海南
AM易道分享
印度金屬AM研究者Dr. V. Anil Kumar最近寫了一篇長文，談金屬3D打印的無損檢測（NDT）往哪里走。我們把最值得看的幾件事挑出來。
先講一個已經在發生的場景。
一臺激光粉末床熔融設備打到第5000層，貼在基板上的聲發射傳感器捕捉到一聲異常的高頻信號。
機器暫停，工程師過來判斷，這條裂紋在可接受范圍內就繼續打，超了就停工作廢。
這個場景五年前不存在。
那時候做無損是零件打完才上場的最后一道關卡。現在它長進了打印過程本身。
這是整個技術預測的起點，無損正在從事后檢查變成過程對話。
第一件預測：機器會聽也會看
聽覺上，聲發射傳感器聽金屬裂紋的高頻咔嗒聲，每一次裂紋萌生都有獨特的聲學指紋。
而視覺上紅外熱成像的高速相機捕捉每一層的熱指紋，文獻顯示冷卻速率異常對未熔合缺陷的預測接近100%。
眼睛本身也在升級，超聲對零件一直不友好，因為層狀結構造成各向異性，聲速隨方向變化。
2026年《Measurement》發表了一個貝葉斯框架，讓超聲設備能按打印方向自動校準，把微觀組織噪聲剝離出去，沉在噪聲底下的裂紋被挑了出來。
另一條路是激光超聲。
傳統超聲要用水或凝膠做耦合劑，可3D打印件表面粗糙多孔，涂上去就污染。
激光超聲用激光脈沖遠程激發聲波，不接觸也不污染。
Dr. Kumar的比喻是從摸傷口改成紅外測溫槍。
這三樣東西加起來，意味著零件從第一層開始就處于被持續監聽的狀態。并非抽檢，是全程監控。
第二預測：AI分化成四條路線
AI在無損檢測里已經不是一個籠統概念，分出了四條清晰路線，每條對應一種具體的物理或幾何特性。
AM-SegNet走輕量化語義分割，2024到2025年基準里每幀處理小于4毫秒，專盯未熔合這種邊界模糊的缺陷。
CNN-ViT混合架構解決尺度問題，CNN看局部像放大鏡，Vision Transformer看全局像無人機，第1000層的缺陷和第950層的熱尖峰如果有關聯，只有Transformer能抓到。
物理信息神經網絡PINN是作者本人最興奮的方向。普通神經網絡只學數據，PINN把熱傳導方程直接嵌進損失函數。
對實驗數據稀缺的新合金，靠物理規律本身就能推出合理的熔池深度預測。
圖神經網絡GNN專為晶格結構設計。
傳統CNN處理晶格吃力，因為空隙和金屬同樣重要，而GNN把每個支桿交點看成節點，把每根支桿看成邊，深藏在晶格內部的缺失支桿變成圖連接性上的異常，一抓一個準。
四條路線不是替代關系，是按任務分工。
未來檢測軟件棧會同時跑多個模型，誰擅長哪塊信號誰上。
第三件：每個零件會有數字出生證明
原詞是Digital Birth Certificate。
聲發射在聽，紅外在看，PINN在判斷這些信號是否符合物理。
打印結束那一刻，零件帶著一份完整檔案下機。
每個氣孔在哪里、多大、在不在高應力區，全都有記錄。
這份檔案還能往下走一步。
把它輸入有限元分析，對含真實缺陷的幾何做仿真。
舊邏輯是零件有缺陷就不合格，新邏輯是缺陷在低應力區就可以接受。
每個零件獨立判斷，不再用一條紅線一刀切，安全邊界反而更清楚。
兩個翻不過去的山
Dr. Kumar在文章結尾老實承認，有兩件事到現在沒有答案，短期內也看不到解。
一個是表面粗糙度。
增材零件的階梯效應會散射幾乎所有檢測信號，化學拋光能幫一點但會改變尺寸。
工程師每天都在可檢測性和幾何精度之間做取舍。
另一個他自己叫作"無損的終極諷刺"：
內部冷卻通道。
增材最牛的優勢之一就是能打印任意復雜的內部流道，可流道內壁怎么檢測？
要么切開（變成破壞性檢測），要么做CT。而CT對深腔、薄壁、高密度材料的組合本來就吃力。
這兩個問題未來幾年大概率不會被徹底解決，但會被繞開。
比如用PINN事前預測流道內壁的粗糙度分布，用工藝參數反向控制，而不是靠事后檢測。
AM易道的判斷
未來評估一臺LPBF設備，要問的不再只是激光功率、掃描速度、缸體尺寸。
三件新事是重點：
傳感器配置完不完整、數據接口開不開放、AI模型能不能和MES系統對接。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
