Hiểu được những dự án hàn gắn và thử thách

Dự án hàn lại là một quá trình hàn gắn các khớp có khả năng liên kết các khớp có thể lặp lại với nhau trong các thiết bị máy móc, và các thiết bị điện tử. mặc dù hiệu quả của nó, dự đoán có thể bị hư hỏng do sự biến đổi của quá trình.

  • Sự hợp hạch hoàn toàn:) Không đủ nhiệt hoặc áp lực không đủ để kết nối toàn bộ hình chiếu.
  • Sự đẩy ra:) Mô-đun kim loại phun ra từ khớp, làm yếu đi hàn và làm ô nhiễm bề mặt.
  • Độ mạnh : ) Sự mắc bẫy khí tạo ra khoảng trống làm giảm sức mạnh.
  • Bắt bẻ: Sự căng thẳng nhiệt hoặc làm mát không đúng dẫn đến nứt.
  • Sự sụp đổ đối xứng: thậm chí việc phản chiếu biến dạng hình học khớp không nhất quán.

Những khuyết điểm này xuất phát từ sự tương tác giữa các thành phần vật chất, điện cực mặc, tham số điện (không có thời gian, thời gian có hạn), lực cơ khí và môi trường. Tính năng kiểm soát chất lượng truyền thống dựa trên việc kiểm tra sau khi đã kết hợp (v. d., phân tích vi mô, kiểm tra hình ảnh), hoặc kiểm soát quá trình cắt lông, mà chỉ nhận ra khuyết tật sau khi chúng xảy ra. Nhu cầu phòng chống khuyết tật thời gian thực là việc tiếp nhận thiết bị (M) có thể mô hình phức tạp, không tuyến tính trong việc hàn gắn kết động lực.

Vai trò của máy học cách kiểm soát chất lượng hàn gắn

Việc học tập máy cho phép hệ thống học hỏi từ dữ liệu mà không cần lập trình rõ ràng. Trong dự đoán hàn, mô hình ML hấp thụ luồng cảm biến tần số cao - điện tử hiện tại, chuyển động điện tử, độ dời âm thanh, hồ sơ nhiệt ngoại quang để xác định tiền tố thành khuyết tật. Bằng cách nhận ra các mẫu tinh tế mà người điều hành không thể nhận biết, ML có thể kích hoạt hành động sửa chữa (v. g, điều chỉnh thời gian hoặc hiện tại) trong vòng vài phần nghìn giây của chu trình hàn gắn.

Hai cách tiếp cận ML chính được dùng:

  • Học tập được siêu cấp: ) Mô hình được đào tạo dựa trên các bộ dữ liệu có nhãn, nơi mỗi mối hàn được phân loại như là “tốt, tốt, hay thường có các loại khuyết tật riêng biệt.
  • Học tập không giám sát: ) Khi nhãn của người khiếm khuyết rất khan hiếm, mô hình như tự động mã hóa hoặc cụm thuật toán phát hiện dị thường bằng cách học chữ ký “thường và độ lệch.

Một cuộc nghiên cứu 2023 cho thấy mạng lưới thần kinh tương đối (CNNN) được đào tạo trên tín hiệu chuyển động điện cực có thể dự đoán việc loại bỏ các hình chiếu có độ chính xác 97%, tính chính xác vượt trội của các phương pháp ngưỡng truyền thống. [FLT: 0][FLT: 0]) ] Một nhóm nghiên cứu khác sử dụng inter-boost cây có khả năng phân loại sáu loại khiếm khuyết từ dữ liệu điện, đạt 94% độ chính xác [FL:][b][b] Những kết quả này [FL:] [FL:]

Máy học dự đoán sai

Bộ sưu tập dữ liệu và dung dịch cảm biến

ML hiệu quả bắt đầu với dữ liệu chất lượng cao, đồng bộ hóa trong dự đoán hàn, cảm biến chìa khóa bao gồm:

  • Cảm biến nhà nghề: đo dòng điện (kA), điện áp (V) và sức kháng cự năng động (mG). Sự kháng cự thường xảy ra trước khi trục xuất.
  • Cảm biến cơ khí: biến đổi vi phân (LVDTs) theo dõi độ dời điện cực (mm) và lực (kN). Tốc độ co dãn phản ánh chất làm mềm vật chất.
  • Các cảm biến nhiệt:) Các giá trị pyrracles đã hồng ngoại hoặc tốc độ cao mô- đun thu nhiệt độ mặt, tương quan với chất lượng hợp hạch.
  • Cảm biến âm thanh: các máy vi âm ghi âm có thể chỉ ra sự nứt hoặc trục xuất.

