人工智能技术正为增材制造（AM）部件的认证提供全新支持。意大利那不勒斯费德里科二世大学与澳大利亚卧龙岗大学的研究团队联合开发了一种创新方法，专门处理来自电弧增材沉积（WADED）过程的高频焊接数据。该方法成功将异常检测性能从传统的57%提升至85.3%，充分展示了AI在该领域的巨大潜力。相关成果已发表于《先进制造》期刊，有望显著降低增材制造生产的时间与成本，从而降低整体产品成本。
当前，增材制造技术能够生产传统工艺难以甚至无法制造的复杂部件，同时有助于降低废料率（即采购飞行比）及生产过程中的环境影响。然而，由于涉及复杂的物理现象，增材制造部件更容易出现缺陷，导致企业面临废料损失、财务亏损及单件生产成本上升等问题。因此，特别是用于结构或安全关键领域的金属增材产品，必须通过无损检测（NDT）设备进行认证。但传统检测通常仅针对随机样本进行，且耗时费力。
针对这一痛点，研究团队提出利用人工智能优化认证流程。Dr. Giulio Mattera指出：“焊接类技术的数据具有复杂的结构和关系，结合**数据分析工具与人工智能的深入分析，其表现将优于仅依赖均值和方差等传统统计描述符的方法。”新方案通过处理采样频率超过每秒5000次的焊接电流和电压数据，同时提取时域和频域信息，不仅能捕捉统计特征，还能识别重复波形背后的结构模式。
Dr. Mattera强调，稳定的焊接过程（如电弧增材沉积）表现为焊接电流和电压波形的重复性，这直接关联到焊丝的熔化与沉积。通过联合分析双域信息，团队能更准确评估工艺稳定性，识别可能导致缺陷的异常条件。该方法的另一大创新在于对先验知识的需求极低：不同于需要大量包含缺陷样本的传统AI模型，该方案仅需正常状态下的数据即可训练模型识别“正常行为”，并自动标记异常，无需见过缺陷样本即可实现缺陷检测。
在实验中，研究人员调整多个工艺参数收集高质量沉积数据，并训练名为“孤立森林”（Isolation Forest）的AI算法学习正常行为图谱。测试显示，该算法成功识别出异常条件，例如在检测到焊枪喷嘴需要清洁时发出预警，从而防止了金属部件内部气孔等缺陷的形成。若不加干预，此类缺陷将严重影响最终产品的机械性能。
与传统统计过程监控（SPM）技术对比，新方法的优越性尤为明显。传统SPM方法仅正确识别出43个异常，漏检或误判高达105个；而AI方法正确识别了116个异常，仅漏检32个。Dr. Mattera表示，现有过程监控技术擅长识别极端条件，但缺乏预防性分析能力，而新方法能有效在缺陷发生前进行监测与维护。
尽管结果令人鼓舞，研究团队下一步将致力于将方法论转化为实用的制造工具，并增加可解释性和质量指数估算等功能，以提升人机协作的直观性。同时，团队也指出，要实现工业级大规模应用，仍需等待相关法规与法律框架的完善。对于中国制造业而言，这一技术路径提示我们，在推进智能制造转型时，应重视“无监督学习”在工业质检中的应用，利用少量正常数据即可构建高鲁棒性的质量监控体系，这对降低中小企业智能化改造门槛具有重要参考价值。