Machine learning applied to welding discontinuity detection and classification on Multipass wire feed Flux-Cored Arc welding

Abstract

La soldadura es un proceso multifísico y dinámico utilizado en la mayoría de las aplicaciones metalúrgicas. Las malas soldaduras pueden crear discontinuidades que pueden producir fallas en la integridad o incluso daños catastróficos, por lo que las inspecciones de soldaduras se consideran fundamentales. Sin embargo, la mayoría de las veces este proceso lleva un largo período en el que la productividad disminuye, por lo que es fundamental explorar nuevas tecnologías para ayudar con el proceso de inspección. Este estudio se centró en el uso del aprendizaje profundo para predecir y clasificar las discontinuidades de soldadura mediante el análisis de las señales eléctricas durante la soldadura con un fuerte objetivo en su aplicación y relevancia en la industria, se seleccionó Multipass Flux Core como el tipo de soldadura a estudiar ya que es utilizado en la mayoría de las aplicaciones civiles en América del Norte. Las tres discontinuidades Falta de fusión, Falta de penetración y socavación en las que se centra principalmente este proyecto fueron seleccionadas debido a su criticidad también en aplicaciones estructurales. Las discontinuidades seleccionadas fueron inducidas deliberadamente en cupones de soldadura en ciertos lugares para comparar los datos de voltaje y corriente entre buenas y malas soldaduras. Los resultados experimentales mostraron que es posible inducir discontinuidades manualmente, y estos resultados fueron validados mediante el uso de pruebas no destructivas. Se probaron varios algoritmos de aprendizaje profundo para identificar y clasificar las discontinuidades inducidas. Los resultados de estos algoritmos mostraron que es posible separar las soldaduras buenas de las malas (con muescas y falta de fusión). El mejor algoritmo de detección de discontinuidades fue Spectrogram Varational Auto Encoder con un porcentaje de precisión de 99,5 % en el conjunto de prueba. La incertidumbre de las predicciones se midió utilizando las propiedades estocásticas del espacio latente, este mostró estar alineado con respecto al reporte PAUT. Finalmente, se creó un clasificador utilizando la parte del codificador del Spectrogram Varational Auto Encoder como algoritmo de reducción de dimensionalidad que alimentó una red neuronal densa. Los resultados mostraron un 96 % por ciento de precisión para clasificar entre clases buenas, falta de fusión y falta de penetración en el conjunto de prueba. Estos resultados mostraron potencial para una implementación industrial que podría ayudar a reducir el tiempo de inactividad y de inspección.