Dữ liệu cần phải được lấy mẫu tại 1 kHz để ghi lưu các sự kiện tạm thời. Sự đồng bộ hoá qua các kênh cảm biến là quan trọng; các con tem thời gian hoặc hệ thống lấy phần cứng để xác định thời gian.

Công nghệ xử lý trước dữ liệu và kỹ thuật tính năng

Dữ liệu cảm biến thô chứa nhiễu, trôi, và xa hơn. Các bước tiến trình bao gồm:

  • Lọc (v. d., Biểu tượng cầu thấp) để gỡ bỏ nhiễu điện từ.
  • Tiêu chuẩn hóa hoặc tiêu chuẩn hóa để tăng tính năng tương tự.
  • Đoạn phim: Giải tán thời kỳ hàn (từ khi dự đoán bị sụp đổ đến sự đông cứng) sử dụng chuyển động điện cực khởi động và kết thúc.
  • Giải cứu tính năng: tính toán các biến thể thống kê (có nghĩa là, biến đổi, skewness, kertosis) trên các đoạn hàn, cũng như các đo lường cụ thể miền như lực cao nhất, dòng thời gian đến độ không thể cưỡng lại.

Giảm độ phân giải (v. d., PCA hay t-SNE) có thể hình dung dữ liệu cao và loại bỏ các tính năng thừa, cải thiện mô hình tổng quát.

Chọn và huấn luyện mô hình

Kiến trúc ML chung cho việc hàn gắn dự đoán khiếm khuyết bao gồm:

  • Rừng Random:) Thêm vào cây quyết định, mạnh mẽ để phù hợp với, có thể giải thích thông qua tính năng quan trọng. Tốt cho cảm biến hình taplar tóm tắt.
  • Máy véc tơ nâng cấp: hiệu quả cho phân loại nhị phân (tốt vs. chap) với hạt nhân không tuyến tính.
  • Mạng thần kinh mạng kết nối (CNNs): tự động lấy mẫu không gian hoặc thời gian từ tín hiệu thô (v. d., 1D-CN trên các dạng sóng hiện thời).
  • Mạng thần kinh hiện thời (RNNs) hoặc LSTMs: lấy thời gian phụ thuộc vào dữ liệu cảm biến cục bộ -- lợi dụng để dự đoán khuyết tật trong chu kỳ hàn định trước khi hoàn tất.
  • Các người tự động mã hóa:) Học một đại diện gọn gàng của các mối hàn thông thường; tái tạo cờ lỗi.

Đào tạo đòi hỏi một bộ dữ liệu cân bằng-nếu các dây hàn khiếm khuyết là hiếm (v. g., 1% sản xuất), kỹ thuật như phân số tổng hợp (SMOTE) hoặc điều chỉnh hạng cân ngăn ngừa thành kiến đối với hạng đại đa số. Kiểm tra bằng cách thay đổi chéo kích thước hoặc sự giữ thời gian đảm bảo sự mạnh mẽ qua các thay đổi sản xuất.

Triển khai và Hợp nhất thời gian thực

Đang triển khai mô hình ML được đào tạo thành một bộ điều khiển logic có thể lập trình (PLC) hay thiết bị cạnh bao gồm chuyển đổi mô hình thành dạng nhẹ (v. d., jwNX, TensorFlow Lite) và thực hiện tính logic không cân bằng. Hệ thống phải đáp ứng các hạn chế thời gian chu kỳ - thời gian đặc trưng là 50–500 ms, vì vậy suy luận phải hoàn thành trong vòng 1020 ms. Kỹ thuật số hoá như lượng đo đạc và giảm độ lệch của mô hình và độ mờ mà không mất đi đáng kể.

Phản hồi thời gian thực có thể thực hiện trong hai chế độ:

  • Dừng lại để ngăn chặn:) Nếu mô hình dự đoán một xác suất khiếm khuyết cao, người điều khiển hàn sẽ ngắt dòng chảy hoặc tăng áp lực để cứu các khớp.
  • Điều chỉnh tham số thích nghi:) Mô hình khuyên sửa chữa nhỏ để hàn lại dòng thời gian, thời gian hoặc lực cho tổ hợp kế tiếp dựa trên xu hướng của hàn mới.

