Weld Process Free Burn Estimator: Weld Process State Classification
Authors
Munk, Peter Aurelius ; Bøgh, Emil Færgemand
Term
4. term
Education
Publication year
2020
Submitted on
2020-06-03
Pages
118
Abstract
Specialet undersøger, om man kan forudsige free burn, dvs. den afsluttende del af kortslutningsfasen, i en konventionel GMAW‑kortslutningssvejsningsproces. Opgaven formuleres som en binær klassifikation: måleprøver fra den sidste del af kortslutningsfasen skal skelnes fra prøver fra den tidligere del. Ud over de rå måledata udtrækkes afledte kendetegn (features) for at støtte klassifikationen. Der konstrueres en tilstandsobservatør for processen i kortslutningsfasen, og residualet for kontrolspændingen (forskellen mellem modellens og den målte værdi) tilføjes som et kendetegn. Flere klassifikationsmodeller sammenlignes, og K‑nærmeste naboer (KNN) klarer sig bedst. Efter optimering af hyperparametre er ydelsen acceptabel på testdata med samme oprindelse som træningsdata. Derimod er ydelsen uacceptabel på testdata fra andre variationer af svejseprocessen. For at opnå acceptabel ydelse på sådanne variationer skal klassifikationsmodellen trænes på måledata fra de samme variationer.
This thesis examines whether the 'free burn' at the end of the short-circuit phase in a conventional GMAW short-circuit welding process can be predicted. The task is framed as a binary classification problem: data samples from the last part of the short-circuit phase are labeled differently from samples from earlier in the phase. In addition to the raw measurements from the process, engineered features are derived to support classification. A state observer is designed for the short-circuit phase, and the residual for the control voltage (the difference between the model’s estimate and the measured value) is included as a feature. Multiple classifiers are compared, and K-Nearest Neighbors (KNN) performs best. After hyperparameter optimization, performance is acceptable on test data with the same origin as the training data, but unacceptable on test data from different variations of the welding process. To achieve acceptable performance on such variations, the classifier must be trained on measurement data from the same variations.
[This abstract was generated with the help of AI]
Keywords
GMAW ; Free burn ; Svejsning ; Control ; MIG ; K-Nearest Neighbor ; kalman filter
Documents