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進めるために、この研究では、溶接深さと平均気孔容積という 2 つの重要な溶接の主要性能特性 (KPC) の予測を可能にする深層学習 DL モデルを紹介します。
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、すべてのパスの高輝度光溶接率など、幅広いレーザー溶接のキー入力特性 (KIC) が利用されます。これらはすべて取得されています。
ヘアピン溶接実験より。
溶接入力変数と出力変数 (KPC と KIC) の間の複雑な非線形関係を捕捉する際のディープ ニューラル ネットワークの機能を調査するために、複数の隠れた密層と線形活性化関数を備えた 2 つの DL ネットワークが採用されています。
DL ネットワークを実験用の小規模な数値実験ヘアピン溶接データセットに適用すると、有望な結果が示され、溶接深さの予測で平均絶対誤差 (MAE) 値 0.1079、平均細孔容積で 0.0641 を達成しました。
これにより、溶接パラメータと溶接形状の間の相関関係を把握するために、溶接モニタリングにおける欠陥分類のみに依存する現在の傾向を超えて、溶接結果の制御において大きな利点が約束されます。

要約(オリジナル)

To advance quality assurance in the welding process, this study presents a deep learning DL model that enables the prediction of two critical welds’ Key Performance Characteristics (KPCs): welding depth and average pore volume. In the proposed approach, a wide 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 DL networks are employed with multiple hidden dense layers and linear activation functions to investigate the capabilities of deep neural networks in capturing the complex nonlinear relationships between the welding input and output variables (KPCs and KICs). Applying DL networks to the small numerical experimental hairpin welding dataset has shown promising results, achieving Mean Absolute Error (MAE) values 0.1079 for predicting welding depth and 0.0641 for average pore volume. This, in turn, promises significant advantages in controlling welding outcomes, moving beyond the current trend of relying only on defect classification in weld monitoring, to capture the correlation between the weld parameters and weld geometries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google