Một nhà cung cấp máy móc hàng đầu tích hợp một dự đoán dựa trên LSTM vào đường dây dự đoán hàn cho thanh xe buýt. Hệ thống giảm tốc độ từ chối từ 2.3% đến 0.4% trong vòng sáu tháng. [FLT: 0][FLT: 0]) )

Lợi ích của việc dùng máy móc để học cách hàn gắn

Ngoài bốn lợi ích được liệt kê trong bài đầu, chúng ta có thể thấy:

  • Thời gian đã được thu hồi bảo trì điện cực (người mẫu) có thể phát hiện các mẫu phân hủy điện tử, sắp xếp thay thế trước khi bị mắc lỗi hàn.
  • tiết kiệm máy móc: ) ít phế liệu và làm việc lại thấp hơn, hỗ trợ mục tiêu bền vững.
  • Kỹ năng tăng cường: công cụ ML cung cấp bảng điều khiển trực quan hiển thị xu hướng chất lượng hàn, trao quyền cho các nhà điều hành để đưa ra quyết định có dữ liệu.
  • Khả năng truyền tải:) Một khi được đào tạo trên một phần hình học, việc truyền tải có thể thích nghi mô hình với các phần tương tự với mức độ tương tự tối thiểu - một lợi thế lớn trong sản xuất ít nhiều, có nhiều chất lượng cao.

Những hướng và thách thức trong tương lai

Chất lượng dữ liệu và số lượng

Mô hình ML đòi hỏi hàng chục ngàn ví dụ có nhãn hàn để tổng quát hóa các biến thể trong quá trình. Thu thập đủ dữ liệu khiếm khuyết đặc biệt khó khăn vì sự khiếm khuyết hiếm thấy.

Khả năng giải mã mô hình

Các nhà đầu tư liên quan đến công nghệ yêu cầu giải thích tại sao một hàn được đánh dấu là khiếm khuyết. Một phương pháp AI (XAI) có thể giải thích được các giá trị của hệ thống phụ huynh, LIME, hoặc cơ chế tập trung chú ý - có thể nhấn mạnh các cảm biến và khoảng thời gian đã đóng góp nhiều nhất cho dự đoán. Ví dụ, sluP có thể cho thấy sự giảm nhanh chóng trong sự kháng cự trong 20m cuối cùng là chỉ thị mạnh nhất của việc trục xuất. Như vậy, những thông tin và hướng dẫn tiến trình xây dựng và xây dựng.

Sự thay đổi đến tính mới

Một mô hình được đào tạo về một cấp vật liệu có thể thất bại khi nhà cung cấp vật liệu thay đổi hoặc khi nào hình học đầu điện khác nhau. kỹ thuật thích nghi miền và học liên tục (theo bản cập nhật) là những lĩnh vực nghiên cứu hoạt động. phương pháp kết hợp các mô hình vật lý (v. g., phần tử hữu hạn) với ML có thể cải thiện việc mở rộng các điều kiện vô hình.

Hợp nhất với số 4

Hệ thống dự án hàn gắn ML nên giao diện với hệ thống thực hiện (MES) để có khả năng theo dõi và với nền tảng đám mây cho việc học tập hạm đội. Máy tính cạnh làm giảm chi phí truyền dữ liệu tĩnh và dữ liệu, trong khi mây phân tích lại có thể điều khiển mô hình qua đêm bằng cách sử dụng dữ liệu đã tổng hợp từ nhiều dòng. Tiêu chuẩn như giao dịch dữ liệu hỗ trợ cho tập tin Mô tả UPC.

Kết luận, máy học cung cấp một đường dẫn biến đổi từ khả năng nhận ra khuyết tật phản ứng đến việc ngăn chặn sự tái tạo hoạt động trong việc hàn gắn dự đoán. bằng cách khai thác dữ liệu cảm biến cao và các thuật toán tiên tiến, các nhà sản xuất có thể đạt được gần-không tỷ lệ khuyết tật, chi phí thấp hơn, và tăng đáng tin cậy sản phẩm. Hành trình đòi hỏi đầu tư vào cơ sở hạ tầng, quản lý dữ liệu, và hợp lệ hóa mô hình, nhưng các thuật toán kinh tế và hoạt động có giá trị đáng kể.