प्रक्षेपण वेल्डिंग में वेल्डिंग दोषों को रोकने और रोकने के लिए मशीन लर्निंग का उपयोग करना

प्रोजेक्शन वेल्डिंग और इसकी चुनौतियों को समझना

प्रोजेक्शन वेल्डिंग एक प्रतिरोध वेल्डिंग प्रक्रिया है जहां वर्तमान और दबाव एक या दोनों कार्यक्षेत्रों पर पूर्व-निर्मित अनुमानों पर केंद्रित है। यह डिज़ाइन गर्मी उत्पादन को स्थानीयकृत करता है, जिससे ऑटोमोटिव, उपकरण और इलेक्ट्रिकल उद्योगों में उच्च-खंड उत्पादन के लिए तेजी से, दोहराए जाने योग्य जोड़ों को आदर्श बनाया जा सकता है। इसकी दक्षता के बावजूद, प्रक्षेपण वेल्डिंग प्रक्रिया परिवर्तनशीलता के कारण दोषों के लिए असुरक्षित है। आम दोषों में शामिल हैं:

]Incomplete fusion: अपर्याप्त गर्मी या दबाव पूरी तरह से बंधन अनुमानों में विफल रहता है।
Expulsion: Molten metal is ejected from the joint, the वेल्ड को कमजोर करने और सतह संदूषण पैदा करने.
Porosity: गैस प्रवेश शून्य पैदा करता है जो ताकत को कम करता है।
Cracking: थर्मल तनाव या अनुचित शीतलन के कारण fissures.
Asymmetric पतन: असमान प्रक्षेपण विरूपण असंगत संयुक्त ज्यामिति पैदा करता है।

ये दोष भौतिक संरचना, इलेक्ट्रोड पहनने, विद्युत मापदंडों (वोल्टेज, वर्तमान, वेल्ड समय), यांत्रिक बल और पर्यावरणीय कारकों के बीच बातचीत से उत्पन्न होते हैं। पारंपरिक गुणवत्ता नियंत्रण पोस्ट-वेल्ड निरीक्षण (जैसे, माइक्रोग्राफिक विश्लेषण, कतरनी परीक्षण) या सांख्यिकीय प्रक्रिया नियंत्रण पर निर्भर करता है, जो केवल उनके होने के बाद दोषों का पता लगाता है। वास्तविक समय में दोष की रोकथाम की आवश्यकता मशीन लर्निंग (ML) तकनीकों को अपनाने की है जो वेल्डिंग गतिशीलता में जटिल, गैर-रैखिक संबंधों को मॉडल कर सकती है।

वेल्डिंग गुणवत्ता नियंत्रण में मशीन लर्निंग की भूमिका

मशीन लर्निंग सिस्टम को बिना किसी स्पष्ट प्रोग्रामिंग के डेटा से सीखने में सक्षम बनाता है। प्रक्षेपण वेल्डिंग में, एमएल मॉडल ingest उच्च आवृत्ति सेंसर धाराओं -वोल्टेज, वर्तमान, इलेक्ट्रोड विस्थापन, ध्वनिक उत्सर्जन, और अवरक्त थर्मल प्रोफाइल - दोषों के लिए पूर्ववर्ती की पहचान करने के लिए। सूक्ष्म पैटर्न को पहचानने से कि मानव ऑपरेटरों को नहीं देख सकते हैं, एमएल वेल्ड चक्र के मिलीसेकंड के भीतर सही कार्रवाई (उदाहरण के लिए, वेल्ड समय या वर्तमान समायोजन) को ट्रिगर कर सकता है।

दो प्राथमिक एमएल दृष्टिकोण का उपयोग किया जाता है:

Supervised learning: मॉडलों को लेबल डेटासेट पर प्रशिक्षित किया जाता है जहां प्रत्येक वेल्ड को विशिष्ट दोष प्रकारों के साथ "अच्छा" या "defective" के रूप में वर्गीकृत किया जाता है। अल्गोरिथम जैसे यादृच्छिक वन, समर्थन वेक्टर मशीन (SVMs), और गहरे तंत्रिका नेटवर्क (DNNs) को दोष लेबल के लिए सेंसर सुविधाओं का नक्शा करना सीखना है।
Unsupervised learning: जब दोष लेबल दुर्लभ होते हैं, तो ऑटोनकोडर या क्लस्टरिंग एल्गोरिदम जैसे मॉडल "सामान्य" वेल्ड हस्ताक्षर और फ्लैगिंग विचलन को सीखकर विसंगतियों का पता लगाते हैं।

