现在 3D 打印技术用得越来越多了，可随之而来的质量问题也变得很明显。所以国内外好多专家学者都在这方面做了大量研究。在增材制造这个领域里，FDM 型增材制造设备是用得最普遍的。但目前 FDM 型 3D 增材制造设备加工出来的产品质量不太稳定，这样就很难在工业领域里好好应用。而且呢，因为 FDM 型增材制造加工时间比较长，所以在打印的时候经常会碰到不正常的打印情况。现在市场上的打印机大多都没有装过程监测技术。

首先呢，搭了一个基于 FDM 型 3D 打印机的过程监测平台。对 FDM 型 3D 打印机常见的打印情况做了分析，研究了打印过程里经常出现的故障情况，还有造成这些故障的根本原因。通过对打印情况的分析，发现把振动加速度传感器装在送丝机构上是最好的，这样就能很好地监测到喷嘴材料挤出来的状态。这个平台不但能调整管理打印的工艺参数，像打印速度、喷头温度这些都能调，而且最重要的是它能实时收集和记录打印情况的数据，这些数据就给后面章节要做的信号处理和状态分类提供了基础。

其次呢，分析了 EMD 方法的不足，介绍了 EEMD 方法的基本原理，然后把 EEMD 方法用在信号降噪处理上，把噪声信号都去掉了。用喷嘴正常出料、喷嘴堵塞和材料耗尽这三种打印情况的实验数据做基础，研究怎么用 EEMD 方法对预处理后的不同打印情况信号进行分解。通过这个方法分解得到了 6 组 IMF 分量，算出原始信号和本征模态函数分量的相关系数，再算出标准差，用这个来判断本征模态函数分量是不是有效，结果发现前两个 IMF 分量都是有效的。把判断为有效的 IMF 分量的能量算出来，组成特征向量，再把所有特征向量用 KNN 分类，分类准确率能达到 100%，这就证明了用 EEMD 方法提取熔融沉积成型 3D 打印三种不同情况信号特征量是有用的。

再次呢，对可能造成喷头堵塞、材料打印分层的典型故障用 EEMD 方法做实验分析。实验里设置了 11 种不同流量比的熔融沉积成型 3D 打印情况。先拿 EEMD 方法对信号做预处理和特征提取，再用 KNN 分类方法对提取的特征量分类，但是分类效果不太好。这是因为设置不同流量比的时候，打印机工作过程里喷头电机的运动没什么明显变化。针对这个问题，又提出了基于频率的特征提取方法。先介绍了快速傅里叶变换算法，又介绍了 KNN 算法和交叉验证。KNN 算法是机器学习里常用的算法，很简单，用起来方便，K 折交叉验证是用来检测 KNN 模型稳不稳定的。对这 11 种不同流量比打印情况，先用快速傅里叶变换把信号转到频域上，对比频率幅值的不同，提取能代表不同流量比的频率幅值特征值，最后用 KNN 方法对提取出来的特征向量分类，分类准确率能达到 92.73%。