【编辑荐读】数据驱动选区激光熔化成形性能优化与智能工艺研究

在SLM成形领域，研究学者致力于研究成形试样的复杂工艺-组织-性能（Process-Structure-Property，P-S-P）关系，探寻最优工艺条件，以获取最佳性能。工艺表示加工样品的不同参数及方法（对应激光扫描功率、扫描速度、扫描间距、层厚及光斑直径等），组织是指对象的基本形态特征及组成成分（如相组成、晶粒形态及晶粒尺寸等），而性能则代表对象在实际工作中的具体属性（如屈服强度、杨氏模量及断裂伸长率等）。工艺-组织-性能关系错综复杂且相互关联，揭示P-S-P关系的前提是对各个组成关系深入理解。一是工艺-性能的关系，其揭示了SLM成形试样的性能参数与加工工艺参数间的关联关系，并忽略了对微观组织特征演化的研究，因而也是传统正交实验法及试错法广泛研究的方向。例如，2023年，智利天主教大学的Barrionuevo等人以激光工艺参数为输入，采用梯度增强技术进行训练，并通过5折交叉验证方法进行评估，预测了SLM成形各种合金及金属基复合材料的显微硬度，并采用高斯过程回归对磨损性能进行了预测（R²>0.96），建立了工艺参数与显微硬度及磨损性能的关系模型。二是工艺-组织关系，其揭示了粉末在不同循环热历史及凝固速率下的显微组织演变规律。基于工艺-组织关系，可实现微观组织的量化预测以及特定组织形态的工艺参数设计。例如，2017年，美国罗格斯大学的Arisoy等人研究了激光功率、扫描速度、扫描间距及扫描策略对镍基高温合金SLM成形微观组织特征，针对晶粒大小及柱状晶生长方向，利用响应面回归法、期望函数及多目标遗传算法进行了工艺参数组合设计，为SLM镍基合金的组织调控提供指导。三是组织-性能的关系，其基于对成形试验表征微观组织结构的研究，实现性能的预测及设计。2021年，哈尔滨工业大学的于天宇等人采用细胞分割法和图像分割技术采集并计算了SLM成形碳纳米管增强铝基复合材料的微观结构特征，采用数据驱动方法，建立了以微观组织为输入的硬度和致密度的预测模型，其预测精度的相对误差分别低至2.41%和1.42%。

建立完整的P-S-P关系，有助于建立工艺参数-显微结构-最终性能的映射关系，提升性能的预测精度，快速探寻最优工艺窗口。2020年，华中科技大学魏青松团队研究了SLM成形Cu-Al-Ni-Ti铜基形状记忆合金激光能量密度对相对密度、显微组织和常温力学性能的影响规律。结果表明：块体试样的相对密度随激光能量密度的增大先增大再减小，试样的相对密度最大值达99.9 %，获得熔道无明显缺陷的最佳能量密度107 J/mm³。2021年，Hong-ying Wang等研究了SLM扫描速度对Inconel 718组织和性能的影响，结果表明：扫描速度从1 000 mm/s增加至1 450 mm/s时，熔池的深度与宽度比值增加，但是重叠区域减少，凝固组织从胞状枝晶演变为柱状枝晶，枝晶间距从0.54 μm降至0.39 μm，抗拉强度和伸长率在扫描速度为1 300 mm/s时达到最大值1 014 MPa 、19 %。2024年季华实验室熊孝经等研究了SLM成形激光能量密度对Al-Mn-Sc合金致密度的影响，当激光能量密度在50~95 J/mm³时，方块试样可成形，且随着能量密度增加，致密度先增加后下降，合金内部缺陷先减少后增多。研究结果表明，当能量密度为77.6 J/mm3时，即激光功率275 W、扫描速率985 mm/s、扫描间距0.12 mm、层厚0.03 mm时，可获得致密的、缺陷少的合金试样。

