Die Akustische Emissionstechnologie zeigt ein großes Potenzial für die In-situ-Überwachung und Fehlerdiagnose in der drahtbasierenden Lichtbogen-Additivfertigung (WAAM). Allerdings werden die während des WAAM-Prozesses erzeugten AE-Signale stark durch Lichtbogenentladungsgeräusche beeinträchtigt, was die direkte Extraktion defektbezogener Merkmale aus den Rohdaten erschwert. Diese Studie schlägt einen Deep-Learning-Rahmen auf Grundlage von Mel-Spektrogrammen für eine effiziente Gesundheitsüberwachung von WAAM vor. Die Methode führt eine verbesserte Zeit-Frequenz-Darstellungsstrategie ein, die defektbezogene Merkmale unter den inhärent hohen Störgeräuschbedingungen des WAAM-Prozesses effektiver erfassen kann. Durch die Nutzung der Mel-Spektrogramm-Darstellung verbessert der Rahmen die Repräsentation des informationsreichen Niederfrequenzbereichs und unterdrückt gleichzeitig hochfrequentes Rauschen, was die Interpretierbarkeit und Robustheit der Merkmale steigert. Für die Fehlerklassifikation und Leistungsmessung wurden Convolutional Neural Networks und Vision Transformer Modelle eingesetzt. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode bei deutlich reduzierten Rechenkosten eine hohe Diagnosegenauigkeit erreicht und herkömmliche kurzzeit-Fourier-Transformationsmethoden übertrifft. Die Ergebnisse bestätigen, dass die Mel-Spektrogramm-Darstellung eine effizientere und besser generalisierbare Lösung für das Gesundheitsmonitoring von WAAM bietet.

WAAM; akustische Emission; Mel-Spektrogramm; CNN; Fertigungsqualitätsüberwachung