نمذجة عملية الإنصهار عالي السرعة والتنبؤ بسلوكها باستخدام الشبكات العصبية ذات دوال الأساس الشعاعية
DOI:
https://doi.org/10.37375/susj.v15i2.3722الكلمات المفتاحية:
الانصهار عالي السرعة، الشبكات العصبية ذات دوال الأساس الإشعاعية، اكتشاف الأعطالالملخص
تُعَدّ تقنية التصنيع الإضافي المعروفة بالأنصهار عالي السرعة من أكثر التقنيات الواعدة في تمكين الإنتاج واسع النطاق للأجزاء البوليمرية ذات الهندسة المعقدة والجودة العالية. وفي هذا العمل، تم تطوير نموذج متقدم لعملية الانصهار عالي السرعة بالاعتماد على شبكة عصبية من نوع دالة الأساس القطرية بوصفها منهجية قادرة على التقاط السلوك الديناميكي للعملية بدقة عالية. وقد شمل التحليل تصنيف البيانات المستخرجة من العملية إلى بيانات سليمة وأخرى غير سليمة، بما يتيح التمييز بين ظروف التشغيل التي تؤدي إلى بناء ناجح وتلك التي تُفضي إلى بناء منخفض الجودة. وبناءً على ذلك، تم ابتكار إطار فعّال للكشف المبكر عن الأعطال يتيح القدرة على التنبؤ المسبق بجودة الأجزاء المُنتجة باستخدام تقنية الأنصهار عالي السرعة. وخضع نموذج الشبكة العصبية من نوع دالة الأساس القطرية لسلسلة من اختبارات التحقق والتقييم بهدف قياس متانته وموثوقية أدائه. وأظهرت نتائج المحاكاة قدرة واضحة على تحديد الأعطال بدقة عالية، كما بيّنت إمكانية واقعية لتوقع جودة المنتجات النهائية قبل إتمام عملية التصنيع. وتشير هذه النتائج إلى أن النهج المقترح يمكن أن يسهم بشكل جوهري في تعزيز الاعتمادية والتحكم في جودة عمليات الأنصهار عالي السرعة.
المراجع
Dongo H, Wang Z, Lam J, Gao H (2012) Fuzzy-model-based robust fault detection with stochastic mixed time delays and successive packet dropouts. IEEE Transactions on System, Man, and Cybernetics-Part B: Cybernetics, Vol. 42, No. 2.
Frank PM (1992) Principles of model-based fault detection. Control, delft the IFAC Artificial intelligence in Real-Time, Netherlands, Vol. 3 pp. 213- 220
Gertler J J (1988) Model-based failure detection and isolation in complex plants. IEEE Control System Magazine, pp. 3-11.
Isermann R (1984) Process fault detection based on modelling and estimation methods- a survey. Automatica, Vol. 20, pp. 387- 404.
Kemnitzer J, Wimmer M, Tarasova A, Döpper F (2024) High Speed Sintering of Polyamide 12: From Powder to Part Properties, Polymers 2024, 16(24), 3605; https://doi.org/10.3390/polym16243605
Lightbody G, Irwin GW (1997) Nonlinear Control Structures Based on Embedded Neural System Models. IEEE Transactions on neural networks, 8(3): 553-567.
Majewski CE, Hobbs BS, Hopkinson N (2007) Effect of bed temperature and infra-red lamp power on the mechanical properties of parts produced using high-speed sintering, Virtual physical prototyping, vol. 2, No. 2, 103-110
Majewski CE, Oduye D, Thomas HR, Hopkinson N (2008) Effect of level on the sintering behavior in the high-speed sintering process. Rapid Prototyping journal, 14/3, 155-160.
Narendra KS, Parthasarathy K (1990) Identification and control of dynamic systems using neural networks. IEEE Trans. Neural Networks , Vol. 1, No.1.
Narendra KS (1996) Neural networks for control: theory and practice. Proc. IEEE, Vol. 84, No. 10, pp. 1385-1406.
Nelles O (2001). Nonlinear system identification. Springer.
Patan K (2008) Artificial neural network for the modelling and fault diagnosis of technical process. Springer- Verlag Berlin Heidelberg.
Stubbs S, Zhang J, Morris J (2012) Fault detection in dynamic processes using a simplified monitoring-specific CVA state space modelling approach. Computer and Chemical Engineering, Elsevier, Vol. 41, pp. 77-87.
Yu DL, Gomm JB, Williams D (1999) Sensor fault diagnosis in a chemical process via RBF neural networks. Control Engineering Practice, Vol. 7, pp. 49-55.
Zhai YJ, Yu DL (2007) Radial Basis Function Based Feeddback Control for Air Fuel Ratio of Spark Ignition. Proc. Instn mech. Engrs, part D: J. automobile engineering, vol 222, pp. 415-428.
