Investigating the ability of deep learning to predict Welding Depth and Pore Volume in Hairpin Welding

要約

溶接プロセスの品質保証を向上させるために、本研究では、溶接深さと平均気孔体積という2つの重要な溶接主要性能特性（KPC）の予測を可能にするロバストな深層学習モデルを提示する。提案されたアプローチでは、溶接ビーム形状、溶接送り速度、溶接ビーム形状のパス繰り返し、全てのパスの明光溶接比を含む、包括的なレーザー溶接主要入力特性（KIC）が利用され、これらは全てヘアピン溶接実験から得られたものである。溶接KPCとKICに内在する複雑な非線形接続を捉えるディープ・ニューラル・ネットワークの能力を紹介するために、複数の隠れ高密度層と線形活性化関数を持つ2つのディープ・ラーニング・ネットワークが採用されている。小規模な数値実験ヘアピン溶接データセットにディープラーニングネットワークを適用することで、溶接深さの予測で0.1079、平均気孔容積で0.0641という低い平均絶対誤差（MAE）値を達成し、有望な結果を示した。さらに、妥当性の検証により、提案手法の信頼性が実証された。これにより、欠陥分類を単にモニタリングに依存する現在の傾向を超えて、溶接結果を制御する上で大きな利点が期待される。

要約(オリジナル)

To advance quality assurance in the welding process, this study presents a robust deep learning model that enables the prediction of two critical welds Key Performance Characteristics (KPCs): welding depth and average pore volume. In the proposed approach, a comprehensive range of laser welding Key Input Characteristics (KICs) is utilized, including welding beam geometries, welding feed rates, path repetitions for weld beam geometries, and bright light weld ratios for all paths, all of which were obtained from hairpin welding experiments. Two deep learning networks are employed with multiple hidden dense layers and linear activation functions to showcase the capabilities of deep neural networks in capturing the intricate nonlinear connections inherent within welding KPCs and KICs. Applying deep learning networks to the small numerical experimental hairpin welding dataset has shown promising results, achieving Mean Absolute Error (MAE) values as low as 0.1079 for predicting welding depth and 0.0641 for average pore volume. Additionally, the validity verification demonstrates the reliability of the proposed method. This, in turn, promises significant advantages in controlling welding outcomes, moving beyond the current trend of relying merely on monitoring for defect classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL