論文の概要: Investigating the ability of deep learning to predict Welding Depth and Pore Volume in Hairpin Welding
- arxiv url: http://arxiv.org/abs/2312.01606v4
- Date: Mon, 12 Aug 2024 14:26:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-14 00:28:29.036740
- Title: Investigating the ability of deep learning to predict Welding Depth and Pore Volume in Hairpin Welding
- Title（参考訳）: ヘアピン溶接における深部学習による溶接深さと孔容積予測能力の検討
- Authors: Amena Darwish, Stefan Ericson, Rohollah Ghasemi, Tobias Andersson, Dan Lönn, Andreas Andersson Lassila, Kent Salomonsson,
- Abstract要約: 本研究では,2つの臨界溶接部のキー性能特性(KPC)の予測を可能にする深層学習モデルを提案する。
DLネットワークを小さな数値実験ヘアピン溶接データセットに適用すると,有望な結果が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To advance quality assurance in the welding process, this study presents a deep learning DL model that enables the prediction of two critical welds' Key Performance Characteristics (KPCs): welding depth and average pore volume. In the proposed approach, a wide range of laser welding Key Input Characteristics (KICs) is utilized, including welding beam geometries, welding feed rates, path repetitions for weld beam geometries, and bright light weld ratios for all paths, all of which were obtained from hairpin welding experiments. Two DL networks are employed with multiple hidden dense layers and linear activation functions to investigate the capabilities of deep neural networks in capturing the complex nonlinear relationships between the welding input and output variables (KPCs and KICs). Applying DL networks to the small numerical experimental hairpin welding dataset has shown promising results, achieving Mean Absolute Error (MAE) values 0.1079 for predicting welding depth and 0.0641 for average pore volume. This, in turn, promises significant advantages in controlling welding outcomes, moving beyond the current trend of relying only on defect classification in weld monitoring, to capture the correlation between the weld parameters and weld geometries.
- Abstract（参考訳）: 本研究は, 溶接工程における品質保証を向上するため, 2つの臨界溶接部のキー性能特性(KPC)の予測を可能にする深層学習型DLモデルを提案する。
提案手法では, レーザ溶接キー入力特性 (KIC) を広範囲に利用し, 溶接ビームジオメトリー, 溶接供給速度, 溶接ビームジオメトリーの経路繰り返し, およびヘアピン溶接実験から得られた全経路に対する明るい光溶接率について検討した。
溶接入力と出力変数(KPCとKIC)の複雑な非線形関係を捉える際に、ディープニューラルネットワークの能力を調べるために、2つのDLネットワークに複数の隠密層と線形活性化関数が使用される。
DLネットワークを小さな数値実験ヘアピン溶接データセットに適用すると, 平均溶接深さを0.1079, 平均細孔体積を0.0641, 平均絶対誤差を0.1079とする有望な結果が得られた。
このことは溶接結果の制御において大きな利点を約束し、溶接監視における欠陥分類のみに依存する現在の傾向を超えて、溶接パラメータと溶接ジオメトリーの相関を捉えている。
関連論文リスト
- Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。
既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。
本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文 参考訳（メタデータ） (2024-09-21T04:39:45Z) - Unsupervised Welding Defect Detection Using Audio And Video [1.517355052203938]
本稿では,マイクロホンとカメラで溶接プロセスを記録することにより,溶接欠陥をリアルタイムで検出する深層学習手法について述べる。
すべてのディープラーニングモデルは、潜在的な欠陥の空間が大きいため、教師なしの方法でトレーニングされます。
溶接欠陥のほとんどをリアルタイムに検出できることが,音声とビデオの両方から可能であることを実証した。
論文 参考訳（メタデータ） (2024-09-03T20:58:56Z) - Coarse-to-Fine Detection of Multiple Seams for Robotic Welding [24.367563906633357]
本稿では, 溶接シームを概ね局在させることにより, 関心領域を得るための枠組みを提案する。
この結果は、実世界の産業応用の可能性を示している。
論文 参考訳（メタデータ） (2024-08-20T10:24:59Z) - Deep Learning and Image Super-Resolution-Guided Beam and Power
Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。
教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文 参考訳（メタデータ） (2023-05-08T05:40:54Z) - Machine learning models for determination of weldbead shape parameters
for gas metal arc welded T-joints -- A comparative study [0.0]
溶接ビーズの形状は、接合部の質を評価する上で重要である。
本研究では,シールド鋼板の溶接ビーズ形状パラメータを予測するため,統計的設計と人工ニューラルネットワークに焦点を当てた。
論文 参考訳（メタデータ） (2022-06-06T06:11:22Z) - Deep Learning Model Explainability for Inspection Accuracy Improvement
in the Automotive Industry [0.0]
本研究の目的は, 溶接シームの分類精度と信頼性の向上に対する深層学習モデル説明可能性の寄与を把握し, 強調することである。
本稿では,モデル予測スコアとモデルの視覚的説明熱マップを組み合わせたハイブリッド手法を提案する。
その結果,ハイブリッドモデルの性能は目標よりも相対的に高く,少なくとも18%の精度向上に寄与していることがわかった。
論文 参考訳（メタデータ） (2021-10-07T12:23:00Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - Classification of Spot-welded Joints in Laser Thermography Data using
Convolutional Neural Networks [52.661521064098416]
レーザサーモグラフィーデータから得られた画像を用いてスポット溶接の品質検査を行う手法を提案する。
我々は畳み込みニューラルネットワークを用いて溶接品質を分類し、異なるモデルの性能を互いに比較する。
論文 参考訳（メタデータ） (2020-10-24T20:38:12Z) - DPANet: Depth Potentiality-Aware Gated Attention Network for RGB-D
Salient Object Detection [107.96418568008644]
そこで我々は,DPANetという新しいネットワークを提案し,深度マップの可能性を明確にモデル化し,モーダル間の相補性を効果的に統合する。
深度ポテンシャル知覚を導入することにより、ネットワークは深度情報のポテンシャルを学習ベースで知覚することができる。
論文 参考訳（メタデータ） (2020-03-19T07:27:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。