Denne rapport undersøger hvorvidt der kan opstilles et system der er i stand til
at forudse hvornår kortslutnings-fasen er ved at ophøre i en konventionel GMAW
Short-Circuit svejseprocess, også kendt som et free burn eller rupture. Ved at forudse
hvornår hvornår denne fase ophører, kan svejsestrømmen reguleres således at vold-
somme brud på svejseelektroden undgås når kortslutningen ender, hvilket betyder at
fjernelse af spatter fra svejseprocessen er mindre nødvendigt.
Problemet bliver opstillet som et binært klassifikationsproblem, hvor i ønskes at klas-
sificere målingsdata fra svejseprocesser i kortslutnings-fasen som enten tilhørende
"Rupture" klassen, hvis målingen er blandt de sidste målinger i kortslutnings-fasen,
eller som tilhørende "Short" klassen, hvis målingen er blandt de resterende forkomne
målinger i kortslutnings-fasen.
Strømstyrke- og spændingsmålinger bliver brugt til klassifikationsproblemet, og der
ud over bliver der brugt en række sample-by-sample og statistiske features, som
primært bliver ekstraheret fra spændingsmålinger fra svejseprocessen. Dertil bliver
der opstilt en model simpel for tværsnitsarealet af svejseelektroden gennem kortslutnings-
fasen, som det bliver forsøgt at estimere ved brug at en extended kalman-filter. Es-
timatet viser sig dog ikke at være realistisk. I stedet bliver residualet fra spænd-
ingsmålinger og kalman-filterets spændingsestimat tilføjet som en feature til klassi-
fikationsproblemet.
For at finde den bedste klassifikationsmodel til problemet, bliver der lavet en sam-
menligning af forskellige modeller, baseret på en række præstationsmål udvundet fra
forvirringsmatricer for de forskellige modeller i kryds-validering på træningsdata. Her
bliver det vurderet at K-Nearest Neighbor modellen (KNN) har den bedste præsta-
tion, hvorefter optimale hyperparameter bliver fundet til at være Mahalanobis-afstand
med 1 nabo.
I test af KNN-modellen bliver det vurderet at præstationen er acceptabel på testdata
af samme afart som modellen træningsdata, hvorimod præstationen på testdata fra
svejseprocesser med andre programmer og indstillinger sammenlignet med trænings-
dataet ikke var acceptabel. Ved at træne modellen på træningsdata fra en række
svejseprocesser med forskellige programmer og indstillinger, og derefter lave en test,
bliver det vurderet, at for at opnå en acceptabel præstation på et testdatasæt fra en
svejseproces af en givet afart, skal klassifikationsmodellen være trænet med trænings-
data fra en svejseproces af samme afart.