بکارگیری منطق فازی جهت پیش‌بینی هندسه‌ی جوش در فرآیند جوشکاری زیرپودری فولاد API X65

نوع مقاله: مقاله مستقل

نویسندگان

دانشگاه بیرجند

چکیده

جوشکاری زیر‌پودری از روش‌های مهم جوشکاری با نرخ رسوب بالا و کیفیت جوشکاری مناسب محسوب می‌شود که در جوشکاری ورق‌های ضخیم، مخصوصا جوشکاری لوله‌های قطور انتقال نفت و گاز و مخازن تحت فشار کاربرد زیادی دارد. در این روش تنظیم دقیق پارامترهای جوشکاری جهت نیل به جوشکاری با کیفیت بالا، از اهمیت زیادی برخوردار است. عموما تنظیم پارامترها بصورت سعی و خطا، با استفاده از مقادیر پیشنهادی سازندگان دستگاه و یا کتب فنی (مراجع جوشکاری) صورت می‌گیرد که روش دقیقی نمی‌باشد. در این تحقیق جهت پیش‌بینی دقیق هندسه‌ی گرده‌ی جوش، از منطق فازی استفاده شده است. بدین منظور آزمایش‌های عملی در شرایط مختلف جوشکاری بر روی ورق فولادی لوله‌های انتقال گاز از نوع API X65 انجام شد. سپس بر اساس اطلاعات تجربی بدست آمده، مدل‌ فازی مطلوبی طراحی شد که ورودی‌های آن جریان، ولتاژ و سرعت جوشکاری و خروجی‌‌های آن عمق نفوذ جوش، پهنا و ارتفاع گرده‌ی جوش می‌باشد. نتایج این تحقیق نشان می‌دهد که مدل‌ ارائه شده، می‌تواند با دقت مطلوبی هندسه‌ی گرده‌ی جوش را تخمین بزند. بر این اساس می توان در شرایط مشابه و کنترل شده، از این مدل با اعمال تغییرات مورد نیاز برای تنظیم عملی ‌پارامترهای جوشکاری خط تولید لوله‌های فولادی استفاده کرد.

کلیدواژه‌ها

موضوعات


[1] Fathi M, Lambrecht M (1995) A fuzzy logic system to calculate and optimize parameter for an electron beam welding machine. Fuzzy Sets and Systems 69: 3–13.

[2] Nagesh D, Datta G (2002) Prediction of weld bead geometry in shielded metal-arc welding using artificial neural networks. Int J Mater Prod Tec 79: 1–10.

[3] Kim I, Son J, Lee S, Yarlagadda P (2004) Optimal design of neural networks for control in robotic arc welding. International Journal of Robotics and Computer Integrated Manufacturing 20: 57–63.

[4] Xue Y, Kim I, Son J, Park M (2005) Fuzzy regression method for prediction and control the bead width in the robotic arc welding process. J Mater Process Tech 164: 1134–1139.

[5] Wu C, Gao J, Zhao Y (2006) Neural Network for weld penetration control in gas tungsten arc welding. Journal of Acta Metall Sin 19: 27–33.

[6] Dutta P, Kumar D (2007) Modeling of TIG welding process using conventional regression analysis and neural network-based approaches. J Mater Process Tech 184: 56–68.

[7] Kantti K, Srinivasa P (2008) Prediction of bead geometry in pulsed GMA welding using back propagation neural network. J Mater Process Tech 200: 300–305.

[8] Balasubramanian K, Buvanashekaran G, Sankaranraynasamy K (2010) Modeling of laser beam welding of stainless steel sheet butt joint using neural networks. CIRP Journal of Manufacturing Science and Technology 3: 80–84.

[9] Nagesh D, Datta G (2010) Genetic algorithm for optimization of variables for height to width ratio and application of ANN for prediction of bead geometry for TIG welding process. Applied soft computing 10: 897–907.

[10] Acherjee B, Mondal S, Tudu B, Misra D (2011) Application of artifitioal neural network for predicting weld quality in laser transmission welding of thermoplastics. Applied soft computing 11: 2548–2555.

[11] Howard Cary B (1979) Modern welding technology, Prentice Hall: Englewood Cliffs.

[12] Kumanan S, Dhas J, Gowthaman K (2007) Determination of submerged arc welding process parameters using taguchi method and regression analysis. Indian Journal of Material Engineering and Materials Science 14: 177–183.

[13] Dhas J, Kumanan S (2010) Weld quality prediction of submerged arc welding process using a function replacing hybrid system. Advances in Production Engineering and Management 5: 5–12.

[14] Yang L, Bibby M, Chandel R (2003) Linear regression equations for modeling the submerged arc welding process. J Mater Prod Tec 39: 33–42.

[15] Gupta V, Parmar R (1986) Feractional factorial techniques to predict dimensions of the weld bead in automatic submerged arc welding. Journal of Institution of Engineers 70: 67–71.

[16] Zadeh A (1965) Fuzzy sets. Information and Control 8: 338–353.

[17] Zadeh A (1975) The concept of a linguistic variable and its application to approximate reasoning. Information Sciences 8: 199–249.

[18] Mamdani E, Assilian S (1975) An experimental in linguistic synthesis with a fuzzy logic control. International Journal Man-Machine Studies 7: 1–13.

[19] Sugeno M (1985) Industrial applications of fuzzy control. Elsevier publication co.