随着增材制造(3D打印)技术的不断发展,如何保证其在加工过程中的稳定性和产品综合质量的问题已经得到了产业界和学术界的广泛重视。与传统的减材制造加工所不同,增材制造采用材料逐层叠加的成型方式来打印工件,在其成型过程中材料的相变过程复杂,易导致工件缺陷的产生,同时在大型或复杂工件所需的长时打印过程中,打印工况易发生劣化或产生相关故障,需要实施有效的过程监测。增材制造中相关缺陷或故障模式多表现出弹性波特征,与声发射(AE)现象关系密切,但在此方面的研究仍处于起步阶段,亟待在增材制造中的AE监测策略、信号获取、特征提取、模式识别理论与应用方法等方面开展深入、系统的研究。因此,本文以AE作为主要的无损检测手段,采用基于检测信息的数据驱动监测方法,围绕增材制造中打印工件和工况的监测以及相关科学问题展开了研究工作,旨在厘清增材制造中的材料特性、典型工件缺陷和故障状态等与AE信号之间的关系,准确且高效地提取相关AE特征值,结合机器学习模式识别算法实现对典型缺陷或故障模式的有效识别,进而研发面向增材制造的多通道AE监测原型系统。本文的主要工作如下:第一章介绍了本课题研究的背景与意义,对增材制造、过程监测和AE无损检测技术进行了综述,对目前在增材制造中相关监测技术的国内外研究现状和存在的科学问题进行了分析与总结,并介绍了本文的主要研究内容。第二章针对激光烧结成型增材制造中的金属材料表面热损伤问题,对AE监测策略、特征值提取及分析方法进行了初步研究,提出了一种基于总体经验模态分解(EEMD)的AE信号降噪与特征提取方法,并搭建了 AE监测实验平台,采用以脉冲激光源照射材料表面诱导热损伤的实验方法,采集了 AE原始信号数据,进而对AE原始信号的时、频域特征值、材料性能、金属表面热损伤现象等之间的关系进行了分析,提取了反映材料热损伤现象的特征IMF成分,为材料热损伤的监测提供了依据。第三章针对增材制造打印工件多种典型缺陷问题,分析了熔融沉积成型(FDM)打印工件的材料剥离、翘离、过度挤压和刮擦等多种缺陷模式的表现形式和影响因素,开展了 AE监测方法研究,提出了 一种基于声发射波击(AE hit)特征值和自组织神经网络地图(SOM)无监督算法的打印工件缺陷监测方法,在实验中进行了应用与验证,并研究了典型缺陷模式在AEhit特征值中所对应的主要频带分布情况及演化趋势。第四章针对增材制造打印工况和相关故障问题,以FDM打印喷头的正常工作和材料断丝、耗尽和阻塞等故障状态为对象,开展了基于AE的在线监测方法研究,采用特征值分段处理方法对AE hit特征值数据进行了进一步压缩,并结合支持向量机(SVM)和K-means算法,提出了面向增材制造打印工况的在线监测方法,在实验研究中实现了对打印喷头多种状态的在线监测与识别。第五章针对第四章中在线监测方法的自适应性和实时性问题,结合主成分分析(PCA)和隐半马尔科夫模型(HSMM)算法,提出了一种面向打印工况在线监测的改进方法,在AE特征值的选取与压缩方面具有更好的自适应性,并提升了状态识别的实时性能力,进而通过实验的方式验证了方法应用的有效性。第六章在上述研究的基础上,进行了面向增材制造的多通道AE监测原型系统的研发,以FDM增材制造技术为对象,开展了应用需求分析、硬件设计、元件选型,工作流程规划、软件设计和实现方法等具体化设计工作,为实现增材制造的智能化监测及相应监测系统的产品化开发提供技术支持。