عیب‌یابی هوشمند قطعات متالورژی پودر با svm

در حین فرایند تولید قطعات متالورژی پودر به دلایل مختلفی ممکن است قطعات دچار آسیب‌هایی از قبیل ترک و شکستگی شوند. از آنجا‌که معمولاً در کارخانه‌ها متالورژی پودر تیراژ تولید قطعات بالا است علاوه بر دقت در شناسایی آسیب، سرعت بازرسی بالا نیز نیاز است. هدف از این تحقیق شناسایی عیوب در قطعات متالورژی پودر با استفاده از تست رزونانس صوتی و طبقه‌بندی با ماشین بردار پشتیبان است. مزیت تست رزونانس صوتی نسبت به سایر روش‌های غیرمخرب، سرعت بالا عیب یابی است. در این مطالعه بر روی 50 قطعه سالم و 50 قطعه معیوب تست رزونانس صوتی انجام شده و ویژگی‌های متمایزکننده آنها استخراج شده‌اند. سپس از این ویژگی‌ها برای آموزش svm استفاده می‌شود. نتایج این مطالعه نشان میدهد میتوان با دو svmطبقه بندی قطعات سالم و معیوب را با دقت صددرصدی انجام داد.

intelligent troubleshooting of powder metallurgy parts with svm

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.