音響放射技術は、ワイヤーアーク積層造形（WAAM）におけるインシチュ監視および欠陥診断において大きな可能性を示しています。しかしながら、WAAMプロセスで発生するAE信号はアーク放電ノイズにより深刻に汚染されており、生データから欠陥に関連する特徴を直接抽出することが困難です。本研究では、WAAMの効率的な健全性監視のために、メルスペクトログラムに基づく深層学習フレームワークを提案します。本手法は、WAAMプロセス固有の高ノイズ条件下で欠陥関連特徴をより効果的に捉える強化された時周波数表現戦略を導入しています。メルスペクトログラムの表現を利用することで、情報豊富な低周波成分の表現を強化し、高周波ノイズを抑制することで特徴の解釈性と頑健性を向上させます。本研究では、欠陥分類および性能評価のために畳み込みニューラルネットワークとビジョントランスフォーマーモデルを採用しました。実験結果は、提案手法が計算コストを大幅に削減しつつ、高い診断精度を達成し、短時間フーリエ変換に基づく従来手法を上回ることを示しています。研究結果は、メルスペクトログラム表現がWAAMの健全性監視に対してより効率的で汎用性の高いソリューションを提供することを実証しています。

WAAM; 音響放射; メルスペクトログラム; CNN; 製造品質監視