温莎大学的研究人员在ResearchGate上发表的综述文章分析了机器学习（ML）在直接能量沉积（DED）和电弧增材制造（WAAM）中的应用。该综述涵盖了2010年至2025年中期发表的研究，显示2020年后研究活动迅速增加，深度学习、模糊逻辑和物理信息神经网络等方法从孤立的实验转向主流话题。尽管取得了这些进展，但在闭环过程控制、跨机器泛化以及特定位置机械效应的整合方面仍存在差距。

作者开发了一个Python脚本，通过Crossref文献数据库自动化搜索。使用涵盖DED工艺和机器学习技术的组合关键词检索出版物，并删除重复项。每个条目都经过手动检查，以确保研究专门应用于DED或WAAM。尽管这种方法涵盖了该领域的广泛部分，但数据集仅限于Crossref索引的内容，排除了Scopus或Web of Science等专有数据库。这引入了一定程度的偏差，但仍提供了人工智能进入金属3D打印这一分支的代表性概述。

从早期基础到转折点

2010年代上半叶的研究稀少且具有探索性。最初的研究测试了模糊逻辑模型，以调节激光熔覆中的扫描速度，并应用简单的神经网络来预测熔覆质量或优化熔覆几何形状。这些项目展示了数据驱动方法的可行性，但仅限于狭窄的参数优化任务。

到2016年，无监督方法出现了。一项研究使用聚类对激光熔覆熔覆进行分类，而另一项研究使用神经网络提高喷嘴效率。2018年，循环神经网络进入该领域，用于预测时间序列温度数据。2019年，卷积神经网络被引入用于基于图像的缺陷检测，为更复杂的视觉驱动监控奠定了基础。

2020年活动急剧增加。卷积神经网络（CNN）在同轴图像上进行训练，以识别铝合金沉积物中的孔隙率。开发了高斯过程回归模型以预测变形过程中的应变率，并测试了强化学习框架以优化多道沉积中的激光臂运动。这一时期标志着从孤立的演示向先进架构的系统应用的决定性转变。

论文发表数量趋势——橙色条预测了从2025年7月到年底将发表的论文数量。图片来自温莎大学。

2020年后的多样化

2020年后发表的研究扩大了机器学习在DED中的范围。随机森林分类器用于分割线材工艺中的孔隙率，而长短期记忆（LSTM）网络预测熔池温度。结合神经网络与有限元模拟的混合框架实现了道间温度预测，有助于减少WAAM中的热缺陷。物理信息神经网络于2022年出现，将控制方程嵌入训练中，以平衡预测精度与物理定律的遵循。

最近的研究转向混合和时间模型。2023年，门控循环单元（GRU）网络在预测熔池动态方面优于卷积神经网络和密集神经网络，表明顺序架构在捕捉时间依赖性方面更有效。2025年出现了半监督方法，将回归用于标记的熔池数据与无监督聚类相结合，以从传感器输入中提取隐藏特征。这些方法旨在解决高质量标记数据集短缺的问题，同时不牺牲模型的鲁棒性。

部署的障碍

尽管方法和应用不断增长，但仍有几个障碍限制了工业采用。闭环控制仍然很少见，大多数模型以开环配置运行，其中传感器数据为预测提供信息，但不驱动实时参数调整。与沉积位置相关的效应（如边缘处的应力累积或角落附近的变形）也未得到充分代表，尽管它们强烈影响最终部件的性能。

数据限制是另一个障碍。捕获耦合热和机械行为的高保真有限元模型计算成本高昂，限制了数据集的大小。实验数据收集面临类似的挑战，因为精确标记应力场或微观结构在技术上具有挑战性。这些因素解释了为什么监督模型主导了文献，而无监督和半监督方法仍然欠发达。

方法论多样性也使该领域变得复杂。回归、支持向量机、模糊逻辑、聚类和深度学习等方法在研究中都有出现，但很少有比较性工作在相同条件下评估这些方法。没有基准，最佳实践仍然未定义，特别是在缺陷检测、熔池监控或残余应力预测等应用中。

展望

温莎大学的综述确定了未来研究的几个优先事项。能够编码沉积历史和工具路径策略的位置感知建模对于预测各向异性和部件可靠性至关重要。将神经网络与传感器反馈集成的实时闭环控制被视为实现自适应制造系统的关键一步。

物理信息模型继续吸引关注。通过将物理约束嵌入数据驱动架构中，它们提供了可解释性和预测效率的平衡，特别是在热机械模拟中。另一个未充分探索的领域是不确定性量化。概率方法可以为预测提供置信区间，这在航空航天和国防等安全关键应用中至关重要。

综述还指出研究重点存在不平衡。工艺优化和熔池几何形状占主导地位，而缺陷分类、多目标预测和实时自适应控制则较少被探索。解决这些差距将需要更大、更具代表性的数据集，对方法进行比较评估，并将空间和时间变异性整合到模型设计中。