Fehleridentifikation bei Baustahl im Lichtbogen-Schweißen mittels Multi-Sensor- und Nachbarschafts-Rauheitsansatz

Die Schweißtechnik spielt eine entscheidende Rolle im Herstellungsprozess von Schiffen, Automobilen und Luftfahrzeugen, da sie direkt deren Betriebssicherheit und Zuverlässigkeit beeinflusst. Daher ist die Entwicklung eines genauen Systems zur Identifizierung von Schweißfehlern im Lichtbogenschweißen entscheidend für die Verbesserung der Qualität der Schweißproduktion. In dieser Studie wird ein Fehlererkennungsmethodik vorgeschlagen, die den Nachbarschafts-Rauheitsansatz (NRS) mit dem Dingo-Optimierungsalgorithmus Support Vector Machine (DOA-SVM) in einem multisensorischen Rahmen kombiniert. Das oben genannte 195-dimensionale Entscheidungssystem wurde zur Integration von mehrquelliger Information aus Schmelzbadbildern, Schweißstrom und Vibrationssignalen konstruiert. Um das System zu optimieren, wurde es weiter auf ein 12-dimensionales Entscheidungssystem durch Ausreißerverarbeitung und Merkmalsauswahl basierend auf dem Nachbarschafts-Rauheitsansatz verfeinert. Anschließend wird der DOA-SVM zur Erkennung von Schweißfehlern eingesetzt. Experimentelle Ergebnisse zeigen eine Genauigkeitsrate von 98,98 % bei der Identifizierung von Schweißfehlern mit unserem Modell. Wichtig ist, dass diese Methode im Vergleich zu anderen Techniken schneller und genauer fünf häufige Schweißfehler identifiziert, wodurch ihre Eignung für das Lichtbogenschweißen bestätigt wird. Die vorgeschlagene Methode erreicht nicht nur eine hohe Genauigkeit, sondern vereinfacht auch die Modellstruktur, erhöht die Erkennungseffizienz und rationalisiert das Netztraining.