O caminho para a IA para processos de soldagem

Por Mark Boyle, AMADA WELD TECH

Os algoritmos de Inteligência Artificial (IA) e Machine Learning (ML) são amplamente usados ​​em nossa sociedade digital moderna para monitorar nossos hábitos, veicular publicidade "apropriada", sugerir quais novas séries de televisão assistir e muito mais. AI/ML também está sendo implementado, de forma menos visível, em ambientes industriais para determinar o fluxo de material através das linhas de produção no chão de fábrica, alocar peças no lugar certo no momento certo para aumentar o rendimento e prever qual produto construir para maximizar os lucros.

Uma área-chave de desenvolvimento é o monitoramento do processo de soldagem: usando AI/ML para observar diretamente uma resistência ou processo de fabricação de solda a laser para determinar o sucesso. Isso envolve o registro e análise de uma matriz de sinais físicos emitidos que requer não apenas sensores de alta resolução para coletá-los (a duração da solda pode ser da ordem de milissegundos), mas também uma infraestrutura para exportar e analisar grandes quantidades de dados.

Esta postagem de blog explorará as três principais áreas de desenvolvimento - e uma área colateral - que estão abrindo caminho para a IA nos processos de solda a laser na fabricação atual. Esses desenvolvimentos facilitarão um entendimento mais profundo do que está acontecendo durante o processo, resultando em melhor qualidade e rendimento.

Fig. 1 – O caminho para inteligência artificial e aprendizado de máquina para processos de soldagem requer aquisição de dados de alta resolução, manipulação de dados de alta velocidade e algoritmos AI/ML para analisar e usar os dados. O ramo colateral da segurança de dados é uma etapa adicional lógica necessária ao colocar monitores de processo em uma rede.

Aquisição de dados: coleta de dados de alta resolução

A primeira e, sem dúvida, a parte mais importante do processo é a aquisição de dados, que inclui coleta, digitalização e armazenamento.

Os processos de solda por resistência e a laser podem levar apenas milissegundos para peças menores, mas há dinâmicas, mesmo dentro dessa escala de tempo muito curta, que fornecerão informações valiosas sobre o sucesso da solda. Assim, a resolução de captura de dados precisa ser alta o suficiente para coletar recursos na escala de tempo de microssegundos. Para algoritmos AI/ML, quanto mais rico o conjunto de dados (maior resolução), mais precisamente os algoritmos podem classificar o bom do ruim. Vamos dar uma olhada mais de perto na importância da resolução.

A Fig. 2, abaixo, mostra um sinal físico de uma solda coletado por um sensor ao longo do tempo. Quando os dados são coletados em uma taxa de amostragem baixa (canto superior), a saída (canto superior direito) é um sinal de degrau que perde o recurso atípico que aparece no centro da curva, o que pode resultar em uma solda ruim considerada boa ou vice-versa . Se a taxa de amostragem for alta (parte inferior central), no entanto, o sinal verdadeiro é melhor reconstruído (parte inferior direita) na saída e esse outlier será notado. O mesmo vale para o nível do sinal: quanto maior a resolução do sinal, melhor o reconstrução do sinal físico real que ocorre durante o processo de soldagem.

Fig. 2 – Dados de alta resolução são fundamentais para reconstrução e interpretação precisas dos sinais físicos. Nesta ilustração, vemos uma representação de taxas de amostragem baixas e altas e o efeito que elas têm na captura de um recurso.

Por que isso é tão importante? Ao fazer qualquer tipo de previsão sobre qualidade, mais dados resultam em resultados mais precisos. Se aquele pontinho no meio da curva for o indicador primário de uma solda bem-sucedida, fica claro que o sinal de resolução mais alta é necessário para confirmar sua presença.

Para ser justo, a curva no exemplo acima é bastante simples, e um engenheiro de processo experiente poderia facilmente identificar soldas boas/ruins. Na realidade, entretanto, as curvas são muito mais complicadas, e a correlação entre certos segmentos da curva medida e o sucesso da soldagem não será óbvia. É aqui que os algoritmos AI/ML podem ser usados ​​para analisar e destrinchar os dados de várias maneiras para encontrar novas correlações. O take-away aqui? Dados de resolução mais alta produzirão melhores resultados dos algoritmos AI/ML.