ترک‌یابی قطعات متالورژی‌پودر با شبکه عصبی پرسپترون و مبتنی بر تست غیر‌مخرب رزونانس صوتی

در سال‌های اخیر باتوجه‌به گسترش صنایع متالورژی‌پودر، مطالعات زیادی بر روی کنترل کیفیت نهایی این محصولات‌ انجام‌گرفته است. یکی از مهم‌ترین پارامترهایی که باید در کنترل کیفیت قطعات متالورژی‌پودر مدنظر قرارداد، عدم وجود ترک در قطعات تولید شده است.در حال حاضر باتوجه‌ به تیراژ بالای قطعات تولیدی متالورژی پودر در کارخانه‌ها و همچنین پیچیدگی‌های هندسی و مکانیکی،لازم است از روش‌های هوشمند برای ترک‌یابی قطعات استفاده شود. هدف از این مطالعه، ترک‌یابی با استفاده از آنالیز صدا و طبقه بندی با شبکه عصبی پرسپترون است. همچنین لازم بذکر است که از 150 قطعه سالم و 50 قطعه ترک‎دار بعنوان قطعات شاهد استفاده شده است و در نهایت شبکه عصبی پرسپترون طراحی شده با سه عدد نورون در لایه مخفی توانست، با دقت 100 درصدی طبقه بندی قطعات را انجام دهد.

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

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