本發明涉及增材制造領域，具體地，涉及一種增等減材復合制造的監測調控系統及方法。
背景技術：
1、激光定向能量沉積技術作為一種先進的增材制造手段，在航空航天、船舶制造以及重型機械等領域的大型金屬構件制造與修復中展現出了巨大的應用潛力。然而在實際工程應用中，激光定向能量沉積過程涉及極端復雜的非平衡物理冶金過程，局部高能激光束在工件上產生劇烈的非均勻溫度梯度，加之材料在逐層堆積過程中經歷快速且反復的熱膨脹與冷收縮循環，導致構件內部極易產生顯著的殘余應力累積與不可忽視的熱變形。基于此，集成增材制造、超聲強化加工以及減材精密切削的增等減復合制造工藝逐漸成為制造技術發展的重要方向。
2、然而，在增等減復合制造過程中，不同工序之間的熱力學行為、材料組織演變以及成形質量存在顯著差異，且工藝之間存在強耦合特性。例如，激光熔覆過程中的熔池形態、溫度梯度、凝固速度會影響后續超聲強化處理的強化效率；超聲能量與熱歷史共同作用于材料內部缺陷及應力場；減材加工的切削力、刀具磨損狀態又依賴于前序工藝所形成的表層組織特性。因此，要實現多工藝協同制造與過程質量控制，必須對各工序進行高可靠性、高精度的全域缺陷、應力場和/或變形場監測，并根據監測反饋實時調整工藝參數或工序。
3、盡管現有的工藝優化研究在一定程度上提高了單制造工序的制造精度，但仍存在諸多難以克服的技術瓶頸。在應力與變形的預測建模方面，傳統方法大多是離線仿真加參數規劃，難以實現過程實時調控。目前主流的機器學習模型往往缺乏足夠的幾何泛化能力。大多數模型僅針對特定的簡單幾何特征進行訓練，一旦應用于幾何拓撲結構不同或更為復雜的新工件時，其預測精度便大幅下降。這是因為傳統模型多基于數據驅動的映射關系，未能真正學習到熱力耦合作用下的物理場演化規律，且難以實現長時的精準預測，誤差容易隨時間累積。在監測手段方面，工業界常用的激光位移傳感器僅能獲取單點或單一掃描線上的表面形貌數據，無法提供全場的變形信息，且針對單一制造工序的局部缺陷監測存在監測信息分散、空間覆蓋有限、難以實現在線預測與控制等不足。而對于內部殘余應力的測量，目前主要依賴x射線衍射法或鉆孔法，這些方法不僅設備昂貴、操作繁瑣，更主要的是它們通常屬于離線檢測甚至破壞性檢測，無法滿足制造過程中實時監測與反饋控制的需求。
4、此外，在控制策略層面，現有的反演控制算法普遍面臨病態多解性難題。即針對一個預期的應力或變形控制目標，往往存在多組可能的工藝參數解，導致控制系統的決策過程不穩定，容易陷入局部最優。目前的實時調控手段主要局限于對激光功率、掃描速度或送粉率等增材工藝參數的微調，缺乏將增材制造與等材強化如滾壓、沖擊及減材加工如銑削深度融合的協同調控機制，使得制造系統無法靈活應對加工過程中出現的各類突發性質量問題，難以實現真正意義上的高精度閉環制造。
技術實現思路
1、本發明的目的在于提供一種增等減材復合制造的監測調控系統及方法，以解決上述背景技術中提出的現有監測技術在增等減材復合制造過程中，難以實時全面監測工件缺陷和應力場分布，導致工件制造精度較低的問題。
2、為實現上述目的，本發明提供如下技術方案：
3、一種增等減材復合制造的監測調控系統，包括：
4、數據采集模塊，用于采集成形件制造過程中的聲音數據、溫度場數據、熔池數據、主軸功率數據以及變形場數據；
5、缺陷監測模塊，用于根據當前周期內成形件的制造參數及制造工序、所述聲音數據、所述溫度場數據、所述熔池數據和所述主軸功率數據，預測未來a個時間步內成形件的缺陷產生種類和缺陷產生置信度分布，a為正整數；
