تخمین میزان اعوجاج زاویه ای قطعات جوشکاری به روش هوش مصنوعی در جوشکاری اتوماتیک قوس الکتریکی تنگستن

Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 787

This Paper With 6 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICME12_126

تاریخ نمایه سازی: 25 شهریور 1392

Abstract:

یکی از روشهای مهم جوشکاری، روش قوس الکتریکی با الکترود تنگستن می باشد. در این فرایند اعوجاج و تغییر فرم یکی از مشکلاتی است که در اثر فاکتور انبساطی، میزان انقباض در حالت تبدیل به جامد، اشتباه طراحی و تکنیک عملیات جوشکاری در قطعات جوش ناشی می شود. روش های متنوعی جهت مقابله با اعوجاج است که یکی از آنها تخمین میزان اعوجاج قبل از جوشکاری و سپس پیش نشاندن نمونه ها به منظور به حداقل رساندن اعوجاج زاویه ای است، در این تحقیق برای جوشکاری قوس الکتریکی تنگستن یک بازوی جوشکاری اتوماتیک جهت کنترل دقیق سرعت پیشروی تورچ طراحی و ساخته شد که سرعت جوشکاری آن بوسیله میکروکنترلر با روش مدولاسیون عرض باند قابل کنترل است. سپس در شرایط مختلف جوشکاری مانند انواع سرعت پیشروی، شدت جریان و دمای پیش گرم جوشکاری بر روی فولاد ضدزنگ 304 انجام شد و مقدار اعوجاج زاویه ای نمونه ها به صورت عملی با دستگاه پروفایل پروژکتور اندازه گیری شد. در مرحله بعد، با استفاده از این اطلاعات تجربی، یک سیستم هوش مصنوعی از نوع شبکه های عصبی در نرم افزار مطلب طراحی و آموزش داده شد. که ورودی های آن پارامترهای تنظیمی جوشکاری قوس الکتریکی تنگستن و خروجی آن اعوجاج زاویه ای نمونه ها است. هدف از این سیستم هوشمند آن است که قبل از جوشکاری مقدار اعوجاج زاویه ای نمونه های جوش را با معلوم بودن پارامترهای مختلف ورودی، تخمین زد. این سیستم هوشمند بعد از آموزش، تست گردید. نتایج کار نشان می دهد که با استفاده از شبکه عصبی با دقت بسیار بالائی می توان اعوجاج زاویه ای را قبل از انجام جوشکاری تخمین زد و اعوجاج زاویه ای قطعات جوش را قبل از جوشکاری با پیش نشاندن اولیه نمونه ها بر اساس مقدار زاویه تخمینی شبکه به حداقل رساند.

Keywords:

اعوجاج زاویه ای , جوشکاری اتوماتیک قوس الکتریکی تنگستن , هوش مصنوعی , شبکه عصبی , میکروکنترلر

Authors

غلامرضا مرامی

کارشناس ارشد، دانشکده مهندسی مکانیک، دانشگاه تبریز

امیر مصطفی پور

استادیار، دانشکده مهندسی مکانیک، دانشگاه تبریز

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • R.J. Sacks, "Welding Principles and Practices", Glencoe Peoria, pp. 28-32, ...
  • V. Muthupandi, P. Srinivasan, SK. Seshadri, S. Sundaresan, "Effect of ...
  • Y. Jun, G.Ming, Z.Xiaoyan, " Study on microstructure and mechanical ...
  • Y.M. Zhang, R. Kovacevic, L. Li, ، Characteri zation and ...
  • H.B. Cary, "Modern Welding Technology, Prentice Hall, Englewood Cliffs, New ...
  • F. Freeman, D.. Skapura, "Neural Networks and Algorithms, Application & ...
  • X.M. Zeng, J. Lucas, M.T.C. Fang, "Use of neurl networks ...
  • S. Mandal, P.V. Sivaprasad, S.Venugopal, "Capability of a feed-forward artifcialneural ...
  • B. Jin, M. Soeda, K. Oshima, "Control of weldpool width ...
  • D. Deng, H. Murakawa, W. Liang, "Prediction of welding distortion ...
  • G. Verhaeghe, "Predictive Formulate For Weld Distortion - A Critical ...
  • نمایش کامل مراجع