استفاده ازشبکه های عصبی برای تشخیص عیوب وناپیوستگی درقطعات صنعتی باکمک امواج فراصوتی
Abstract(in Persian; no English abstract is available)
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفا تئوری به تحقیقات کاربردی بخصوص در زمینه پردازش اطلاعات ، برای مسائلی که برای آنها راه حلی موجود نیست و یا براحتی قابل حل نیستند بوده ایم. با عنایت به این امر ، علاقه ای فزاینده ای در توسعه تئوریکی سیستمهای دینامیکی هوشمند مدل آزاد-که مبتنی بر داده های تجربی میباشند – ایجاد شده است. ann ها جزایی از این دسته از سیستمهای مکانیکی هستند که با پردازش روی داده های تجربی ، دانش یا قانون نهفته در ورای داده, ها را به ساختار شبکه منتقل میکنند.به همین خاطر به این سیستمها هوشمند گفته میشود ، زیرا بر اساس محاسبات روی داده های عددی یا مثالها ، قوانین کلی را فرا میگیرند.این سیستمها در مدلسازی ساختار نرو-سیناپتیکی مغز بشر می کوشند. حوزه کاربرد شبکه های عصبی آنچنان گسترده است که از کاربردهای طبقه بندی گرفته تا کاربردهایی نظیر درون یابی، تخمین، آشکارسازی و ... را شامل می شود. شاید مهمترین مزیت این شبکه ها، توانایی آنها در کنار سهولت استفاده از آنها می باشد. در این مقاله از شبکه های عصبی مصنوعی از نوع پرسپترون چند لایه (mlp) با روش یادگیری پس از انتشار برای تشخیص الگوی سیگنالهای فراصوتی که با استفاده از روش pulse-echo در منطقه جوش خورده بدست آمده اند، مورد ارزیابی قرار می دهیم ،و از ابزارهای محاسباتی نرم افزار مطلب (matlab) برای دسته بندی عیوب جوشکاری استفاده شده است. در این تحقیق نقص های : (1). non-defect (nd),(2). slag inclusion (sl),(3). excessive penetration (exp), (4). lack of fusion (lof),(5). lack of penetration (lop) مورد بررسی قرار گرفته اند. سیگنالهای فراصوتی بدست آمده از pulse –echo برای هر یک از عیوب را بدون پیش پردازش و با پیش پردازش توسط متوسط گیری ویک فیلتر فاز صفر ومجددا توسط تبدیل موجک سیگنالها استفاده گردیده،در شبکه های عصبی مصنوعی وارد شده است. نتایج بدست آمده نشان دهنده کارآمدی روشهای فوق بیش از 78% در حالت بدون پیش پردازش و 83% در حالت دوم با پیش پردازش و84% درحالت سوم با پیش پردازش وسپس گرفتن تبدیل موجک برای شناسایی و دسته بندی عیوب در مواد جوشکاری شده می باشد.