6、應力變形預測模塊，用于根據當前周期內的成形件增材制造參數、成形件的所述溫度場數據的所有歷史序列和所述變形場數據的所有歷史序列，預測未來b個時間步內成形件的應力場演化序列和/或變形場演化序列，b為正整數；
7、工序協同調控模塊，用于根據所述未來a個時間步內成形件的缺陷產生種類和缺陷產生置信度分布，以及所述未來b個時間步內成形件的應力場演化序列和/或變形場演化序列，生成下一周期內成形件增材制造參數和/或增等減材制造模塊的分級控制指令；
8、增等減材制造模塊，用于根據所述成形件增材制造參數和/或所述分級控制指令，執行成形件的增材制造操作或等材制造操作或減材制造操作。
9、本發明一種增等減材復合制造的監測調控系統的工作原理為：通過數據采集模塊在成形件的不同制造工序中實時采集聲音數據、溫度場數據、變形場數據、熔池數據和/或主軸功率數據，為缺陷及應力場預測與多工序協同調控提供基礎數據支撐；缺陷監測模塊根據當前制造工序及其對應的制造參數、聲音數據、溫度場數據、熔池數據和/或主軸功率數據，預測未來a個時間步內由當前制造工序引起的成形件的缺陷種類和缺陷產生置信度分布，為工藝路徑調整和制造參數優化提供數據參考與支撐；應力變形預測模塊根據當前制造周期內對應的增材制造參數、溫度場數據的所有歷史序列以及變形場數據的所有歷史序列，預測未來b個時間步內工件的應力場演化序列和/或變形場演化序列，通過歷史溫度場與變形場可視化預測在加工過程中不可測的應力場，實現對應力場的實時監控，并為制造工序或制造參數的調整提供參考，從而減少因殘余應力累積導致的工件性能不佳甚至廢件的可能性；工序協同調控模塊根據缺陷預測結果與應力變形演化預測結果，生成下一周期的增材制造參數和/或增等減材制造模塊的分級控制指令，以實現根據缺陷和應力場預測結果提前調整制造工序或制造參數；最后由增等減材制造模塊依據所述增材制造參數和/或分級控制指令，選擇性執行增材、等材或減材制造操作，實現對工件復合制造過程的協同調控，從而提升工件的制造精度。
10、優選的，為實時且全面地采集不同制造工序過程中成形件表面的物理場參數，以實現對加工過程的全域監測，所述數據采集模塊包括：聲音傳感器、紅外熱像儀、熔池相機和三維數字圖像相關dic設備；所述聲音傳感器用于分別在增材制造、等材制造和減材制造過程中采集增材-聲音數據、等材-聲音數據和減材-聲音數據，所述增材-聲音數據、所述等材-聲音數據和所述減材-聲音數據共同構成所述聲音數據；所述紅外熱像儀用于分別在增材制造、等材制造和減材制造過程中采集增材-溫度場數據、等材-溫度場數據和減材-溫度場數據，所述增材-溫度場數據、所述等材-溫度場數據和所述減材-溫度場數據共同構成所述溫度場數據；所述熔池相機用于在增材制造過程中采集增材-熔池數據，所述增材-熔池數據即為所述熔池數據；所述三維數字圖像相關dic設備用于采集成形件的變形場數據；所述分級控制指令包括：增材制造指令、等材強化指令和減材修整指令；所述增等減材制造模塊包括：增材制造單元、等材制造單元和減材制造單元；所述增材制造單元用于根據所述成形件增材制造參數和所述增材制造指令，對成形件進行激光定向能量沉積；所述等材制造單元用于根據所述等材強化指令，對成形件進行超聲滾壓等材強化；所述減材制造單元用于根據所述減材修整指令，對成形件進行減材銑削修整；所述主軸功率數據由所述減材制造單元的主軸控制模塊提供。
