O teste de qualidade do produto sempre foi um elo importante na fabricação moderna. As peças forjadas são usadas como base para peças mecânicas, sua qualidade afeta diretamente o desempenho e a vida útil da máquina. Com o desenvolvimento da ciência e da tecnologia, mais e mais novas tecnologias são aplicadas ao campo da inspeção da qualidade. Dentre elas, o desenvolvimento de técnicas de aprendizado de máquina tem proporcionado novas soluções para a inspeção automática de qualidade de peças forjadas. Este artigo apresenta como detectar automaticamente a qualidade de peças forjadas com base em métodos de aprendizado de máquina.
A inspeção tradicional da qualidade do forjamento depende principalmente da inspeção manual e do instrumento e do equipamento simples, com alguma subjetividade e erro. Com o desenvolvimento da indústria 4.0, a precisão e a eficiência da inspeção da qualidade das peças forjadas são cada vez mais exigidas. A inspeção automática tornou-se uma tendência inevitável. O rápido desenvolvimento de técnicas de aprendizado de máquina oferece a possibilidade de detecção automática, que pode ser alcançada com alta precisão através do treinamento de um grande número de modelos de dados.
A aplicação do aprendizado de máquina na inspeção automática de qualidade de peças forjadas inclui principalmente as seguintes etapas:
Coleta de dados: colete muitos dados de qualidade de forjamento, incluindo produtos qualificados e não qualificados. Ao mesmo tempo, registre todos os parâmetros de cada forjamento, como tamanho, peso e dureza.
Pré-processamento de dados: os dados coletados são processados para limpeza, remoção de ruído e normalização, a fim de facilitar o treinamento do modelo.
Treinamento de modelo: selecione um algoritmo de aprendizado de máquina adequado (por exemplo, árvore de decisão, máquina de vetores de suporte, redes neurais, etc.) e treine os dados pré-processados para obter um modelo de predição de qualidade.
Avaliação do modelo: o modelo é avaliado usando um conjunto de dados de teste. Os indicadores como precisão e recall do modelo são calculados e os parâmetros do modelo são ajustados de acordo com os resultados da avaliação.
Aplicação do modelo: o modelo bem treinado é aplicado na produção real, a qualidade do forjamento é monitorada e previsão em tempo real, os produtos defeituosos são encontrados no tempo e a eficiência da produção é melhorada.
Uma grande fabricante de máquinas utiliza algoritmos de redes neurais para treinar modelos de previsão de qualidade de peças forjadas. Em primeiro lugar, foram coletados 5.000 dados de amostras de peças forjadas, incluindo 2.000 itens qualificados e 3.000 itens não qualificados. Em seguida, esses dados foram pré-processados para normalizar os dados dentro do mesmo intervalo. Em seguida, o modelo é treinado usando um algoritmo de rede neural e após 100 iterações, o modelo converge. Finalmente, o modelo foi aplicado à produção real, alcançando mais de 90% de precisão e 85% de recaptura. Comparado com os métodos tradicionais da inspeção, este método melhora consideravelmente a eficiência e a precisão da inspeção, e reduz o custo humano.
Este trabalho apresenta um método de detecção automática de qualidade de peças forjadas baseado em aprendizado de máquina. As etapas de coleta de dados, pré-processamento, treinamento de modelos, avaliação e aplicação permitem a inspeção automática de alta precisão da qualidade das peças forjadas. Em comparação com os métodos de inspeção tradicionais, a tecnologia de aprendizado de máquina tem maior eficiência e precisão, pode encontrar problemas de qualidade a tempo e melhorar a eficiência da produção. No entanto, as técnicas de aprendizado de máquina apresentam algumas limitações, como a alta exigência de qualidade e quantidade de dados, exigindo que os profissionais treinem e adaptem os modelos. Assim, as futuras linhas de pesquisa devem incluir aspectos como a otimização de métodos de pré-processamento de dados, a exploração de algoritmos mais eficientes e o aumento da interpretabilidade dos modelos.
