Projection 용접 및 도전 이해

투사 용접은 현재와 압력이 1개 또는 둘 다 제품에 전형적으로 한 투사에 집중되는 저항 용접 과정입니다. 이 디자인은 열 발생을 국부적으로화하고, 자동차, 기구 및 전기 공업에 있는 높 부피 생산을 위해 이상적으로 반복 가능한 합동을 가능하게 합니다. 그것의 효율성에도 불구하고, 투사 용접은 가공 변하기 쉬워 때문에 결점에 취약합니다. 일반적인 결점은 다음을 포함합니다:

  • 완전한 융합: 충분한 열 또는 압력은 완전 채권에 실패합니다.
  • Expulsion: Molten Metal은 접합에서 방출되며 용접을 약화하고 표면 오염을 유발합니다.
  • Porosity: 가스 내구시간은 강도를 줄이기 위한 내구성을 만듭니다.
  • Cracking: 열 응력 또는 부적절한 냉각은 노출에 이르는 것입니다.
  • 대칭 붕괴: 영리한 투상 변형은 일관성 있는 관절 기하학을 생성합니다.

이 결함은 물자 구성, 전극 착용, 전기 모수 (전압, 현재, 용접 시간), 기계적인 힘 및 환경 요인 사이에서 상호 작용에서 발생합니다. 전통적인 품질 관리는 포스트 용접 검사 (예를들면, micrographic 분석, 전단 테스트) 또는 통계적인 과정 통제에, 그들이 일어날 후에 결함을 검출합니다. 실시간 결점 예방을 위한 필요는 기계 학습 (ML) 기술의 모는 채택합니다 동적 용접에 있는 복잡한, 비선형 관계.

용접 품질 관리에 기계 학습의 역할

기계 학습은 명시적인 프로그래밍 없이 데이터를 배우는 시스템을 가능하게 합니다. 투상 용접에서 ML 모델은 고전압, 전류, 전극 변위, 음향 방출 및 적외선 열 프로파일을 사용하여 결함을 식별합니다. 인간 운영자가 인식 할 수없는 하위 패턴을 인식함으로써 ML은 정밀 작업 (예를 들어 용접 시간 또는 현재 조정)을 조정할 수 있습니다. 용접 사이클의 밀리 초 이내에 용접 시간 또는 전류를 조정하십시오.

2개의 1 차적인 ML 접근법은 이용됩니다:

  • Supervised Learning: Models는 각 용접이 "좋은"또는 "완전성"으로 분류되는 라벨 데이터 세트에 훈련됩니다. 특정 결함 유형. 임의 숲, 지원 벡터 기계 (SVMs), 심중 신경 네트워크 (DNNs)와 같은 알고리즘은 결함 라벨에 대한지도 센서 기능을 학습합니다.
  • Unsupervised Learning: 결함 라벨이 스카우트, 오토엔코드 또는 클러스터링 알고리즘과 같은 모델이 "정상적인" 용접 서명 및 기화 편차를 학습함으로써 anomalies를 감지합니다.

2023 연구는 전극 변위 신호에 훈련된 복잡한 신경 네트워크 (CNN)가 97% 정확도로 투사 용접에 있는 폭발을 예측할 수 있다는 것을 보여주었습니다, 전통적인 문턱 근거한 방법을 설명했습니다. [1] 다른 연구 그룹은 전기 자료에서 6개의 결점 유형을 분류하기 위하여 글라드런-보스트 나무를 이용했습니다, 94% 정밀도를 달성하. [2] ]]] ]]] ]]] ]]]]]]]] [[[]]]]]]]]]]]]]]]]]]]]]]]]] [[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[]]]]]

Defect Prediction을 위한 기계 학습 구현

데이터 수집 및 센서 융합

효과적인 ML는 고품질, 동기화된 자료로 시작합니다. 투상 용접에서는, 중요한 감지기는 다음을 포함합니다:

  • 전기 센서:] 측정 용접 전류 (kA), 전압 (V), 동적 저항 (mΩ). 저항 스파이크는 종종 precede 폭발.
  • 기계 센서: 선형 가변식 변압기 (LVDTs) 트랙 전극 진지변환 (mm) 및 힘 (kN). 붕괴 각측정속도는 물자 연화를 반영합니다.
  • 열센서: 적외선 열전도 또는 고속 열전도는 용융 품질로 변하는 표면 온도 윤활제를 캡처합니다.
  • Acoustic 센서: 마이크는 주파수 콘텐츠의 사운드 서명을 기록하여 부수거나 폭발을 나타냅니다.

데이터는 ≥1 kHz에서 일시적인 사건을 붙잡기 위하여 샘플되어야 합니다. 감지기 수로의 맞은편에 동기화는 중요합니다; 시간 우표 또는 기계설비 방아쇠 취득 체계는 임시 줄맞춤을 지킵니다.

Data Preprocessing 및 기능 엔지니어링

Raw sensor data에는 소음, 편류 및 아웃렛이 포함되어 있습니다. 사전 처리 단계는 다음과 같습니다.

  • 필터링 (예 : 저수수수수 Butterworth) 전자기 방해를 제거하십시오.
  • 정상적인화 또는 표준화는 동일한 기능을 확장합니다.
  • 세그먼트: 전극 이동 onset와 끝을 사용하여 용접 기간 (Projection 붕괴에서 고체화) 격리.
  • 특징 추출: 용접 세그먼트에 대한 통계적 디지터 (mean, variance, skewness, kurtosis), 피크 힘, 시간 - 토크 전류 및 저항 곡선 아래 영역과 같은 도메인 별 메트릭뿐만 아니라.

치수 감소(예: PCA 또는 t-SNE)는 고차원 데이터를 시각화하고 중복 기능을 제거하고 모델의 일반화 개선을 할 수 있습니다.