2023 अध्ययन से पता चला है कि इलेक्ट्रोड विस्थापन संकेतों पर प्रशिक्षित एक संप्रदायिक तंत्रिका नेटवर्क (CNN) ने 97% सटीकता के साथ प्रक्षेपण वेल्डिंग में एक्स्प्लिशन की भविष्यवाणी की थी, जो पारंपरिक सीमा आधारित तरीकों को बेहतर बना सकता है। ][1] एक अन्य शोध समूह ने विद्युत डेटा से छह दोष प्रकारों को वर्गीकृत करने के लिए ग्रेडिएंट-बॉस्टेड पेड़ों का इस्तेमाल किया, जो 94% परिशुद्धता प्राप्त करता है। ]]] ]]]] इन परिणामों ने भविष्यवाणी करने के लिए प्रतिक्रियाशील से गुणवत्ता आश्वासन को बदलने की क्षमता को कम किया।

दोष भविष्यवाणी के लिए मशीन लर्निंग को लागू करना

डेटा संग्रह और सेंसर फ्यूजन

प्रभावी एमएल उच्च गुणवत्ता वाले सिंक्रनाइज़ डेटा के साथ शुरू होता है। प्रक्षेपण वेल्डिंग में, प्रमुख सेंसरों में शामिल हैं:

]विद्युत सेंसर: मापन वेल्ड वर्तमान (KA), वोल्टेज (V), और गतिशील प्रतिरोध (mΩ). प्रतिरोध स्पाइक अक्सर प्रक्षेपण को पूर्व निर्धारित करते हैं।
]Mechanical सेंसर: रैखिक परिवर्तनीय अंतर ट्रांसफार्मर (LVDTs) ट्रैक इलेक्ट्रोड विस्थापन (मिमी) और बल (kN))। कोलैप्स वेग सामग्री को नरम करने को दर्शाता है।
]Thermal सेंसर: इन्फ्रारेड पाइरोमीटर या उच्च गति वाली थर्मोग्राफी सतह के तापमान ढाल को कैप्चर करती है, जो संलयन की गुणवत्ता के साथ सहसंबंधित है।
Acoustic सेंसर: माइक्रोफोन ध्वनि हस्ताक्षर रिकॉर्ड - आवृत्ति सामग्री में परिवर्तन क्रैकिंग या एक्सप्लूशन को इंगित कर सकते हैं।

क्षणिक घटनाओं को कैप्चर करने के लिए डेटा को ≥1 kHz पर नमूना होना चाहिए। सेंसर चैनलों में सिंक्रनाइज़ेशन महत्वपूर्ण है; समय टिकट या हार्डवेयर-ट्रिगर अधिग्रहण प्रणाली अस्थायी संरेखण सुनिश्चित करती है।

डेटा प्रीप्रोसेसिंग और फीचर इंजीनियरिंग

रॉ सेंसर डेटा में शोर, बहाव और बाहरी शामिल हैं। प्रीप्रोसेसिंग चरणों में शामिल हैं:

विद्युत चुम्बकीय हस्तक्षेप को हटाने के लिए फ़िल्टरिंग (जैसे, कम पास बटरव)।
समान रूप से सुविधाओं को स्केल करने के लिए सामान्यीकरण या मानकीकरण।
विभाजन: इलेक्ट्रोड आंदोलन की शुरुआत और अंत का उपयोग करके वेल्ड अवधि (प्रोजेस से ठोसकरण तक) को अलग करना।
फ़ीचर निष्कर्षण: वेल्ड सेगमेंट पर सांख्यिकीय डिक्रिप्टर (mean, variance, skewness, kurtosis) की गणना, साथ ही साथ चरम बल, समय-समय पर मौजूदा शिखर और क्षेत्र जैसे डोमेन-विशिष्ट मीट्रिक प्रतिरोध वक्र के तहत।

आयामीता में कमी (जैसे, पीसीए या टी-एसएनई) उच्च-आयामी डेटा को कल्पना कर सकता है और अनावश्यक विशेषताओं को हटा सकता है, मॉडल सामान्यीकरण में सुधार कर सकता है।

मॉडल चयन और प्रशिक्षण

वेल्डिंग दोष भविष्यवाणी के लिए सामान्य एमएल वास्तुकला में शामिल हैं:

