十多年来，金属增材制造一直被寄予厚望，被视为实现设计自由与生产灵活性的关键技术。然而，尽管技术不断进步，一个现实问题依然存在：金属增材制造在工艺可预测性和质量保障方面，仍难以满足高价值行业的严苛要求。废品率居高不下、工艺验证周期漫长、重复性难以建立，这些问题始终制约着其规模化应用。
正是在这样的背景下，伦敦大学学院（UCL）研究团队的最新成果显得尤为引人注目。这项工作并非一次简单的技术迭代，而更像是指向金属增材制造未来发展方向的明确信号。通过将人工智能引入成形过程监测数据分析，研究团队正直面该领域最顽固的短板之一——在制造过程中“看不见、看不懂、来不及反应”。
发现问题时，往往为时已晚
在传统的金属增材制造流程中，质量评估通常发生在制造完成之后。零件需要经过扫描、切片或破坏性检测，一旦发现缺陷，纠正的窗口早已关闭，带来的只能是材料浪费、时间损失，以及难以直接用于下一次制造的经验教训。
事实上，过程监测系统早已存在多年，能够生成高速图像、熔池热场数据以及大量传感器信号。但“有数据”并不等于“有洞察”。如果缺乏智能分析能力，制造商只会面对成 TB 级的数据洪流，却难以做出任何有效决策。
而这，正是 UCL 研究试图填补的关键空白。
从数据过载到可执行决策
UCL 的方法核心，是基于原位 X 射线成像的检测流程，将质量评估从表面观察和事后验证，前移到制造过程中的内部结构可视化。借助高速 X 射线透照技术，研究人员在金属沉积过程中实时捕捉熔池及其周围材料的动态图像，直接观察传统光学或热成像手段无法识别的内部行为。
这些图像能够揭示关键孔行为、气孔生成以及未熔合缺陷的形成过程。采集到的 X 射线数据随后由神经网络模型 AM-SegNet 进行分析，该模型经过训练，可对每一帧图像中的特征进行快速分割与分类。系统不再只是给出简单的“合格/不合格”判断，而是对复杂的内部工艺特征进行解读，并将其与已知缺陷机理建立关联。
从计量学角度来看，这代表着一种向“物理机理驱动的原位检测”转变——在缺陷形成的同时对内部质量进行评估，利用参考级 X 射线测量数据为后续工艺控制策略提供依据，而不是在零件制造完成后再进行推断。
更重要的是，这一方案并非停留在实验室层面。该模型被设计为可在接近工业生产节拍的条件下运行，使其具备在实际工业设备上部署的现实可能性。
对于计量从业者而言，这意味着一种观念上的转变：测量不再只是制造完成后的验证工具，而正在成为制造过程本身的有机组成部分。
重新定义增材制造的质量保障
如果金属增材制造要真正走向成熟，质量保障必须前移。基于 AI 的原位监测正好提供了这种能力——在零件成形过程中实时生成与质量高度相关的数据。
这并不意味着传统计量手段（如三坐标测量、表面检测或 X 射线 CT）将被取代。相反，它们将形成互补关系。通过在早期降低工艺不确定性，下游检测可以更聚焦于高价值环节，而不再承担“兜底”角色。
更重要的是，原位智能监测为构建完整的数字主线奠定了基础——将设计意图、工艺参数、过程测量数据与最终质量验证紧密连接起来。对于监管要求严格的行业而言，这种可追溯性的重要性，甚至不亚于尺寸精度本身。
迈向闭环控制之路
UCL 研究最具变革性的意义，或许还在于下一步的发展方向。一旦系统能够可靠地识别工艺不稳定状态，顺理成章的下一步便是自动响应。通过实时调整激光功率、扫描速度或送粉参数，实现闭环控制，长期以来一直被视为增材制造的“终极目标”。
AI 驱动的过程监测正让这一目标逐渐接近现实。制造设备不再依赖静态参数集，而是能够根据实时状态动态调整，从而提升层间一致性和批次间重复性。
在这一演进过程中，计量、控制与制造之间的传统边界正在被打破，三者逐步融合为一个以数据驱动的统一体系。
不容忽视的挑战
尽管前景广阔，AI 监测并非“灵丹妙药”。机器学习模型的性能高度依赖训练数据，在不同设备、材料和几何形态之间实现稳健泛化，仍是重大挑战。
此外，验证与标准问题同样亟待解决：原位 AI 测量如何校准？算法做出的决策如何审计与认证？随着相关技术从研究阶段走向工程应用，计量行业必须正面回应这些问题。
未来趋势的清晰信号
UCL 的研究成果清晰地揭示了一种趋势：增材制造的质量保障，正从“以检测为中心”转向“以智能控制为核心”。人工智能正成为这一转变的关键推动力，将原始传感数据转化为可操作、可决策的知识。
对于仍在寻求工业级信任度的金属增材制造而言，这一转变可能具有决定性意义。它最终赢得生产级应用的理由，不仅在于复杂几何能力，更在于对工艺的掌控力、重复性和可信度。而 AI 驱动的原位计量，很可能正是实现这一目标的关键工具之一。
了解更多信息，请访问：www.ucl.ac.uk
