KNN 分类方法有不少毛病，像对故障信号里不均衡的样本分类效果不好，数据很多的时候计算要花特别长的时间，还有对训练数据的容错性差。所以就提出了基于狄里赫雷过程混合模型来监测熔融沉积成型 3D 打印不同送丝工况。狄里赫雷过程混合模型是贝叶斯领域的一个基础模型，它是一种不用监督的聚类算法。在运行这个模型的时候，不用事先设定簇的大小，算法自己会根据输入数据的内在特点来决定每个样本点属于哪。要是有个新的待测样本进来，狄里赫雷过程混合模型就会把它分到概率最大的那个群体里。这个模型对样本的容错性很不错，对层次不均衡的样本也不太敏感，这样就把 KNN 算法的不足给解决了。同样拿 11 种不同流量比的 FDM 型增材制造工况来做例子，分类结果的准确率能达到 86.8%。

在熔融沉积成像 3D 打印里，典型工况监测已经有了一些初步的研究成果。不过 FDM 型的机理是个非线性的过程，所以这个课题还得接着深入研究。第一呢，在喷嘴出料的三种异常工况下采集到的信号差别挺明显的。因为用 EEMD 方法提取特征量能量比较慢，所以下一步得好好研究特征提取的方法。而且实验里的数据量太少了，不太能让人信服。第二呢，只控制打印速度不变，设置不同流量比，也就是改变送丝速度。但其实打印过程中也能通过改变打印速度让流量比变化。所以应该再开发个联动系统，能识别流量比是不是在正常的范围里。要是不在正常范围，就得能选择是调节送丝速度还是打印速度。影响流量比的因素有好多，像材料熔融指数、喷嘴直径、材料加热温度等等，这些都得好好研究。第三呢，还得进一步做机理分析，找出最能反映故障信号的特征值。