کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5006830 1461488 2017 38 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Weld quality monitoring research in small scale resistance spot welding by dynamic resistance and neural network
ترجمه فارسی عنوان
تحقیق در زمینه نظارت بر کیفیت جوشکاری در مقیاس مقاومت مقیاس کوچک با مقاومت دینامیک و شبکه عصبی
کلمات کلیدی
جوش نقطه ضعف مقاوم در مقیاس کوچک، آلیاژ تیتانیوم، نظارت بر کیفیت، مقاومت پویا، تجزیه و تحلیل رگرسیون چندگانه، شبکه عصبی پخش برگشتی،
ترجمه چکیده
هدف از مطالعه ما ایجاد یک سیستم نظارت بر کارایی در مقیاس کوچک مقاوم در برابر مقاومت در برابر دینامیکی است. تغییرات مقاومت پویا مربوط به فرایند تشکیل جوش است. اوج مقاومت اولیه ناشی از گرما زدایی شناسایی شد. پیک دوم در مقاومت پویا و پیک تک در ولتاژ پویا می تواند به حرارت مواد فشرده مرتبط شود. یک رابطه واضح بین مقاومت پایه و کیفیت جوش وجود دارد. ویژگی های استخراج شده از منحنی مقاومت پویایی عمدتا تحت تاثیر جریان جوشکاری قرار گرفت. سطح مقاومت کلی به دلیل افزایش جوش جوش کاهش یافته است. سپس تجزیه و تحلیل رگرسیون چندگانه و شبکه عصبی برگشتی مورد استفاده قرار گرفت تا برای برآورد کیفیت جوش در ترکیب با ویژگی های استخراج شده مورد استفاده قرار گیرد. نتیجه تجزیه و تحلیل رگرسیون برای پیش بینی کیفیت، اساسا رضایت بخش بود. مدل شبکه عصبی پیشنهاد شده عملکرد بهتری نسبت به تحلیل رگرسیون در رابطه با حداکثر خطای تخمین و خطای متوسط ​​مربع نشان داد. دقت برآورد کیفیت بر پایه شبکه عصبی می تواند بیشتر بهبود یافته با ترکیب استراتژی طبقه بندی سطح کیفی. ترکیب اندازه گیری مقاومت پویا با مدل شبکه عصبی مؤثر بود برای رسیدن به هدف نظارت بر کیفیت در نقطه مقیاس مقاومت در مقیاس کوچک جوش.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
چکیده انگلیسی
Our study aims at developing an efficient quality monitoring system in small scale resistance spot welding based on dynamic resistance. The dynamic resistance variation was related to weld nugget formation process. An initial resistance peak caused by asperity heating was detected. The second peak in dynamic resistance and single peak in dynamic voltage could be attributed to bulk material heating. An obvious interrelationship could be found between end resistance and weld quality. The features extracted from dynamic resistance curve were mainly influenced by welding current. The overall resistance level was dropped as welding current enlarged. The multiple linear regression analysis and back propagation neural network were then used to estimate the weld quality in combination with extracted features. Result of the regression analysis for quality prediction was basically satisfactory. The proposed neural network model showed a better performance than regression analysis regarding the maximum estimation error and root mean square error. Accuracy of the neural network based quality estimation could be further improved combining quality level classification strategy. Combination of the dynamic resistance measurement with neural network model was supposed effective to achieve the quality monitoring purpose in small scale resistance spot welding.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Measurement - Volume 99, March 2017, Pages 120-127
نویسندگان
, , , , ,