本文是一篇关于增材制造（Additive Manufacturing，AM）质量监控的研究论文，发表于《Journal of Manufacturing Systems》2021年第61卷。作者团队来自美国多所大学：叶泽浩（Zehao Ye）和阚琛（Chen Kan，通讯作者）来自德州大学阿林顿分校工业、制造与系统工程系；刘晨昂（Chenang Liu）来自俄克拉荷马州立大学工业工程与管理学院；田文猛（Wenmeng Tian）来自密西西比州立大学工业与系统工程系。
一、 学术背景
增材制造（常称3D打印）因其高度的设计自由度和制造复杂几何形状零件的能力，在制造业中受到越来越多的关注，其角色正从快速原型制造转向功能性零件的实际生产。然而，增材制造过程具有高度不一致性，缺乏有效的质量保证是其大规模应用的主要障碍。现有的大多数在线监控技术（如使用热电偶、加速度计、摄像头等传感器）主要聚焦于检测明显的缺陷，例如填充不足和裂纹，对于由微小过程偏移（miniature process shifts）引起的层表面细微形态变化，检测能力有限。这种微小偏移在过程初期可能不产生肉眼可见的宏观缺陷，但会导致层表面粗糙、丝状物分布不均等问题，当后续层堆积其上时，可能产生层间空隙等内部缺陷，最终损害产品的质量和可靠性（如力学性能）。此外，在物联网和网络物理系统时代，针对增材制造的恶意网络攻击也可能通过微调工艺参数（如喷嘴温度、层厚）来引入不易察觉的微小缺陷，对关键任务应用构成安全隐患。
因此，本研究的目标是开发一种新的基于原位点云融合（in-situ point cloud fusion）的逐层监控框架，以实现对增材制造微小过程偏移的检测和质量保证。该研究利用在线三维结构光扫描捕捉每层的表面形貌，通过创新的数据处理和分析方法，识别由微小工艺变化引起的异常形态模式。
二、 详细研究流程
本研究提出了一个完整的层间监控框架，包含数据采集、预处理、特征提取、异常识别和在线监控五个主要步骤，并进行了仿真和实际案例验证。
步骤一：数据采集与预处理 研究采用熔丝制造（Fused Filament Fabrication，FFF）工艺作为实验平台，使用PLA线材打印具有自由形状的测试件。关键创新在于传感技术：在3D打印机旁部署一台高分辨率结构光扫描仪（HP Pro S3），在每一层打印完成后立即进行扫描，获取该层的三维点云数据。与二维图像相比，点云数据对几何变化更敏感，能更丰富地揭示表面形貌信息。
由于扫描仪位置和打印层高度的变化，采集到的点云需要与参考模型（通常来自CAD设计）进行配准对齐。研究采用高斯混合模型（Gaussian Mixture Model, GMM）的概率密度估计方法进行点云配准。该方法将被扫描点云视为GMM的中心，将参考点云视为由该GMM生成的数据。通过期望最大化（Expectation-Maximization, EM）算法和奇异值分解（Singular Value Decomposition, SVD）求解旋转、平移和缩放参数，实现扫描点云与参考点云的精确对齐。
步骤二：点云分区 考虑到增材制造零件多为自由形状，且每层大小可能不同，直接将整个点云进行全局对比难以捕捉微小、局部的形态变化。为此，研究采用了一种自适应多维索引方法对配准后的点云进行分区。该方法递归地将点云空间划分为包含大致相等数量点的子区域（超矩形），直到达到预定的分区数量或每个子区域的最大点数。这种方法能够自适应地处理不同形状和尺寸的层，确保始终能获得一致数量的局部区域进行分析，为后续局部特征提取奠定了基础。
步骤三：局部表面变化表征——核相关计算 在每个分区（局部区域）内，研究没有采用传统的计算三维偏差（如欧氏距离和）或均方根误差的方法，因为这些方法依赖于点与点之间的一一映射，对于无序点云效果不佳。相反，本研究创新性地引入核相关（Kernel Correlation）作为一种亲和力度量，来量化“制造层”局部区域与“设计层”参考之间的形态相似性。
核相关的基本思想是：在同一工艺条件下打印的层，虽然存在固有变化，但其点云分布应具有更高的亲和力（即更相似）。具体计算时，在每个局部区域内选取一个或多个锚点，计算以该锚点及其邻域点构成的点集与整个参考点云之间的核相关值。核函数采用高斯核，其值反映了两个点集在空间分布上的相似程度，值越高表示形态越相似。最终，每个打印层被表示为一个由各局部区域核相关值组成的特征向量。
步骤四：异常检测——深度级联模型 将核相关特征向量用于区分正常层和由微小偏移导致的异常层。研究没有使用常见的卷积神经网络（CNN），因为CNN通常结构复杂、需要大量训练数据且可解释性差，而这在低产量、耗时的增材制造场景中不适用。本研究采用了深度级联模型（Deep Cascade Model）作为分类器。该模型以决策树为基本构建块，通过级联多个随机森林层来“加深”网络。每一层的输入是原始特征与前一层的输出特征的拼接。深度级联模型超参数少，对训练数据量要求相对较低，且具有较好的性能，非常适合本研究的应用场景。模型最后一层通过最大池化输出分类结果（正常或异常）。
