本研究提出了一种新型多模态检索增强生成框架，能够自动检测增材制造中的缺陷和工艺异常，无需训练数据集。该框架在四个制造数据集上评估，展现出良好的适应性和准确性，并可持续更新以适应技术进步。

本文探讨了深度强化学习在无人机增材制造运动控制中的应用，解决了传统控制器在动态场景下的参数调整问题。实验结果表明，TD3算法在训练稳定性、准确性和成功率方面表现优异，增强了无人机控制的自主性和可靠性。

本研究提出了一种结合软演员-评论家强化学习与数字孪生技术的方法，以解决智能制造中的适应性控制不足问题。该方法在机器人增材制造中实现了实时过程控制，展现出快速的策略收敛和稳健的任务执行能力，提升了增材制造的自适应实时控制能力。

本文研究了增材制造中熔池动态控制的不稳定性，强调飞溅对缺陷的影响。通过机器学习和符号回归模型，提出了一种框架，能够有效预测熔池特征，预测精度超过95%，显著提高了过程稳定性和零件质量。

本研究探讨了Segment Anything模型（SAM）在增材制造组件检测中的应用，提出了使用Conv-LoRa微调策略，并结合生成对抗网络（GAN）生成的数据进行训练，以解决多类分割和计算效率不足的问题。实验结果表明，定制化分割模型对精确检测至关重要。

本文探讨了随机深度Koopman框架在多级制造系统中的应用，旨在提高数据驱动模型的可解释性和产品质量预测能力。研究提出了结合延迟坐标编码和状态解码的模型结构，并应用于实时监测和质量评估，展示了在增材制造中的有效性。此外，介绍了基于Deep Kernel Learning的控制合成方法，证明了其在复杂系统中的优势。

该文提出了一种支持数据驱动式增材制造知识转移的方法，通过三步骤的知识可转移性分析框架，能够在不同的增材制造技术之间进行知识转移，为实现高效的跨环境或跨过程知识交流奠定了基础。