En esta investigación se realiza un análisis para el modelado y la caracterización de los parámetros del proceso de soldadura por fricción agitación (FSW) a partir de las señales vibro-acústicas generadas por el proceso. El modelo se basa en una red neuronal empleada para predecir los parámetros del proceso de soldadura a partir de la medición on-line de las señales generadas durante su ejecución. En los ensayos se han soldado chapas de aluminio AA1050 H24 con 3mm de espesor, y las señales del proceso de soldadura han sido adquiridas empleando un sistema de adquisición NI USB-9234. Como entradas para el modelo basado en la Red Neuronal Artificial (RNA) se han empleado parámetros de caracterización de las señales a partir de la señal temporal y su descomposición a partir de la aplicación de Transformada Wavelet. Como salidas del modelo se han escogido los parámetros del proceso: velocidad de rotación, avance y diseño de la herramienta. Se ha empleado una red multicapas feed-forward, estudiándose diferentes topologías y algoritmos de entrenamiento. Los resultados obtenidos a partir de la comparación de los datos experimentales y los estimados por la RNA, demuestran la validez del modelo obtenido a partir de las investigaciones, el cual abre la puerta a avances en el control automático de los parámetros del proceso a partir de las señales vibro-acústicas, como línea natural de continuidad para futuras investigaciones.
This paper presents an analysis of the correlation between acoustic emission (AE) signals and the main parameters of friction stir welding (FSW) process, based on artificial neural networks (ANN). The AE signals have been acquired by the data acquisition instrument NI USB-9234, applied during the welding process carried out on plates of 3mm thick of aluminium AA1050 alloy. Statistical and temporal parameters of discomposed EA signals using Wavelet Transform (WT) have been used as input of the ANN, while the outputs of model include the welding parameters: tool rotation speed and travel speed, as well as the tool profile. A multilayer feed-forward ANN has been selected and trained, using different algorithms and network architectures. The parameters provided by the ANN constitute the model and the characterization of the FSW process; finally an analysis of the comparison between the measured and the calculated data is presented, validating the results. The model obtained can be used to develop the automatic control of the parameters of the FSW process, based on vibro-acoustic signals, which constitutes the following step in this research line.
Boldsaikhana et al., 2011, Chen et al., 2003, Fernandez et al., 2012, Flores et al., 2011, Fratini et al., 2009, Gajate and Haber, 2009, Kulekci et al., 2011, Lakshminarayanan and Balasubramanian, 2009, Macias et al., 2010, Okuyucu et al., 2007, Roca et al., 2007, Roca et al., 2009 and Yousif et al., 2008.