Login
Registrieren
Passwort zurücksetzen
Veröffentlichen & Verteilen
Verlagslösungen
Vertriebslösungen
Themen
Allgemein
Altertumswissenschaften
Architektur und Design
Bibliotheks- und Informationswissenschaft, Buchwissenschaft
Biologie
Chemie
Geowissenschaften
Geschichte
Industrielle Chemie
Informatik
Jüdische Studien
Kulturwissenschaften
Kunst
Linguistik und Semiotik
Literaturwissenschaft
Materialwissenschaft
Mathematik
Medizin
Musik
Pharmazie
Philosophie
Physik
Rechtswissenschaften
Sozialwissenschaften
Sport und Freizeit
Technik
Theologie und Religion
Wirtschaftswissenschaften
Veröffentlichungen
Zeitschriften
Bücher
Konferenzberichte
Verlage
Blog
Kontakt
Suche
EUR
USD
GBP
Deutsch
English
Deutsch
Polski
Español
Français
Italiano
Warenkorb
Home
Zeitschriften
Applied Mathematics and Nonlinear Sciences
Band 7 (2022): Heft 2 (July 2022)
Uneingeschränkter Zugang
Research of neural network for weld penetration control
Dukun Ding
Dukun Ding
| 31. März 2022
Applied Mathematics and Nonlinear Sciences
Band 7 (2022): Heft 2 (July 2022)
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zusammenfassung
Artikel
Figuren und Tabellen
Referenzen
Autoren
Artikel in dieser Ausgabe
Vorschau
PDF
Zitieren
Teilen
Online veröffentlicht:
31. März 2022
Seitenbereich:
849 - 860
Eingereicht:
22. Juli 2021
Akzeptiert:
06. Dez. 2021
DOI:
https://doi.org/10.2478/amns.2021.2.00169
Schlüsselwörter
weld
,
weld pool image
,
weld penetration control
,
neural network modelling
© 2021 Dukun Ding, published by Sciendo
This work is licensed under the Creative Commons Attribution 4.0 International License.
Fig. 1
Hardware structure of experimental system
Fig. 2
Demarcate of visual camera
Fig. 3
Software of welding experimental system
Fig. 4
Results of narrow band filtering and neutral filtering
Fig. 5
Filtering result of composite filter
Fig. 6
Procession result of median filtering and gray enhancing
Fig. 7
Front side of welding seam
Fig. 8
Back side of welding seam
Fig. 9
Widths of weld seam on the back side
Fig. 10
Widths of inner pool and outer pool
Fig. 11
Structure of the neural network for weld penetration prediction
Fig. 12
Training results
Fig. 13
Verification result for the penetration prediction model
Welding experiment conditions
Material and size (mm × mm × mm)
Argon flow (L/min)
Weld current (A)
Weld speed (mm/s)
Sample time (ms)
Q535(200 × 150 × 2)
9
80
2.50
40
Size of T10Z0513CS lens
Item
Numerical value
Scale
1/3″
Focal length
5~50 mm
Aperture
F1.3-C
Angle of view
51.8–56°
Nearest object distance
0.8 m
Weld penetration status
Penetration status
Unfused
Fused
Over fused
Width values of weld seam at the back
<1.82 mm
>1.82 mm and <2.64 mm
>2.64 mm