كيف يمكن مراقبة عمق اللحام بدقة من صور مجموعة لحام ديناميكية متسلسلة باستخدام نموذج التعلم العميق CNN-LSTM؟

توضح هذه الرسالة كيف يمكن حل مشكلة صعبة من خلال ضمان كفاية المعلومات الخام واستخدام شبكة تعلم عميقة مناسبة لاستخراج المعلومات ذات الصلة. تتعلق المشكلة بالمراقبة الدقيقة للاختراق، في حوض اللحام المملوء بالكامل، كما تم قياسه من خلال عرض اللحام على الجانب الخلفي من قطعة العمل. هذه المشكلة صعبة لأنه يحدث الاختراق تحت سطح قطعة العمل ولا يمكن رؤيته. الطريقة الشائعة هي استخدام صورة لحوض اللحام لاستنتاج ذلك. تشير تحليلات العملية الفيزيائية إلى أن حوض لحام واحد لا يحتوي على معلومات كافية ولكن قد تحتوي ممرات اللحام المتسلسلة الحديثة على معلومات كافية. لذلك، على الرغم من أن نموذج التعلم العميق قد يستخرج المعلومات التي موجودة بالفعل، إلا أن المعلومات الخام قد لا تكون كافية. ومن ثم، هناك حاجة إلى نموذج قادر على استخراج المعلومات من صور حوض اللحام الديناميكية المتسلسلة. لهذا الغرض، يتم اقتراح نموذج CNN-LSTM (شبكة عصبية ملتفة مع ذاكرة قصيرة وطويلة الأجل). يتم إنشاء مجموعات اللحام الديناميكية تجريبياً عن طريق تغيير تيار اللحام وسرعة اللحام بشكل عشوائي. يتم تصوير أحواض اللحام باستخدام كاميرا HDR أثناء التجارب. كما يتم التقاط الصور من السطح الخلفي لقطعة العمل لتقديم الحقيقة الأساسية للتدريب والتحقق والاختبار. وُجد أن حوض اللحام المتغير ديناميكياً يمكن التنبؤ به بدقة باستخدام صور أحواض اللحام المتسلسلة عند 0.3 مم لعرض الخياطة من الخلف. تم إجراء مقارنة مع النتائج من الدراسات المقارنة للتحقق من فعالية ومساهمة كفاية المعلومات (باستخدام الصور المتسلسلة) وقدرة استخراج الميزات (باستخدام التعلم العميق).