近年来,3D打印技术应用越来越广泛,而伴随的质量问题也越来越突出,因此国内外许多专家学者对此展开了广泛的研究。在增材制造领域中FDM型3D打印技术应用最为广泛,但当前FDM型3D打印加工出来的产品质量理学性能较差,很难实现在工业领域的应用,同时,由于FDM型3D打印机的工作时间较长,因此在打印过程中会遇到异常打印工况,现在市面上的打印机大都没有配备过程监测技术,这是增材制造领域面对的严峻问题之一,以上这些因素严重制约了增材制造技术的更新,因此对FDM型3D打印机实施过程监测技术的研究具有重要意义。首先,搭建了基于FDM型3D打印机的工况监测平台,分析了FDM型3D打印机典型加工工况。针对打印过程中经常遇到的故障工况及信号采集问题,分析了振动加速度传感器安装的最佳位置,结果表明:振动传感器安装的最佳位置为送丝机构上。其次,研究了EEMD方法的基础理论和方法,用EEMD方法对预处理后不同打印工况信号进行分解得到IMF分量,为判断出IMF分量的有效性,统计各个IMF分量与原始信号之间的相关系数标准差,结果表明前两个IMF分量均为有效分量。对有效的IMF分量进行能量计算并组成特征向量,并通过KNN实现三种工况的识别。再次,研究EEMD方法在不同流量比工况下的特征提取应用,通过KNN分类方法对提取的特征量进行分类处理,分类效果较差。分析了造成这种情况的原因,结果表明在设置不同流量比状态下,打印机工作过程喷头电机的运动无明显变化,导致采集的信号区分度不明显。接着针对这个问题,提出了基于频率的特征提取方法,通过对比出频率幅值的不同,提取能够表征不同流量比下的频率幅值特征值,最后使用KNN方法实现不同流量比工况的分类。最后,对KNN分类方法存在的一些缺点如对故障信号不均衡的样本分类性差,数据量较大时计算时间很长,和对训练数据的容错性差等缺点,提出了基于狄里赫雷过程混合模型的FDM型3D打印不同流量比工况的过程监测,在执行狄里赫雷过程混合模型过程中,无需设定簇的大小,算法的本身会根据输入数据的内在性质决定每个样本点的归属,对于一个新输入的待测样本,狄里赫雷过程混合模型会将其分配给概率最大的群体中,对样本具有很好的容错性能,且对层次不均衡的样本敏感性小,解决了KNN算法中的不足,且能更好地实现不同送丝比工况的识别。