编辑推荐：
孔隙形成检测：基于超声声学监测的循环平稳性分析与机器学习方法研究，提出两种孔隙检测方法并比较其性能。摘要：针对WAAM加工中孔隙缺陷检测难题，利用超声声学信号结合循环平稳性特征和机器学习（小波散射）方法实现实时监测。实验表明机器学习在已知参数条件下准确率最高（F1值0.89），但参数变化时性能下降明显；循环平稳性方法虽准确率稍低（0.82），但具有更强的参数鲁棒性。两种方法分别适用于数据充足与数据不足的场景，为WAAM过程质量控制提供新思路。
Rik Vaerenberg|Joselito Yam II Alcaraz|Kevin Angga Gunawan|Bey Vrancken|Tegoeh Tjahjowidodo|Konstantinos Gryllias
鲁汶大学机械工程系，LMSD分部，Celestijnenlaan 300，Box 2420，鲁汶，3001，比利时
摘要
在线弧增材制造（WAAM）过程中，孔隙的形成可能是影响制品性能的关键因素，因此检测这些孔隙的形成对于质量保证至关重要。本文采用原位声学监测方法（利用超声波麦克风）来解决这一问题，因为这种方法最近被证明是WAAM质量保证的有效手段。提出了两种信号分析技术：一种基于循环平稳性的方法，另一种基于小波散射特性的机器学习模型。通过使用不同的数据集对这两种方法进行了验证和比较，这些数据集是通过减少保护气体流量或增加接触头与工件之间的距离来诱导孔隙形成的。研究表明，在使用机器学习模型时（虽然性能最佳，但对数据变化非常敏感）与使用信号处理方法（虽然性能更稳健，但需要对工艺和声学特征有更深入的了解）之间存在权衡。
引言
增材制造（AM）因其能够以较短的交货时间和最小的材料浪费生产复杂的几何形状，而被广泛认为是现代制造业的一项重要技术创新。在线弧增材制造（WAAM）已被证明是大规模制造金属部件的主要方法[1]，[2]。WAAM利用电弧熔化金属丝并将其分层沉积，相比传统的减材方法具有显著优势，包括高沉积速率、材料利用率和成本效益[3]，[4]。这些特点使得WAAM成为航空航天[5]、海洋[6]和汽车[7]等行业中生产大型金属部件的理想选择。尽管WAAM具有诸多优势，但其广泛应用仍面临挑战，尤其是实现标准化工艺以保持产品质量一致性的问题[8]。这一问题源于微观结构、几何精度以及孔隙和裂纹等内部缺陷的形成高度依赖于具体的加工条件[7]，[9]，[10]，[11]。因此，WAAM工艺的质量保证目前被认为是进一步推广该技术的主要障碍[3]，[12]。
孔隙是WAAM制品中的关键缺陷之一，因为孔隙的存在会导致应力集中，从而影响部件的机械性能和疲劳寿命。此外，孔隙还可能成为裂纹形成和扩展的主要位置[4]。常见的无损检测技术（如计算机断层扫描、超声波检测和涡流检测）由于打印出的工业部件的尺寸、复杂几何形状和表面粗糙度而面临挑战[8]，[13]，[14]。为了解决这一问题，提出了多种原位监测技术，如光学发射光谱（OES）[15]，[16]，[17]，焊接熔池摄像头[18]，[19]，电学监测[12]，[20]，[21]，热监测[22]以及声学监测技术[23]，[24]，[25]，[26]，[27]，[28]。
本研究探讨了在WAAM过程中使用声学监测的方法，因为声学监测是一种经济高效的技术，能够捕捉熔池特性[23]和电弧稳定性[24]。此外，由于有经验焊工能够根据声学信号区分优质焊缝[29]，[30]，声学监测技术也已被应用于气体金属弧焊（GMAW）过程。因此，以往关于WAAM的声学监测研究主要集中在可听频率范围（±20 kHz以内）[24]，[25]，[26]。例如，Chabot等人[27]发现接触头与工件之间的距离（CTWD）的变化会导致脉冲频率的变化，这种变化可以通过声学传感器检测到。Hauser等人[28]指出不同频率段的能量也受到CTWD和保护气体变化的影响，而Ramalho等人[26]发现污染物也会产生类似效应，Alcaraz等人[23]则发现电流不稳定会影响声学信号的能量。
虽然以往的研究主要集中在将声学信号与工艺变量及污染物引起的孔隙联系起来，但本研究探讨了在改变CTWD和保护气体流量时声学信号检测孔隙的能力。与以往的研究不同，本研究使用了超声波信号，因为该频率范围受工艺相关环境噪声的影响较小。此外，研究表明利用信号能量作为孔隙形成的指标并不合适。最后，提出了两种检测孔隙形成的方法并进行比较：一种是基于循环平稳性的纯信号处理方法，另一种是基于小波散射特性的机器学习方法。这两种方法进行了直接对比，突出了各自的优势。
本文的其余部分首先在第2.1节介绍基于循环平稳性的指标，第2.2节介绍基于小波散射的机器学习方法。第2.3节描述了实验装置、数据集和指标的实施过程。第3节展示了结果并进行了讨论，第4节对全文进行了总结。
章节摘录
基于循环平稳性的指标
正如以往的研究所示，声学信号与电流信号之间存在明显的相关性[15]。虽然声学信号本身与电流信号不成正比，但高频段的能量似乎与电流脉冲事件直接相关。基于这些发现，本文提出将声学信号建模为循环平稳信号[31]。
结果
本研究的结果通过准确率和加权F1分数来表示。对于非机器学习方法，需要对输出数据进行阈值处理，以区分是否产生孔隙。确定阈值时使用了机器学习方法中的训练数据。阈值设定为训练数据集上的F1分数最高的位置。
结论
本文提出了两种用于WAAM过程原位声学监测的方法：循环平稳性建模和基于小波散射的机器学习方法。结果表明，机器学习方法在处理参数与训练数据相同的情况下表现更好；但在缺乏特定加工参数的训练数据时，循环平稳性建模方法的表现更优。
方法论的
CRediT作者贡献声明
Rik Vaerenberg：撰写初稿、可视化、验证、软件开发、方法论设计、数据分析、概念构建。Joselito Yam II Alcaraz：撰写初稿、可视化、验证、软件开发、方法论设计、数据分析、概念构建。Kevin Angga Gunawan：撰写初稿、可视化、验证、软件开发、方法论设计、数据分析、概念构建。
致谢
本研究部分得到了Flanders Make的支持，该机构是制造业的战略研究中心，通过MUSIC SBO项目提供支持。作者还感谢鲁汶大学内部资金和FWO SBO奖学金计划（项目编号：1SE9325N）的财务支持。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
