La technologie d'émission acoustique montre un potentiel énorme pour la surveillance in situ et le diagnostic des défauts dans la fabrication additive par arc avec fil métallique (WAAM). Cependant, les signaux AE générés lors du processus WAAM sont gravement pollués par le bruit de décharge d'arc, ce qui rend difficile l'extraction directe des caractéristiques liées aux défauts à partir des données brutes. Cette étude propose un cadre d'apprentissage profond basé sur les spectrogrammes de Mel pour une surveillance de santé efficace de WAAM. La méthode introduit une stratégie améliorée de représentation temps-fréquence capable de capturer plus efficacement les caractéristiques liées aux défauts dans les conditions de bruit élevé inhérent au procédé WAAM. En utilisant les spectrogrammes de Mel, ce cadre améliore la représentation de la partie basse fréquence riche en information tout en supprimant le bruit haute fréquence, améliorant ainsi l'interprétabilité et la robustesse des caractéristiques. L'étude utilise des réseaux de neurones convolutifs et des modèles de transformateurs visuels pour la classification des défauts et l'évaluation des performances. Les résultats expérimentaux montrent que la méthode proposée atteint une précision de diagnostic élevée tout en réduisant considérablement les coûts de calcul, surpassant les méthodes traditionnelles basées sur la transformée de Fourier à court terme. Les résultats confirment que la représentation par spectrogramme Mel offre une solution plus efficace et généralisable pour la surveillance de la santé WAAM.

WAAM; émission acoustique; spectrogramme Mel; CNN; surveillance de la qualité de fabrication