近日，汕头大学智能制造技术教育部重点实验室、汕头市高端装备智能运维与再制造技术重点实验室IMAM团队在激光定向能量沉积送粉及送丝工艺的智能监测领域取得新进展。相关成果以论文形式发表在TOP期刊《Reliability Engineering and System Safety》（中国科学院一区Top，IF=11.0）和《Journal of Manufacturing Processes》（中国科学院一区Top，IF=6.8）上。

进展一：激光定向能量沉积过程温度场预测与早期缺陷预警研究

温度信息的精准获取与预测对于激光定向能量沉积（DED）等金属增材制造过程的传热分析、微观结构演变控制以及缺陷早期预警至关重要。然而，传统的数值模拟方法（如有限元方法）计算成本高，难以满足实时监测的需求。此外，现有的基于物理信息的神经网络（PINN）在实际部署时，常由于忽略材料热物性参数的非线性变化，以及红外传感器（IR）测量噪声大、易受粉末遮挡等系统性不确定性因素的影响，导致其在极端高温区域（如熔池中心）经常低估峰值温度，模型在稀疏或嘈杂数据环境下的预测保真度和长期稳定性均面临严峻挑战。

针对上述难题，团队开展了面向增材制造薄壁结构的高保真温度场建模与缺陷早期预警框架的研究。提出了一种增强型物理信息神经网络与指数加权移动平均（PINN-EWMA）相结合的实时在线监测框架。该模型集成了随温度变化的材料热物性参数，将瞬态热传导-对流耦合方程与基于熵和能量守恒的正则化项嵌入损失函数中，并通过贝叶斯优化策略实现超参数的自适应调节，显著提升了模型在含噪数据下的鲁棒性和收敛稳定性。为了克服红外传感器精度的局限性，该框架引入了数据不确定性建模，并采用同轴双色高温计数据对熔池中心温度进行动态校正。在此基础上，构建了EWMA控制图以动态监测预测温度与测量温度之间的偏差，从而实现温度误差驱动的在线缺陷检测。

这项研究为复杂增材制造过程中的高保真热场建模与在线质量监测提供了新思路，更为工业级金属3D打印打造了一个稳健的智能预警平台。实验结果表明，该PINN模型实现了高达98%的预测准确率，平均绝对误差仅为8.24 K。在具有代表性的高熵合金薄壁结构DED在线监测案例中，该框架成功在肉眼可见的宏观缺陷出现前两层发出预警。其优异的物理一致性、在传感器噪声干扰下的卓越鲁棒性以及高精度的预测能力，使其在增材制造过程控制、异常热行为捕捉以及工业在线无损检测等领域中具有广阔的应用前景，展示了PINN-EWMA框架作为预测性健康管理（PHM）基础工具的巨大潜力。

以上工作以题目为“A PINN–EWMA framework with uncertainty quantification for high-fidelity temperature field modeling and early defect warning in directed energy deposition of thin-walled structures”于TOP期刊《Reliability Engineering and System Safety》（中国科学院一区Top，IF=11.0）上发表。IMAM团队硕士生杨守兰为第一作者，团队王奉涛教授、彭世通副教授以及上海交通大学唐梓珏副研究员为共同通讯作者。

这项工作受到了国家自然科学基金（No.52305544）、广东省自然科学基金（2023A1515011164）以及广东省普通高校重点领域专项项目（2024ZDZX3019）的资助。论文链接：https://doi.org/10.1016/j.ress.2025.111834

进展二：激光送丝增材制造过程温度场预测与重建研究

激光丝材增材制造（LWAM）因其材料利用率高、无飞溅和成形稳定等优势，在航空航天、能源和大型结构件制造中具有广阔应用前景。然而，由于连续送进的丝材与高能束及熔池的直接耦合，LWAM过程的热输入更加集中，热积累显著，且伴随着复杂的丝材过渡模式（如稳定熔透、液桥、滴状过渡等）的动态变化。这些复杂的物理过程导致成形表面温度场表现出强烈的非平稳波动、高度变异性和强非线性，使得传统数值模拟方法（计算成本高、极度依赖初始和边界条件）和纯数据驱动方法（缺乏物理可解释性和跨条件泛化能力）难以实现温度场的高效、精确预测。

针对上述难题，团队提出了一种新型傅里叶-高斯-拉普拉斯物理信息神经网络（FGL-PINN）架构，系统研究了LWAM的温度场演化规律及重建预测方法。研究团队首先通过开展系统的LWAM单道沉积实验（使用Inconel 718合金），深入量化分析了激光功率、扫描速度和送丝速度等关键工艺参数对熔池几何特征及表面形貌的实际影响，从而确定了高质量成形的最佳工艺窗口。随后，团队将傅里叶特征编码、高斯随机特征（GRF）损失与拉普拉斯正则化项集成到物理神经网络模型中，并采用贝叶斯优化策略自适应调节模型训练的超参数。该架构设计不仅增强了模型对高频热波动和极陡温度梯度的解析敏感性，还强化了复杂热扩散物理过程的内在一致性。

该研究从数据驱动与物理理论约束双重视角阐明了LWAM过程复杂热传导机制的建模方法，有效克服了传统深度学习在微观高温度梯度解析与复杂热动态预测中的局限性。实验结果表明，FGL-PINN模型在测试的各种工艺条件下均保持了极高的预测精度（决定系数R²超过0.99，RMSE极低），且在计算效率上优于传统有限元模拟分析。这一成果为激光丝材增材制造中高保真度的温度场预测提供了一种高度可靠且具备泛化能力的解决方案，对未来推动增材制造过程的在线状态监控、闭环热控制以及智能自适应优化具有重要的应用价值与推演作用。

以上工作以题目为“Physics-informed Fourier-Gaussian-Laplacian neural network for temperature field reconstruction and accurate prediction in laser wire additive manufacturing”于TOP期刊《Journal of Manufacturing Processes》（中国科学院一区Top，IF=6.8）上发表。IMAM团队硕士生杨守兰和廖郑敬轩为共同第一作者，团队王奉涛教授和彭世通副教授为共同通讯作者。

这项工作受到了国家自然科学基金（No.52305544）、广东省自然科学基金（2023A1515011164）以及广东省普通高校重点领域专项项目（2024ZDZX3019）的资助。

来源：工学院