درک جوشکاری پروژه و چالش های آن

جوشکاری پروژه یک فرایند جوشکاری مقاومتی است که در آن جریان و فشار در پیش بینی های از پیش شکل بر روی یک یا هر دو قطعه کار متمرکز شده است.این طراحی نسل گرما را محلی می کند، مفاصل سریع و تکراری را برای تولید با حجم بالا در خودرو، لوازم و صنایع الکتریکی فراهم می کند. علی رغم کارایی آن، پیش بینی در برابر نقص های فرآیند اختلال های رایج آسیب پذیر است:

  • [در این میان] [در این میان]، [در [و] در [وزیر] حرارت و فشار ناکافی، پیش بینی های پیوند را به طور کامل شکست می دهد.
  • تجاوز: فلز مولن از مفصل خارج می شود، جوش و آلودگی سطح را تضعیف می کند.
  • [[۱] [۱۰] [۱۰] [۱۰] [۱] [۱]] [۱]] [۱]] [۱]] [۱]] [۱]] [۱]] [۱]] [۱]] [۱]] [۱] [۱۰]] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]] [۱] [۳] [۱] [۱]] [۱]]]]]]]]]] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۳] [۳] [۱] [۳] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [
  • (فَلَّهُمْهُمْهُمْهُمْهُمْهُمِهُمْهُمِهُمِهُواً وَهُمْهُوا مِنْمِهُمْهُوا مِنَهُمِنَهُمِهُوا مِنَهُمِهُمْهُوا مِنَا مِنْهُوا مِنْهُوا مِنْهُوا مِنَهُوا مِنْمْهُمِنْمْمِنْهُوا مِنْهُوا مِنْمِنْمْمْمَا مِنَهُمَاَا مِنَا مِنْمَهُمْهُوا مِنَاَا مِنَهُمَهُمَهُمْنَا مِنَهُوَهُوَهُوَهُوَاَهُمَ
  • سقوط نامتقارن [و پیش بینی شکل متناقضی را تولید می کند.

این نقص ها از تعاملات میان ترکیب مواد، سایش الکترود، پارامترهای الکتریکی (voltage، فعلی، جوش زمان)، نیروی مکانیکی و عوامل محیطی ناشی می شود.کنترل کیفیت سنتی به بازرسی پس از حوله بستگی دارد (به عنوان مثال، تجزیه و تحلیل میکروگرافیک، تست پاشنه) یا کنترل فرآیند آماری، که تنها پس از وقوع نقص ها را تشخیص می دهد.

نقش یادگیری ماشین در کنترل کیفیت جوشکاری

یادگیری ماشین سیستم ها را قادر می سازد تا بدون برنامه ریزی صریح یاد بگیرند، در جوشکاری پیش بینی، مدل های ML جریان های سنسور با فرکانس بالا را مصرف می کنند - جابجایی فعلی، جابجایی الکترود، انتشار آکوستیک و پروفیل های حرارتی - برای شناسایی پیش نویس ها برای نقص ها.با تشخیص الگوهای ظریف که اپراتورهای انسانی نمی توانند درک کنند، ML می تواند اقدامات اصلاحی (به عنوان مثال تنظیم زمان جوش یا جریان) را در چرخه جوش میلی ثانیه تحریک کند.

دو روش اولیه ML استفاده می شود:

  • آموزش عالی: مدل ها بر روی مجموعه داده های برچسب آموزش داده شده است که در آن هر جوش به عنوان "خوب" یا "ترس" طبقه بندی شده است، اغلب با انواع خاص نقص الگوریتم مانند جنگل های تصادفی، ماشین های پشتیبان (SVMs)، و شبکه های عصبی عمیق (DNNs) یاد بگیرند که ویژگی های سنسور را به برچسب های نقص خاص نقشه برداری کنند.
  • یادگیری بدون نظارت: هنگامی که برچسب های نقص کمیاب هستند، مدل هایی مانند autoencoders یا الگوریتم های خوشه ای، ناهنجاری ها را با یادگیری امضای جوش "طبیعی" و انحرافات تشخیص می دهند.