11、優選的，為實現在增等減材復合制造過程中多傳感器數據的統一規范處理與全過程的缺陷協同監測，所述缺陷監測模塊包括：
12、數據預處理單元，用于對所述數據采集模塊采集的聲音數據、溫度場數據、熔池數據和主軸功率數據進行時間對齊，得到時序-聲音數據、時序-溫度場數據、時序-熔池數據和時序-主軸功率數據，對所述時序-聲音數據、所述時序-溫度場數據、所述時序-熔池數據和所述時序-主軸功率數據均進行工序種類標注、工件結構特征標注以及制造參數標注，分別得到聲音-標注數據、溫度場-標注數據、熔池-標注數據和主軸功率-標注數據；提取所述聲音-標注數據的時域統計特征和頻域統計特征，得到聲音-時頻特征數據集，所述聲音-標注數據的時域統計特征包括：過零率zcr、聲音數據的均方根rms、平方根幅值sra、峰度k、偏度s、峰對峰p2p、波峰因子cf、脈沖因子if、裕度因子mf、形狀因子sf、峰數np、平均峰ap和信號幅值sa，所述聲音-標注數據的頻域統計特征包括：峰值頻率pf、頻率質心fc、均方根頻率rmsf和根方差頻率rvf；對所述溫度場-標注數據劃定感興趣區域roi，提取所述感興趣區域roi內的溫度統計特征、溫度空間演化特征以及熱斑形態特征，得到溫度場-roi特征數據集，所述感興趣區域roi內的溫度統計特征包括：平均溫度、最大溫度、最小溫度、溫度方差、溫度分布的偏度和/或峭度以及溫度的高頻特征，所述感興趣區域roi內的溫度空間演化特征包括溫度梯度，所述感興趣區域roi內的熱斑形態特征包括：熱斑面積和熱斑輪廓形狀；提取所述熔池-標注數據中熔池的幾何形態特征和光學輻射特征，得到熔池-形態輻射特征數據集，所述熔池的幾何形態特征包括：熔池的面積、周長、長寬比、形心位置和輪廓不規則度，所述熔池的光學輻射特征包括：平均亮度、亮度方差、峰值亮度和亮度分布；提取所述主軸功率-標注數據的時域統計特征和頻域統計特征，得到主軸功率-時頻特征數據集，所述主軸功率-標注數據的時域統計特征包括：平均功率、主軸功率的均方根rms、峰值、標準差和能量累積，所述主軸功率-標注數據的頻域統計特征包括功率譜密度；
13、數據庫構建單元，用于將所述聲音-時頻特征數據集、所述溫度場-roi特征數據集、所述熔池-形態輻射特征數據集和所述主軸功率-時頻特征數據集中的數據按照標注的工序種類、工件結構特征以及制造參數進行分類，構建全域監測系統數據庫，所述全域監測系統數據庫用于為在線預測成形件制造過程中的缺陷產生情況提供模擬物理場信號；
14、ml模型離線訓練單元，用于構建第一機器學習ml模型、第二機器學習ml模型和第三機器學習ml模型，根據所述全域監測系統數據庫分別訓練所述第一機器學習ml模型、所述第二機器學習ml模型和所述第三機器學習ml模型，得到增材制造ml模型、等材制造ml模型和減材制造ml模型；通過構建不同制造工序對應的機器學習模型，提高機器學習模型對增等減材復合制造中不同工序的適配，從而提升全過程缺陷預測的準確性；
15、模型數據匹配單元，用于構建成形件三維模型，根據規劃的成形件的制造步驟劃分所述成形件三維模型的模型結構，得到成形件的多個局部結構單元；根據成形件每個所述局部結構單元的規劃制造工序、規劃制造路徑以及規劃制造參數，在所述全域監測系統數據庫中，為成形件的每個局部結構單元匹配對應的聲音特征數據、溫度場特征數據、熔池特征數據和/或主軸功率特征數據，得到成形件的聲音特征模擬數據、溫度場特征模擬數據、熔池特征模擬數據和/或主軸功率特征模擬數據；通過在全域監測系統數據庫中為成形件匹配模擬信號，為缺陷離線預測單元提供高精度和高可靠性的輸入數據，從而提升缺陷在線預測的準確性；
