基于时频声学表征与深度卷积神经网络的电弧增材制造CTWD高分辨率分类研究

《Journal of Manufacturing Processes》：High-resolution CTWD classification in wire arc additive manufacturing using time–frequency acoustic representation and deep convolutional neural networks

　　

本研究提出了一种数据驱动的时频学习框架，利用电弧增材制造（Wire Arc Additive Manufacturing, WAAM）过程中产生的电弧声学信号，以1 mm分辨率对接触尖端至工件距离（Contact Tip to Work Distance, CTWD）进行分类。在WAAM工艺中，CTWD的变化直接影响电弧长度、热输入和金属过渡行为，进而影响沉积质量和工艺稳定性。然而，由于强烈的电弧光、飞溅和高温等恶劣工艺条件，精确的原位CTWD测量仍然具有挑战性。为解决这一局限，本研究将声学信号的时频结构构建为可学习的表征，并将基于短时傅里叶变换（Short-Time Fourier Transform, STFT）的谱图与二维卷积神经网络（2D Convolutional Neural Network, 2D CNN）相结合，以直接捕获由CTWD变化引起的结构模式差异。在单一批次数据集（Set 1）上，所提方法在11类（10–20 mm）分类任务中达到了0.9955的准确率（Accuracy）和0.9952的宏观F1分数（Macro F1-score），证明了在1 mm尺度上可靠区分的可行性。然而，当通过随机化CTWD序列和沉积位置引入工艺可变性时（Set 1–3合并数据集），在与所提模型相同条件下训练的简单CNN（Simple CNN）准确率仅为0.6476，F1分数为0.6386，表明在数据复杂度增加时模型容量的局限性。为此，研究人员开发了一种基于堆叠卷积块（Conv_Block）的深度CNN架构（DeepCNN），该卷积块由二维卷积层（Conv2d）、二维批归一化层（BatchNorm2d）和修正线性单元（ReLU）组成，在扩展数据集上达到了0.9654的准确率和0.9662的宏观F1分数。然而，在针对完全未见批次的留一批次法（leave-one-session-out）评估中，准确率降至0.128 ± 0.015，仅弱序数CTWD信息能够跨批次传递；批次鲁棒的细粒度估计被确认为一项开放性挑战。此外，当图像预训练骨干网络（EfficientNetB2、ResNet18）在匹配条件下以模型特定的学习率调整进行训练时，分别达到了0.9834（ResNet18）和0.9729（EfficientNetB2）的准确率，而所提模型为0.9654，该差异对于ResNet18具有统计显著性（McNemar检验p = 0.029），但对于EfficientNetB2则不显著（p = 0.442）；所提架构以约ResNet18三分之一的参数量且无需ImageNet预训练达到了这一性能水平。总体而言，本研究定量证明了声学信号包含足够的CTWD估计信息，且学习时频结构能够在1 mm分辨率下实现稳定分类。这些结果表明，声学传感可作为光学方法的低成本、非接触替代方案，用于提升WAAM工艺的监测分辨率，并进一步表明其在实时CTWD估计和闭环工艺控制方面的潜力。

**电弧增材制造中基于时频声学表征与深度卷积神经网络的CTWD高分辨率分类研究——论文解读**

**一、研究背景与问题**

电弧增材制造（Wire Arc Additive Manufacturing, WAAM）是一种定向能量沉积（Directed Energy Deposition, DED）工艺，以金属丝材为原料、电弧为热源逐层制造金属构件。凭借高沉积速率、大幅降低材料浪费和生产成本的优势，WAAM在航空航天、造船和国防等领域受到广泛关注。在WAAM工艺中，接触尖端至工件距离（Contact Tip to Work Distance, CTWD）——定义为导电嘴与工件之间的距离——是关键的工艺参数。CTWD通过改变自由丝长和电阻直接影响电弧的电热行为，进而影响热输入和熔融金属过渡行为。研究表明，CTWD是决定电弧稳定性、金属过渡模式、焊道几何形状和整体沉积质量的关键参数：CTWD过大会导致电弧不稳定和熔滴流挂现象，而过小则可能引发短路频率突变并增加焊枪与工件碰撞的风险。在多层沉积过程中，焊道几何不规则会导致CTWD变化，且此类误差随沉积层数增加在垂直方向上累积，成为多层制造中沉积不稳定的主要因素。

