当前，全球制造业正经历以数字化、智能化为核心的第四次工业革命，增材制造（Additive Manufacturing，AM）作为智能制造的重要组成部分，已从快速原型制造逐步演进为可直接用于航空航天、医疗器械、汽车工业等高端领域的精密制造技术。然而，增材制造过程中的工艺稳定性控制、缺陷实时监测、产品质量预测等问题仍然是制约其大规模工业化应用的关键瓶颈。
人工智能（AI）技术的快速发展为解决上述问题提供了全新的思路与方法。通过机器学习、深度学习、融合AI大模型工具辅助科研、物理信息神经网络等AI技术，可以实现对增材制造过程的实时监控、缺陷智能检测、工艺参数优化以及全流程质量控制，从而显著提升增材制造的质量稳定性和生产效率，推动增材制造技术向智能化、绿色化、高效化方向发展。
本课程正是基于这一行业背景而设计，旨在帮助学员系统掌握AI在增材制造领域的核心技术与应用方法，培养跨学科的复合型人才，满足智能制造产业对高端技术人才的迫切需求。
第一天：机器学习与深度学习算法基础
课程从机器学习与深度学习的基础理论入手，系统讲解支持向量机（SVM）、随机森林、XGBoost、高斯过程回归（GPR）、K近邻（KNN）及多层感知器（MLP）等传统机器学习算法，以及卷积神经网络（CNN）、ResNet残差网络、Transformer、生成对抗网络（GAN）、U-Net等深度学习核心架构。同时介绍自监督学习、对比学习（BYOL、SimCLR、Triplet Loss）、融合AI大模型工具辅助科研、迁移学习与领域自适应等前沿方法，为后续的增材制造应用奠定坚实的算法基础。
第二天：增材制造过程监控与特征工程
聚焦激光粉末床熔融（LPBF）过程的声发射监控技术，系统讲解声发射传感器的选型策略、经验模态分解（EMD）特征提取、1D CNN时序分类模型设计。深入探讨领域自适应方法解决跨设备、跨材料的数据迁移问题，以及半监督学习技术应对标注数据稀缺的挑战。通过SLM密度预测实战案例，对比多种机器学习算法的性能表现。介绍LPBF综合监控系统（M350_ArenaView）的架构设计与工业级应用，以及线弧增材制造（WAAM）熔覆效率预测的工艺优化方法。
第三天：熔池图像缺陷检测与深度学习应用
深入讲解视听特征融合网络，实现熔池视觉图像与声发射信号的多模态融合检测。系统对比神经网络、高斯过程回归、SVM、XGBoost等算法在熔池特征预测任务上的性能。研究ResNet-50与ConvNeXt-T在激光吸收率预测任务中的应用。详细讲解YOLOv8实时缺陷检测系统的训练与部署，以及基于深度学习的仪器化压痕实验数据解析。介绍3D打印Python工具库（pyslm）的几何处理、扫描路径规划功能，以及视觉Transformer在缺陷检测中的应用。
第四天：材料优化设计与热场仿真自动化
涵盖AI辅助金属材料设计的完整流程，包括热力学计算（Thermo-Calc）、机器学习代理模型、多目标优化（NSGA-II）。讲解热力学组合空间映射工具（AMMap）的相图可视化与组合优化。对比有限元方法（FEM）、传统机器学习与物理信息神经网络（PINN）在热场预测任务上的性能差异。深入讲解PINN求解瞬态热传导方程的方法，以及ThermaNO热核子算子的神经算子技术。介绍后处理机器人自动化系统（ROS2+UR5e）、晶格结构分析框架（SOFTX）、CladNet复合特性预测框架。Abaqus与COMSOL仿真软件的增材制造建模实战，包括移动热源、熔池模拟、残余应力分析等核心内容。
第五天：迁移学习、融合AI大模型工具辅助科研与端到端智能制造系统
系统讲解跨材料迁移学习（VGG16/ResNet18实战）、jax-am过程-结构-性能耦合框架、X射线CT深度重建（pyMBIR）。深入探讨流形学习、自编码器、GAN在DED质量异常检测中的应用。对比学习Triplet Loss实战、自监督贝叶斯表示学习、同轴DED自监督学习、可变时间尺度分析。介绍LPBF基准测试（RAISE-LPBF）、事件序列生成（AMPES）、Transformer模拟工具（AM_sim_transformer）、干涉测量控制等前沿技术。最终通过综合项目构建端到端智能制造系统，融合AI大模型工具辅助科研，整合声发射分析、缺陷检测、热场预测、后处理优化与质量追溯。
需要的伙伴可以私信我发给你们哦