步骤五：在线监控——实时对比控制图 为了实现在线过程监控，研究在深度级联模型的基础上，构建了一个基于实时对比（Real-Time Contrasts）的统计控制图。其核心思想是：将实时采集的一个滑动时间窗口内的点云数据（例如最近10层）视为一个整体，并为其赋予一个类别标签（如“1”），然后与离线收集的大量“正常”参考点云数据集（类别标签为“0”）一同输入修改后的模型（将最后的池化层替换为一个用于估计类别概率的随机森林层）。如果过程处于受控状态，滑动窗口内的数据与参考数据来自同一分布，模型难以区分它们，分类概率会较低；一旦过程发生偏移，滑动窗口中逐渐包含来自不同分布的数据，模型区分度提高，分类概率会上升。通过监控这个分类概率统计量是否超过预设的控制上限，可以及时发出过程失控的报警信号。
步骤六：实验验证 研究通过仿真和实际案例验证框架的有效性。 1. 仿真研究：使用正弦函数生成具有不同频率（模拟表面波动变化）和不同信噪比（模拟噪声水平）的合成表面点云。实验表明，即使频率发生微小变化（δf = 6e-3），所提方案的检测准确率也超过80%。当信噪比较高（噪声较小）时，检测准确率可达90%以上，但随着噪声增大，准确率下降，表明核相关计算受噪声影响。 2. 实际案例研究1（测试件）： * 消融实验：通过改变喷嘴温度（205℃ vs. 200℃/190℃/180℃）、流量（90% vs. 85%/80%）和层厚（0.2mm vs. 0.23mm/0.25mm）引入微小过程偏移。结果表明，即使对于最小的偏移（如温度从205℃变为200℃），框架的正确率也稳定在84.5%以上，且灵敏度和特异度平衡。 * 模型参数影响：减少分区数量或邻域点数量会导致检测准确率略有下降，表明足够的局部信息对于表征微小变化的重要性。 * 对比实验：将所提方案（点云+核相关+深度级联）与多种基准方法比较，包括：（1）将点云栅格化为图像后使用CNN或深度级联模型；（2）从点云局部区域提取描述性统计特征后使用深度级联模型；（3）使用核相关特征但采用随机森林或支持向量机（SVM）分类。结果显示，所提方案在所有对比中均取得最优性能，特别是在微小偏移检测上优势明显，验证了核相关特征的有效性和深度级联模型的优越性。 * 在线监控演示：对层厚和温度引入偏移进行在线监控，基于实时对比的控制图能够快速（在偏移发生后1-2层内）发出报警信号，且误报率低。 3. 实际案例研究2（髌骨植入物）：将所提框架应用于具有复杂自由形状的髌骨替代物打印过程的监控。尽管各层形状和尺寸差异很大，框架仍能成功检测出在打印中途引入的喷嘴温度偏移（从205℃变为190℃），监控统计量在偏移后迅速上升并超过控制限，证明了该框架处理复杂几何形状零件的潜力。
三、 主要结果与逻辑关系
仿真研究的结果首先验证了所提方法的核心组件（核相关特征和深度级联模型）对于检测合成表面微小形态变化是有效的和鲁棒的，这为在实际增材制造数据上应用提供了理论基础。实际案例研究1的消融实验结果表明，所开发的框架对多种类型的真实工艺参数微小变化都具有高检测精度，实现了研究目标。对比实验的结果至关重要，它清晰地证明：直接使用点云数据优于将其转换为图像，因为转换过程可能丢失细节；核相关作为特征优于简单的统计特征，因为它能更好地捕捉形态亲和力；深度级联模型作为分类器优于传统的随机森林和SVM，在处理这类微小差异的分类问题上具有更强的判别能力。这些结果层层递进，共同支撑了所提出技术路线的优越性和必要性。在线监控演示和髌骨案例的结果则进一步将框架从离线分类推向了在线、实时过程监控的应用场景，并展示了其对复杂实际工件的适用性，完整地验证了框架从理论到实践的全流程价值。
四、 结论与价值
本研究成功开发并验证了一种基于原位三维点云融合的增材制造逐层监控新框架。该框架能够有效检测由微小过程偏移引起的层表面形态变化，这些变化传统监控方法难以发现，却可能严重影响最终产品的内部质量和长期可靠性。
其科学价值在于：1）首次系统地将高保真三维点云传感与先进的机器学习模型（深度级联模型）相结合，用于增材制造的在线、逐层质量监控；2）创新性地提出了核相关作为表征无序点云局部形态亲和力的特征，克服了传统点云比对方法的局限性；3）为解决增材制造中微小缺陷（包括可能由网络攻击引起的）检测这一难题提供了新的思路和方法论。
其应用价值显著：该框架不依赖于特定材料或工艺，虽然本研究以FFF工艺为例，但具有扩展到其他增材制造工艺（如金属增材制造）和多种三维扫描技术的巨大潜力。它为实现增材制造过程的闭环控制和智能质量保证提供了关键技术支持，尤其对于航空航天、医疗保健等关键任务领域至关重要。
五、 研究亮点