7.1 原位监测与闭环调控

7.1 原位监测与闭环调控

本节摘要：方法论的第一块基石。本节给出感知—分析—决策—执行四元闭环的标准构型，列一份多模态传感器的清单与代价表，用延迟预算演算回答"闭环来得及吗"，再讲控制策略从经典比例积分微调升级到模型预测与自适应的接力逻辑。本节承接第 6 章"无人现场"的结论，为 7.2 节的孪生与学习提供骨架。

看不见熔池，怎么控得住熔池

激光粉末床里，熔池从规则圆形长成蝌蚪形、再到塌穿的匙孔，全程不到一毫秒；等零件冷却、送检、出报告，几小时已经过去，废品早已盖了多少层。事后检测的价值停留在追责，过程的价值在边走边改。把"离线、事后、抽样"换成"在线、原位、全量"，是边界工艺与常规工艺在作业方式上的分水岭——第 6 章说过无人现场里这是开工资格，其实在任何逼近边界的过程里它都是底线配置。

标准构型是四元闭环。感知层：高速相机与红外热像盯熔池形态与温度场，声发射探头听微裂纹的弹性波，激光诱导击穿光谱报元素成分，条件允许时上同步辐射 X 射线直接透视匙孔的内部演化。分析层：从原始信号里提特征——熔池长度、振荡频率、声发射能量、元素谱线强度，杂波滤掉、维度压低。决策层：拿特征对照目标轨迹，物理模型与数据模型都可以当裁判，判定偏没偏、偏多少。执行层：把修正量写回执行机构——调制激光功率、偏摆振镜、改送粉率。四个环节串成一条"毫秒级的事后追责变成微秒级的现场纠偏"的链路。

先别急着配传感器，算一笔来得及吗的账：

# 闭环延迟预算演算：各环节延迟加总，与缺陷特征时间比大小
parts = [("采集曝光", 0.10), ("传输", 0.05), ("推理判决", 1.00), ("执行响应", 0.05)]  # 毫秒
total = sum(t for _, t in parts)
for name, t in parts:
    print(f"{name}：{t:.2f} 毫秒")
print(f"闭环总延迟约 {total:.2f} 毫秒；匙孔坍塌特征时间约 0.5 毫秒")
print(f"比值 {total/0.5:.1f}：来不及在坍塌前拦截，只能做层间补偿或趋势控制")
# 输出：
# 采集曝光：0.10 毫秒
# 传输：0.05 毫秒
# 推理判决：1.00 毫秒
# 执行响应：0.05 毫秒
# 闭环总延迟约 1.20 毫秒；匙孔坍塌特征时间约 0.5 毫秒
# 比值 2.4：来不及在坍塌前拦截，只能做层间补偿或趋势控制
​

这笔账是本节最值钱的工程判断工具：闭环的可行性不看传感器多先进，看总延迟与缺陷特征时间的比值。比值小于一才有"拦截"资格；否则老老实实把闭环拆层——快环用模拟电路在微秒级调功率（来得及），慢环在层与层之间用算法补参数（追得上），中间留给统计过程控制（算得清）。采样端还有一条铁律：熔池振荡的特征频率在千赫兹量级，按采样定理帧率至少翻倍，工程上再留四到五倍余量压噪声——帧率不足的"闭环"只是慢动作回放。

配置感知层之前，先把主流传感器的底牌摊开——每种信号都有自己的时空分辨率、带宽与代价，选型就是拿这三项跟工艺的特征尺度对表：

读这张表的正确姿势是按缺陷特征时间倒推：要拦半毫秒的匙孔坍塌，X 射线的千赫兹成像勉强够格但无处部署，工程上退而求其次用热像与相机监测"匙孔的前兆信号"（熔池深宽比、振荡频率漂移），把拦截变成预防。传感器的物理限制决定了闭环策略的天花板——这句话值得写在每条产线的工艺文件首页。

数据融合与状态识别：从多路噪声到一种判断

多模态传感器各说各话，融合分三级。时空对齐是地基：热像仪与高速相机的时钟与视场先统一，否则特征对不上白干。特征级融合：把各路特征拼成向量，主成分分析或流形降维压掉冗余维度。决策级融合：多个独立判据用贝叶斯加权投票，单路传感器被飞溅糊住的瞬间，整体判断不至于翻车。识别端如今标配卷积网络：以熔池图像分类正常、球化、飞溅状态，准确率普遍能做到九成以上——但请记住 7.2 节会补的那半句：数据模型内插可靠、外移心虚，工艺一换牌号就得重训或加物理约束。

控制策略的接力棒

经典比例积分微调在极端工艺里水土不服，原因有三：对象强非线性（熔池越大吸收越强）、强时变（粉床随烧结推进换导热）、多变量耦合（功率、速度、送粉互相牵扯）。接力顺序如下。模型预测控制：手里有模型，每拍滚动预测未来若干拍，解一个带约束的优化问题再落第一拍——最大功率、最小速度这些红线直接写进约束，电子束增材用它压制热积累已是常规操作。自适应控制：参数漂移就在线辨识、在线改控制律，粉床导热一变、增益跟着变，模型参考与自整定两族都好用。强化学习：把工艺当环境、把成形质量当奖励，让智能体在交互里学策略——研究与产线试点都有，代价是训练试错昂贵，通常先在孪生模型里练熟再上机（7.2 节展开）。控制信号的最后一公里也别轻视：比例控制的小步迭代演示了"误差乘增益、限幅、落输出"的最小闭环骨架，任何高级策略到最后一步都是它：

# 最小闭环骨架：比例控制的迭代收敛演示
target, area, power = 2.5, 3.2, 180.0    # 目标熔池面积 mm2、当前值、功率 kW
Kp, gain, resp = 120.0, 0.018, 0.6       # 增益、静态增益、每拍响应系数
for step in range(1, 6):
    error = target - area
    power = max(0.5, min(400.0, power + Kp * error))
    area = area + resp * (power * gain - area)
    print(f"第 {step} 拍：误差 {error:+.2f} -> 功率 {power:.1f} 千瓦，熔池 {area:.2f} 平方毫米")
# 输出：
# 第 1 拍：误差 -0.70 -> 功率 96.0 千瓦，熔池 2.32 平方毫米
# 第 2 拍：误差 +0.18 -> 功率 118.0 千瓦，熔池 2.20 平方毫米
# 第 3 拍：误差 +0.30 -> 功率 153.9 千瓦，熔池 2.54 平方毫米
# 第 4 拍：误差 -0.04 -> 功率 148.8 千瓦，熔池 2.62 平方毫米
# 第 5 拍：误差 -0.12 -> 功率 133.9 千瓦，熔池 2.50 平方毫米
​

图 7-1：四元闭环的骨架与时间分层

骨架立起来之后还差最后一层：分析与决策里的"模型"从哪来、怎么越用越准——那是 7.2 节的课题。先记住本节的一句收束：监测不是多装几个传感器，是为每个缺陷找一条比它长得更快的回路。