增材制造，也就是 3D 打印，正从原型验证走向航空航天、医疗植入这类高端制造。国家层面把它作为高端制造的重点方向持续支持——2024 年工业设备更新方案、2025 年国务院"人工智能+"行动意见都明确点名增材制造，2026 年又写入"十五五"规划，提出到 2030 年产业规模突破 1500 亿元。
市场上它高速增长，中国"十四五"期间产业规模从 208 亿增长到约 700 亿元，"十五五"目标到 2030 年突破 1500 亿元；全球 2024 年约 219 亿美元。其中 FDM 是应用最广的工艺。
但走向高端制造，质量稳定性就成了核心瓶颈。失败率桌面级有 10% 到 25%、工业级也有 2% 到 5%，失败损失大约占营收的 5% 到 10%。材料大约占单件成本的 15% 到 25%，一旦失败这部分料就直接报废，同时已经投入的机时和电力也白白浪费——尤其长周期、大尺寸的零件，往往打到快完成才失败，损失就更大。这正是我们立项的出发点。
现有的过程监控撑不住高端制造的需求，集中暴露出三大痛点，前两个都出在"监测"环节。
第一是"内源感知缺位"——现在的过程监控，基本上都是在外面架一个视觉摄像头拍照、看表面。可设备内部其实有很多检测量，加速度、电流、热端、位移，还有大量可调的控制量，但这些信息要么根本不用，要么只是做个简单的阈值超限报警，远远没有真正用于过程感知，信息利用严重不足。
第二是"异常难究根因"——阈值报警和纯数据模型即使发现了异常，也只会告诉你"坏了"，却讲不清"为什么坏"，缺乏物理机理的解释，工程师拿到结果也无从下手。
但是，光把监测做好还不够。现有方案大多是"故障一出现就报警、停机，然后让人工去清理、重新打一遍"——这其实是治标不治本，导致故障的根因问题还在，下次很可能还会再犯。
所以第三个痛点是"缺乏补偿控制"：我们真正需要的，是在打印过程中实时纠偏、自动补偿，让打印能继续、缺陷被修正，而不是一停了之。这种过程补偿控制，目前基本是空白。
归根到底，一个单一模型很难同时把过程感知、根因认知和补偿决策都做好。这就引出我们的总体思路——用分工协同的多智能体来解决。
| 痛点 | 对应智能体 | 要解决什么 |
|---|---|---|
| 内源感知缺位 | PMA 过程监测 | 激活内源多维信号、实时感知过程状态 |
| 异常难究根因 | EDA 诊断解释 | 给出有机理依据的根因诊断 |
| 缺乏补偿控制 | DSA 决策支持 | 生成可执行补偿、实现在线纠偏 |
PMA Process Monitoring Agent·过程监测智能体；EDA Explanation and Diagnosis Agent·诊断解释智能体；DSA Decision Support Agent·决策支持智能体。三者首尾相接，构成连续闭环，下面 PART2 逐一展开。
针对前面这三个痛点，我们的总体方案是用三类分工明确、又彼此协同的智能体来分别破解。它们分别是——针对"内源感知缺位"的过程监测智能体 PMA（Process Monitoring Agent）、针对"异常难究根因"的诊断解释智能体 EDA（Explanation and Diagnosis Agent）、针对"缺乏补偿控制"的决策支持智能体 DSA（Decision Support Agent）。
这三者首尾相接，构成一条"监测—诊断—补偿"的连续闭环。接下来，我分别介绍每一个智能体是怎么做的。
PMA，全称 Process Monitoring Agent，是过程监测智能体，负责实时监测打印状态、识别异常类型。它解决"内源感知缺位"——不依赖外部相机，而是读取设备自身的内源信号，加速度、电流、热端等 8 个安全通道，把原本闲置的内源数据真正用起来。
对连续数据用 10 秒窗口、5 秒步长切片，自动提取 82 维时频和跨通道特征，再用 XGBoost 做三分类，并配概率校准、低置信度提示和子类型细化，让感知结果稳定可信。
EDA，全称 Explanation and Diagnosis Agent，是诊断解释智能体，负责对异常做机理解释和根因诊断。它解决"异常难究根因"——不是再堆一个黑箱模型，而是以 Neo4j 故障知识图谱加图注意力网络为核心做因果推理。
推理走"异常接收—知识检索—案例分析—物理校验—根因推断"五步链路，输出的不是一个孤立标签，而是带知识依据的结构化诊断。它让系统从"识别异常"升级到"解释为什么"，并把结论传给下游的 DSA。
DSA，全称 Decision Support Agent，是决策支持智能体，负责把诊断结论转化为补偿建议。它解决"缺乏补偿控制"——把 EDA 给出的诊断结论，转化为可以直接执行的补偿动作，也就是 G-code 补偿策略。
