A tecnologia de emissão acústica demonstra um enorme potencial na monitoração in situ e no diagnóstico de defeitos na manufatura aditiva por arco de fio (WAAM). No entanto, os sinais AE gerados durante o processo WAAM são severamente contaminados pelo ruído de descarga do arco, dificultando a extração direta de características relacionadas a defeitos a partir dos dados brutos. Este estudo propõe uma estrutura de aprendizado profundo baseada em espectrogramas de Mel para a monitoração eficiente da saúde do WAAM. O método introduz uma estratégia aprimorada de representação tempo-frequência que pode capturar recursos relacionados a defeitos de forma mais eficaz nas condições de alto ruído inerentes ao processo WAAM. Ao utilizar a representação do espectrograma de Mel, a estrutura aprimora a representação da parte de baixa frequência rica em informações, enquanto suprime o ruído de alta frequência, melhorando assim a interpretabilidade e robustez dos recursos. O estudo emprega redes neurais convolucionais e modelos de transformadores visuais para classificação de defeitos e testes de desempenho. Os resultados experimentais mostram que o método proposto alcança alta precisão de diagnóstico ao mesmo tempo em que reduz significativamente o custo computacional, superando os métodos tradicionais baseados na transformada de Fourier de curto tempo. Os resultados confirmam que a representação do espectrograma de Mel oferece uma solução mais eficiente e com maior capacidade de generalização para a monitoração da saúde do WAAM.

WAAM; emissão acústica; espectrograma de Mel; CNN; monitoramento da qualidade da fabricação