编辑推荐：
为解决电弧增材制造（WAAM）模型开发数据不足问题，美国橡树岭国家实验室研究人员开展 WAAM 过程数据采集研究，获得时空共配准多模态数据集，推动 WAAM 过程缺陷检测模型发展。
在制造业的大舞台上，增材制造（Additive Manufacturing）正逐渐崭露头角，成为行业变革的新引擎。其中，电弧增材制造（Wire Arc Additive Manufacturing，WAAM）凭借独特优势，吸引着众多目光。它就像一位技艺高超的工匠，能利用传统焊接技术与现代增材制造原理，将金属丝材层层堆积，精准打造出大型金属结构，既节省材料，又降低成本 。然而，这位 “工匠” 也有自己的 “烦恼”。在制造过程中，如何实时掌控质量、及时发现并解决缺陷，成了亟待攻克的难题。要知道，不准确的过程控制可能导致零件尺寸偏差、内部出现孔隙等缺陷，严重影响产品性能和可靠性，就好比精心搭建的高楼，内部却隐藏着裂缝，随时可能危及安全。
为了破解这些难题，美国橡树岭国家实验室（Oak Ridge National Laboratory）的研究人员挺身而出，开展了一项极具意义的研究。他们致力于获取高质量、多模态且时空共配准的数据集，为 WAAM 过程的深入理解和精准控制提供有力支撑。经过不懈努力，研究人员成功收获了在矩形低碳钢块沉积过程中采集的时空共配准多模态数据集。这一成果意义非凡，为基于原位采集数据的多模态人工智能 / 机器学习（AI/ML）模型开发奠定了坚实基础，有望让 WAAM 过程的缺陷检测更加精准高效，推动该技术在更多领域的广泛应用。相关研究成果发表于Scientific Data。
在这场科研探索之旅中，研究人员运用了多种关键技术。在数据采集阶段，借助机器人操作系统（ROS）这一开源 “助手”，实现了对机器人位置数据、焊接数据、送丝数据和声学数据的高效采集 。为了更深入地了解零件内部结构，研究人员使用 X 射线计算机断层扫描（X-ray Computed Tomography，XCT）技术对打印后的零件进行扫描。面对扫描中出现的光束硬化问题，他们采用 BHCN-MBIR 方法提升图像质量，并运用基于 2.5D U-Net 的分割算法对缺陷进行精准分割 。最后，通过将 XCT 数据与其他原位采集数据进行时空共配准，成功建立起各数据之间的紧密联系。
下面来详细看看研究结果。
- 沉积过程：研究人员在 WAAM 沉积单元中，利用 Tormach ZA6 机械臂、林肯电气 Power Wave R450 焊接电源和 AutoDrive 4R220 送丝机进行零件制造。他们选用 12.7mm 厚、76.2mm 宽、152.4mm 长的低碳钢基板，以 135 英寸 / 分钟的速度送入林肯电气 L59 低碳钢丝材，同时使用 95/5 混合气体，流量恒定为 37.5 立方英尺 / 小时 。在 Rapid X 焊接模式下，零件以逐层堆积的方式制造，层与层之间有短暂停顿，部分层还会根据情况延长停顿时间 。最终制造出的零件尺寸约为长 84mm、宽 33.5mm、高在 27mm - 35.25mm 之间，共 15 层，每层 6 道焊道，目标焊道高度 2.6mm，搭接距离 5.1mm。
- 数据采集：借助 ROS，研究人员顺利采集到多种数据。机器人位置数据反映了机械臂的位置和方向，采集频率约 16.7Hz；焊接数据和送丝数据分别包含焊接电流、电压、送丝速度和送丝电流，采集频率为 100Sps；声学数据则通过 Ultramic UM200k USB 麦克风以 50kHz 的频率采集。这些数据就像零件制造过程中的 “数据拼图”，为后续分析提供了关键线索。
- 时间和空间配准：数据的时间和空间配准至关重要。ROS 通过唯一时间戳实现不同数据流的时间配准，研究人员再通过插值将机器人位置数据与其他数据匹配 。在空间配准方面，以零件预期几何形状的 STL 文件为参考，利用 Open3D 模块中的算法对 XCT 数据进行变换，使其与 STL 文件对齐 。尽管存在一定误差，但这种配准方法为后续分析缺陷与传感器信号的关系提供了可能。
- X 射线计算机断层扫描：使用 Metrotom X 射线 CT 系统对零件进行扫描后，研究人员发现由于零件较厚，出现了光束硬化现象 。他们运用 BHCN-MBIR 方法有效改善了图像质量，并通过基于 2.5D U-Net 的分割算法对缺陷和零件表面边界进行分割 。结果显示，大部分缺陷位于零件表面或附近，内部缺陷多集中在过构建一侧，且多数缺陷尺寸较小，可能为气孔 。
- 数据记录：数据集以 HDF5 格式存储在 Constellation 存储库中，包含 “audio”“position”“welder”“wirefeeder”“build_file” 和 “xct” 等六个主要组 。每个组都包含丰富信息，如 “audio” 组存储声学数据，“xct” 组包含 XCT 扫描的原始数据、缺陷分割结果等，方便研究人员随时调用和分析。
- 技术验证：为确保数据可靠性，研究人员对焊接参数、机械臂运动、送丝速度和声学传感器进行了验证。结果表明，焊接电流测量误差在 7% 以内，机械臂运动速度误差在 ±0.5% 以内，送丝速度误差在 ±0.1% 以内，麦克风频率响应精度在 1Hz 以内，有力证明了数据的准确性。
研究人员成功获取了 WAAM 过程的时空共配准多模态数据集，涵盖了过程元数据、原位测量数据和异位表征数据。这一数据集不仅为深入分析焊道高度、焊接电流和声学信号之间的关系提供了可能，还能将零件内部缺陷与传感器信号直接关联 。通过公开这一数据集，研究人员为科研界提供了宝贵资源，有望推动 WAAM 过程中仅依赖原位采集数据的多模态 AI/ML 缺陷检测模型的发展，提升 WAAM 技术的稳定性和可靠性，让这项技术在航空航天、汽车制造等领域发挥更大的作用，助力制造业向更高效、更智能的方向迈进。
