當焊接會“說話”，科學家如何用聲音預測工具磨損？

攪拌摩擦焊（又稱FSW）是一種壓焊工藝，通過帶有軸肩和焊針的旋轉工具對金屬工件（通常為鋁或鋁合金）進行塑性變形與攪拌，使工件在固態下實現連接。一項由德國聯邦經濟與氣候保護部資助的研究項目，致力于在鋁合金攪拌摩擦焊過程中及早識別工藝偏差，避免廢品或返工。

傳統質量控制通常只能在生產完成后進行，而聲學監測技術能實現制造過程的直接觀測——這為提高工藝安全性和減少停機時間提供了契機。

適應不同生產條件的測量系統

目前工作的核心在于新型測量方案，該方案允許將麥克風靈活安裝在焊接主軸或接合部位，同時同步采集轉速、進給量、作用力或工具位置等工藝數據。模塊化的傳感設計使麥克風能快速適配不同設備與焊接條件，這為未來工業應用帶來顯著優勢。

弗勞恩霍夫數字媒體技術研究所項目負責人Olivia Treuheit解釋道：“我們測量系統的模塊化結構能精準映射不同的設備環境和工藝條件，為聲學監測技術規模化工業應用奠定了基礎。”

伊爾梅瑙理工大學制造技術系主任Jean Pierre Bergmann教授指出：“在實驗室環境中，我們能對測量結果進行全面評估和解讀，深入理解不同焊接條件下聲學信號的關聯性。這為項目團隊精準應用AI模型提供了科學依據，使工藝與工具狀態的可靠評估成為可能。”

工具磨損識別取得突破性進展

現有測量數據已能初步反映工具磨損及工藝偏差跡象。用于工具狀態分類的AI模型對嚴重磨損工具的識別準確率超過99%。項目還測試了多級分類模型，該模型能區分0-40%之間的6個磨損等級，當前準確率已達80%，證明模型具備識別細微磨損差異的能力。

對工業應用而言，現階段成果展現出巨大潛力，清晰表明聲學監測技術既能良好集成于現有制造流程，又能提供可靠的工藝與工具磨損分析。

作為FSW-AcoMon項目合作方，RRS Schilling公司的Christoph Schilling表示：“弗勞恩霍夫數字媒體技術研究所與伊爾梅瑙理工大學提出的解決方案可實際集成到我們的生產流程中，這對企業至關重要，能產生直接增值效益。”

展望：人工智能集成與工業測試

項目第二階段將重點測試評估更多AI模型的適用性，并推進聲學信號與設備參數的集成融合。目標是開發出穩健的可擴展系統，實現對鋁合金攪拌摩擦焊的實時監測，建立持續質量控制機制。

該技術對輕量化結構、電動汽車及航空航天等行業具有特殊價值。對制造業而言，這意味著更少廢品率、更高工藝穩定性及更高效的生產制造。