Weld Process Free Burn Estimator: Weld Process State Classification

Abstract

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.

This thesis investigates the problem of predict- ing free burn of the short-circuit phase of a con- ventional GMAW Short-Circuit welding pro- cess. The problem is formulated as a binary classification problem where data samples in the last period of the short-circuit phase should be classified differently from the prior samples of the short-circuit phase. In addition to the mea- surement data provided from the welding pro- cess, a set of features is extracted from the mea- surement data to support the classification. A state observer is designed for the welding pro- cess in the short-circuit phase, and the residual for the control voltage is added to the feature set. Several classification models are compared in terms of binary classification performance measures and the K-Nearest Neighbor m pre- formed the best. In testing, following optimi- sation of model hyperparameters, performance is acceptable on test data of the same origin as the training data, however, the model de- liver an unacceptable performance on test data from different variations of the welding process. For acceptable performance on variations of the welding process, the classification model must be trained on the same variations of welding measurement data.

A master thesis from Aalborg University

Weld Process Free Burn Estimator: Weld Process State Classification