针对不同子类型给差异化策略：振纹就降速度、加速度，layer shift 就限速、抬升喷头甚至止损避撞。这些补偿回灌到打印过程里，就把原来"只监测"补成了"监测—诊断—补偿"的在线闭环。
当然，所有建议在输出前都会过一道物理边界校验，越界的自动拦掉，并保留人工审核，确保补偿是安全可执行的。
原 3D 打印工作流（开环）：
＋ 本作品接入后（闭环）：
先看原本的 3D 打印工作流：模型切片生成 G-code，打印机照着执行，一直打到结束才知道是成品还是报废——这是一条开环流程。
我们的系统就接在这条流程上，而且是最小侵入的：不改原来的切片和执行主流程，只在打印执行环节旁路接入。打印时，内源传感数据进 PMA 做监测，EDA 做诊断，DSA 生成补偿，再把补偿回灌成 G-code 修正打印。这样就把原来的开环，变成了过程中实时"监测—诊断—补偿"的闭环。
三个智能体之间通过统一事件流协同，结果也同步推送到可视化界面。这条闭环，正是我们和传统"单点监测、报警停机"方案最本质的区别。
我们的创新可以归纳为三项核心，最后再用一句话总结。
第一，以设备内源的多维时序信号替代单一外部视觉，实现内生性过程感知。
第二，依托故障知识图谱开展因果推理，输出具有机理依据的可解释根因诊断。
第三，将诊断结果转化为可执行的补偿控制策略，形成过程级在线纠偏闭环。
总的来说，这三项创新通过三个智能体的协同，形成了"监测—诊断—补偿"的完整闭环——这正是本作品方法的核心所在。
工程上，硬件以 Voron 2.4 加 Klipper 再配多种传感器作为平台。软件后端用 Python 和 Flask-SocketIO 负责模型调用、规则推理和事件推送，前端用 React 加 Three.js 做三维呈现。
目前已经在本地把"检测—解释—补偿—展示"的完整链路跑通，为后续实机接入打好了基础。
由于真实破坏性故障数据难以低成本采集，我们采用"仿真生成加场景化回放"的策略：以真实 G-code 轨迹为基础、参考真实传感统计特征生成多通道数据，再按时间顺序回放，检验三智能体链路能否连续运行。
当前共 72 个 CSV、100Hz 采样，切出 12393 个窗口样本，重点覆盖振纹和层偏移两类典型异常。
这一阶段我们重点攻克三个工程难点：一是模型输出可靠性，用概率校准和低置信度标记缓解小样本下的过自信；二是把 PMA 输出组织成结构化异常事件，让检测结果能顺畅传给诊断和决策；三是保证诊断到补偿的一致性，建立连续映射并在输出前做物理边界校验。
这是系统的 Agent 3D 界面。左侧是实时渲染的三维打印场景，可以拖动视角观察打印状态和异常事件的时间关系；右侧上方以消息流呈现 EDA 的分步解释，下方展示 DSA 给出的补偿建议和维护提示——监测、诊断、补偿在同一个界面里联动。
指标上，PMA 在测试集 F1-macro 达到 0.9257，振纹和层偏移分别是 0.871 和 0.856，重点缺陷识别比较可靠。
Normal 偏低、只有 0.50，我们也如实分析了原因——开风扇工况的额外振动让正常信号更接近异常，这是后续补样本、细化标签要改进的点。整条三智能体链路在一轮回放中能连续跑通。
测算链：失败率 × 可纠正比例 × 单次损失 × 设备规模
年任务数按设备年运行约 3000+ 小时估算（工业级，CreatBot 单台累计 3 万小时/9 年）；失败率、单次损失取文献区间，具体需按场景校准
价值我们一层层算，而且为稳妥起见只算能量化的部分——材料、机时折旧和电力；人工因场景差异太大不好算，干脆不算，所以这是个保守下限。这样一次失败，单次损失桌面级大约十几到五十元，工业级一百五到八百元。
第二层，不是所有失败都能救。但附着、翘曲、挤出异常、层错位、振纹这些过程性缺陷可以实时补偿，大约占全部失败的 55% 到 70%——这就是我们系统能覆盖的部分。
把这些乘起来：单台设备一年，桌面级约省一千八，工业级约六千。再放大到全行业——中国工业级 FDM 的可及市场大约 3 到 9 亿元一年；覆盖国内主要 FDM 设备能到几十亿；放到全球八百多万台，潜在空间百亿元量级。这些里的任务数、失败率是示例假设，需按真实场景校准。
前景我们从两个方向展开。市场势能很强——全球 2024 年约 219 亿美元，中国"十五五"提出 2030 年突破 1500 亿元，政策也持续加持。
第一个方向是工艺。我们这套"内源感知 + 三智能体"框架和具体工艺解耦：成形方式上，从普通 FDM 扩展到机械臂增材、用焊接做的电弧熔丝增材、大尺寸设备；材料上，从普通塑料扩展到连续纤维增强复合材料、金属增材。
第二个方向是场景。说到底，只要是增材制造用得上的地方，这套方法都能用——航空航天、医疗、汽车、模具、能源、船舶、建筑、教育。落地上既可嵌入设备厂商，也可做独立质检服务或科教平台。汇报到此，恳请各位老师批评指正，谢谢！