음향 방출 기술은 와이어 아크 적층 제조(WAAM)의 현장 모니터링 및 결함 진단에서 큰 잠재력을 보여주고 있다. 하지만 WAAM 과정에서 발생하는 AE 신호는 아크 방전 잡음에 심하게 오염되어 원시 데이터에서 결함 관련 특징을 직접 추출하기 어렵다. 본 연구는 WAAM의 효율적인 건강 모니터링을 위해 멜 스펙트로그램 기반의 딥러닝 프레임워크를 제안한다. 이 방법은 WAAM 공정 고유의 높은 잡음 조건하에서 결함 관련 특징을 보다 효과적으로 포착할 수 있는 강화된 시-주파수 표현 전략을 도입한다. 멜 스펙트로그램 표현을 활용하여 정보가 풍부한 저주파 부분 표현을 강화하고 고주파 잡음을 억제함으로써 특징의 해석 가능성과 견고성을 향상시킨다. 연구에서는 결함 분류 및 성능 평가를 위해 합성곱 신경망과 비전 트랜스포머 모델을 사용하였다. 실험 결과 제안된 방법이 계산 비용을 크게 줄이면서도 높은 진단 정확도를 달성하여 단기 푸리에 변환 기반 전통적 방법보다 우수함을 보였다. 연구 결과는 멜 스펙트로그램 표현이 WAAM 건강 모니터링을 위한 보다 효율적이고 일반화 능력이 뛰어난 솔루션임을 입증하였다.

WAAM; 음향 방출; 멜 스펙트로그램; CNN; 제조 품질 모니터링