مرامی, ., پور اصل, ., مشک آبادی, . (1389). تخمین استحکام کششی قطعات در جوشکاری قوسی تنگستن- گاز با سرعتهای پیشروی کنترل شده با استفاده از شبکه های عصبی. Journal of Modern Processes in Manufacturing and Production, 1(3), 19-24.
غلامرضا مرامی; امیر مصطفی پور اصل; رامین مشک آبادی. "تخمین استحکام کششی قطعات در جوشکاری قوسی تنگستن- گاز با سرعتهای پیشروی کنترل شده با استفاده از شبکه های عصبی". Journal of Modern Processes in Manufacturing and Production, 1, 3, 1389, 19-24.
مرامی, ., پور اصل, ., مشک آبادی, . (1389). 'تخمین استحکام کششی قطعات در جوشکاری قوسی تنگستن- گاز با سرعتهای پیشروی کنترل شده با استفاده از شبکه های عصبی', Journal of Modern Processes in Manufacturing and Production, 1(3), pp. 19-24.
مرامی, ., پور اصل, ., مشک آبادی, . تخمین استحکام کششی قطعات در جوشکاری قوسی تنگستن- گاز با سرعتهای پیشروی کنترل شده با استفاده از شبکه های عصبی. Journal of Modern Processes in Manufacturing and Production, 1389; 1(3): 19-24.
تخمین استحکام کششی قطعات در جوشکاری قوسی تنگستن- گاز با سرعتهای پیشروی کنترل شده با استفاده از شبکه های عصبی
3دانشگاه آزاد اسلامی، واحد اهر، گروه مهندسی مکانیک
Abstract
جوشکاری قوسی تنگستن – گاز یکی از فرایندهای مهم جوشکاری در صنعت می باشد که از الکترود غیر مصرفی تنگستن برای جوشکاری استفاده می کند. این روش برای جوشکاری قطعات نازک فولادهای ضد زنگ و فلزات غیر آهنی از قبیل آلومینیوم، منیزیم و آلیاژهای مس به کار برده می شود. در این تحقیق با طراحی و ساخت یک بازوی جوشکاری اتوماتیک که سرعت جوشکاری آن بوسیله میکرو کنترلر کنترل می شود در شرایط مختلف جوشکاری مانند انواع سرعت پیشروی، شدت جریان و دمای پیش گرم آزمایشات عملی صورت گرفته و مقدار استحکام کششی نمونه های جوشکاری شده اندازه گیری شد. سپس با استفاده از این اطلاعات تجربی، سیستم هوشمندی از نوع شبکه های عصبی طراحی ، آموزش و تست گردید که ورودی های آن پارامترهای تنظیمی جوشکاری و خروجی آن استحکام کششی جوش حاصل می باشد. نتایج کار نشان می دهد که با استفاده از شبکه عصبی با دقت بسیار بالائی می توان استحکام کششی را قبل از انجام جوشکاری تخمین زد.
2- Sacks, R.J. , Welding: Principles and Practices, Glencoe, Peoria, IL, 1981.
3- Bicknell, A., Smith, J.S., Lucas, J., Arc voltage sensor for monitoring of penetration in TIG welds, IEE Proc. Sci. Meas. Technol. 141 (6) ,pp.513-520 ,1994.
4- Zhang, Y.M., Kovacevic, R., Characterization and realtime measurement of geometrical appearance of the weld pool, Int. J. Mach. Tools and Manuf. 36 (7), pp.799-816,1996.
5- Cary, H.B. , Modern Welding Technology, Prentice Hall, Englewood Cliffs, New Jersey, 1989.
6- Freeman, J.A. , Skapura, D.M., Neural Networks: Algorithms, Application and Programming Techniques, Addison-Wesley, New York, 1991.
7- Zeng, X.M. , Lucas, J., Fang, M.T.C. , Use of neural networks for parameter prediction and quality inspection in TIG welding,Trans. Inst. Meas. Control 15 (2), pp.87-95,1993.
8- Jin, B. , Soeda, M., Oshima, K., Control of weldpool width and cooling time in TIG welding using a neural network model, Welding Int. 10 (8) ,pp.614-621 ,1996.
9- Juang, S.C. , Tarng, Y.S. , Process parameter selection for optimizing the weld pool geometry in the tungsten inert gas welding of stainless steel, MATRIAL PROCESSING TECHNOLOGY, pp.33-37, 2002.
10- McClelland, J., Rumelhart, D., Parallel Distributed Processing, vol. 1, MIT Press, Cambridge, MA, 1986.
Top