ترك‌يابي قطعات متالورژي‌پودر با شبكه عصبي پرسپترون و مبتني بر تست غير‌مخرب رزونانس صوتي

Crack detection of powder metallurgy parts with perceptron neural network and based on non-destructive acoustic resonance test

در سال‌هاي اخير باتوجه‌به گسترش صنايع متالورژي‌پودر، مطالعات زيادي بر روي كنترل كيفيت نهايي اين محصولات‌ انجام‌گرفته است. يكي از مهم‌ترين پارامترهايي كه بايد در كنترل كيفيت قطعات متالورژي‌پودر مدنظر قرارداد، عدم وجود ترك در قطعات توليد شده است.در حال حاضر باتوجه‌ به تيراژ بالاي قطعات توليدي متالورژي پودر در كارخانه‌ها و همچنين پيچيدگي‌هاي هندسي و مكانيكي،لازم است از روش‌هاي هوشمند براي ترك‌يابي قطعات استفاده شود. هدف از اين مطالعه، ترك‌يابي با استفاده از آناليز صدا و طبقه بندي با شبكه عصبي پرسپترون است. همچنين لازم بذكر است كه از 150 قطعه سالم و 50 قطعه ترك‎دار بعنوان قطعات شاهد استفاده شده است و در نهايت شبكه عصبي پرسپترون طراحي شده با سه عدد نورون در لايه مخفي توانست، با دقت 100 درصدي طبقه بندي قطعات را انجام دهد.

In recent years, due to the expansion of powder metallurgy industries, many studies have been conducted on the final quality control of these products. One of the most important parameters that should be taken into account in the quality control of powder metallurgy parts is the absence of cracks in the produced parts. Currently, due to the high circulation of powder metallurgy parts produced in factories as well as the geometrical complexities, it is necessary to use smart methods for finding cracks in parts. to be The purpose of this study is crack detection using non-destructive acoustic resonance test and classification with perceptron neural network. It should be noted that 150 healthy pieces and 50 cracked pieces were used for control pieces. Finally, the perceptron neural network designed with three neurons in the hidden layer was able to classify the pieces with 100% accuracy