《Engineering Applications of Artificial Intelligence》：Novel artificial intelligence driven real-time defect detection framework and process optimization for wire Arc metal additive manufacturing using an industrial welding robot
编辑推荐：
摘要近年来，由于金属增材制造能够制造大型和几何形状复杂的金属部件，其发展速度显著加快。然而，在电弧增材制造（WAAM）中确保结构完整性和工艺一致性仍然是一个主要挑战。本研究提出了一种新型的人工智能驱动的混合框架，该框架同时解决了电弧增材制造工艺优化和基于视觉的缺陷检测问题，用于工
摘要
近年来，由于金属增材制造能够制造大型和几何形状复杂的金属部件，其发展速度显著加快。然而，在电弧增材制造（WAAM）中确保结构完整性和工艺一致性仍然是一个主要挑战。本研究提出了一种新型的人工智能驱动的混合框架，该框架同时解决了电弧增材制造工艺优化和基于视觉的缺陷检测问题，用于工业质量监控。首先，使用基于教学-学习的优化算法来调整工艺参数。然后，开发了一种基于人工智能的深度学习模型，该模型采用具有50个层的残差网络（ResNet50）与支持向量机（SVM）分类器结合进行缺陷检测。该分类器使用从机器人焊接工作站和自动焊接缺陷射线图像（RIAWELC）数据库收集的数据集进行训练，数据集分为分层训练、验证和测试部分，并包括跨领域评估。
所提出的混合框架在独立的内部数据集上实现了平均98.20±0.42%的分类准确率，Macro F1分数为0.98±0.01。在跨领域的RIAWELC数据集上，该模型实现了0.90±0.02的Macro F1分数，表明无需额外微调就具有良好的泛化能力。所提出的混合框架在所有评估指标上均优于基线CNN和ResNet50模型。性能指标是基于重复实验验证获得的平均值，证实了该方法的可靠性和稳健性。在实时机器人WAAM工作站上的实验验证表明，所提出的人工智能框架显著提高了工艺的稳健性、缺陷检测的可靠性和工业产品的质量。
引言
精密工程的快速发展极大地影响了先进制造技术（AMTS）领域。在该领域中，电弧增材制造（WAAM）被认定为最令人鼓舞的技术之一。WAAM结合了传统的电弧焊接和精确的机器人控制，逐步构建复杂的操作零件。它具有许多优点，包括高沉积速率、资源效率和经济型制造方式，使其成为多种工业领域的革命性解决方案。增材制造（AM）使用多种术语，如分层构建技术、快速原型制作、3D打印、自由形式制造和直接数字制造（Shafighfard等人，2021年）。特别是在电弧增材制造（WAAM）方面的持续研究努力不断推动该领域的发展（Mieloszyk等人，2023年）。图1展示了WAAM内的关键研究领域。智能机器和机器人被用于提高精度和准确性（Chen等人，2025年）。在增材制造中，原始CAD数据被称为3D对象元数据，用于转换为标准镶嵌文件，其中2D数据以分层方式组织并传递给控制器，逐层沉积以构建3D对象（Bártová等人，2024年）。根据原料供应方式，金属增材制造方法分为三类：基于粉末的、基于粉末床的和基于电线的系统（Frazier，2014年）。在所有工艺中，电线送进方法在沉积速率和能量利用效率方面表现最佳，因为它使用直接能量沉积。直接能量以多种形式用作能源，包括激光源、电子束源和电弧源（Karmuhilan和Sood，2018年）。与其他方法相比，它提供了更高的沉积速率。基于气体电弧（GWA）的增材制造工艺在构建质量、构建时间和产品成本方面具有优势。采用自动框架进行工艺优化和自适应控制，以减少缺陷并提高质量（Xia等人，2020年）。通过WAAM工艺制造的产品质量主要依赖于焊珠的准确和精确形成。焊珠的质量不仅影响层形成，还影响整体结构的一致性。因此，需要评估质量，确保没有违反结构安全标准的焊接缺陷（Yang等人，2023年）。增材制造结构的质量取决于焊珠的尺寸精度（Le等人，2021年）。通过高分辨率相机进行在线监控，分析每层的表面质量以检测熔合质量和缺陷。