然而，在WAAM工艺中精确原位测量CTWD面临严峻挑战。高温电弧等离子体、强光辐射、飞溅以及持续变化的熔池几何形状严重降低了光学或红外传感的可靠性，如图像饱和、视场受限、传感器污染和热损伤等问题构成了结构性的测量障碍。因此，既有研究大多将CTWD作为间接控制参数，通过监测焊道几何形状来推断和调整，而未能直接捕获CTWD变化引起的电弧行为细微动态差异。声学传感作为一种低成本、非接触的监测技术近年来受到关注。焊接过程中产生的声学信号与电弧长度、电流波形、金属过渡模式（如短路、 globular、喷射过渡）和熔池动力学密切相关，而这些现象均受CTWD的强烈影响。然而，先前基于声学的CTWD研究虽证实了声学信号与CTWD之间物理关联的可行性，但主要依赖低维统计特征或有限频域特征（如约±0.5 mm精度），未能充分利用声学信号丰富的时频结构，无法实现工艺控制所需的1 mm级高分辨率区分。针对上述局限，本研究提出了基于STFT时频表征与深度学习相结合的框架，旨在通过学习声学模式的时频结构差异，实现1 mm间隔的CTWD高分辨率分类。

**二、研究内容与意义**

研究人员提出了一种数据驱动的时频学习框架，将电弧声学信号的STFT谱图与二维卷积神经网络（2D CNN）相结合，将CTWD分类构建为高分辨率多类分类问题。在单一实验批次条件下，该方法实现了11类（10–20 mm，1 mm间隔）CTWD的高精度分类。面对引入随机化沉积序列和位置的多批次扩展数据，研究人员进一步设计了基于堆叠卷积块（Conv_Block）的深度CNN架构（DeepCNN），在扩展数据集上取得了0.9654的准确率。研究还系统评估了跨批次泛化性能，揭示了批次鲁棒细粒度估计作为开放性挑战。此外，通过与ImageNet预训练骨干网络的对比，证明了所提紧凑架构以约三分之一的参数量即可达到相当性能水平。该研究的核心贡献不仅在于证实声学信号包含CTWD信息，更在于建立了可学习时频结构以实现1 mm分辨率精确判别的框架，为声学传感作为低成本非接触监测方案用于WAAM闭环工艺控制奠定了基础。

**三、关键技术方法**

本研究采用基于熔化极气体保护焊（Gas Metal Arc Welding, GMAW）的WAAM系统，配备Fronius TPS 500i电源，工作于冷金属过渡（Cold Metal Transfer, CMT）模式。沉积材料为直径1.2 mm的SUS316L低碳奥氏体不锈钢丝材，保护气为高纯氩气（Ar）。CTWD从10 mm到20 mm以1 mm增量变化，共11个离散条件。声学信号通过低成本商用USB驻极体电容麦克风（TB329，全向型，频率范围20 Hz–16 kHz）采集，麦克风刚性安装于焊枪侧焊接相机下方，随焊枪移动，采样率为44.1 kHz、16-bit分辨率。实验设计了三个独立沉积批次（Set 1–Set 3）：Set 1采用CTWD顺序递增和固定沉积方向；Set 2和Set 3采用CTWD值和沉积位置的随机化设计，以引入接近实际工况的工艺可变性。所有实验均为单道单层沉积。信号处理方面，录音重采样至14 kHz后，以0.3 s固定窗口（4200采样点）进行非重叠分段，采用STFT（Hann窗512点、跳步256点、50%帧重叠）变换为257频率bin×17时间帧的谱图，线性频率范围0–7000 Hz，转换为分贝（dB）尺度后逐段标准化至零均值单位方差。模型方面，DeepCNN架构由四个堆叠Conv_Block组成，每个Conv_Block包含三次连续的[Conv2d → BatchNorm2d → ReLU]操作后接2×2最大池化，通道维度从32逐步增至64、128、256，分类器采用展平、Dropout（p=0.3）和全连接层。