16、缺陷離線預測單元，用于根據成形件的規劃制造工序，在增材制造時調用增材制造ml模型，根據增材制造對應的規劃制造參數、聲音特征模擬數據、溫度場特征模擬數據和熔池特征模擬數據，預測增材制造過程中成形件產生氣孔和/或融合不良缺陷的置信度分布；在等材制造時調用等材制造ml模型，根據等材制造對應的規劃制造參數、聲音特征模擬數據和溫度場特征模擬數據，預測等材制造過程中成形件產生裂紋和/或空洞缺陷的置信度分布；在減材制造時調用減材制造ml模型，根據減材制造對應的規劃制造參數、聲音特征模擬數據、溫度場特征模擬數據和主軸功率特征模擬數據，預測減材制造過程中成形件產生切削異常缺陷的置信度分布；基于成形件的規劃制造工序、規劃制造參數以及各個模擬特征數據，預測成形件在增等減材復合制造過程中可能出現的缺陷種類及置信度，以便于在真實制造前根據預測的缺陷調整制造工序及制造參數，從而提高加工精度；
17、缺陷實時預測單元，用于調用所述數據預處理單元，對實際制造過程中實時采集的成形件的聲音數據、溫度場數據、熔池數據和/或主軸功率數據進行預處理，得到實時聲音-時頻特征數據集、實時溫度場-roi特征數據集、實時熔池-形態輻射特征數據集和/或實時主軸功率-時頻特征數據集；調用與當前周期內成形件的制造工序對應的增材制造ml模型或等材制造ml模型或減材制造ml模型，根據制造工序對應的制造參數、所述實時聲音-時頻特征數據集、實時溫度場-roi特征數據集、實時熔池-形態輻射特征數據集和/或實時主軸功率-時頻特征數據集，預測未來a個時間步內成形件的缺陷產生種類和缺陷產生置信度分布；通過調用與制造工序適配的機器學習模型，實時預測成形件的缺陷產生情況，為復合制造過程中及時優化制造參數和/或制造路徑提供數據支撐，從而進一步提高加工精度。
18、優選的，為實現基于實時物理場預測成形件未來的變形場和/或不可測的應力場，以指導制造工序和/或制造參數的優化，進而提升成形件的成品合格率，所述應力變形預測模塊包括pideeponet-rnn代理模型，所述pideeponet-rnn代理模型包括：
19、輸入層，用于接收所述成形件增材制造參數、所述溫度場數據的所有歷史序列和所述變形場數據的所有歷史序列，根據所述成形件增材制造參數和所述溫度場數據的所有歷史序列，構建制造參數-溫度場歷史序列，根據所述成形件增材制造參數和所述變形場數據的所有歷史序列，構建制造參數-變形場歷史序列；通過構建制造參數-溫度場歷史序列和制造參數-變形場歷史序列，將制造參數與溫度場和變形場的歷史數據深度關聯融合，使模型能夠獲取復合制造全過程的溫度場與變形場演化軌跡，也使后續特征提取不僅能捕捉物理場的時空演變規律，還能關聯制造參數對物理場演化的影響，提升特征提取的針對性與有效性；
20、特征提取層，包括：主干網絡和分支網絡，所述主干網絡用于根據所述制造參數-溫度場歷史序列，提取成形件的溫度場時空演化特征；所述分支網絡用于根據所述制造參數-變形場歷史序列，提取成形件的變形場時空演化特征；特征提取層通過主干網絡與分支網絡的雙流解耦架構，分別提取溫度場和變形場的時空演化特征，實現了對熱力耦合場中熱演化與力響應的物理機制解耦；