모델 선택 및 훈련

용접 결함 예측을 위한 일반적인 ML 건축술은 다음을 포함합니다:

  • Random 숲: 의 결정 나무, 강력한 overfitting, 기능 중요성을 통해 해석. 탭 센서에 좋은.
  • 지원 벡터 기계: 비선형 커널과 이진 분류에 효과적인 (좋은 대 결함).
  • Convolutional neural network (CNNs): 자동적으로 원시 신호 (예를들면, 현재 파형에 1D-CNN)에서 공간 또는 임시 패턴을 추출합니다.
  • Recurrent neural network (RNNs) 또는 LSTMs:] 용접 사이클 전에 결함을 예측하기 위해 연속 센서 데이터의 캡처 시간 의존성.
  • Autoencoders: 일반 용접의 소형 표현을 알아보세요. 재구성 오류 플래그는 동종입니다.

교육은 결점 용접이 드물게 (예를들면 생산의 1%) 인 잔류한 데이터 세트를 필요로하며 합성 미성년자 간색 (SMOTE) 또는 클래스 무게 조정과 같은 기술이 모델 편견을 대부분의 클래스로 방지합니다. 크로스 유효성 또는 임시 홀 아웃 세트를 사용하여 검증은 생산 교대를 통해 견고함을 보장합니다.

배포 및 실시간 통합

프로그래밍 가능한 논리 컨트롤러 (PLC) 또는 가장자리 장치에 훈련 된 ML 모델을 배포하는 것은 경량 형식으로 모델을 변환하는 것을 포함합니다 (예 : ONNX, TensorFlow Lite) 및 Inference 논리를 구현하는. 시스템은 주기 시간 제약 - 일반 용접 기간은 50 ~ 500 m이므로, inference는 10 ~ 20 ms 이내에 완료해야합니다. quantization 및 pruning과 같은 기술은 모델 크기와 지연 시간 없이 모델을 감소시키고 지연 시간의 정확성을 감소시킵니다.

실시간 피드백은 두 가지 모드에서 실행될 수 있습니다.

  • 예측 정지: 모델이 높은 결함 확률을 예측하는 경우, 용접 컨트롤러는 현재를 중단하거나 공동을 살 압력 증가.
  • 적응형 매개 변수 조정: 모델은 최근 용접에서 트렌드를 기반으로 다음 용접에 대한 전류, 시간 또는 힘에 대한 미성년자 교정을 권장합니다.

선도적 인 자동차 공급 업체는 LSTM 기반 예측기를 배터리 버스바에 대한 프로젝트 용접 라인에 통합했습니다. 시스템은 6 개월 이내에 2.3%에서 0.4%로 비율을 감소했습니다. ] [3] ]

Projection Welding에서 기계 학습 활용의 이점

원본 기사에서 나열된 4 개 이상의 이점은 다음과 같습니다.

  • Reduced downtime: 전극의 예측 유지 보수는 전극 분해 패턴, 결함 용접 발생 전 일정 교체를 감지 할 수 있습니다.
  • Material Saving:] 덜스크랩과 재생성 물질 소비, 지속 가능성 목표를 지원하는.
  • Operator 기술 augmentation: ML tools는 용접 품질 동향을 보여주는 직관적 인 대시보드를 제공하며, 운영자가 데이터 중심의 결정을 내릴 수 있도록 지원합니다.
  • Process transferability: 한 부분 형상에 훈련되면, 이동 학습은 최소 재훈련과 유사한 부품에 모델에 맞게 조정 가능, 높은 혼합 생산에 큰 장점.

미래 지향과 도전

자료 질과 양

ML 모델은 공정 변화 전반에 걸쳐 일반적으로 라벨 용접 예의 수천을 필요로한다. 충분한 결함이있는 용접 데이터를 수집하는 것은 결함이 드문 때문에 특히 도전적입니다. 데이터 낙하 (예 : 합성 소음, 시간 경고)을 추가하는 것은 도움이 될 수 있지만 물리적 실험은 필요합니다. "Resistance Welding Process Monitoring Dataset"와 같은 개방 액세스 데이터 세트가 신흥됩니다. [[FLT : 0]] [4] [[FLT : 1]]]]

모형 Interpretability

업계 이해 관계자는 용접이 결함으로 퍼져 났는지 궁금합니다. 기존의 AI (XAI) 방법 -SHAP 값, LIME 또는 관심 메커니즘은 센서 및 시간 간격이 예측에 가장 기여하는 강조 할 수 있습니다. 예를 들어, SHAP은 최종 20ms의 동적 저항에 급속한 하락이 가장 강한 지표입니다. 이러한 통찰력은 신뢰와 가이드 프로세스 엔지니어를 구축합니다.

으로 Novelty

한 재료 등급에 훈련 된 모델은 재료 공급 업체가 변경되거나 전극 팁 형상이 변화 할 때 실패 할 수 있습니다. 도메인 적응 기술 및 지속적인 학습 (온라인 업데이트)은 활성 연구 영역입니다. ML과 물리 기반 모델 (예 : , finite element 시뮬레이션)을 결합하는 하이브리드 접근법은 비공개 조건에 대한 추가 확대를 향상시킬 수 있습니다.

Industry 4.0과 통합

Projection Welding ML 시스템은 추적성 및 차량 학습을위한 클라우드 플랫폼을위한 제조 실행 시스템 (MES)과 인터페이스해야합니다. Edge 컴퓨팅은 대기 시간과 데이터 전송 비용을 절감하고 클라우드 분석은 여러 줄에서 집계 된 데이터를 사용하여 밤새 모델을 재훈련 할 수 있습니다. OPC UA와 같은 표준은 데이터 교환을 촉진합니다.

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.