Автоматичне зварювання, 2023, №10



2023 №10 (03)

DOI of Article 10.37434/as2023.10.04

2023 №10 (05)

---

Журнал «Автоматичне зварювання», № 10, 2023, с. 30-36

Використання нейронних мереж для контролю та керування режимами дугового наплавлення порошковими дротами

В.Г. Соловйов, Ю.М. Ланкін, І.Ю. Романова

ІЕЗ ім. Є.О. Патона НАН України. 03150, м. Київ, вул. Казимира Малевича, 11. E-mail: office@paton.kiev.ua

Сучасний рівень автоматизації процесів наплавлення вимагає створення відповідних комп’ютерних систем завдання та підтримки заданих режимів процесу в реальному часі, аналізу, обробки і, при необхідності, автоматичної корекції значень цих параметрів з урахуванням їх впливу на глибину проплавлення, частку основного металу в наплавленому металі (ЧОМ), втрат електродного дроту на розбризкування (ВРМ), а також на формування наплавлених валиків, їх розмір і якість. Проведено експерименти та продемонстровано практику створення моделей нейронних мереж (МНМ) на прикладі таких параметрів процесу дугового наплавлення порошковим дротом, як ЧОМ і ВРМ. Ці МНМ були успішно застосовани для прогнозування вказаних технологичних параметрів дугового наплавлення. Для розширення практики використання МНМ в дуговому наплавленні потрібно розширення бази даних технологічних параметрів наплавлення, властивостей матеріалів, якості результатів, що отримуються тощо. База даних має бути орієнтована на її застосування під час створення та використання МНМ. Бібліогр. 12, табл. 5, рис. 5.
Ключові слова: дугове наплавлення, режими наплавлення, моделі нейронних мереж, контроль режимів наплавлення, керування процесом наплавлення


Надійшла до редакції 17.07.2023

Список літератури

1. Baicun Wang, S. Jack Hu, Lei Sun et. al. (2020) Intelligent welding system technologies: State-of-the-art review and perspectives. J. of Manufacturing Systems, 56, 373–391. DOI: https://doi.org/10.1016/j.jmsy.2020.06.020.
2. Zeqi, Hu, Xunpeng, Qin, Yifeng, Li et al. (2020) Welding parameters prediction for arbitrary layer height in robotic wire and arc additive manufacturing. Journal of Mechanical Science and Technology, 34(4), 1683–1695. DOI: https://doi. org/10.1007/s12206-020-0331-0.
3. Jun, Xiong, Guangjun, Zhang, Jianwen, Hu et. al. (2014) Bead geometry prediction for robotic GMAW-based rapid manufacturing through a neural network and a second-order regression analysis. J. of Intelligent Manufacturing, 25(1), 157–163. DOI: https://doi.org/10.1007/s10845-012-0682-1.
4. Ghanty. P., Vasudevan. M., Mukherjee, D.P. et. al. (2008) Artificial neural network approach for estimating weld bead width and depth of penetration from infrared thermal image of weld pool. Science and Technology of Welding and Joining, 13(4), 395–401. DOI: https://doi.org/10.1179/174329308X300118.
5. Sukhomay, Pal, Surjya, K. Pal, Arun, K. Samantaray (2002) Artificial neural network modeling of weld joint strength prediction of a pulsed metal inert gas welding process using arc signals. J. of Materials Processing Technology, 202(1–3), 464– 474. DOI: https://doi.org/10.1016/j.jmatprotec.2007.09.039.
6. Oludare Isaac Abiodun, Aman Jantan, Abiodun Esther Omolara et. al. (2018) State-of-the-art in artificial neural network applications: A survey. Heliyon, 4(11), DOI: https://doi. org/10.1016/j.heliyon.2018.e00938.
7. Ill-Soo Kim, Joon-Sik Son, Sang-Heon Lee et. al. (2004) Optimal design of neural networks for control in robotic arc welding. Robotics and Computer-Integrated Manufacturing, 20(1), 57–63. DOI: https://doi.org/10.1016/S0736-5845(03)00068-1.
8. Ryabtsev, I.A., Lankin, Yu.N., Soloviov, V.G. et. al. (2015) Computer information-and-measuring system for investigation of arc surfacing processes. The Paton Welding J., 9, 32– 35. DOI: https://doi.org/10.15407/tpwg2015.09.05.
9. Soloviov, V.G. (2018) Internet database of arc surfacing process using flux-cored wires. The Paton Welding J., 1, 38–41. DOI: https://doi.org/10.15407/tpwg2018.01.08.
10. Lankin. Yu.N., Soloviov, V.G. (2016) Information-measuring system for arc welding and surfacing. The Paton Welding J., 11, 36–42. DOI: https://doi.org/10.15407/tpwg2016.11.06.
11. Beale, M.H., Hagan, M.T., Demuth, H.B. (2010) Neural network toolbox. User’s guide. Version 7. USA, Natick, Mass.
12. Ryabtsev, I.A., Soloviov, V.G., Lankin, Yu.N. et. al. (2017) Computer system for automatic control of arc surfacing processes using electrode wires. The Paton Welding J., 5-6, 34– 36. DOI: https://doi.org/10.15407/tpwg2017.06.07.

---

Реклама в цьому номері:

---