توسعه سامانه هوشمند پایش برخط فرایندهای جوشکاری قوسی با استفاده از هوش مصنوعی و تحلیل سیگنال‌های فرایندی

دسته بندی موضوعی : برنامه ریزی درسی و آموزشی

زبان : فارسی

نوع فایل : PDF

تعداد صفحات : 32

وضعیت : این مقاله توسط هیات داوران پایگاه ایران ژورنال داوری شده است
فصل نامه علمی تخصصی پژوهش برتر - سال دوم - شماره دوم - تابستان 1405

نویسندگان :
مهدی خلاصی دزفولی کارشناسی ارشد مهندسی متالورژی و مواد ـ گرایش جوشکاری

ثبت شده توسط : ایران ژورنال

لینک مستقیم مقاله : https://iran-journals.com/doc/4062

چکیده فارسی :

فرایندهای جوشکاری قوسی از مهم‌ترین روش‌های اتصال فلزات در صنایع ساخت، تجهیزات تحت فشار، سازه‌های فلزی، خطوط انتقال، صنایع خودرو، تجهیزات نیروگاهی و بسیاری از فعالیت‌های تولیدی به شمار می‌روند. کیفیت نهایی اتصال جوشی به مجموعه‌ای از عوامل شامل جریان و ولتاژ قوس، سرعت جوشکاری، طول قوس، نرخ تغذیه سیم، شرایط سطح قطعه، نوع ماده مصرفی، گاز محافظ و پایداری قوس وابسته است. تغییرات کوچک در هر یک از این متغیرها می‌تواند رفتار حرارتی و متالورژیکی حوضچه مذاب را تغییر داده و زمینه ایجاد ناپیوستگی‌هایی مانند تخلخل، بریدگی کناره، نفوذ نامناسب، سوختگی، پاشش بیش از حد و بی‌ثباتی قوس را فراهم کند. روش‌های متداول کنترل کیفیت، اگرچه در شناسایی عیوب نهایی اهمیت زیادی دارند، در بسیاری از موارد پس از پایان فرایند به کار گرفته می‌شوند و امکان مداخله سریع در زمان شکل‌گیری عیب را فراهم نمی‌کنند.
پژوهش حاضر با هدف ارائه یک چارچوب برای توسعه سامانه هوشمند پایش برخط فرایندهای جوشکاری قوسی انجام شده است. در این چارچوب، سیگنال‌های فرایندی شامل جریان، ولتاژ، توان قوس و در صورت امکان سیگنال صوتی و سایر داده‌های حسگری به‌صورت هم‌زمان دریافت شده، پس از پیش‌پردازش و حذف نویز، در حوزه‌های زمان، فرکانس و زمان-فرکانس تحلیل می‌شوند. سپس ویژگی‌های مؤثر استخراج شده و با استفاده از الگوریتم‌های یادگیری ماشین و یادگیری عمیق برای تشخیص وضعیت پایدار و ناپایدار فرایند و شناسایی الگوهای مرتبط با عیب مورد استفاده قرار می‌گیرند. مطالعات جدید نشان داده‌اند که ترکیب داده‌های چندحسگری و مدل‌های یادگیری ماشین می‌تواند ظرفیت مناسبی برای ارزیابی برخط کیفیت جوش ایجاد کند (Chen et al., 2021؛ Rameshkumar et al., 2022). همچنین پژوهش‌های جدیدتر بر استفاده از داده‌های سری زمانی، یادگیری عمیق و پایش برخط برای حرکت از کنترل کیفیت پس از تولید به پیش‌بینی کیفیت حین فرایند تأکید دارند (Hahn et al., 2023؛ Lee et al., 2024).
چارچوب پیشنهادی این پژوهش، علاوه بر تشخیص ناهنجاری، قابلیت اتصال به سامانه کنترل فرایند را دارد تا در صورت مشاهده انحراف معنادار از الگوی مرجع، هشدار لازم صادر شده و در سامانه‌های پیشرفته‌تر، اصلاح پارامترهای جوشکاری نیز امکان‌پذیر شود. نتیجه مورد انتظار از چنین رویکردی، کاهش وابستگی کنترل کیفیت به بازرسی پس از تولید، کاهش ضایعات، افزایش قابلیت ردیابی فرایند و فراهم شدن زمینه توسعه تولید هوشمند در حوزه جوشکاری است.

کلمات کلیدی فارسی :
جوشکاری قوسی، پایش برخط، هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، تحلیل سیگنال، کنترل کیفیت جوش، تشخیص عیب، حسگرهای فرایندی، تولید هوشمند