عيب‌يابي هوشمند قطعات متالورژي پودر با SVM

Intelligent troubleshooting of powder metallurgy parts with SVM

در حين فرايند توليد قطعات متالورژي پودر به دلايل مختلفي ممكن است قطعات دچار آسيب‌هايي از قبيل ترك و شكستگي شوند. از آنجا‌كه معمولاً در كارخانه‌ها متالورژي پودر تيراژ توليد قطعات بالا است علاوه بر دقت در شناسايي آسيب، سرعت بازرسي بالا نيز نياز است. هدف از اين تحقيق شناسايي عيوب در قطعات متالورژي پودر با استفاده از تست رزونانس صوتي و طبقه‌بندي با ماشين بردار پشتيبان است. مزيت تست رزونانس صوتي نسبت به ساير روش‌هاي غيرمخرب، سرعت بالا عيب يابي است. در اين مطالعه بر روي 50 قطعه سالم و 50 قطعه معيوب تست رزونانس صوتي انجام شده و ويژگي‌هاي متمايزكننده آنها استخراج شده‌اند. سپس از اين ويژگي‌ها براي آموزش svm استفاده مي‌شود. نتايج اين مطالعه نشان ميدهد ميتوان با دو svmطبقه بندي قطعات سالم و معيوب را با دقت صددرصدي انجام داد.

In the course of manufacturing powder metallurgy components, there exists a susceptibility for these parts to develop cracks and fractures. This is particularly significant in powder metallurgy facilities where a high volume of parts is typically produced. In addition to the imperative of accurate damage identification, there is a concurrent demand for rapid inspection. The objective of this study is to detect flaws in powder metallurgy components by utilizing acoustic resonance testing and subsequently employing a support vector machine for classification. The advantage of acoustic resonance testing over other non-destructive methods is the high speed of troubleshooting. In this study, acoustic resonance test was performed on 50 healthy pieces and 50 defective pieces and their distinguishing features were extracted. These features are then used to train SVM. The results of this study show that two svms can be used to classify healthy and defective parts with 100% accuracy.