مطالعه 2023 نشان داد که یک شبکه عصبی یکپارچه (CNN) آموزش دیده در سیگنال های جابجایی الکترود می تواند پیش بینی کننده تخلیه در جوشکاری پیش بینی شده با دقت 97٪، خروجی روش های سنتی مبتنی بر آستانه، :1] [FLT 1] گروه تحقیقاتی دیگر از درختان گرادboosted برای طبقه بندی شش نوع نقص از داده های الکتریکی، دستیابی به 94٪ دقیق (F:2. [F:2. [2 ]

پیاده سازی ماشین یادگیری برای پیش بینی Defect

جمع آوری داده ها و Sensor Fusion

ML موثر با داده های با کیفیت بالا و همگام سازی شروع می شود.در جوشکاری پیش بینی، سنسورهای کلیدی شامل:

  • سنسورهای نوری: جریان جوش (KA)، ولتاژ (V)، و مقاومت پویا (mΩ) اغلب قبل از اخراج افزایش می یابد.
  • سنسورهای مکانیکی: ترانسفورماتورهای متغیر خطی (LVDT) جابجایی الکترود (mm) و نیرو (سرعت سقوط شیب دار منحنی) بازتاب دهنده نرم سازی مواد است.
  • سنسورهای حرارتی: ، Infraredometers یا ترموگرافی با سرعت بالا گرادیان درجه حرارت سطح را جذب می کنند که با کیفیت همجوشی ارتباط دارد.
  • سنسورهایcoustic: [FLT 1] میکروفون امضا صدا را ثبت می کند - تغییرات در محتوای فرکانس می تواند نشان دهنده ترک یا اخراج باشد.

داده ها باید در ≥1 برای ثبت رویدادهای گذرا نمونه برداری شوند. Synchronization در کانال های سنسور بسیار مهم است؛ تمبر زمان یا سیستم های خرید سخت افزاری که تراز زمانی را تضمین می کنند.

پردازش داده ها و مهندسی ویژگی

داده های سنسور خام شامل سر و صدا، حرکت و بیرون از آن است:

  • فیلتر کردن (به عنوان مثال، Butterworth کم پاس) برای حذف تداخل الکترومغناطیسی.
  • عادی سازی یا استاندارد سازی برای مقیاس ویژگی ها به همان اندازه.
  • بخش بندی: حل دوره جوش (از فروپاشی پیش بینی تا تثبیت) با استفاده از شروع حرکت الکترود و پایان.
  • استخراج ویژگی: توصیف کننده های آماری (mean، varness، kurtosis) بر روی بخش های جوش، و همچنین معیارهای خاص دامنه مانند نیروی اوج، جریان زمان به حالت فعلی و منطقه تحت منحنی مقاومت.

کاهش بعد از ظهر (به عنوان مثال، PCA یا t-SNE) می تواند داده های با ابعاد بالا را تجسم کند و ویژگی های اضافی را حذف کند، تعمیم مدل را بهبود بخشد.

انتخاب مدل و آموزش

معماری های مشترک ML برای پیش بینی نقص جوشکاری عبارتند از:

  • جنگل های راندوم: گرد درختان تصمیم گیری، قوی به بیش از حد، تفسیر از طریق اهمیت ویژگی مناسب برای خلاصه سازی سنسور زبانه.
  • دستگاه های بردار پشتیبانی: موثر برای طبقه بندی باینری (خوب در مقابل نقص) با هسته های غیر خطی.
  • شبکه های عصبی تکامل یافته (CNNs): به طور خودکار الگوهای فضایی یا زمانی را از سیگنال های خام استخراج می کند (به عنوان مثال، 1D-CNN در فرم موج فعلی).
  • شبکه های عصبی فعلی (RNNs) یا LSTMs: ثبت وابستگی به زمان در داده های سنسور متوالی - مفید برای پیش بینی نقص در طول چرخه جوش قبل از تکمیل.
  • Autoencoders: [FLT 1] یک نمایش جمع آوری از جوش های طبیعی را یاد بگیرید؛ خطای بازسازی شده، ناهنجاری ها را نشان می دهد.

آموزش نیاز به یک مجموعه داده متعادل دارد - اگر جوش های معیوب نادر هستند (به عنوان مثال، 1٪ از تولید)، تکنیک هایی مانند Oversampling اقلیت مصنوعی (SMOTE) یا تنظیم وزن کلاس مانع از سوگیری مدل نسبت به طبقه اکثریت می شود.

استقرار و ادغام زمان واقعی

استقرار یک مدل ML آموزش دیده بر روی یک کنترل کننده منطقی برنامه ریزی شده (PLC) یا دستگاه لبه شامل تبدیل مدل به یک فرمت سبک (به عنوان مثال، ONNX، TensorFlow Lite) و اجرای منطق استنتاج است. سیستم باید محدودیت های زمان چرخه را برآورده کند - مدت جوش های معمول 50 -500 متر است، بنابراین در استنتاج باید در تکنیک 10-20 تکمیل شود و بدون تأخیر و بدون کاهش دقت قابل توجه.