P-S-P关系的揭示方法包括两个方面：一是非建模解决方案，主要指一种常用的试验研究方案，包括试样成形试验及后续组织性能表征，但是并没有构建数学模型；二是建模解决方案，包括模拟仿真和数据驱动。试验研究方面，工艺图或工艺窗口是一种通过设计试样试验方案，并评估其最终性能，以识别及验证成形最佳工艺参数范围的传统方法[28]，其通过一般全因子试验，揭示工艺参数与微观组织或单一性能之间的关系，最终将所获得的工艺-组织（P-S）或工艺-性能（P-P）数据，绘制成工艺图。2014年美国路易斯维尔大学Brent Stucker团队根据SLM孔隙率形成机制，将Ti–6Al–4V加工窗口分为四个熔化区：“完全致密” “过熔” “不完全熔化”和“过热”，其中无孔隙缺陷的样品仅能通过“完全致密”区制备。2019年美国卡耐基梅隆大学Yining He等人将熔池几何形状和微观结构信息收集到P-V空间的映射中以开发P-V工艺窗口，通过改变wt%B和P-V参数，产生了多种微观结构，从而实现性能调控。2019年加拿大麦克马斯特大学M. A. Elbestawi团队测量了Inconel 625的致密度和表面粗糙度和表面残余应力，并绘制了工艺图。2022年Dan J. Thoma美国威斯康星大学麦迪逊分校团队通过不同孔隙率缺陷（如未熔合、球化和匙孔）的缺陷准则，结合熔池几何形状预估加工边界并生成预测加工图。2022年清华大学赵沧团队通过总结过去采用超高分辨率同步辐射X射线对匙孔缺陷的研究，绘制了P-V空间加工窗口示意图，如图 2所示。工艺图因其相对简洁的设计思路，且对材料微观组织特征演变关注较少，前期为各种材料SLM成形产品质量及性能提升带来了很大帮助，它是一种高效、简单、节省的实验方案。但是当研究多种工艺参数耦合影响和多性能协同提升时，工艺与性能耦合关系复杂，通过工艺图难以快速精准进行多种工艺参数推荐以及多种性能的协同提升。因此，基于建模方式的P-S-P关系研究成为工艺图等试验研究方式的极大补充，是推动SLM成形构件后期性能提升的重要手段。

（a）SLM在P-V空间加工窗口示意图；（b）匙孔产生示意；（c）通过高速同步加速器X射线成像监测匙孔形成过程

图 2 SLM成形匙孔产生与P-V空间关系

P-S-P关系的建模解决方案包括物理驱动和数据驱动。物理驱动方面，2022年中国东北大学朱立达团队和美国华盛顿州立大学Amit Bandyopadhyay团队指出3D多物理场建模（Multi-Physics Modelling，MPM）提供了一种可视化金属打印过程中复杂物理现象的替代方法，它补充了试验测量并增强了对孔隙率和打印参数之间关系的理解（图 3）。因为物理驱动面临计算成本高和需要校准输入参数的挑战，使得这个最优工艺组合探索费时费力，所以亟需为开发高综合性能、高质量SLM产品探索一种快速高效精准的解决方案。数据驱动方面，2018年，美国西北大学Wing Kam Liu团队提出了一种数据驱动的多尺度多物理场建模方案，将工艺-组织-性能联系起来，整合工艺和性能模型，并采用数据挖掘技术来构建设计-预测-优化的循环，使用计算模型来设计和操纵组织和综合性能。数据驱动方法已成为高效，快速，精准探索金属AM中P-S-P关系的新范式，为SLM工艺优化实现高综合性能零件制造提供一种全新的途径。