21、特征融合層，用于融合成形件的所述溫度場時空演化特征和所述變形場時空演化特征，得到溫度-變形特征向量的耦合特征；通過將溫度場時空演化特征和變形場時空演化特征進行非線性耦合，構建的溫度-變形特征向量的耦合特征既包含熱驅動的長時趨勢，又包含機械響應的累積效應，還原了應力和/或變形長時演化的物理本質，使模型學習到熱力耦合作用下的物理場演化規律，從而提升應力場和/或變形場預測結果的科學性與準確性；
22、輸出層，用于根據所述溫度-變形特征向量的耦合特征輸出未來b個時間步內成形件的應力場演化序列和/或變形場演化序列；輸出層基于神經網絡的時序外推能力，將模型學習到的歷史演化規律延伸至未來b個時間步，減少了傳統模型因僅依賴單一時刻數據或缺乏物理解耦特征導致的長時誤差累積。
23、優選的，為了在特征融合時準確模擬熱載荷作用于機械狀態從而產生最終響應的物理過程，所述溫度-變形特征向量的耦合特征的融合公式為：
24、s=σ(dh⊙th)；
25、式中，s為溫度-變形特征向量的耦合特征，σ為激活函數，⊙表示哈達瑪積運算，h為特征通道索引，dh和th分別為所述變形場時空演化特征和所述溫度場時空演化特征的第h通道特征。
26、優選的，為保障pideeponet-rnn代理模型預測結果的物理真實性、長時穩定性與跨場景適配性，所述應力變形預測模塊采用引入瞬態熱傳導物理約束的聯合損失函數訓練所述pideeponet-rnn代理模型，所述聯合損失函數的表達式為：
27、；
28、；
29、；
30、式中，為聯合損失項，、和分別為數據驅動損失項、主干網絡溫度預測損失項和物理殘差損失項，α、β和λ分別為數據驅動損失項、主干網絡溫度預測損失項和物理殘差損失項的權重系數，n和m分別為所述溫度場數據在x軸和y軸上的總網格點數量，i和j分別為x軸方向和y軸方向上的網格點索引，p為增材制造過程中溫度場數據的總采樣時間步數，t為采樣時間步索引，表示溫度場數據中x軸方向的第i個、y軸方向的第j個網格點，為網格點的第t采樣時間步的瞬態熱傳導物理殘差，ρ為增材制造所使用的材料的密度，為增材制造所使用的材料的定壓比熱容，k為增材制造所使用的材料的熱導率，為網格點的溫度，為網格點的溫度在第t采樣時間步的變化率，為拉普拉斯算子，表示網格點的溫度在第t采樣時間步的梯度變化率，為第t采樣時間步內激光輸入到工件網格點處的熱量；聯合損失函數通過數據驅動損失項保障模型對實測數據的擬合度，提升短期預測的準確性；通過主干網絡溫度預測損失項提升溫度場演化的預測精準性，為熱力解耦分析提供可靠基礎；通過物理殘差損失項保障長時演化符合物理規律，抑制降低非物理偽影以及長時誤差累積；訓練過程中，通過最小化物理殘差損失項，可使模型學習到不依賴特定幾何特征的通用熱力解耦算子，從而使模型具備將從基礎幾何圖元學到的物理規律，遷移應用到未見過的復雜幾何構件上，大幅提升模型的跨幾何泛化能力，降低模型針對不同工件重復訓練的工程成本。
31、優選的，為豐富模型的訓練數據，同時降低復雜構件的訓練成本，所述pideeponet-rnn代理模型的預訓練數據包括基礎幾何圖元的有限元仿真結果，所述基礎幾何圖元包括：不同壁厚的增材制造直墻件、不同角度的l型拐角成型結構、t型交叉熔覆結構以及圓柱體致密成型件。
32、優選的，為克服現有反演控制算法普遍面臨的病態多解性問題，減少調控系統決策不穩定或陷入局部最優的可能性，所述生成下一周期內成形件增材制造參數和/或增等減材制造模塊的分級控制指令的方法包括：
33、構建下一周期內的增材制造參數候選集，所述增材制造參數候選集包括：所述增材制造單元的激光功率、激光掃描速度和激光掃描策略；
