ITMO
en/ en

ISSN: 1023-5086

en/

ISSN: 1023-5086

Научно-технический

Оптический журнал

Полнотекстовый перевод журнала на английский язык издаётся Optica Publishing Group (ранее OSA) под названием “Journal of Optical Technology“

Подача статьи Подать статью
Больше информации Назад

DOI: 10.17586/1023-5086-2023-90-12-46-60

Технология обработки изображений с помощью нейронной сети при определении качества сварного шва и параметров зоны термического воздействия при газо-дуговой сварке листов металла

Ссылка для цитирования:

Abolfazl Foorginejad, Sayyed Mohammad Emam, Hossein Jamshidi, Sadegh Ranjbar. Image processing technique for measuring of weld dilution and heat-affected zone to model the gas metal arc welding process by neuro-fuzzy (Технология обработки изображений с помощью нейронной сети при определении качества сварного шва и параметров зоны термического воздействия при газо-дуговой сварке листов металла) [на англ. языке] // Оптический журнал. 2023. Т. 90. № 12. С. 46–60.http://doi.org/10.17586/1023-5086-2023-90-12-46-60

 

Ссылка на англоязычную версию:
-
Аннотация:

Объект исследования. Метод обработки изображений сварного шва при определении параметров зоны термического воздействия, построение модели их зависимости от параметров газо-дуговой сварки. Цель работы. Увеличение точности оценки качества сварного шва и геометрических параметров зоны термического воздействия при газо-дуговой сварке металлических объектов. Метод. Определение функциональных зависимостей между геометрическими параметрами сварного шва и основными параметрами процесса газо-дуговой сварки посредством обработки стереоскопических изображений шва с помощью компьютерной модели на основе полносвязной нейронной сети в сочетании с использованием правил нечёткой логики. Основные результаты. С помощью предложенного метода обработки изображений геометрические параметры сварного шва могут быть определены с относительной погрешностью не более 1,66%. Экспериментальные исследования подтвердили достоверность найденных зависимостей между параметрами сварочного процесса и параметрами шва, в частности, коэффициенты корреляции для полученной плотности сварного шва и размеров зоны термического воздействия составляют 0,93 и 0,99, соответственно. Практическая значимость. Рассмотренная технология обработки изображений с помощью обучаемой нейронной сети в сочетании с использованием правил нечёткой логики позволяет повысить точность определения параметров шва и зоны термического воздействия газо-дуговой сварке стальных листов при известных напряжении и скорости подачи электрода.

Ключевые слова:

газо-дуговая сварка металла, плотность, зона термического воздействия, обработка изображений, нейро-нечёткое моделирование

