کاربرد شبکه های عصبی مصنوعی در شناسایی عیوب قطعات صنعتی

در بسیاری از سامانه ها و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل و شناسایی آنها از طریق روش های کلاسیک و تحلیلی امری دشوار و زمان بر می باشد،می توان از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار می باشند، استفاده نمود. شبکه های عصبی یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی (دسته بندی) و پیش بینی بکار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی برای تشخیص الگوی سیگنال های فراصوتی که با استفاده ازروش Pulse-Echo در منطقه جوش خورده بدست آمده اند جهت ارزیابی استفاده شده است. شبکه مورد نظر از نوع سپترون چند لایه (MLP) با روش یادگیری پس از انتشار است که در محیط MATLAB اجرا می شود. در این تحقیق نقص های گوناگون مانند:(Non-defect(ND(Slag Inclusion (SL(Excessive Penetration (Exp(Lack of Fusion (LOF(Lack of Penetration (LOPمورد بررسی قرار گرفته اند. سیگنالهای فراصوتی بدست آمده از Pulse-Echo برای عیوب را بدون پیش پردازش و با پیش پردازش توسط (Wavelet) به شبکه عصبی مصنوعی اعمال شده اند. نتایج بدست آمده نشان دهنده کارآمدی روش های فوق با بیش از ۹۱ % موفقیت درحالت بدون پیش پردازش وبیش از ۹۸ % موفقیت درحالت باپیش پردازش برای شناسایی و دسته بندی عیوب درمواد جوشکاری شده می باشد.