La tecnología de emisión acústica muestra un enorme potencial en la monitorización in situ y el diagnóstico de defectos en la fabricación aditiva por arco de alambre (WAAM). Sin embargo, las señales AE generadas durante el proceso WAAM están gravemente contaminadas por el ruido de la descarga del arco, lo que dificulta la extracción directa de características relacionadas con defectos a partir de los datos originales. Este estudio propone un marco de aprendizaje profundo basado en espectrogramas de Mel para una monitorización eficiente de la salud en WAAM. El método introduce una estrategia mejorada de representación tiempo-frecuencia que puede capturar de manera más efectiva las características relacionadas con defectos bajo las condiciones de alto ruido inherentes al proceso WAAM. Al utilizar la representación del espectrograma de Mel, el marco mejora la representación de la parte baja frecuencia rica en información y suprime el ruido de alta frecuencia, aumentando así la interpretabilidad y robustez de las características. El estudio utiliza redes neuronales convolucionales y modelos de transformadores visuales para la clasificación de defectos y pruebas de rendimiento. Los resultados experimentales muestran que el método propuesto logra una alta precisión en el diagnóstico mientras reduce significativamente el costo computacional, superando a los métodos tradicionales basados en la transformada corta de Fourier. Los resultados confirman que la representación del espectrograma Mel proporciona una solución más eficiente y generalizable para la monitorización de la salud de WAAM.

WAAM; emisión acústica; espectrograma Mel; CNN; monitorización de la calidad de fabricación