予測および防止に機械学習を使用して投射溶接の欠陥を予測し、防いで下さい

投影溶接とその課題を理解する

投射溶接は、電流と圧力が1つまたは両ワークの事前成形された予測で集中される抵抗溶接プロセスです。この設計は、熱生成をローカライズし、自動車、家電、電気産業における高容積生産に理想的な高速で反復可能なジョイントを可能にします。その効率にもかかわらず、投射溶接は、プロセスの変動による欠陥に脆弱です。一般的な欠陥は次のとおりです。

不完全な融合:]] 十分な熱や圧力が完全に投影を結ぶために失敗します。
エクステンション:]] 溶着金属は、溶接と表面汚染を引き起こし、ジョイントから排出されます。
気孔率:] ガス侵入は、強度を減らす無効を作成します。
クラッキング:]] 熱応力または不適切な冷却は、火傷につながる。
対称崩壊:] 不均等な投影変形は、矛盾する関節幾何学を生成します。

これらの欠陥は、材料組成物、電極摩耗、電気的パラメータ(電圧、電流、溶接時間)、機械的力、および環境要因間の相互作用から生じる。従来の品質管理は、後溶接検査(例えば、マイクログラフィック分析、せん断試験)または統計プロセス制御に依存しています。これは、それらが発生した後に欠陥を検出します。リアルタイム欠陥防止の必要性は、機械学習(ML)技術を採用して、複雑な、非線形関係を溶接する動的にモデルすることができます。

溶接品質管理における機械学習の役割

マシンラーニングは、システムが明示的なプログラミングなしでデータから学習することができます。投影溶接では、MLモデルは、電圧、電流、電極の変位、音響の排出、および赤外線熱プロファイルを摂取して、予報者を欠陥に特定します。人間のオペレータが知覚できない微妙なパターンを認識することにより、MLは、溶接サイクルのミリ秒単位で補正動作をトリガーすることができます(例えば、溶接時間または電流を調整)。

第一次MLアプローチは2つの主なMLアプローチが使用されます。

[] 監視学習:[]] モデルは、各溶接が特定の欠陥タイプで「良い」または「欠陥」として分類されるラベル付きのデータセットで訓練されます。ランダムフォレスト、サポートベクターマシン(SVM)、および深いニューラルネットワーク(DNN)などのアルゴリズムは、欠陥ラベルにセンサー機能をマップするために学習します。
[] 監視されていない学習:[]]] 欠陥ラベルが傷つくとき、オートエンコードやクラスタリングアルゴリズムなどのモデルは、「通常」の溶接署名と偏差をフラグすることによって異常を検出します。

2023年の研究では、電極変位信号で訓練された、従来の境界ベースの方法の変形を予測できる97%の精度で投影中の排散を予測できるという、複雑なニューラルネットワーク(CNN)が実証された。 [[1]]]]] [別の研究グループは、電気データから6つの欠陥タイプを分類するために、勾配を植えた木を使用して、94%の精度を達成しました。 [FLT:LT:] [1]] ]]] ]]] [これらの結果は、これらの結果が、これらの結果が、これらの結果が、次の結果が、次の結果が、次の結果が、次の結果が、次の結果が、次の結果が、次の結果が、結果が、結果が、再確認されたことを予測するかどうかを予測するかどうかを予測するかどうかを予測する。

欠陥予測のための機械学習の実装

データ収集とセンサーの融合

効果的なMLは、高品質で同期されたデータから始まります。投影溶接では、キーセンサーには以下が含まれます。

[]電気センサー:[]]測定溶接電流(kA)、電圧(V)、および動的抵抗(mΩ)。抵抗のスパイクはしばしば前方突出先を打ちます。
[]機械式センサー:[]]リニア可変式差動トランス(LVDT)トラック電極変位(mm)と力(kN)。崩壊速度は材料軟化を反映します。
熱センサー:]]赤外線ピロメータまたは高速サーモグラフィーは、溶融品質に相関する表面温度勾配を捕獲します。
音響センサー:[]] マイクロフォンレコード音シグネチャ—周波数内容の変化は、クラックや突出を示すことができます。

データは、過渡イベントをキャプチャするために、≥1kHzでサンプル化する必要があります。センサーチャネル間で同期は重要であり、タイムスタンプまたはハードウェアをトリガーした取得システムにより、一時的なアライメントが保証されます。

データ処理と機能工学

生センサーのデータにはノイズ、ドリフト、およびアウターが含まれています。事前処理手順は次のとおりです。

フィルタリング(例えば、低パスバターワース)で電磁妨害を除去する。
正規化または標準化で機能のスケールを均等にします。
区分:電極の動きの調子および端を使用して溶接期間(投影から固着まで)を隔離して下さい。
機能抽出: 溶接セグメント上の統計記述子(平均、分散、骨粗鬆症)、および抵抗曲線のピーク力、時間対ピーク電流、および領域などのドメイン固有のメトリックを計算する。