34、調用所述pideeponet-rnn代理模型，根據所述下一周期內增材制造參數候選集的每一候選參數組合，以及所述成形件的溫度場數據的所有歷史序列和所述變形場數據的所有歷史序列，預測下一周期結束時刻成形件的應力場分布和變形場分布；借助代理模型的精準預測能力與快速計算速度，可實現多組候選參數的并行推演，以預判不同參數組合下成形件未來的質量狀態，從而保障參數調控決策的準確性與實時性；
35、根據所述下一周期結束時刻成形件的應力場分布和變形場分布，計算每一候選參數組合的預設多目標優化函數值；通過多目標函數統一量化候選參數的篩選依據，提升參數篩選結果的一致性與科學性；
36、若所有候選參數組合中，存在同時滿足第一預設條件和第二預設條件的一組或多組候選參數組合，則選取所述預設多目標優化函數值最小的一組候選參數組合作為下一周期的成形件增材制造參數，生成增材制造指令；通過雙預設條件首先篩選有效且簡便的候選參數組合，使得下一周期的制造過程無需改變掃描策略或切換工藝模態，從而降低操作復雜度與制造中斷風險，實現低成本的精準調控；
37、若所有候選參數組合中，存在滿足第一預設條件，不滿足第二預設條件的一組或多組候選參數組合，則執行預設最優路徑策略，生成增材制造指令；當僅激光功率和/或激光掃描速度調整無法滿足制造精度時，則考慮調整掃描策略，以實現在保障調控效果的同時盡可能地減少制造流程中斷，從而兼顧制造精度與效率；
38、若所有候選參數組合均不滿足第一預設條件，則計算預測的下一周期結束時刻的應力場相對于當前應力場的應力場變化率，以及下一周期結束時刻的變形場相對于當前變形場的變形場變化率，當應力場變化率≥變形場變化率時，生成等材強化指令，當應力場變化率<變形場變化率時，生成減材修整指令；應對嚴重的質量風險，構建增等減材協同的模態切換機制，當主要為應力超限時，通過等材強化釋放殘余應力，當主要為變形超差時則通過減材修整恢復幾何精度；
39、所述第一預設條件為：候選參數組合的所述預設多目標優化函數值滿足預設安全閾值；所述第二預設條件為：候選參數組合僅涉及激光功率和/或激光掃描速度的改變。
40、優選的，所述預設多目標優化函數值的計算公式為：
41、；
42、式中，為預設多目標優化函數值，和分別為所述下一周期結束時刻成形件的應力場分布和變形場分布，表示下一周期結束時刻成形件的應力最大值，為成形件的理論設計變形場，表示預測的下一周期結束時刻成形件的變形場與設計的變形場的歐式距離，為激光掃描速度，ω1、ω2和ω3分別為應力權重系數、變形權重系數和效率權重系數，ω1、ω2和ω3的取值可根據工件加工階段動態調整，使得在打底階段優先控制應力以減少層間開裂，在成型階段優先控制變形以保障幾何精度。
43、本發明還提供一種增等減材復合制造的監測調控系統的監測調控方法，包括以下步驟：
44、s1：采集成形件在增材制造過程中的增材-聲音數據、增材-溫度場數據、增材-熔池數據和變形場數據，得到增材-工件數據集；采集成形件在等材制造過程中的等材-聲音數據和等材-溫度場數據，得到等材-工件數據集；采集成形件在減材制造過程中的減材-聲音數據、減材-溫度場數據和減材-主軸功率數據，得到減材-工件數據集；分別對所述增材-工件數據集、所述等材-工件數據集和所述減材-工件數據集中的各項數據進行時間對齊，提取每個數據集中每類數據的預設特征，分別得到增材-時序特征數據集、等材-時序特征數據集和減材-時序特征數據集；
