1.一种基于机器学习的slm工艺参数分析方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习的slm工艺参数分析方法，其特征在于，将工件预测图像与当前监测时间点的slm工艺参数集送入参数调整模型进行处理，输出slm工艺优化参数集，具体，包括如下步骤：
3.根据权利要求2所述的一种基于机器学习的slm工艺参数分析方法，其特征在于，工件图像预测模型包括时序分析层、第二特征拼接层和工件预测图像构建层，其中时序分析层用于对工件时序预测数据集进行时序性分析，以构建slm工艺时序分析向量；第二特征拼接层用于将当前监测时间点的slm工艺参数集与slm工艺时序分析向量进行拼接，以构建工件预测分析向量；工件预测图像构建层用于对于工件预测分析向量进行处理，以构建工件预测图像。
4.根据权利要求3所述的一种基于机器学习的slm工艺参数分析方法，其特征在于，针对工件图像预测模型进行训练，具体包括如下步骤：
5.根据权利要求4所述的一种基于机器学习的slm工艺参数分析方法，其特征在于，针对参数调整模型进行训练，具体包括如下步骤：
6.根据权利要求5所述的一种基于机器学习的slm工艺参数分析方法，其特征在于，还包括针对slm工艺优化参数集输出层中参数的模拟优化，具体包括如下步骤：
7.根据权利要求6所述的一种基于机器学习的slm工艺参数分析方法，其特征在于，计算网络参数模拟个体对应的适应度，具体计算方式如下，通过网络参数模拟个体对参数调整模型中的slm工艺优化参数集输出层进行设置，再通过若干份图像构建训练样本对设置好的参数调整模型进行测试，获取的准确率作为网络参数模拟个体对应的适应度。
8.根据权利要求7所述的一种基于机器学习的slm工艺参数分析方法，其特征在于，标准图像构建层基于u-net模型进行建立，工件预测图像构建层基于u-net模型中的解码器进行设置。