寸法特性の低減(例、PCA、またはt-SNE)は、高次元データを表示し、冗長機能を削除し、モデルの汎用性を改善することができます。

モデル選定・研修

溶接欠陥予測のための一般的なMLアーキテクチャには、以下が含まれます。

[]ランダムフォレスト:[]]] 決定樹の組み立て、機能重要性を上書き、解釈可能に。表のセンサーの要約のために良い。
[]サポートベクターマシン:]]非線形カーネルでバイナリ分類(善意と欠陥)に有効。
[ 構造ニューラルネットワーク(CNN):[]])は、生信号から空間や一時的なパターンを自動的に抽出します(例、電流波形の1D-CNN)。
[] 再発ニューラルネットワーク(RNN)またはLSTMs:[ 連続センサーデータのキャプチャ時間依存性、溶接サイクル中に欠陥を予測するのに役立つ。
[Autoencoders:]] 通常の溶接のコンパクトな表現を学びます。再構築エラーは異常値にフラグを立てます。

トレーニングは、欠陥のある溶接がまれ(例、生産の1%)である場合、合成の少数民族の過密(SMOTE)やクラスレベルの調整などの技術が、大部分のクラスに対するモデルバイアスを防止するバランスの取れたデータセットを必要とします。断続的な監視または一時的なホールドアウトセットを使用して検証することで、生産シフト全体に堅牢性が保証されます。

導入とリアルタイムの統合

訓練された ML モデルをプログラム可能な論理コントローラー(PLC)またはエッジデバイスにデプロイすると、モデルを軽量なフォーマット(例えば、ONNX、TensorFlow Lite)に変換し、推論ロジックを実行します。システムは、サイクルタイム制約を満たしなければならないので、典型的な溶接期間は50〜500msで、推論は10〜20ms以内に完了する必要があります。定量化や剪定などの技術は、モデルのサイズと遅延を削減し、損失を遅らせることなく、重要な損失を抑える必要があります。

リアルタイムのフィードバックは、2つのモードで実行できます。

予測停止:]]モデルが高欠陥確率を予測した場合、溶接コントローラは電流を遮断し、ジョイントを救いに圧力を増加させます。
適応パラメータ調整:[]]モデルは、最近の溶接からの傾向に基づいて、次の溶接のためのマイナーな補正を推奨します。

大手自動車サプライヤーは、LSTM ベースの予測器をバッテリーバスバーの投影溶接ラインに統合しました。このシステムは、6ヶ月以内に 2.3% から 0.4% までの速度を削減しました。 [[3]]

投射溶接における機械学習のメリット

原文にリストされている4つを超えて、次の利点があります。

ダウンタイムを削減:] 電極の予測メンテナンス—モデルは、電極の劣化パターン、欠陥溶接前のスケジューリング交換を検出できます。
材料保存:]] スクラップを少なくし、持続可能性の目標をサポートし、原材料の消費を削減します。
[]オペレーターのスキル増強:[ MLツールは、溶接品質トレンドを示す直感的なダッシュボードを提供し、オペレータがデータ主導の決定を下すようにします。
プロセスの転送性:] 1つの部分の幾何学で訓練されたら、トランスファー学習は、モデルを最小限の再訓練と同じような部分に合わせることができます。少量、高混合の生産の巨大な利点。

今後の方向と課題

データ品質と数量

MLモデルは、プロセスのバリエーションを総合的にするために、ラベル付き溶接例の10万個を要求します。欠陥がまれているため、十分な欠陥のある溶接データを収集することは特に困難です。データの拡張(例えば、合成ノイズ、時間ワーピングを追加)助けることができるが、物理的な実験は必要です。「抵抗溶接プロセス監視データセット」のようなオープンアクセスデータセットが新興しています。 [4]

モデル解釈性

業界の利害関係者は、溶接が欠陥としてフラグを立てられた理由について説明しています。説明可能なAI(XAI)メソッド—SHAP値、LIME、または注意メカニズム—は、センサーと時間間隔が予測に最も貢献したかを強調することができます。たとえば、SHAPは、最終的な20 msの間に動的抵抗の急速な低下が、爆発の最強指標であることを明らかにするかもしれません。このような洞察は、信頼とガイドプロセスエンジニアをビルドします。

ノベルティへの強いこだわり

マテリアルサプライヤーが変更されたり、電極チップジオメトリが変化するときに、材料グレードを1つに訓練されたモデルが失敗する場合があります。ドメイン適応技術と継続的な学習(オンライン更新)は、アクティブな研究領域です。 MLと物理ベースのモデル(例、有限要素シミュレーション)を組み合わせるハイブリッドアプローチは、予期しない条件に余計な汚染を改善することができます。

業界 4.0 との統合

投影溶接MLシステムは、トレーサビリティとフリート学習のためのクラウドプラットフォーム用の製造実行システム(MES)とインターフェイスする必要があります。エッジコンピューティングは、レイテンシーとデータ伝送コストを削減します。クラウド分析は、複数のラインから集約されたデータを使用して一晩モデルを再トすることができます。 OPC UAのような標準は、データ交換を容易にします。

結論として、機械学習は、反応欠陥検出からプロアクティブな欠陥防止への変化的なパスを提供します。高度のセンサーデータと高度なアルゴリズムを活用することで、メーカーは、ほぼゼロ欠陥率、コストの低減、および製品の信頼性を向上させることができます。旅は、センサーインフラストラクチャ、データ管理、モデル検証への投資が必要ですが、リターン - 経済的および操作性 - が実質的です。アルゴリズムが成熟し、コンピューティングが安くなるにつれて、MLベースの品質管理は、世界的な溶接ショップで標準的になります。