کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4976995 1451842 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A comparison of two types of neural network for weld quality prediction in small scale resistance spot welding
ترجمه فارسی عنوان
مقایسه دو نوع شبکه عصبی برای پیش بینی کیفیت جوش در جوشکاری مقاوم در مقیاس کوچک
کلمات کلیدی
جوش نقطه ضعف مقاوم در مقیاس کوچک، آلیاژ تیتانیوم، نظارت بر کیفیت، ولتاژ الکترود، مقاومت پویا، شبکه عصبی،
ترجمه چکیده
هدف از مطالعه ما، ایجاد یک سیستم نظارت موثر بر کیفیت در مقاومت در مقیاس مقاوم در برابر جوش کوچک از آلیاژ تیتانیوم است. سیگنال های الکتریکی اندازه گیری شده در ترکیب با توسعه نیروی انسانی تفسیر شد. ویژگی ها از مقاومت پویا و منحنی ولتاژ الکترود استخراج شد. جوش بیشتر جوش به طور کلی نشان دهنده سطح مقاومت پایین پویایی کلی است. اوج ولتاژ الکتریکی بزرگتر و نرخ تغییرات بیشتر ولتاژ الکترود را می توان تحت نیروی الکترودی کوچکتر یا شرایط فعلی جوشکاری بالاتر تشخیص داد. تغییر ویژگی های استخراج شده و کیفیت جوش بیشتر به تغییر جوش جوش نسبت به نیروی الکترود حساس تر است. مدل شبکه عصبی مختلف برای پیش بینی کیفیت جوش پیشنهاد شده است. شبکه عصبی انتشار عقب بیشتر در برآورد بار شکست شکست بیشتر بود. مدل شبکه عصبی احتمالاتی مناسب تر برای طبقه بندی سطح کافی استفاده شده است. با استفاده از مزایای هر دو روش، سیستم نظارت بر کیفیت جوش در زمان واقعی و بر روی خط تولید می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
چکیده انگلیسی
Our study aims at developing an effective quality monitoring system in small scale resistance spot welding of titanium alloy. The measured electrical signals were interpreted in combination with the nugget development. Features were extracted from the dynamic resistance and electrode voltage curve. A higher welding current generally indicated a lower overall dynamic resistance level. A larger electrode voltage peak and higher change rate of electrode voltage could be detected under a smaller electrode force or higher welding current condition. Variation of the extracted features and weld quality was found more sensitive to the change of welding current than electrode force. Different neural network model were proposed for weld quality prediction. The back propagation neural network was more proper in failure load estimation. The probabilistic neural network model was more appropriate to be applied in quality level classification. A real-time and on-line weld quality monitoring system may be developed by taking advantages of both methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volume 93, 1 September 2017, Pages 634-644
نویسندگان
, , , ,