当焊接会“说话”，科学家如何用声音预测工具磨损？

搅拌摩擦焊（又称FSW）是一种压焊工艺，通过带有轴肩和焊针的旋转工具对金属工件（通常为铝或铝合金）进行塑性变形与搅拌，使工件在固态下实现连接。一项由德国联邦经济与气候保护部资助的研究项目，致力于在铝合金搅拌摩擦焊过程中及早识别工艺偏差，避免废品或返工。

传统质量控制通常只能在生产完成后进行，而声学监测技术能实现制造过程的直接观测——这为提高工艺安全性和减少停机时间提供了契机。

适应不同生产条件的测量系统

目前工作的核心在于新型测量方案，该方案允许将麦克风灵活安装在焊接主轴或接合部位，同时同步采集转速、进给量、作用力或工具位置等工艺数据。模块化的传感设计使麦克风能快速适配不同设备与焊接条件，这为未来工业应用带来显著优势。

弗劳恩霍夫数字媒体技术研究所项目负责人Olivia Treuheit解释道：“我们测量系统的模块化结构能精准映射不同的设备环境和工艺条件，为声学监测技术规模化工业应用奠定了基础。”

伊尔梅瑙理工大学制造技术系主任Jean Pierre Bergmann教授指出：“在实验室环境中，我们能对测量结果进行全面评估和解读，深入理解不同焊接条件下声学信号的关联性。这为项目团队精准应用AI模型提供了科学依据，使工艺与工具状态的可靠评估成为可能。”

工具磨损识别取得突破性进展

现有测量数据已能初步反映工具磨损及工艺偏差迹象。用于工具状态分类的AI模型对严重磨损工具的识别准确率超过99%。项目还测试了多级分类模型，该模型能区分0-40%之间的6个磨损等级，当前准确率已达80%，证明模型具备识别细微磨损差异的能力。

对工业应用而言，现阶段成果展现出巨大潜力，清晰表明声学监测技术既能良好集成于现有制造流程，又能提供可靠的工艺与工具磨损分析。

作为FSW-AcoMon项目合作方，RRS Schilling公司的Christoph Schilling表示：“弗劳恩霍夫数字媒体技术研究所与伊尔梅瑙理工大学提出的解决方案可实际集成到我们的生产流程中，这对企业至关重要，能产生直接增值效益。”

展望：人工智能集成与工业测试

项目第二阶段将重点测试评估更多AI模型的适用性，并推进声学信号与设备参数的集成融合。目标是开发出稳健的可扩展系统，实现对铝合金搅拌摩擦焊的实时监测，建立持续质量控制机制。

该技术对轻量化结构、电动汽车及航空航天等行业具有特殊价值。对制造业而言，这意味着更少废品率、更高工艺稳定性及更高效的生产制造。