（a）数据驱动的孔隙体积分数预测[38]；（b）多物理场模拟匙孔孔隙[39]；（c）基于物理知情（红外热像仪捕获的熔池形态和温度信息）机器学习孔隙预测模型

图 3 孔隙缺陷的典型预测方法

增材制造SLM成形性能是一个综合性的概念，涵盖了致密度、表面质量、尺寸精度、复杂结构成形能力、残余应力与变形控制以及构件性能等多个方面。SLM成形性能优化是提升产品综合性能和应用水平的重要手段，例如，成形材质可焊性差，将导致成形后残余应力大，产品质量难以保证，进而引发了行业内的广泛顾虑，制约了SLM技术的广泛应用与产业深化。当前学术界围绕SLM成形件性能优化（包括过程优化和成分优化），SLM成形原位缺陷监控（过程监控）两大方面努力，聚焦于成分研发，工艺调控及质量检测三大维度，以提升SLM产品品质。在数据驱动的SLM成形性能优化领域，此类优化问题包括三大核心要素：一是决策变量，亦称输入变量或自变量，这里主要指可调控SLM成形工艺参数，它们直接影响SLM成形性能；二是目标函数，这里指SLM成形性能指标与工艺参数之间建立的关系模型/代理模型；三是约束条件，它限定了工艺参数的合理取值范围，确保优化过程在可行域内进行。数据驱动SLM成形性能优化按优化的性能目标个数可分为单目标优化和多目标优化。单目标优化是指仅仅对一个性能指标进行优化，使其性能值达到最大。SLM多性能目标优化指两个或以上性能同时优化。这些性能之间可能是矛盾的(例如，强度和塑性常常难以同时增强)，一个性能增强有可能会引起另一个或者另几个性能减弱，即要同时使多个性能同时达到最优值是不可能的，只能对多个性能目标进行折中处理，使各个子目标都尽可能地接近最优化。与单目标优化不同，它的解并非唯一，而是存在一组由众多Pareto前沿组成的最优解集合，集合中的各个元素称为 Pareto最优解或非劣最优解。

2.1 数据驱动SLM单性能目标优化

求解单目标参数优化问题（也称为边界约束优化）仍然是一项具有挑战性的任务。在单一目标优化中，函数可能有几个最优值，需要一种算法来找到全局最优值，如果算法将其种群捕获到局部最优值中，则优化的最终结果可能很差，这是单目标参数优化问题的一大挑战。另一大挑战是当优化问题维数增加时，搜索空间会变得非常大。因此，受限于数据量、优化难度、可视化效果等，传统基于工艺图的SLM成形单性能目标优化时通常只是考虑了少数工艺参数组合设计（<3种）。而本文调研的数据驱动SLM单性能目标预测及优化案例易于实现多种工艺参数的优化（≥3种）。以下按致密度/孔隙率，拉伸力学性能展开报道，具体案例见表 1。

（1）数据驱动SLM成形产品致密度/孔隙率优化。2020年新南威尔士大学Xiaopeng Li团队通过机器学习辅助LPBF成形AlSi10Mg工艺优化，采用高斯过程回归（GPR）建立了激光功率和扫描速度对致密度影响的模型，发现了一个新的比以往更大的完全致密优化工艺窗口，实现高于99%的最大致密度，并促进了高强度及高延展性组合（图 5）。2022年美国辛辛那提大学Jing Shi团队等创建反向传播神经网络（BPNN）模型及其两个优化模型：遗传算法（GA）优化BPNN（GA-BPNN）和自适应GA优化BPNN（AGA-BPNN）模型，用于预测SLM成形IN718合金的致密度，预测精度R²接近80%。同年，Jing Shi团队基于上述研究，通过迁移学习将Inconel 718知识迁移至Inconel 625，通过开发贝叶斯学习方法实现了工艺-致密度性能预测，精度R为0.95。2022年德国卡塞尔大学Anna Engelhardt等采用了多项式模型探究了SLM成形AlSi10Mg如何在大层厚条件下，获得尽可能小的孔隙样品，实现了90 μm层厚条件下低孔隙率零件制造。2022年意大利卡塔尼亚大学A. Costa等提出了不同的混合预测优化方法，以最大限度地提高SLM制造Ti-6Al-4V零件的致密度，配置了涉及六个过程参数的试验扩展设计，分别基于响应面方法（RSM）和人工神经网络（ANN）构建了两个代理模型，模型由3种元启发式算法（即遗传算法－GA、粒子群优化－PSO和自适应和谐搜索－SAHS）进行参数优化，以实现工艺参数的最佳选择。2022年华中科技大学计效园团队报道了响应曲面优化工艺参数方法，实现了在小样本数据前提下SLM成形不锈钢316L单性能目标的工艺优化推荐。

