Clasificación de tipos de defectos en el atornillado con tornillos de perforación de flujo utilizando un enfoque de aprendizaje automático

Los tipos de defectos en el atornillado con tornillos de perforación de flujo son diversos y ocurren bajo una variedad de influencias. Algunos de estos no pueden preverse en función de los parámetros del tornillo. Dependiendo de los materiales a unir, los parámetros deben ajustarse de manera precisa e individual. En este documento, se analiza la correlación entre los tipos de defectos y los parámetros influyentes, y se utiliza para desarrollar una herramienta de clasificación de defectos. Para este fin, se llevó a cabo un extenso programa experimental utilizando una variedad de aleaciones de acero y aluminio, grosores de chapa y tipos de tornillos con diferentes recubrimientos superficiales. Se aplicó deliberadamente un amplio rango de configuraciones de parámetros para producir intencionalmente uniones defectuosas con fines de capacitación. El conjunto de datos generado permitió el entrenamiento de un modelo de aprendizaje automático supervisado. Por lo tanto, se entrenó una red neuronal feedforward para ser capaz de clasificar tipos de defectos basándose en datos de proceso.