**四、主要研究结果**

**（1）基于统计特征的声学分析（Statistical feature-based acoustic analysis）**

作为基线方法，研究人员从Set 1数据集的每个声学片段中提取了17个时域和频域统计特征（包括均方根值RMS、偏度、峰度、频谱质心、频率标准差和频带峰值比等），并使用多层感知机（MLP）在三类CTWD分类任务上进行评估。随着CTWD类间距从（10, 15, 20）mm逐步缩小至（14, 15, 16）mm，准确率和F1分数单调下降，在最窄间距下仅为约0.82；替换为1D CNN、RNN及投票集成等替代架构均未带来有意义的改善。置换特征重要性分析表明，频率标准差和PeakRatioInner是最主要的判别特征。这些结果表明，手工统计特征虽在粗粒度（三类）下具有一定区分能力，但无法解析1 mm级CTWD差异，其性能瓶颈源于特征表征能力而非分类器。

**（2）时频表征与基于CNN的CTWD分类（Time-frequency representation and CNN-based CTWD classification）**

为克服统计特征的局限，研究人员引入了基于STFT的时频表征，保留了声学信号的非平稳特性和局部频率变化。在Set 1数据集上，STFT–2D CNN框架的11类CTWD分类达到了0.9955的准确率和0.9952的宏观F1分数，混淆矩阵呈现强对角占优。该性能提升的关键在于STFT谱图同时编码了能量分布的幅度及其在频率轴上的时间演化和空间排列，而CNN架构能够分层提取此类局部模式。值得注意的是，逐段标准化预处理使模型不依赖绝对声压级，而是学习时频域中相对能量分布和结构模式。对麦克风至电弧距离的分析表明，10 mm CTWD变化引起的自由场声级变化至多约0.6 dB（每1 mm步长不足0.06 dB），远小于电弧声的自然短期波动，且被逐段标准化去除，因此分类必然依赖于信号的频谱-时间结构。

**（3）数据集可变性与模型容量的影响（Effect of dataset variability and model capacity）**

将三个实验批次（Set 1–Set 3）合并为扩展数据集后，Simple CNN（浅层结构，单一Conv2d后立即MaxPool2d）在相同训练条件下的准确率降至0.6476，F1分数为0.6386；即使将训练轮次从200增至500也仅提升至0.7018和0.6951，表明性能下降源于模型容量不足以应对数据复杂度增加，而非过拟合。相比之下，DeepCNN在扩展数据集上达到0.9654的准确率、0.9676的精确率、0.9654的召回率和0.9662的F1分数。混淆矩阵显示641/664个评估片段被正确分类，两个最弱类别为10 mm（52/57）和17 mm（48/52）；23个误分类片段中有8个被分配到相邻CTWD类别，若允许±1 mm容差则有效准确率升至0.9774。DeepCNN的性能提升归因于其层次化Conv_Block设计——在下采样之前累积充分的非线性变换和批归一化，从而在时频域中保留结构信息并提取从低层局部频率变化到高层CTWD特异性模式的层次化特征。

**（4）跨批次泛化评估——留一批次法（Cross-session generalization assessment: leave-one-session-out）**

为评估模型对完全未见沉积批次的泛化能力，研究人员进行了留一批次法（LOSO）评估：以两个批次训练、第三个批次测试，三轮交叉验证。11类准确率在三折中分别为0.112、0.122和0.132，仅略高于随机概率0.091；五次随机种子重复得到均值0.128 ± 0.015。该性能缺口对模型容量变化、STFT分辨率变化（n_fft = 256/512/1024）、Mel滤波器组替换、逐批次标准化及SpecAugment掩蔽均不敏感。跨批次传递并非完全失败：在折B–E中，真实与预测CTWD之间的Spearman秩相关系数达0.30–0.47，±1 mm容差准确率为0.38–0.46，三带粗评分（低：10–13 mm；名义：14–16 mm；高：17–20 mm）准确率为0.40–0.51。单批次折D和E（Set 2训练→Set 3测试，反向亦然）准确率分别为0.131和0.102，与折A–C不可区分，表明失败不能归因于传感器重新安装。仅使用逐帧RMS级别的对照模型在所有条件下保持随机水平准确率（0.09）。这些结果表明，所提框架在训练所覆盖的声学条件内可解析1 mm CTWD差异，但将绝对1 mm尺度迁移至未见批次仍是开放性问题，仅弱序数信息跨批次保留。

