💡这项突破是什么?
（通讯员 徐涵）西安电子科技大学机电工程学院/高性能电子装备机电集成制造全国重点实验室吕锐婵教授团队在国际机械领域顶级期刊《Mechanical Systems and Signal Processing》（中科院一区Top，影响因子:8.9）发表“MAFN: A multi-view adaptive fusion network with image and time-series signal aggregation for additive manufacturing fault diagnosis”重要研究成果。西安电子科技大学为通讯单位，博士研究生徐涵为第一作者，吕锐婵教授为通讯作者。该研究提出了一种多视角自适应融合网络，充分结合声发射信号的图像和时序特征，实现精准的增材制造故障诊断。
该研究提出了一种多视角自适应融合网络，结合声发射信号，实现了增材制造过程的故障诊断。该方法将时间序列视图与图像视图进行联合建模，实现对声发射信号“时域–空间域”信息的统一感知。图像分支采用自适应卷积与Mamba（ACNN-Mamba）结构，实现局部纹理与全局时空动态的联合建模；时间序列分支采用BiGRU BiGRU–GF机制，可同时捕获双向依赖并突出关键时段的异常信息。
图1 多视角数据集的可视化
图2 自适应融合ACNN-Mamba算法流程图
在对选择性激光熔化SLM和激光定向能量沉积LDED两个典型增材制造数据集的系统评测中，团队提出的模型展现出卓越的诊断性能与噪声适应能力。依托多视角特征建模与自适应融合策略，模型在多个关键评价指标上均显著优于现有的单视角与多视角监测方法。本研究为增材制造领域提供了一个智能监测解决方案，为未来增材制造设备的自主感知、实时诊断和智能控制奠定了重要基础。
图3 不同模型的性能对比图
近年来，依托高性能电子装备机电集成制造全国重点实验室，吕锐婵教授及其“光电集成制造与智能检测”BIT团队在《IEEE Transactions on Instrumentation and Measurement》、《机械工程学报》、《Mechanical Systems and Signal Processing》等杂志发表系列研究成果。未来，团队将继续在信号处理、模型轻量化、跨设备泛化能力以及工业场景实际应用转化方面进行改进，以期推动该技术在高性能电子装备集成制造中的规模化部署。
论文链接：https://doi.org/10.1016/j.ymssp.2025.113680