通过热成像进行在线数据监控，并处理图像，从而方便地使用AI和ML以及非线性模型来监控和控制工艺（Jorge等人，2025年）。在AM技术中融合人工智能（AI）和机器学习（ML）需要处理从实验运行中获取的数据（Kunchala等人，2023年）。AI和ML的使用减少了对工艺光学和热监控的依赖。训练ML算法的局限性在于需要可靠的数据及其可用性。实时数据驱动的深度学习模型通过基于神经网络的混合深度学习模型连续预测焊池，从而提高焊珠的质量。基于AI的ML算法迁移学习方法用于WAAM工艺的动态图像分析（Wang等人，2021a）。AM产品中的缺陷会显著影响性能和安全性。WAAM产品中常见的焊接缺陷包括残余应力、变形、熔合不良、凝固不良、意外重叠以及环境条件甚至机械加工条件（Abdelkader等人，2021年）。然而，这些焊接缺陷需要通过焊接缺陷检测专家来妥善处理。常见的重大焊接缺陷包括气孔、裂纹、飞溅物、焊渣、熔合不完全和穿透（Lee等人，2021年）。这些缺陷可以通过破坏性测试（DT）和非破坏性测试（NDT）方法进行检测，例如通过专家肉眼进行视觉检查、通过磁粉检测进行表面检查、磁场检测、通过X射线、伽马射线和超声波进行体积检测。此外，还有先进的检测方法，如红外热成像、涡流检测和电磁检测。
章节片段
相关工作
许多研究工作探索了人工智能（AI）和图像处理技术在焊接结构的无损检测（NDT）中的应用，以提高缺陷识别和质量评估（Turkyilmazoglu和Alotaibi，2026年）。随着工业4.0的快速发展，自动化检测系统变得越来越重要，以确保符合严格的工业质量标准并减少对人工专家评估的依赖。
材料与方法
本工作包括以下实验条件和限制。在本工作中，部署了一个IRB 1520工业MIG焊接机器人工作站，如图2和图9所示，采用了标准行业评级操作程序。考虑了四种电流（I）水平，步长为10A；焊丝送进速度（WFS），步长为1毫米；焊接速度（WS），步长为0.1毫米；以及两种焊炬角度（WA），并在表2中显示以进行实验设计（DOE）。
验证
从表10和表13中可以看出，实验1中的最佳工艺参数为：电流123A，焊炬角度90°，焊丝送进速度6.45毫米/分钟，焊接速度0.513毫米/分钟，功率消耗3.8千瓦，电弧力10.20牛顿，表面粗糙度为0.611微米，焊珠的几何比例HWB、DWB和WWB分别为3.583毫米、0.972毫米和6.36毫米。进一步的最佳工作条件在实验5中发现。
讨论
所获得的结果与以往的研究一致（Mattera等人，2023年），表明所提出的混合框架提供了稳健的多类焊缝缺陷分类性能。如表1.8所示，混淆矩阵揭示了多类分类模型在识别不同潜在焊接缺陷类型方面的性能，这些缺陷被分类为熔合不良、无缺陷、气孔和高飞溅物（如图19所示）。
结论
在本研究中，使用了商业应用中的工艺参数进行实验。共进行了十六次实验，并通过基于教学-学习的优化确定了最佳工作条件。结果通过所有工作条件下的焊珠实验特性进行了验证。从工作中得出了以下结论。
可重复性和可用性
为了提供所提出的WAAM缺陷检测框架的透明度和可重复性，所有用于复制实验结果的资源都公开可用。
CRediT作者贡献声明
Balakrishna Reddy Kunchala：撰写——原始草稿、可视化、数据整理、概念化。Savanam Krishna Veni：验证、调查、形式分析、数据整理。Yarlagadda Jyothi：项目管理、方法论、调查。Perumalla Janaki Ramulu：撰写——审阅与编辑、监督、软件、项目管理。Lam Suvarna Raju：撰写——审阅与编辑、可视化、验证、项目管理。
声明与披露
作者声明在准备本手稿期间没有收到任何资金、资助或其他支持。
利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
作者感谢Vignan科学、技术和研究基金会在研究工作期间的合作。
Balakrishna Reddy Kunchala|Savanam Krishna Veni|Yarlagadda Jyothi|Perumalla Janaki Ramulu|Lam Suvarna Raju