Random वन: निर्णय पेड़ों का संकलन, ओवरफिटिंग के लिए मजबूत, सुविधा महत्व के माध्यम से व्याख्यात्मक। सारणीबद्ध सेंसर सारांश के लिए अच्छा है।
समर्थन वेक्टर मशीनें: गैर-रैखिक कर्नेल के साथ द्विआधारी वर्गीकरण (अच्छा बनाम दोष) के लिए प्रभावी।
]Convolutional तंत्रिका नेटवर्क (CNNs): स्वचालित रूप से कच्चे संकेतों से स्थानिक या अस्थायी पैटर्न (जैसे, 1D-CNN वर्तमान तरंगों पर) निकालते हैं।
]Recurrent तंत्रिका नेटवर्क (RNNs) या LSTM: परिग्रहण समय निर्भरता क्रमिक सेंसर डेटा में - पूर्ण होने से पहले वेल्ड चक्र के दौरान दोषों की भविष्यवाणी के लिए उपयोगी।
Autoencoders: सामान्य वेल्ड का एक कॉम्पैक्ट प्रतिनिधित्व जानें; पुनर्निर्माण त्रुटि झंडे विसंगति।

प्रशिक्षण के लिए एक संतुलित डेटासेट की आवश्यकता होती है- यदि दोषपूर्ण वेल्ड दुर्लभ हैं (उदाहरण के लिए, उत्पादन का 1%), सिंथेटिक अल्पसंख्यक अतिभार (SMOTE) या वर्ग-वजन समायोजन जैसी तकनीकें मॉडल पूर्वाग्रह को बहुमत वर्ग की ओर रोकती हैं। क्रॉस-वैलिडेशन या एक अस्थायी होल्ड-आउट सेट का उपयोग करके सत्यापन उत्पादन बदलावों में मजबूती सुनिश्चित करता है।

तैनाती और रियल टाइम एकीकरण

एक प्रोग्राम करने योग्य लॉजिक कंट्रोलर (PLC) या एज डिवाइस पर एक प्रशिक्षित एमएल मॉडल को तैनात करने में मॉडल को हल्के प्रारूप (जैसे, ONNX, TensorFlow Lite) में परिवर्तित करना और इन्फ़िएशन लॉजिक को लागू करना शामिल है। सिस्टम को चक्र-समय की बाधाओं को पूरा करना चाहिए - टाइपिकल वेल्ड अवधि 50-500 ms हैं, इसलिए इन्फ़िएशन को 10-20 ms के भीतर पूरा करना होगा। क्वांटाइज़ेशन और प्रूनिंग जैसी तकनीकें मॉडल आकार और विलंबता को महत्वपूर्ण सटीकता हानि के बिना कम करती हैं।

वास्तविक समय प्रतिक्रिया दो मोड में निष्पादित की जा सकती है:

]Predictive stop: यदि मॉडल एक उच्च दोष संभावना की भविष्यवाणी करता है, तो वेल्डिंग नियंत्रक वर्तमान में रुकावट डालता है या संयुक्त को बचाने के लिए दबाव बढ़ाता है।
Adaptive पैरामीटर समायोजन: मॉडल ने हाल के वेल्ड्स के रुझानों के आधार पर अगले वेल्ड के लिए मौजूदा, समय या बल को वेल्ड करने के लिए मामूली सुधार की सिफारिश की है।

एक अग्रणी ऑटोमोटिव आपूर्तिकर्ता ने बैटरी बसबार के लिए अपने प्रक्षेपण वेल्डिंग लाइन में LSTM आधारित पूर्वानुमानक को एकीकृत किया। सिस्टम ने छह महीने के भीतर 2.3% से 0.4% तक की दर को कम कर दिया। [3]]]][[]]][[[]]]][[[[[[]]]]]][[[[[[[[[[]]]]]]]]]]]]]]

प्रोजेक्शन वेल्डिंग में मशीन लर्निंग का उपयोग करने के लाभ

मूल लेख में सूचीबद्ध चार से परे, विस्तारित लाभ में शामिल हैं:

]Reduced downtime: इलेक्ट्रोड का पूर्वानुमान रखरखाव-मॉडल इलेक्ट्रोड गिरावट पैटर्न का पता लगा सकता है, दोषपूर्ण वेल्ड होने से पहले प्रतिस्थापन शेड्यूलिंग।
]सामग्री बचत: कम स्क्रैप और काम कम कच्चे सामग्री की खपत, स्थिरता लक्ष्यों का समर्थन।
Operator कौशल संवर्धन: एमएल उपकरण सहज डैशबोर्ड प्रदान करते हैं जो वेल्ड गुणवत्ता के रुझान दिखाते हैं, ऑपरेटरों को डेटा संचालित निर्णय लेने के लिए सशक्त बनाते हैं।
प्रोसेस ट्रांसफरेबिलिटी:] एक बार एक भाग ज्यामिति पर प्रशिक्षित किया गया, स्थानांतरण सीखने के लिए न्यूनतम पुनर्प्रशिक्षण के साथ समान भागों के लिए मॉडल को अनुकूलित कर सकते हैं - कम मात्रा में एक बड़ा लाभ, उच्च मिश्रण उत्पादन।