Коды OCIS: 150.0150, 150.3045, 120.0120

Список источников:
  1. Hu J., Tsai H. L. Heat and mass transfer in gas metal arc welding // Part I: The arc. International journal of heat and mass transfer. 2007. V. 50. № 5–6. P. 833–846. https://doi.org/10.1016/j.ijheatmasstransfer.2006.08.025
  2. Foorginejad A., Azargoman M., Babaiyan V., Mollayi N., Taheri M. Application of the extreme learning machine for modeling the bead geometry in gas metal arc welding process // AUT Journal of Modeling and Simulation. 2019. V. 51. № 2. P. 121–130. https://doi.org/10.22060/miscj.2019.15189.5127
  3. Anzehaee M.M., Haeri M. A new method to control heat and mass transfer to work piece in a GMAW process // Journal of Process Control. 2012. V. 22. № 6. P. 1087–1102. https://doi.org/10.1016/j.jprocont.2012.04.004
  4. Aghakhani M., Ghaderi M.R., Karami A., Derakhshan A.A. Combined effect of TiO2 nanoparticles and input welding parameters on the weld bead penetration in submerged arc welding process using fuzzy logic // The International Journal of Advanced Manufacturing Technology. 2014. V. 70. № 1. P. 63–72. https://doi.org/10.1007/s00170-013-5180-x
  5. Foorginejad A., Azargoman M., Mollayi N., Taheri M. Modeling of weld bead geometry using adaptive neuro-fuzzy inference system (ANFIS) in additive manufacturing // Journal of Applied and Computational Mechanics. 2020. V. 6. № 1. P. 160–170. https://doi.org/10.22055/jacm.2019.29077.1555
  6. Baskoro A.S., Purwanto D.A., Widyianto A. Controlling the width of weld bead from the weld pool using machine vision and artificial neural network // In MATEC Web of Conferences. 2019. V. 269. P. 04003. EDP Sciences. https://doi.org/10.1051/matecconf/201926904003
  7. Xiong J., Zhang G. Online measurement of bead geometry in GMAW-based additive manufacturing using passive vision // Measurement Science and Technology. 2013. V. 24. № 11. P. 115103. https://doi.org/10.1088/0957-0233/24/11/115103
  8. Moradpour M.A., Hesemi S.H., Khalili K. Machine vision implementation for offline measurement of weld bead geometry in API X65 pipeline steel // UPB Sci. Bull. D Mech. Eng. 2014. V. 76. P. 137–148.
  9. Akkas N., Karayel D. Ozkan S.S., Oğur A. Topal B. Modeling and analysis of the weld bead geometry in submerged arc welding by using adaptive neurofuzzy inference system // Mathematical Problems in Engineering. 2013. V. 2013. P. 1–10. https://doi.org/10.1155/2013/473495
  10. Murugan N., Parmar R.S. Effect of welding conditions on microstructure and properties of type 316L stainless steel submerged arc cladding // Welding journal. 1997. V. 76. № 5. P. 210–220.
  11. Rashid R.R., Abaspour S., Palanisamy S., Matthews N., Dargusch M.S. Metallurgical and geometrical characterisation of the 316L stainless steel clad deposited on a mild steel substrate // Surface and Coatings Technology. 2017. V. 327. P. 174–184. https://doi.org/10.1016/j.surfcoat.2017.08.013
  12. Kingsley-Omoyibo Q.A. Weld porosity control using diagnostic case statistics for percentage dilution in a gas tungsten arc welding process // Nigerian Journal of Technology. 2019. V. 38. № 1. P. 127–133. https://doi.org/10.4314/njt.v38i1.17
  13. Yao J.T.P., Kozin F., Wen Y.K., Yang J.N., Schueller G.I., Ditlevsen O. Stochastic fatigue, fracture and damage analysis // Structural Safety. 1986. V. 3. № 3–4. P. 231–267. https://doi.org/10.1016/0167-4730(86)90005-6
  14. Weman K. Welding processes handbook. Cambridge: Elsevier, 2011. 193 p.
  15. Lara M., Díaz V.V., Camus M., Da Cunha T.V. Effect of transverse arc oscillation on morphology, dilution and microstructural aspects of weld beads produced with short-circuiting transfer in GMAW // Journal of the Brazilian Society of Mechanical Sciences and Engineering. 2020. V. 42. № 9. P. 1–13. https://doi.org/10.1007/s40430-020-02533-w
  16. Martínez R.T., Bestard G.A., Silva A.M.A., AlfaroS C.A. Analysis of GMAW process with deep learning and machine learning techniques // Journal of Manufacturing Processes. 2021. V. 62. P. 695–703. https://doi.org/10.1016/j.jmapro.2020.12.052
  17. Montogomery D.C. Design and analysis of experiments. Arizona, USA: John Wiley & Sons Inc, 2013. 734 p.
  18. Sirisantisamrid K., Matsuura T., Tirasesth K. A simple technique to determine calibration parameters for coplanar camera calibration // In 2004 IEEE Region 10 Conference TENCON 2004. 2004. P. 677–680. https://doi.org/10.1109/TENCON.2004.1414511
  19. Sayyedbarzani S.A., Emam S.M. Evaluation of the quantization error in convergence stereo cameras // Journal of Optical Technology. 2020. V. 87. № 8. P. 495–500. https://doi.org/10.1364/JOT.87.000495
  20. Sayyedbarzani S.A., Emam S.M. 3D reconstruction accuracy improvement of a stereo vision system by changing the convergence angle of the cameras // Journal of Optical Technology. 2021. V. 88. № 10. P. 574–578. https://doi.org/10.1364/JOT.88.000574
  21. Bouguet J.Y. Camera calibration toolbox for Matlab. 2004. http://www. vision. caltech. edu/bouguetj/calib_doc/index. html
  22. Wang L.X. A course in fuzzy systems and control. New Jersey, USA: Prentice Hall PTR Upper Saddle River, 1997. 424 p.
  23. Jang J.S.R., Sun C.T., Mizutani E. Neuro-fuzzy and soft computing-a computational approach to learning and machine intelligence [Book Review] // IEEE Transactions on automatic control. 1997. V. 42. № 10. P. 1482–1484.
  24. Ghomsheh V.S., Shoorehdeli M.A., Teshnehlab M. Training ANFIS structure with modified PSO algorithm // In 2007 Mediterranean Conference on Control & Automation. 2007. P. 1–6. https://doi.org/10.1109/MED.2007.4433927
  25. Liu P., Leng W., Fang W. Training ANFIS model with an improved quantum-behaved particle swarm optimization algorithm // Mathematical Problems in Engineering. 2013. V. 2013. P. 1–10. https://doi.org/10.1155/2013/595639
  26. Zangeneh A.Z., Mansouri M., Teshnehlab M., Sedigh A.K. Training ANFIS system with DE algorithm // In The Fourth International Workshop on Advanced Computational Intelligence. 2011. P. 308–314. https://doi.org/10.1109/IWACI.2011.6160022