مدل سازی و مقایسه مدل های برتر فرآیند جوشکاری رباتیک قوسی جهت پیش بینی کیفیت مطلوب جوش و انتخاب پارامترهای مناسب

جوشکاری Gas Metal Arc(GMA) ، یکی از پرکاربردترین فرآیندهای تولید به شمار می آید که برای ایجاد اتصالات با کیفیت بالا بکار گرفته می شود . همچنین، این روش قابلیت استفاده در سیستم های اتومات جهت افزایش قابلیت تولید را دارد . در حال حاضر، گرایش به سمت فرآیند جوشکاری اتومات در صنعت رو به افزایش است . اما با وجود استفاده زیاد آن در صنایع مختلف، جوشکاری تمام اتومات GMA هنوز با مشکلاتی مواجه است . یکی از اساسی ترین مشکلات فقدان الگوریتم مناسب برای استخراج رابطه موجود بین متغیرهای جوشکاری و هندسه جوش است . زیرا با کنترل هندسه جوش می توان خواص مکانیکی را نیز کنترل نمود . دراین بررسی چند مدل بهینه شده ریاضی برای پیش بینی عمق نفوذ جوش با استفاد از روش رگرسیون چند گانه، شبکه عصبی MLP 1 و SANN 2 ارائه شد . نتایج نشان داد که مدل های پیشنهادی میتوانند عمق نفوذ جوش را با دقت قابل قبولی، پیش بینی نمایند . در بین 5 مدل ارایه شده، مدل شبکه عصبیMLP با دقت بالاتری عمق نفوذ را پیش بینی می کند . در ادامه با کمک الگوریتم تبرید تدریجی مقادیر بهینه پارامترهای ورودی مدل MLP که کیفیت مطلوب را ایجاد می کند، تخمین زده شد . این مقادیر با مقادیرحاصل از نتایج Karadeniz و همکاران [12] مقایسه گردید .

کلیدواژه ها:

جوشکاری رباتیک ، مدل سازی ، شبکه عصبی ، بهینه سازی ، الگوریتم تبرید تدریجی