45、s2：根據當前制造工序類型，在增材制造工序時，調用增材制造ml模型，根據所述增材-時序特征數據集和當前的增材制造參數，預測未來a個時間步內成形件產生氣孔和/或融合不良缺陷的置信度分布；在等材制造工序時，調用等材制造ml模型，根據所述等材-時序特征數據集和當前的等材制造參數，預測未來a個時間步內成形件產生裂紋和/或空洞缺陷的置信度分布；在減材制造工序時，調用減材制造ml模型，根據所述減材-時序特征數據集和當前的減材制造參數，預測未來a個時間步內成形件產生切削異常缺陷的置信度分布，a為正整數；
46、s3：根據當前周期內的成形件增材制造參數、成形件的所述增材-溫度場數據的所有歷史序列和所述變形場數據的所有歷史序列，調用pideeponet-rnn代理模型預測未來b個時間步內成形件的應力場演化序列和/或變形場演化序列，b為正整數；
47、s4：根據未來a個時間步內成形件的缺陷產生種類和缺陷產生置信度分布，以及未來b個時間步內成形件的應力場演化序列和/或變形場演化序列，構建下一周期內的增材制造參數候選集，調用pideeponet-rnn代理模型，根據增材制造參數候選集中的每一組候選增材制造參數、成形件的增材-溫度場數據的所有歷史序列和變形場數據的所有歷史序列，預測下一周期結束時刻成形件的變形場分布和/或應力場分布，結合多目標優化函數篩選下一周期內成形件增材制造參數，生成增等減材制造模塊的分級控制指令；
48、s5：根據所述成形件增材制造參數和/或所述分級控制指令，執行成形件的增材制造操作或等材制造操作或減材制造操作；
49、s6：判斷是否繼續，若繼續，則返回執行步驟s1，否則，則不執行操作。
50、本發明提供的一個或多個技術方案，至少具有如下技術效果或優點：
51、1．通過多工序全域數據采集、工序專屬缺陷預測、物理約束的應力變形預測以及缺陷和應力變形預測驅動的分級協同調控的閉環架構，實現增等減材復合制造過程中缺陷與應力變形的前瞻性精準管控，提升增等減材復合制造中復雜構件的成型質量與成品率，同時降低預測模型訓練與制造調控的綜合成本；
52、2．通過差異化傳感設備針對增材、等材和減材工序采集專屬數據，結合時間對齊、工序標注和特征提取的標準化預處理操作，構建工序-數據-特征的精準匹配體系，打破單一工藝局部監測的局限以及數據分散問題，實現多工序全域精準監測，為缺陷和應力變形預測以及制造調控提供高質量與高關聯度的數據支撐；
53、3．通過工序適配的ml模型及專屬數據集，實現復合制造全過程中工件缺陷產生種類及置信度分布的精準預測；基于pideeponet-rnn代理模型的雙流解耦架構與物理約束訓練機制，不僅能捕捉熱力耦合的時空演化規律，還具備跨幾何拓撲的泛化能力，實現對未來變形場和/或不可測的應力場分布演化趨勢的預測，克服傳統離線仿真滯后性與純數據驅動模型的非物理偽影；
54、4．基于缺陷置信度分布與應力變形演化序列的雙維度預測結果，構建參數候選集推演、多目標優化篩選以及分級指令生成的決策邏輯，優先通過激光功率和/或掃描速度微調實現低成本調控，其次通過調整掃描策略兼顧制造精度與連續性，必要時切換等材或減材制造模態以控制加工精度，從而減少常規反演控制的病態多解性問題，實現制造過程的主動、精準及低成本調控；
55、5．通過多工藝協同制造，整合增材成型能力、等材強化功能與減材修整優勢，通過分級控制指令實現多工藝模態的靈活切換，針對性解決層間開裂、殘余應力超標以及幾何超差的核心質量問題，降低大型復雜構件的廢品率，提升構件尺寸精度與力學性能一致性。