Розуміння зварювальних процесів та його викликів

Зварювання проекції - це процес зварювання, де струм і тиск зосереджені на попередньо сформованих проекціях на одній або обох заготовках. Цей дизайн локалізує теплогенерацію, що дозволяє швидко, багаторазові з'єднання, ідеально підходять для виробництва високомолекулярних в автомобільній, побутовій, електротехнічній галузі. Незважаючи на ефективність, зварювання проекції вразливе до дефектів через процес мінливості. Загальні дефекти включають:

  • Неповторний fusion: Недостатній тепловий або тиск не може повністю зануритися проекції.
  • Expulsion: Молтен метал видається з суглоба, ослаблення зварних зварних зварних і викликаючи забруднення поверхні.
  • Поросити: Газовий ентапмент створює порожнечі, що знижують міцність.
  • Застосування: Теплова напруга або неправильне охолодження призводить до запобіжностей.
  • Асиметричний обвал: Неприємна деформація проекції виробляє несприятливу геометрію суглоба.

Ці дефекти виникають з взаємодій серед матеріального складу, електродного зносу, електричних параметрів (вольтаж, струм, час зварювання), механічної сили та факторів навколишнього середовища. Традиційний контроль якості спирається на післяопрацьовану перевірку (наприклад, мікрографічний аналіз, контроль зсуву) або статистичний процес, який виявляє дефекти тільки після того, як вони відбуваються. Необхідність у реальному часі дефекту є прийняттям машинного навчання (ML) методик, які можуть моделювати комплекс, нелінійні зв’язки в динамікі зварювання.

Роль машинного навчання в контрольі якості зварювання

Машинне навчання дозволяє системам вчитися з даних без явного програмування. У проекційному зварювання, моделі МЛ, що володіють найбільш високочастотніми сенсорними струмами—вольтажем, струмом, електродом зміщенням, акустичною емісією та інфрачервоними теплопрофілями, для виявлення прекурсорів до дефектів. Визначаючи тонкі візерунки, які оператори не можуть сприймати, МЛ може викликати правильні дії (наприклад, регулювання часу зварювання або струму) в мілісекундах циклу зварювальних зварювальних циклів.

Використовується два первинних ML-підходів:

  • Навчається: Моделі навчаються на етикетованих датах, де кожен звар категоризується як «добрий» або «дефективний», часто з певними типами дефектів. Алгоритми, такі як випадкові ліси, підтримують векторні машини (SVMs), а також глибокі нейронні мережі (DNNs) навчаються на картографічних сенсорах, які мають можливість дефектувати етикетки.
  • Університетне навчання: При дефектних етикетках є шарфика, моделі, як автоенкодери або алгоритми кластеризації виявляють аномалії шляхом вивчення «нормального» зварного підпису та відбиття відхилень.

Дослідження показали, що конвультова нейромережа (CNN) навчалася на сигналах зміщенням електродів може прогнозувати вибухобезпечне зварювання з точністю 97%, що перетворює традиційні методи порогу. ] Ще одна дослідницька група використовувала градієнтовно-постійні дерева для класифікації шести типів дефектів з електричних даних, досягнення 94% точності. ] . Ці результати під ерозією потенціал МЛ для перетворення якості від реактивної до прогнозування.

Реалізація машинного навчання для прогнозування виявлення

Збір даних та датчик Fusion

Ефективний ML починається з високоякісних, синхронізованих даних. У проекційному зварювання ключовими датчиками є:

  • Електричні датчики: Заміри струма зварювального (kA), напруга (V), динамічна стійкість (mΩ). Спірні прокладки часто передують широту.
  • Механічні датчики: Лінійний змінний диференціальний трансформатор (LVDTs) трек електрод зміщення (мм) і сила (kN). Швидкість комірки відображає розм'якшення матеріалу.
  • Термальні датчики: Інфрачервоні пірометри або високошвидкісна термографія захоплення поверхневих температурних градієнтів, які корелюють з якістю fusion.
  • акустичні датчики: Мікрофони запис звукових підписів — зміни вмісту частоти можуть вказувати тріщини або вибухи.

Дані необхідно пробирати при ≥1 кГц для захоплення перехідних подій. Синхронізація каналів датчика критична; часові марки або апаратно-тригерметизовані системи придбання забезпечують часове вирівнювання.

Обробка даних та спецтехніка

Дані датчика сирого датчика містять шум, дрейф і позачергові дії. До таких кроків відносяться:

  • Фільтрування (наприклад, низькопроходний бетонобетон) для видалення електромагнітних перешкод.
  • Нормалізація або стандартизування для масштабних функцій однаково.
  • Сегментація: Ізоляція терміна зварювання (з проекції згортання до застигання) за допомогою електродного руху насадки і закінчення.
  • Вилучення характеристик: Розрахунок статистичних дескрипторів (меан, дисперсія, скиніння, kurtosis) над зварними сегментами, а також метри, які мають фізичну силу, часовий до-зак, часовий час і область під кривою опору.

Зменшення розміру (наприклад, PCA або T-SNE) може візуалізувати високовимірні дані та видаляти надлишкові функції, поліпшення узагальнення моделі.

