增材制造数据分析软件开发商Senvol已获得美国海军资助，将领导一项专注于金属增材制造传感器融合的关键研究计划。

该项目名为“用于过程监控的增材制造传感器融合技术”，已于2025年7月正式启动，计划持续至2027年7月。



该计划的核心是研究如何利用金属丝材定向能量沉积系统制造过程中的原位监测数据，来预测零件的最终材料性能。

项目旨在建立一个标准化的数据驱动流程，以支持零件的质量验收与安装决策。

具体而言，Senvol将应用其机器学习软件Senvol ML来处理制造过程中产生的多源传感器数据。

该软件平台能够处理来自多种传感器类型和模式的信息，其方法是对数据进行参数化处理，并计算与材料行为相关的制造现象的汇总特征。

项目的关键目标之一是利用机器学习模型，将原位监测数据与机械性能要求直接关联起来。

此举旨在为验收决策提供定量证据，从而减少对大量构建后鉴定与测试的依赖。

对于美国海军供应链而言，广泛采用增材制造技术取决于确保质量一致性和性能可预测性的能力。

该项目评估的方法正是为了解决这一关键障碍，旨在建立起对增材制造零件足够的信心，以允许其被验收并安装使用。



该项目计划演示的方法学也着眼于支持构建一个更灵活、更具可扩展性的增材制造供应基础。

通过减少对重复鉴定工作的依赖，该项目试图使海军自有设施和商业供应商能够生产出彼此等效的零件。

这种方法有望使海军能够从更广泛的供应商网络中采购合格零件，同时确保其满足所需的性能标准。

将原位监测数据整合到正式的零件验收工作流程中，是该项工作的另一个重点。

项目成果预计将为如何将过程监测要求纳入海军海上系统司令部的政策框架提供参考，使制造过程中的数据能够成为验收标准的一部分。

在该项目期间，Senvol的软件还将被用于评估工艺参数如何影响最终的材料性能。

该系统不仅旨在根据监测数据预测性能，还致力于识别那些能够生产出具有目标机械属性零件的工艺参数组合。

Senvol总裁Zach Simkin对此评论道：“增材制造中的质量保证至关重要。要让一个零件被供应链接受，必须对其性能表现有足够的信心。”

他表示：“这一领域的进展在不断发展，我们相信，开发一套分析原位监测数据的一致性方法——并从中开发出可操作的指导——将使增材制造用户更容易达到零件验收阈值。”