ms）响应要求。
② 缺陷检测：模型结构与泛化性能深度拆解
缺陷检测模型分为“空间域模型”“时序域模型”“不确定性量化模型”，核心结构与性能如下：
空间域模型：PointNet系列（3D点云处理）
代表研究：Zhao et al. (2025)；
输入： stereo图像→高密度点云（点云密度：1000点/mm²）；
模型结构：PointNet（特征提取层：3层MLP；池化层：全局最大池化）+ 2D投影网络；
性能：粉末床缺陷分割准确率：88%；
泛化局限：零件局部截面变化>50%时，点云结构改变，需重构数据集，数据复用率<30%。
时序域模型：AMNet（静态+动态特征融合）
代表研究：Cao et al. (2025)；
输入：熔池静态特征（面积、长宽比）+ 动态特征（运动轨迹、变化率）；
模型结构：自注意力机制（捕捉静态特征关联）+ 交叉注意力机制（融合动态特征）；
性能：孔隙预测准确率：91%；
泛化局限：训练数据集覆盖缺陷类型<80%时，未见过的缺陷模式导致准确率下降>40%。
高效检测模型：YOLOv5x（目标检测）
代表研究：Zhao et al. (2024)；
输入：粉末床图像（640×640）；
模型结构： backbone：CSPDarknet53；neck：SPPF；head：检测头（3个尺度）；
性能：小样本（<100张标注图）下多缺陷检测准确率：82%；检测速度：30fps；
泛化局限：跨机器/工艺参数迁移时，准确率下降至<60%，是工业部署的核心瓶颈。
不确定性量化模型：MSRIM（决策安全）
代表研究：Tang et al. (2025)；
输入：声发射信号（1D时间序列）；
模型结构：证据神经网络（输出缺陷分类）+ Kolmogorov-Arnold网络（输出预测不确定性）；
性能：缺陷分类准确率：89%；不确定性量化误差：±3%；
优势：为闭环控制提供决策安全机制，不确定性>10%时可触发参数调整。
（4）主题四：LPBF闭环控制技术进展
① 核心可控参数：激光功率vs扫描速度的控制特性对比
激光功率控制的深度拆解：
Kavas et al. (2025) 贝叶斯优化PI控制
控制目标：抑制楔形结构成型中的过热（温度<1500℃）；
PI参数调优：贝叶斯优化的目标函数：J=ω₁×温度误差+ω₂×功率波动，ω₁=0.7，ω₂=0.3；
优化过程：初始样本数=20，迭代次数=50，收敛后PI参数：Kp=0.8，Ki=0.05；
控制效果：过热区域减少60%，但单目标优化导致部分区域熔合不足，缺陷率增加5%。
Ogoke et al. (2021) 深度强化学习控制
输入：多截面热场（3×3网格温度数据）；
输出：激光功率调整量（-50~+50W）；
强化学习算法：PPO（ proximal policy optimization），奖励函数：R= -|T-T₀| - λ×|P-P₀|，T₀=1200℃，λ=0.1；
控制效果：熔池深度波动减少40%，但控制范围局限于单层，未考虑层间热积累。
② 反馈信号：三类核心信号的特性与控制逻辑
熔池几何特征（宽度/长度/面积）
检测技术：高速同轴成像（帧率：1kHz，分辨率：1μm）；
控制逻辑：Vasileska et al. (2022) 以熔池面积为反馈，调整激光占空比（50%-100%），优化能量密度分布，桥形结构尺寸精度提升至±0.02mm；
局限：动态测量易受飞溅、羽流干扰，3D特征（熔池深度）需间接推断，模型误差±10%。
热指标（峰值温度/冷却速率/温度场）
检测技术：红外热成像（帧率：100fps，温度分辨率：0.01℃）；
控制逻辑：Wang et al. (2023a,b,c) 建立热辐射参数与尺寸误差的关联模型，2kHz频率调整激光功率，缺陷形成抑制率达70%；
局限：热信号为表面平均响应，无法反映内部温度梯度，冷却速率预测误差±15%。
沉积形貌（粉层厚度/表面粗糙度/层间熔合）
检测技术：光学相干断层扫描（OCT，分辨率：1μm）；
控制逻辑：Fang et al. (2024) 捕捉粉层厚度（20-100μm）与表面粗糙度（Ra=0.1-1μm），通过模型预测控制协调激光功率与扫描速度，层间熔合不良缺陷减少55%；
局限：层间耦合效应导致形状误差累积，跨层误差预测精度±0.05mm。
三、综述的学术贡献与创新点
（1）整合性创新：与现有综述的核心差异
（2）结构性创新：四大研究问题的逻辑闭环
本综述的四大研究问题（RQ1-RQ4）形成“缺陷检测→传感支持→建模处理→控制执行”的逻辑闭环，每个问题的核心产出与关联如下：
RQ1（缺陷检测能力）：明确四类典型缺陷的检测技术边界，为传感技术选型提供依据；
RQ2（传感协同模式）：解决缺陷检测的“数据来源”问题，提供多模态融合的算法框架；
RQ3（深度学习应用）：解决“数据如何处理”的问题，建立工艺优化与缺陷识别的模型库；
RQ4（闭环控制效果）：解决“处理结果如何落地”的问题，实现缺陷从“检测”到“主动抑制”的跨越。
（3）价值性创新：工业落地的技术选型矩阵
本综述通过量化数据对比，首次提出LPBF智能化技术的“工业选型矩阵”，适配不同场景需求：
四、研究缺口与未来方向展望
（1）核心研究缺口与可执行切入思路
（2）未来研究方向的技术路线图
短期（1-2年） ：
传感器标准化：制定统一的数据接口与同步协议；
低延迟模型：基于模型压缩实现深度学习推理时间<1ms；
工业试点：在汽车零部件生产中验证低成本多模态传感方案。
中期（2-3年） ：
多物理场建模：融合关键物理机制的仿真模型，缺陷预测误差<15%；
少样本学习：开发基于迁移学习的缺陷检测模型，标注数据减少60%；
3D熔池观测：实验室级3D重构技术，空间分辨率<0.5μm。
长期（3-5年） ：
全链条智能化：实现“传感-建模-控制”的端到端闭环，缺陷率<0.1%；
多激光协同控制：基于深度强化学习优化激光路径，减少串扰影响；
工业规模化：在航空航天、生物医学领域实现大规模应用，成本降低50%。
五、综述完整逻辑链与领域影响
本综述的核心逻辑链为：LPBF规模化应用的核心瓶颈是缺陷问题→传统技术因“三脱节”无法解决→多模态传感提供全维度数据→深度学习实现数据智能处理与决策→闭环控制实现缺陷主动抑制→当前技术存在十大缺口→未来需聚焦标准化、物理建模、低延迟等方向。
其领域影响的技术扩散路径为：
基础研究层面：为LPBF智能化提供统一的理论框架，指导后续研究的技术选型与实验设计；
技术开发层面：明确多模态融合、深度学习、闭环控制的核心参数与算法逻辑，加速技术迭代；
工业应用层面：通过分级精度标准与技术选型矩阵，降低工业落地门槛，推动LPBF从“原型制造”向“批量生产”转型；
跨领域扩散：其“多模态传感-深度学习-闭环控制”框架可迁移至增材制造、精密铸造、激光加工等领域，提供通用技术参考。
【个人思考衔接】
▢ 对论文方法的疑问与验证思路：
▢ 可直接复用在自身课题的内容：
▢ 拟拓展的研究方向：