（2）数据驱动SLM成形产品拉伸力学性能优化。2020年日本国立材料科学研究所Masahiro Kusano等采用机器学习、随机森林算法和各种图像分析技术，从扫描电子显微镜图像中定量提取微观结构特征，并与X射线计算机断层扫描的缺陷表征特征一起，通过多元线性回归分析建立了热处理SLM成形的Ti-6Al-4V合金屈服强度、抗拉强度、杨氏模量和伸长率的预测模型[59]。2023年华中科技大学计效园团队提出了一种融合高斯过程回归/多元逐步回归预测模型和教与学算法寻优工艺参数推荐方案，并于同年报道了一种创新的集成层次分析法（AHP）与加权粒子群优化（WPSO）的SLM成形工艺参数推荐方案（图 6），实现了致密度，屈服强度，抗拉强度，伸长率性能目标在存在和不存在历史案例时，推荐准确率分别为99.81%和96.32%。

表 1 近年来各团队在数据驱动SLM单性能目标的预测及优化案例

表 2 近年来各团队的数据驱动SLM多性能目标优化案例

图 8 施普林格在线学术资源平台文献推荐

2.3.2 SLM智能工艺推荐系统研究现状

将推荐系统与增材制造，选区激光熔化关键词结合，采用谷歌学术搜索时，几乎没有相关报道。但考虑到推荐系统对增材制造工艺优化十分有意义，继续撰写数据驱动SLM智能推荐系统相关章节以促进增材制造智能化，高质量发展。华中科技大学曾晓雁团队指出国内SLM技术研究聚焦于成形工艺和硬件系统构建，软件开发领域的研究相比国外还存在很大差距。华南理工大学杨永强团队指出Materialize公司的软件市场占有率领先，其产品包括面向3D打印的ERP软件，并针对医疗行业及模具工业等多个行业，促进了未来多元市场格局的形成。西安交通大学与增材制造国家创新中心卢秉恒指出，基于人工智能技术，发展形性可控的智能化增材制造技术和装备、构建完备的工艺质量体系是增材制造面临的挑战之一。研究一种精准的智能SLM工艺推荐系统，实现金属性能的高效精准预测，通过用户期望的目标需求实现智能的多性能目标的工艺推荐，虽然充满挑战，但是是发展所趋。综上所述，将推荐系统引入SLM技术领域，不仅能填补现有研究空白，促进增材制造智能化、高质量发展，为制造业转型升级注入新的活力。2017年湖南大学刘继常团队乔树雷开发了SLM工艺数据库系统，并基于层次分析法实现了优选工艺的推荐。2022年华中科技大学计效园团队的伍缘杰研究了SLM工艺数据库与工艺推荐系统，提出了一种用于SLM工艺推荐的案例推理-粒子群混合模型，实现了对用户需求工艺方案快速准确地推荐。SLM智能工艺推荐系统研究仍有大量工作需要开展，包括实时数据采集存储，多源异构数据融合，模型构建，智能推荐算法开发，模型实时更新，解决推荐系统冷启动难题，用户界面设计增强用户体验等。

2.3.3 SLM智能工艺推荐系统构建方案

SLM智能推荐系统不仅应实现历史相同或相似案例推荐，还应实现超越历史案例推荐。历史相同案例推荐是指从现有工艺数据库系统中挖掘一种/多种与用户性能需求一致的工艺方案并进行智能推荐。历史相似案例推荐是指从现有工艺数据库系统中采用基于相似度计算原理的算法发现一种/多种满足或接近用户性能需求的工艺方案并进行智能推荐。超越历史案例推荐是指采用数据驱动关系模型进行预测或分类，挖掘出一种全新的工艺解决方案并进行智能推荐。值得注意的是，历史相同或相似案例推荐是推荐现有工艺数据系统中已经存在的工艺方案，而超越历史案例推荐是推荐现有工艺数据系统中不存在的、全新的工艺方案。在SLM智能推荐系统早期，应注重超越历史案例推荐。这有助于探索新的工艺方案，挖掘出最优的性能。当SLM智能推荐系统具有大量工艺-性能数据且超越历史案例推荐难以推荐出更优的性能时，应重视历史相同或相似案例推荐，以降低工艺开发成本。

