
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习和机器学习的方法,用于电弧直能量沉积过程中通过声学信号进行缺陷监测
《JOURNAL OF INTELLIGENT MANUFACTURING》:Deep learning and machine learning approaches for acoustic-based defect monitoring in wire arc direct energy deposition
【字体: 大 中 小 】 时间:2026年03月28日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.4
编辑推荐:
wire arc direct energy deposition(WA-DED)制造大型金属部件时,高沉积率易产生裂纹、孔隙等缺陷,传统无损检测方法存在依赖人工和专用设备等局限。本研究通过高灵敏度麦克风采集声信号,结合线切割电火花加工(EDM)分离样本,经降噪预处理和FFT特征提取后,采用CNN与多种机器学习模型进行缺陷分类,经k折交叉验证,CNN达到99%准确率和1.00 ROC-AUC值,验证了声学监测在实时制造缺陷检测中的可行性和优越性,为替代传统后处理检测提供新方案。
大型金属部件是通过电弧直能量沉积(WA-DED)技术制造的,这种方法在所有增材制造(AM)方法中最为常用,因为其沉积速率极高。然而,高沉积速率会导致裂纹、孔隙等缺陷的产生,这些缺陷会显著影响WA-DED部件的结构完整性和整体性能。因此,准确检测部件中的这些缺陷至关重要。传统上,这些缺陷是通过无损检测(NDT)方法来识别的。然而,这些NDT方法存在局限性,例如依赖于熟练的操作人员以及需要特定的NDT工具或仪器来识别不同类型的缺陷。而深度学习技术能够克服这些局限性。在本研究中,首先使用高灵敏度麦克风收集声学信号,然后通过线切割电火花加工(EDM)对制造出的样品进行切割以识别相应的缺陷,并进行预处理以消除声学信号中的噪声。随后通过时域和频域分析数据,并利用快速傅里叶变换(FFT)提取特征。采用k折交叉验证技术对卷积神经网络(CNN)和多种机器学习(ML)模型进行训练和验证。在所有评估的模型中,CNN模型的表现最佳,其准确率为99%,ROC-AUC值为1.00。这些结果表明,基于深度学习的声学监测技术在WA-DED实时制造过程中用于缺陷检测具有巨大潜力,可为后续检测提供可行的替代方案,从而提高整体制造效率。

大型金属部件是通过电弧直能量沉积(WA-DED)技术制造的,这种方法在所有增材制造(AM)方法中最为常用,因为其沉积速率极高。然而,高沉积速率会导致裂纹、孔隙等缺陷的产生,这些缺陷会显著影响WA-DED部件的结构完整性和整体性能。因此,准确检测部件中的这些缺陷至关重要。传统上,这些缺陷是通过无损检测(NDT)方法来识别的。然而,这些NDT方法存在局限性,例如依赖于熟练的操作人员以及需要特定的NDT工具或仪器来识别不同类型的缺陷。而深度学习技术能够克服这些局限性。在本研究中,首先使用高灵敏度麦克风收集声学信号,然后通过线切割电火花加工(EDM)对制造出的样品进行切割以识别相应的缺陷,并进行预处理以消除声学信号中的噪声。随后通过时域和频域分析数据,并利用快速傅里叶变换(FFT)提取特征。采用k折交叉验证技术对卷积神经网络(CNN)和多种机器学习(ML)模型进行训练和验证。在所有评估的模型中,CNN模型的表现最佳,其准确率为99%,ROC-AUC值为1.00。这些结果表明,基于深度学习的声学监测技术在WA-DED实时制造过程中用于缺陷检测具有巨大潜力,可为后续检测提供可行的替代方案,从而提高整体制造效率。
