In serial production, problems are constantly encountered in the selection of welding parameters due to the excess of welding parameters and variations. In order to compensate for these variations, mostly high energy flux is used. In this study, an approach developed in order to estimate weld nugget diameter in determining the welding parameters for sheets with a thickness of 0.6-3 mm is introduced. Sheet is an iron-based material that has been given certain mechanical and chemical properties in standards, turned into sheets from thick plates by rolling processes. Minitab statistical program was used to create experimental data and mathematical operations. First of all, 7 source parameters were selected and experimental study was carried out for 64 experiments using the ½ partition factorial method of disegn of experiments(DOE) in Minitab software. With the experiments, real weld nugget diameters were obtained. These results were transferred to the Minitab software and the mathematical model of the system was established. Weld nugget diameter estimation procedures were carried out using the datas of factorical disegn of experiments(DOE). Test and prediction data were transferred to Minitab software, regression graph was drawn and R-Sq and R-Sq (adj) values were calculated. In addition, samples were created with randomly selected data for verification and comparison was made by transferring them to Minitab. According to the results of this study, remarkable accuracy rates have been achieved in the weld nugget diameter estimation with Minitab.
Bu çalışmada, özellikle sac metal şekillendiren firmaların, en önemli konularından biri olan sac metal yırtık tanımlama ve yakalama konusu araştırılmıştır. Sac yırtıklar seri imalatta frekansiyel olarak görülmesine karşın, araç ıskartalarına neden olduğu için etki derecesi ve maliyeti yüksektir. Bunu yapabilmek için, 0,6-3 mm kalınlık aralığında saclarda, sahada 490 adet farklı sac üzerinde yırtık denemeleri yapılarak, sac yırtık resim datası kütüphanesi oluşturulmuştur. Ayrıca 121 adet de yırtık olmayan “ok” parça da kütüphaneye dahil edilmiştir. Üstün özellik çıkarma yeteneği nedeniyle evrişimli sinir ağı (ESA), akıllı hata teşhisi alanında geniş çapta araştırılmış ve uygulanmış ve diğer geleneksel makine öğrenme yöntemlerine kıyasla üstün performans kazanmıştır. Daha sonra sac yırtık verisi ve yırtık olmayan parça verileri, eğitim ve test verisi olarak bölünerek ve farklı parametreler ile optimize edilerek, sistemin doğruluk değerleri test edilmiştir. Burada %98,5 doğruluk ve %90 doğrulama kesinliği gibi çok yüksek doğruluk oranlarına ulaşılmıştır. Bu durum, hem hatalara ait resim kütüphanemizin hem de modelimizin güvenilirliği hakkında bilgi vermektedir. Araştırma sonuçları, seri imalat uygulamalarında çok önemli olan, sac yırtık hatalarının tespiti ve yakalanması adına temel oluşturacağı için önemlidir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.