由于目前仍处于SLM智能推荐系统研究早期阶段，所以以下仅详细探讨超越历史案例的SLM智能推荐系统开发。基于以上对数据驱动SLM单/多性能目标优化的讨论，进一步认为智能推荐应满足用户单性能目标需求和多性能目标需求的工艺参数快速精准推荐。SLM单性能目标智能工艺推荐是为了使单项性能达到最优，而多性能目标智能工艺推荐是为了使多项性能尽可能地达到最优，即求解帕累托前沿解决方案。

结合增材制造SLM研究现状和本团队先前研究结果，对智能工艺推荐系统构建方案进行探讨。为了构建一个满足用户性能目标需求的快速精准的SLM工艺推荐系统，我们认为该系统应该包含以下几部分：一是包含历史工艺-性能数据的SLM工艺数据库系统；二是基于历史数据构建了数据驱动的工艺-性能关系模型（以人工智能算法为核心）；三是为关系模型开发智能优化算法（NSGA-Ⅱ算法、MOEA/D算法等）进行工艺参数优化；四是对可选的解决方案开发排序算法，使解决方案按照一定规则排序，以满足用户目标需求。为了实现推荐系统快速推荐功能，从加速算法计算速度和加速历史工艺数据获取两个层面考虑。其中第一个层面可以从算法设计、数据结构选择、硬件优化、并行计算等多个角度综合考虑；第二个层面可以进行高效的试验设计（正交试验设计、响应面设计、感兴趣区域（Region of Interest，ROI）加密点阵设计等）获取数据，并融合行业数据、论文公开数据等加速历史工艺数据获取。为了实现推荐系统精准推荐功能，可以采用数据清洗提升数据质量；融合多源数据获取更全面、更准确的信息；构建合适的关系模型并进行优化；根据用户验证数据反馈实时优化/调整模型等；开发快速理解用户意图的解决方案排序算法等。结合上述分析，本文提出了一种数据驱动SLM智能推荐系统研究框架，如图 9所示。

图 9 SLM成形性能预测与智能工艺推荐系统研究框架

为了解决推荐系统的冷启动问题、保障数据驱动方法有效性和加速工艺优化进程，数据驱动SLM成形机理探索至关重要。但是目前数据驱动模型缺乏可解释性，就像“黑匣子”一样难以理解，只知道输入和输出，对于模型的复杂性、特征的抽象性、复杂的非线性关系的理解仍然较难，这不利于数据驱动SLM成形机理探索。所以，构建可解释性数据驱动模型是探索SLM成形机理的关键。可解释性数据驱动模型不仅需要在材料科学与工程理论框架内解释这些参数是如何影响性能的，而且需要得到试验检验。华中科技大学华铸软件中心计效园团队自主开发了CMOS可见光与红外热成像融合的监控系统，实现了铺粉层与成形层“光电协同一体化”监测，该研究成果部分应用于SLM成形孔隙缺陷演变规律研究与缺陷监测研究，未来有望应用于多模态数据驱动的SLM成形性能优化及成形机理研究。Thai Le-Hong等采用了随机森林和人工神经网络研究了激光功率和扫描速度对熔池特征参数D/W和H/W（H：凸起高度；W：凸起宽度；D：穿透深度）的影响，采用贝叶斯优化算法对模型超参数选择进行优化，总体R²值达到约90%。新南威尔士大学Xiaopeng Li等探索了可解释机器学习模型GPR，结合多个输入变量（如工艺参数、相对密度、熔池形态和晶粒结构），用于预测三种力学性能（即屈服强度、极限抗拉强度和伸长率），见图 10，该方法可以帮助找到影响力学性能的最关键变量，加深对P-S-P关系理解。Xiaopeng Li等采用基于微观结构图像域的条件GAN模型，通过处理训练图像中丰富的视觉信息来捕捉LPBF制备Ti-6Al-4V合金的微观组织的形态和几何特征（如形态、马氏体尺寸），这促进了特定工艺参数下的微观组织预测。美国弗吉尼亚大学Tao Sun等采用同步加速器X射线和热成像在不稳定的锁孔条件下发现了Ti-6Al-4V的两种锁孔振荡模式，并开发了一种通过整合试验数据、多物理场仿真和机器学习来检测锁孔生成的方法。

