ISSN 1995-2732 (Print), 2412-9003 (Online)
УДК 621.791.76:620.179
DOI: 10.18503/1995-2732-2026-24-3-156-163
Аннотация
Актуальность работы. Статья посвящена актуальной проблеме обеспечения стабильности и качества процесса аддитивного электродугового выращивания (WAAM), сдерживающей его широкое внедрение в ответственное производство. Традиционные методы неразрушающего контроля, применяемые постфактум, не позволяют оперативно корректировать процесс. Цель работы. Разработка комплексного диагностического подхода на основе in-situ-мониторинга для предиктивного контроля. Для этого предложен метод синхронной многопараметрической регистрации ключевых физических полей: электрических характеристик дуги (напряжение, ток) и сигналов акустической эмиссии (АЭ). В ходе экспериментальных исследований проводилась наплавка образцов-стенок с одновременной фиксацией данных. Анализ включал построение спектрограмм, фазовых портретов (энергоакустических аттракторов) и оценку их фрактальной размерности для выявления признаков устойчивости и дефектообразования. Новизна. Заключается в интеграции многопараметрических данных и применении глубоких нейросетевых моделей для их анализа в реальном времени. Проведен сравнительный анализ различных архитектур, включая сверточные и рекуррентные сети, для классификации режимов процесса по сырым и обработанным сигналам. Наилучший результат (точность 91%) показала двунаправленная рекуррентная модель (BiLSTM), использующая предварительно рассчитанные нелинейные параметры сигнала (фрактальную размерность и спектральную энтропию) в качестве ключевых признаков. Это позволяет модели эффективно выявлять тонкие паттерны, предшествующие срыву устойчивости. Практическая значимость. Состоит в создании основы для интеллектуальной системы предиктивного контроля, способной прогнозировать потерю устойчивости процесса за десятые доли секунды. Это открывает путь к системам адаптивного управления с замкнутым контуром, что критически важно для промышленного внедрения WAAM, обеспечивая не только контроль качества, но и оптимизацию режимов «на лету». Дальнейшее развитие предполагает интеграцию обученной модели в систему управления технологическим процессом и валидацию метода на более широкой номенклатуре материалов и режимов наплавки.
Ключевые слова
аддитивное электродуговое выращивание (WAAM), предиктивный контроль, in-situ мониторинг, акустическая эмиссия, глубокое обучение, фрактальный анализ, динамическая устойчивость, нелинейная динамика, многопараметрическая диагностика, рекуррентная нейронная сеть (RNN), фазовый портрет, интеллектуальное управление, качество наплавки
Для цитирования
Разработка комплексного подхода диагностики процессов сварки и аддитивного электродугового выращивания / Аносов М.С., Шатагин Д.А., Баевский А.А., Подувальцев А.А., Архипов М.В., Ямгулин Р.И. // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2026. Т. 24. №3. С. 156-163. https://doi.org/10.18503/1995-2732-2026-24-3-156-163
1. A review of the wire arc additive manufacturing of metals: properties, defects and quality improvement / Wu B., Pan Z., Ding D., Cuiuri D., Li H., Xu J., Norrish J. // Journal of Manufacturing Processes. 2018, vol. 35, pp. 127–139. DOI: 10.1016/j.jmapro. 2018.08.001.
2. A multi-bead overlapping model for robotic wire and arc additive manufacturing (WAAM) / Ding D., Pan Z., Cuiuri D., Li H. // Robotics and Computer-Integrated Manufacturing. 2015, vol. 31, pp. 101–110.
3. Usability of arc types in industrial welding / Kah P., Latifi H., Suoranta R., Martikainen J., Pirinen M. // International Journal of Mechanical and Materials Engineering. 2014, vol. 9, no. 1, pp. 15. DOI: 10.1186/s40712-014-0015-6.
4. Bead geometry prediction for robotic GMAW-based rapid manufacturing through a neural network and a second-order regression analysis / Xiong, J., Zhang, G., Hu, J. et al. // J Intell Manuf 25, 2014, pp.157–163 (). https://doi.org/10.1007/s10845-012-0682-1.
5. Acoustic emission for in situ quality monitoring in additive manufacturing using spectral convolutional neural networks / Shevchik S.A., Kenel C., Leinenbach C., Wasmer K. // Additive Manufacturing. 2017, vol. 27, pp. 598–604. 10.1016/j.addma.2017.11.012.
6. Additive manufacturing of functionally graded materials: A review / Zhang C., Chen F., Huang Z., Jia M., Chen G., Ye Y., Lin Y., Liu W., Chen B., Shen Q., Zhang L., Lavernia E.J. // Materials Science and Engineering: A. 2019, vol. 764, 138209.
7. Optimization of surface appearance for wire and arc additive manufacturing of Bainite steel / F. Youheng [et al.] // Int. J. Adv. Manuf. Technol. 2017, vol. 91, no. 1-4, pp. 301-313.
8. Wang Z., Palmer T.A., Beese A.M. Effect of processing parameters on microstructure and tensile properties of austenitic stainless steel 304L made by directed energy deposition additive manufacturing // Acta Materialia. 2016, vol. 110, pp. 226–235. DOI: 10.1016/j.actamat.2016.03.019.
9. Printability of alloys for additive manufacturing / Mukherjee T., Zuback J.S., De A., DebRoy T. // Scientific Reports. 2016, vol. 6 (1), 19717. DOI:10.1038/srep19717.
10. Tribological characterisation in dry sliding conditions of compocasted hybrid A356/SiCp/Grp composites with graphite macroparticles / Vencl A., Vučetić F., Bobić B., Pitel J., Bobić I. // The International Journal of Advanced Manufacturing Technology. 2019, vol. 100, 2135-2146.
11. Machine learning in additive manufacturing: State-of-the-art and perspectives / Wang C., Tan X.P., Tor S.B., Lim C.S. // Additive Manufacturing. 2020, vol. 36, 101538. DOI: 10.1016/j.addma.2020.101538
12. Liu S., Shin Y.C. Additive manufacturing of Ti6Al4V alloy: A review // Materials & Design. 2018, vol. 164, 107552. DOI: 10.1016/j.matdes.2018.107552.