Application of data fusion for welding process diagnostics

eng Artykuł w języku angielskim DOI: 10.14313/PAR_202/90

wyślij Marek Fidali, Wojciech Jamrozik Institute of Fundamentals of Machinery Design, Silesian University of Technology

Pobierz Artykuł

Abstract

Arc welding is commonly applied in industry. Assessment of welded joints quality is one of crucial tasks especially in automated applications. Welding parameters like current, voltage, etc., are used very often in welding process diagnostics, but using single signals is not so effective in describing of welding conditions. Research in use of data fusion techniques for welding process diagnostics is presented in this paper. Signal and decision level methods were taken into consideration. The results of the research confirm that the proposed approach has potential for further practical application.

Keywords

data fusion, diagnostics, signal processing, welding

Zastosowanie fuzji danych dla potrzeb diagnozowania procesu spawania

Streszczenie

Spawanie łukowe jest powszechnie stosowane w przemyśle. Ocena jakości połączeń spawanych jest jednym z najważniejszych zadań, zwłaszcza w przypadku produkcji wielkoseryjnej na stanowiskach zautomatyzowanych. Parametry spawania, takie jak prąd, napięcie itp., są bardzo często stosowane w diagnostyce procesu spawania. Rozpatrywanie pojedynczych sygnałów w ocenie procesu spawania nie jest jednak zawsze skuteczne, gdyż informacje diagnostyczne zawarte w sygnałach procesowych wzajemnie się uzupełniają. W artykule przedstawiono badania poświęcone użyciu technik fuzji danych w diagnostyce procesu spawania. Zastosowano metody fuzji działające na poziomie sygnału oraz decyzji. Wyniki badań potwierdzają, że proponowane podejście ma potencjał do dalszego stosowania.

Słowa kluczowe

analiza sygnałów, diagnostyka procesów, fuzja danych, spawanie

Bibliografia

  1. Zhang Y.M. (ed.), Real-Time Weld Process Monitoring, Woodhead Publishing 2008.
  2. Korbicz J., Kościelny J.M., Kowalczuk Z., Cholewa W. (eds.), Fault Diagnosis. Springer-Verlag 2004.
  3. Bo Chen, Jifeng Wang, Shanben Chen, A study on application of multi-sensor information fusion in pulsed GTAW. “Industrial Robot: An International Journal”, vol. 37 is. 2, 2010, 168–176.
  4. Pal K., Bhattacharya S., Pal S.K., Prediction of metal deposition from arc sound and weld temperature signatures in pulsed MIG welding. “Int. J. Adv. Manuf. Technol.”, vol. 45, 2009, 1113–1130.
  5. Wu C.S., Gao J.Q., Hu J.K., Real-time sensing and monitoring in robotic gas metal arc welding. “Meas. Sci. Technol.”, 18, 303, 2007.
  6. Shafer G., A mathematical theory of evidence. Princeton University Press 1976.
  7. Dezert J., Smarandache F., DSmT: A New Paradigm Shift for Information Fusion. “Proceedings of Cogis ’06 Conference”, Paris 2006.
  8. Martin A., Osswald C., A new generalization of the proportional conflict redistribution rule stable in terms of decision, [in:] F. Smarandache and J. Dezert (eds.), Applications and Advances of DSmT for Information Fusion, Book 2, American Research Press Rehoboth, 2006, 69–88.
  9. Macci D., Boni A., Cecco M., Petri D., Multisensor Data Fusion. “IEEE Instrumentation and Measurement Magazine”, Part 14, 2008, 24–33.
  10. Kropas-Hughes C.V., Data fusion for NDT: what, where, why and how. “Materials Evaluation”, Vol. 61, No. 10, 2003, 1118–1120.
  11. Chady T., Psuj G., Lopato P., Data fusion of eddy current NDT signals. “AIP Conference Proceedings, Golden”, CO, 2008, 610–617.
  12. Quintino L., Liskevich O., Vilarinho L., Scotti A., Heat input in full penetration welds in gas metal arc welding (GMAW). “The International Journal of Advanced Manufacturing Technology”, 2013, DOI: 10.1007/s00170-013-4862-8.