截至目前，关于数据驱动的SLM成形机理探索的研究相比成形性能预测和工艺推荐报道较少，这可能与机理揭示难度、关键数据获取难度、重视程度以及预期成果不足等多方面因素有关。如何将数据驱动探索的复杂P-S-P关系进一步总结形成SLM的成形理论，不仅需要将关系模型进行多种材质的反复验证，而且需要融合现有材料科学理论，使这种关系模型变成可解释模型。数据驱动的SLM工艺优化促进了高质量发展，进一步突破成形机理是促进其高质量发展的另一新动能。机理模型和机器学习能够建立材料成分、工艺参数、零件几何形状、微观结构、力学性能和缺陷之间的联系，这能够减少试验次数以获得高质量产品。通过结合仿真和机器学习，可以预测性能或优化工艺参数，以实现所需的零件特性。因此接下来，相关学者如何围绕数据驱动机理探索、数据与模拟仿真融合驱动机理探索、物理知情机器学习（Physics-Informed Machine Learning，PIML）、数据与专家知识融合驱动机理探索、数据与行业经验驱动机理探索以及数据与物理融合驱动机理探索等方面展开研究将会非常有意义。这不仅能够加速增材制造金属SLM机理发现，同时能够为数据驱动性能预测及工艺优化提供边界条件或者基本准则。当规律和机理在数据驱动下协同并进，将进一步展示数据驱动的强大吸引力。

（a）LPBF成形AlSi10Mg的工艺-组织-性能关系；（b）极限抗拉强度（UTS）与激光功率，扫描速度的等值线图；

（c）密度对UTS有重要影响，因为打印的缺陷越多，失效往往发生得更早；（d）合适的熔池深度表明层间粘结越好；（e）晶粒尺寸越细，抗拉强度越好，箭头表示根据Hall-Petch强化原理的强化趋势；

（f）断裂易发生在缺陷处；（g）层间粘结状态；（h）拉伸断裂面附近的EBSD图像[89] 

图 10 可解释的预测结构

数据驱动金属SLM已经取得了不错的进展，但是仍会面临一些挑战，存在这些挑战的因素包含许多方面，如理论、技术、经济、数据等方面。

（1）理论方面，数据驱动在增材制造领域的应用，包括材料成分设计、工艺设计、显微组织调控、成形质量及性能优化等多个方面，涉及材料计算学、金属学原理、材料物理化学以及热加工数值仿真等各个学科的理论知识。在进行关系模型构建时，需考虑成分-工艺-组织-性能的耦合影响。为了确保模型的可靠性和预测精度，研究学者需要掌握涉及到的各种理论知识，以准确理解材料的性质和行为，为模型建立和预测奠定基础。因此，理论研究的不够深入限制着数据驱动模型的开发与应用。