Вибір моделі та навчання

Загальні ML архітектури для прогнозування дефектів зварювання включають:

  • Random ліси: Ensemble of solutions, надійний для перенарядки, інтерпретації через важливість. Добре підходить для застібки датчиків.
  • Підтримка векторних машин: Ефективно для бінарної класифікації (поступання проти дефекту) з нелінійними ядерами.
  • Convolutional нейромережі (CNNs): Автоматично витягувати просторові або часові візерунки з сирих сигналів (наприклад, 1D-CNN на поточних хвилях).
  • Результаційні нейромережі (RNNs) або LSTMs: Час залежності часу захоплення в послідовних даних датчиків — придатний для прогнозування дефектів під час циклу зварювання до завершення.
  • Автоенкодери: Дізнайтеся компактне представлення нормальних зварювальних зварювальних зварювальних зварювальних зварних зварних зварних зварних зварних зварних зварних зварних зварних матеріалів, реконструкція поломок прапорів аномалії.

Тренінг вимагає збалансованого набору даних, якщо дефектні звари є рідкісними (наприклад, 1% виробництва), такими як синтетична надсмоктування меншин (SMOTE) або класна зміна ваги запобігають моделі, що знаходяться в більшості класів. Велідація з використанням крос-валідації або застави часового типу забезпечує надійну міцність по зміщуванню продукції.

Розгортання та інтеграція в режимі реального часу

Розгортання підготовленої моделі ML на програмний логічного контролера (PLC) або кінцевого пристрою передбачає перетворення моделі в легкий формат (наприклад, ONNX, TensorFlow Lite) і впровадження логіки вводу. Система повинна відповідати циклічночасним обмеженням -типові тривалість зварювання - 50-500 мс, тому вналежність повинна завершитися в межах 10–20 мс. Методики, такі як квантизація і обрізання, зменшення розміру моделі і затримки без суттєвих втрат точності.

Відповідність в режимі реального часу може бути виконана в двох режимах:

  • Попередня зупинка: Якщо модель прогнозує високу ймовірність дефекту, контролер зварювання пересуває струм або збільшує тиск на сальвагезив суглоба.
  • Адаптивний параметр регулювання: Модель рекомендує незначні корекції, щоб зварити струм, час, або сили для наступного зварювального зусилля на основі тенденцій з останніх зварних зварювань.

Провідний автомобільний постачальник інтегрований предикктор LSTM на основі проекції в лінію зварювання для батончиків. Система знизила відхилення від 2,3% до 0,4% протягом шести місяців. [3]]

Переваги використання машинного навчання в зварюванні проекції

За чотири занесені в оригінальну статтю, розширені переваги включають:

  • Вироблено в режимі скидання: Попередній супровід електродів — моделі можуть виявити електроди деградаційні візерунки, що передаються дефектним зварам.
  • Material Saves: Менше брухт і переробити нижчу сировину споживання, що підтримують цілі сталого розвитку.
  • Оператор навички: ML інструменти забезпечують інтуїтивно зрозумілі панелі, що демонструють тенденції якості зварювальних пристроїв, що дозволяють операторам зробити рішення для обробки даних.
  • Процесна переносимість: Після навчання на одній геометрії, передача навчання може адаптувати модель до аналогічних частин з мінімальним перенапруженням — величезна перевага в низькооб'ємі, виробництві високоміксів.

Майбутні напрямки та виклики

Якість даних та кількість даних

Моделі ML вимагають десятки тисяч прикладів, які визначаються зварювальних зварювальних зварювальних пристроїв, щоб узагальнити по варіаціях процесу. Збір достатніх дефектних зварювальних даних особливо складно, оскільки дефекти є рідкісними. Зняття даних з використанням синтетичного шуму, часового змикання) може допомогти, але фізичні експерименти залишаються необхідними. Дані з відкритим доступом, як «Резисторний зварювальний процес моніторингу даних» виявляються. [4]

Модель Інтерпретентабельність

Захищаючи відпрацьовані дані, які вимагають пояснень, чому зварювальник був відшифрований як дефектний. Точні методи AI (XAI) — значення ШАП, ЛІМ, або механізми уваги — можуть виділитися, які датчики та інтервали часу сприяли більш схильнню. Наприклад, ШАП може виявити, що швидке падіння динамічної стійкості під час фінальної 20 м є найсильнішим показником вибуху. Такі інсайти будують довіру та інженери з управління процесом.

Робустисть до Новинки

Модель, що навчається на одному матеріалі, може не вдається, коли матеріал змінюється або коли геометрія електродів змінюється. Технології адаптації домену та безперервне навчання (оновлюються оновлення) є активними дослідницькими напрямками. Гібридні підходи, які об'єднують моделі фізики (наприклад, скінченні елементи моделювання) з МЛ може покращити екстраполяції для нездійснених умов.

Інтеграція з промисловою 4,0

Система зварювання ML повинна інтерфейсуватися з системами виробництва (MES) для простеження та з хмарними платформами для вивчення флоту. Обчислення краю знижує затримки та витрати передачі даних, при цьому хмарна аналітика може перенапружуватися моделі протягом ночі за допомогою сукупних даних з декількох ліній. Стандарти, такі як OPC UA полегшує обмін даними.

У висновку машинне навчання пропонує трансформативний шлях від виявлення реактивних дефектів до профілактики проактивних дефектів у виробництві конструктивних зварювання. За допомогою загартування даних датчиків високої чіткості та розширених алгоритмів виробники можуть досягати близько-нульових показників дефектів, зниження витрат і підвищення надійності продукту. Подорож вимагає інвестицій в інфраструктуру датчика, управління даними та перевірки моделі, але повернення — економічна і оперативна — суттєва. Як алгоритми зрілих і обчислень стають дешевшими, контроль якості ML стане стандартною практикою в опорних зварювальних магазинах по всьому світу.