بازخورد زمان واقعی را می توان در دو حالت اجرا کرد:

  • توقف پیش بینی: اگر مدل پیش بینی احتمال نقص بالا، کنترل کننده جوشکاری قطع جریان فعلی و یا افزایش فشار برای نجات مفصل مفصل.
  • تعدیل پارامتر سازگار: مدل توصیه می کند اصلاحات جزئی به جوش فعلی، زمان، و یا نیروی برای جوش بعدی بر اساس روند از جوش های اخیر.

یک عرضه کننده پیشرو خودرو یک پیش بینی مبتنی بر LSTM را در خط جوشکاری پیش بینی خود برای نوارهای باتری ادغام کرد.این سیستم نرخ رد را از 2.3% به 0.4٪ در شش ماه کاهش داد. [۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۳][۱][۱][۱][۳][۵][۵][۵][۳][۲][۲][۲][۳][۳][۱][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۳][۲][۲][۲][۲][۲][۳][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۳][۲][۱][۲][۲][۱][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲][۲

مزایای استفاده از یادگیری ماشین در جوشکاری پروژه

فراتر از چهار مورد ذکر شده در مقاله اصلی، مزایای گسترده شامل:

  • خرابی سرخ شده: نگهداری پیش بینی کننده الکترود - مدل ها می توانند الگوهای تخریب الکترود را تشخیص دهند، جایگزینی را قبل از جوش های معیوب رخ دهد.
  • پس انداز مواد: کمتر از آن، و دوباره مصرف مواد خام خام را کاهش دهید، حمایت از اهداف پایداری.
  • تقویت مهارت های عملیاتی: [FLT 1] ابزار ML داشبوردهای شهودی را ارائه می دهد که نشان دهنده روند کیفیت جوش، توانمندسازی اپراتورهای برای تصمیم گیری های مبتنی بر داده است.
  • انتقال ارزش: پس از آموزش در یک بخش هندسه، انتقال یادگیری می تواند مدل را با قطعات مشابه با آموزش حداقل تطبیق دهد - یک مزیت بزرگ در تولید کم حجم، مخلوط بالا.

مسیر های آینده و چالش ها

کیفیت داده ها و مقدار

مدل های ML نیاز به ده ها هزار نمونه جوش برچسب برای تعمیم در سراسر تغییرات فرایند دارند. [۵] جمع آوری اطلاعات جوش ناقص به ویژه به چالش کشیدن است زیرا نقص ها کمیاب هستند.ت.ت.ت.ت.ت.ت.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.د داده های فرآیند جوشکاری باز (۰:۱) در حال ظهور هستند.

قابلیت پیش بینی مدل Interpretability

ذینفعان صنعت خواستار توضیحاتی برای اینکه چرا جوش به عنوان روش های معیوب هوش مصنوعی (XAI) – مقادیر آنP، LIME یا مکانیسم های توجه – می توانند نشان دهند که کدام سنسورها و فواصل زمانی بیشتر به پیش بینی کمک می کنند.

تقویت به رمان

یک مدل آموزش دیده در یک کلاس مواد ممکن است زمانی که تامین کننده مواد تغییر می کند یا زمانی که الکترود به هندسه مختلف می رسد، تکنیک های سازگاری دامنه و یادگیری مداوم (به روز رسانی آنلاین) مناطق تحقیقاتی فعال هستند. رویکردهای ترکیبی که مدل های مبتنی بر فیزیک (به عنوان مثال، شبیه سازی عناصر محدود) را با ML می توانند برونپولاسیون را به شرایط ناشناخته بهبود بخشد.

ادغام با صنعت 4.0

سیستم های جوشکاری پروژه ML باید با سیستم های اجرای ساختمان (MES) برای ردیابی و با سیستم عامل های ابری برای یادگیری ناوگان ارتباط برقرار کنند. Edge هزینه های انتقال داده و تاخیر را کاهش می دهد، در حالی که تجزیه و تحلیل ابر می تواند مدل های شبانه را با استفاده از داده های جمع آوری شده از چندین خط مانند OPCA تسهیل تبادل داده ها مجدداً انتقال دهد.

در نتیجه، یادگیری ماشین یک مسیر تحول آمیز از تشخیص نقص واکنشی به پیشگیری از فرار فعال در جوشکاری پیش بینی ارائه می دهد.با استفاده از داده های سنسور بافیادل بالا و الگوریتم های پیشرفته، تولید کنندگان می توانند به نرخ های فرار نزدیک به صفر، هزینه های پایین تر و بهبود قابلیت اطمینان محصول، سفر نیاز به سرمایه گذاری در زیرساخت سنسور، مدیریت داده ها و اعتبار مدل، اما بازده - هر دو الگوریتم های اقتصادی و عملیاتی - به عنوان فروشگاه های مقاومت استاندارد در سراسر جهان، و کنترل کیفیت عملکرد استاندارد ML در عمل، تبدیل می شود.