（2）技术方面，主要是指模型的构建及优化，这取决于研究人员对模型理论认识深度，模型调节过程中存在超参数调节，对于一个超参数调节，往往较好实现，但是存在多个超参数时，进行超参数优化，本身又会带来新的优化难题。当一个模型调节到最优后，最终能不能突破又要回到数据层面。数据层面取决于原始数据分布形式，如果数据局域分布且不均匀也会对模型的预测精度造成不利影响。因此，进行科学合理的试验设计十分重要，如我们先前的研究，对于感兴趣区域（ROI），设计了全局中心加密的正交点阵试验，促进了对于致密度作用机理的揭示。这里的中心加密，中心区域正是研究过程中感兴趣的区域。近年来随着监测手段的增加，多源数据的融合建模难题待进一步攻克。同时，针对数据驱动SLM领域的机器学习算法多种多样，也存在泛化能力不足以及过拟合等现象，降低了模型的效率及准确性。有必要进一步规范建模规则，建立针对于材料学领域的数据驱动模型范式，提升模型的利用率和应用价值。

（3）经济方面，主要是指获得准确丰富的原始数据是不易的，需要耗费大量成本。由于竞争关系存在，数据共享将变得十分困难，现有生产企业的数据较多，也存在局限性，大量集中于ROI，这些数据是企业的机密，甚至是企业的核心竞争力，所以难以实现数据共享。尽管现在关于SLM的报道较多，但是大多数研究的数据集中于感兴趣区域（如特定工艺参数或特定性能指标），边缘数据的获取将变得不易，这容易导致局限于历史经验/数据，缺乏全局视野。如果基于这类数据建模，特征参数选取又缺乏理论指导，这可能会导致对于ROI以外的预测能力不足[97]。相比于传统制造方式，增材制造在材料与工艺参数的组合窗口期极窄，因此一种新材料或新设备的研发需要大量的数据为基础，为了实现这些数据的捕获、储存、管理、分析等功能，需要建立一个针对增材制造的材料数据库。增材制造专用数据库构建及完善仍有大量工作需要开展，构建增材专用数据库无疑会加大企业投入。

（4）数据层面，包括数据分布形式、采集、传输、存储、可视化等方面，数据采集是关键，采集丰富过程数据需要许多过程原位监测硬件实现，如温度压力传感器、流量传感器、超高速同步X射线、多光谱传感器、红外热成像仪、高速近红外相机、热电偶、麦克风、线阵相机、光电二极管、高速相机等，在SLM上全面安装采集装置实现多模态传感器融合监测缺陷成本很高。2023年空军工程大学李应红等指出目前的LPBF增材制造监控系统主要在“测”，即实现各类过程信息的测量，其质量评判与调控技术成熟度不够，难以实现行之有效的过程监控，而结合先进传感技术以及人工智能方法的智能监控有望成为LPBF增材制造规模生产的“一把利刃”。关于P-S-P数据采集，打印和测试时间较长，耗费较大。数据传输速度会影响到智能系统的决策。有些决策具备较高的实时性，如缺陷检测、工艺波动控制等。当存在大量连续数据进行离散化存储时，往往需要考虑数据存储空间，尤其是大量的视频、图片数据存储问题。可视化面临的问题是高维度数据难以以图形的方式展示，如果拆解成低维度，则难以全面快速透视各维度数据之间的关系。

综上所述，以上四方面最终都可以归结于理论与数据的突破，因此数据与物理融合研究已演变成为一个趋势。学者进行数据驱动SLM研究会考虑结合数值模拟、领域知识，理论、基于物理理解进行相关研究，以实现进一步突破。尽管如此，关于数据驱动SLM成形机理研究仍然不可轻视，数据是客观的，数据呈现的规律性，仍然需要数学，物理，材料等领域的研究人员共同进行深度挖掘与揭示，这不仅要求发掘数据之间的复杂关系，更重要的是发掘数据之间的本质联系，并进行物理机制揭示。因此，数据驱动机理研究，数据与理论融合的研究将会被研究人员重点关注。数据层面，将会围绕扩大数据维度，增加数据种类开展相关研究，有望成为提升模型预测能力的一种重要手段。此外，针对小样本数据构建高效精准推荐系统，也成为当下SLM工艺探索迫切需要的，学者在这方面取得的创新成果将会受到重视。因此，随着金属SLM整个行业的发展，大数据驱动、多模态数据驱动、高通量试验数据驱动，均有望成为数据驱动SLM研究的热点。