भविष्य की दिशा और चुनौतियां

डेटा गुणवत्ता और मात्रा

एमएल मॉडल को प्रक्रिया विविधताओं में सामान्यीकृत करने के लिए हजारों लेबल वाले वेल्ड उदाहरणों की आवश्यकता होती है। पर्याप्त दोषपूर्ण वेल्ड डेटा एकत्र करना विशेष रूप से चुनौतीपूर्ण है क्योंकि दोष दुर्लभ हैं। डेटा संवर्धन (जैसे, सिंथेटिक शोर, समय warping) जोड़ने में मदद कर सकता है, लेकिन भौतिक प्रयोगों की आवश्यकता बनी रहती है। "प्रतिरोध वेल्डिंग प्रक्रिया निगरानी डेटासेट" जैसे ओपन-एक्सेस डेटासेट उभर रहे हैं। ]]]

मॉडल व्याख्याता

उद्योग हितधारकों के लिए स्पष्टीकरण की मांग क्यों एक वेल्ड दोषपूर्ण के रूप में ध्वजांकित किया गया था। Explainable AI (XAI) तरीके-SHAP मान, LAM, या ध्यान तंत्र- यह उजागर कर सकते हैं कि कौन से सेंसर और समय अंतराल भविष्यवाणी के लिए योगदान दिया। उदाहरण के लिए, SHAP यह बता सकता है कि अंतिम 20 एमएस के दौरान गतिशील प्रतिरोध में तेजी से गिरावट निष्कासन का सबसे मजबूत सूचक है। ऐसी अंतर्दृष्टि विश्वास और गाइड प्रक्रिया इंजीनियरों का निर्माण करती है।

नवीनता के लिए मजबूतता

एक सामग्री ग्रेड पर प्रशिक्षित एक मॉडल तब विफल हो सकता है जब सामग्री आपूर्तिकर्ता बदलता है या जब इलेक्ट्रोड टिप ज्यामिति बदलता है। डोमेन अनुकूलन तकनीक और सतत सीखने (ऑनलाइन अद्यतन) सक्रिय अनुसंधान क्षेत्र हैं। हाइब्रिड दृष्टिकोण जो भौतिकी आधारित मॉडल (जैसे, परिमित तत्व सिमुलेशन) को जोड़ते हैं, एमएल के साथ अनदेखी स्थितियों में अतिरिक्तता में सुधार कर सकते हैं।

उद्योग 4.0 के साथ एकीकरण

प्रोजेक्शन वेल्डिंग एमएल सिस्टम को विनिर्माण निष्पादन प्रणाली (MES) के साथ अनुरेखण के लिए और बेड़े सीखने के लिए क्लाउड प्लेटफॉर्म के साथ अंतरापृष्ठ होना चाहिए। एज कम्प्यूटिंग विलंबता और डेटा ट्रांसमिशन लागत को कम करती है, जबकि क्लाउड एनालिटिक्स कई लाइनों से समेकित डेटा का उपयोग करके रातोंरात मॉडल को फिर से नियंत्रित कर सकते हैं। ओपीसी यूए जैसे मानक डेटा विनिमय की सुविधा प्रदान करते हैं।

निष्कर्ष में, मशीन लर्निंग प्रक्षेपण वेल्डिंग में सक्रिय दोष का पता लगाने से एक परिवर्तनकारी पथ प्रदान करती है। उच्च निष्ठा सेंसर डेटा और उन्नत एल्गोरिदम का उपयोग करके, निर्माता निकट-zero दोष दरों, कम लागत और बेहतर उत्पाद विश्वसनीयता प्राप्त कर सकते हैं। यात्रा को सेंसर अवसंरचना, डेटा प्रबंधन और मॉडल सत्यापन में निवेश की आवश्यकता होती है, लेकिन रिटर्न-दोन आर्थिक और परिचालन- काफी महत्वपूर्ण हैं। जैसा कि एल्गोरिदम परिपक्व और कंप्यूटिंग सस्ता हो जाता है, एमएल आधारित गुणवत्ता नियंत्रण दुनिया भर में प्रतिरोध वेल्डिंग दुकानों में मानक अभ्यास बन जाएगा।