Artificial neural networks for prediction of quality in resistance spot welding
| Autor: | Óscar Martín, Manuel López, F. Martin |
|---|---|
| Rok vydání: | 2006 |
| Předmět: |
Soldadura por resistencia por puntos
Engineering Artificial neural networks Artificial neural network business.industry Supervised learning Metals and Alloys Metallurgical quality Pattern recognition Overfitting Condensed Matter Physics Cross-validation Synaptic weight Redes neuronales artificiales Materials Chemistry sort Artificial intelligence Quality level Resistance spot welding Physical and Theoretical Chemistry business Calidad metalúrgica |
| Zdroj: | ResearcherID Revista de Metalurgia; Vol. 42 No. 5 (2006); 345-353 Revista de Metalurgia; Vol. 42 Núm. 5 (2006); 345-353 Revista de Metalurgia Consejo Superior de Investigaciones Científicas (CSIC) |
| ISSN: | 1988-4222 0034-8570 |
| DOI: | 10.3989/revmetalm.2006.v42.i5.32 |
| Popis: | An artificial neural network is proposed as a tool for predicting from three parameters (weld time, current intensity and electrode sort) if the quality of a resistance spot weld reaches a certain level or not. The quality is determined by cross tension testing. The fact of reaching this quality level or not is the desired output that goes with each input of the artificial neural network during its supervised learning. The available data set is made up of input/desired output pairs and is split randomly into a training subset (to update synaptic weight values) and a validation subset (to avoid overfitting phenomenon by means of cross validation). Se propone una red neuronal artificial como herramienta para predecir, a partir de tres parámetros operativos (tiempo de soldadura, intensidad de corriente y tipo de electrodo), si la calidad de una unión soldada por resistencia por puntos alcanza o no un cierto nivel. El entrenamiento de la red neuronal conlleva que la calidad se determine previamente mediante ensayos de tracción en probetas en cruz. El hecho de alcanzar o no el citado nivel de calidad constituye la respuesta objetivo que acompaña a cada entrada de la red neuronal artificial durante su aprendizaje supervisado. El conjunto de datos disponible está formado por pares entrada/salida objetivo y se divide de forma aleatoria en un subconjunto de entrenamiento (para actualizar los valores de los pesos sinápticos) y en un subconjunto de validación (para combatir el fenómeno de overfitting mediante validación cruzada). |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|