**（5）讨论与消融研究（Discussion and ablation study）**

在与ImageNet预训练骨干网络的对比中，ResNet18和EfficientNetB2在匹配条件下分别达到0.9834和0.9729的准确率，与DeepCNN的0.9654相比：ResNet18的差异具有统计显著性（McNemar检验p = 0.029），EfficientNetB2则不显著（p = 0.442）。DeepCNN以约4.06 M参数量（约为ResNet18的三分之一）和无需ImageNet预训练即达到相当性能。在收敛行为方面，ResNet18收敛最快（第8轮验证准确率超0.90），但其验证损失波动较大（最后50轮标准差0.112），而DeepCNN的验证损失最平滑（标准差0.033），表明批归一化在紧凑架构中产生了更可预测的训练轨迹。消融研究表明，Dropout比率在0.2–0.4范围内对性能无统计显著影响（McNemar检验p值分别为0.832和1.000，相对于0.3配置），准确率分别为0.9684、0.9654和0.9669。研究还指出，类身份与记录身份在单一批次内混淆，因此片段级随机分割的评估结果应理解为乐观上界，而LOSO评估更贴近实际部署场景。STFT谱图的各向异性结构（时间轴与频率轴）与自然图像在空间不变性上的归纳偏置差异，是设计高效声学模型时需要考虑的结构性因素。

**五、讨论总结与研究结论**

综合而言，本研究定量证明了CTWD分类本质上是一个识别时频模式结构差异的问题，而非比较绝对能量幅度。统计特征分析揭示了传统手工特征在细粒度区分上的固有局限，而STFT–2D CNN框架通过保留非平稳和局部频率模式克服了这一障碍。DeepCNN的层次化Conv_Block设计有效应对了多批次工艺可变性带来的数据复杂度增加，以紧凑参数量匹配甚至接近大型预训练模型的性能。然而，LOSO评估结果清晰界定了当前方法的适用范围：在训练覆盖的声学条件内可实现1 mm分辨率分类，但批次鲁棒的细粒度估计仍是核心开放性挑战。

该研究的结论如下（翻译自原文Conclusion部分）：本研究提出了一种数据驱动分析框架，利用WAAM中产生的电弧声学信号以1 mm分辨率对CTWD进行分类。不同于通过焊道几何间接控制或有限频域分析来解读CTWD变化的传统方法，本研究将CTWD变化引起的声学模式时频结构构建为可学习表征。基于统计特征的分析证实CTWD变化影响声学信号的整体能量分布和频率色散特性，但随着CTWD间隔减小，特征分布重叠加剧，揭示了统计表征在解析细粒度CTWD差异方面的固有局限。为此引入的STFT时频表征在单一批次数据集上实现了0.9955的准确率和0.9952的宏观F1分数。在包含重复实验、传感器重装和随机化沉积序列的扩展数据集条件下，所设计的Conv_Block深度CNN架构达到了0.9654的准确率和0.9662的F1分数，较浅层基线大幅提升，同时以约三分之一参数量匹配ImageNet预训练骨干网络的精度。LOSO评估量化了剩余挑战：准确率降至0.128 ± 0.015，仅弱序数信息跨批次传递。消融研究表明性能对Dropout比率（0.2–0.4）不敏感，且与数据时频特征相匹配的适当深度层次结构比单纯增加参数量更为关键。该研究的主要贡献在于建立了声学模式时频结构可被有效学习以实现1 mm尺度CTWD分类的框架，表明声学传感可作为低成本、非接触替代方案用于改善WAAMP工艺监测分辨率。但本研究仅限于CMT模式下SUS316L单道单层沉积条件，应视为声学基CTWD监测的初步探索。未来工作需将该框架扩展至多层沉积环境（考虑累积几何误差和热历史效应）、其他过渡模式和材料体系，并致力于实现批次鲁棒的泛化能力以及基于回归的实时连续CTWD估计与闭环控制。