Классификация сварных швов. Классификация сварных швов

Сварные соединения и швы классифицируются по следующим основным признакам:

• виду соединения;
• положению, в котором выполняется сварка;
• конфигурации и протяженности;
• применяемому виду сварки;
• способу удержания расплавленного металла шва;
• количеству наложения слоев;
• применяемому для сварки материалу;
• расположению свариваемых деталей относительно друг друга;
• действующему на шов усилию;
• объему наплавленного металла;
• форме свариваемой конструкции;
• форме подготовленных кромок под сварку

По виду соединения сварные швы бывают стыковыми и угловыми. По расположению в пространстве швы сварных соединений подразделяются на нижние, вертикальные, горизонтальные и потолочные. Выход шва из потолочного положения в вертикальное при сварке цилиндрических изделий называется полупотолочным положением.

По конфигурации швы сварных соединений бывают прямолинейными, кольцевыми, вертикальными и горизонтальными. По протяженности швы разделяются на сплошные и прерывистые. Сплошные швы в свою очередь делятся на короткие, средние и длинные.

По виду сварки швы сварных соединений разделяются на:

• швы дуговой сварки
• швы автоматической и полуавтоматической сварки под флюсом
• швы дуговой сварки в защитных газах
• швы электрошлаковой сварки
• швы электрозаклепочные
• швы контактной электросварки
• швы паяных соединений

По способу удержания расплавленного металла швы сварных соединений делятся на швы, выполненные без подкладок и подушек; на съемных и остающихся стальных подкладках: на медных, флюсомедных. керамических и асбестовых подкладках, а также флюсовых и газовых подушках. В зависимости от того, с какой стороны накладывается шов, различают односторонние и двусторонние швы.

По применяемому для сварки материалу швы сварных соединений подразделяются на швы соединения углеродистых и легированных сталей; швы соединения цветных металлов; швы соединения биметалла; швы соединения винипласта и полиэтилена.

По расположению свариваемых деталей относительно друг друга швы сварных соединений могут быть под острым или тупым углом, под прямым углом, а также располагаться в одной плоскости.

По объему наплавленного металла различают нормальные, ослабленные и усиленные швы.

По форме свариваемой конструкции швы сварных соединений выполняются на плоских и сферических конструкциях, а по расположению на изделии швы бывают продольными и поперечными.

Сварными называют неразъемные соединения, выполненные при помощи сварки. Они могут быть стыковыми, угловыми, нахлесточными, тавровыми и торцевыми (рис.1).

Стыковым называют соединение двух деталей их торцами, расположенными в одной плоскости или на одной поверхности. Толщина свариваемых поверхностей может быть одинаковой или отличаться одна от другой. На практике стыковое соединение чаще всего применяют при сварке трубопроводов и различных резервуаров.

Угловое — сварное соединение двух элементов, расположенных под углом относительно друг друга и сваренных в месте примыкания их краев. Такие сварные соединения нашли широкое применение в строительной практике.

Нахлесточное — сварное соединение предусматривает наложение одного элемента на другой в одной плоскости с частичным перекрытием друг друга. Такие соединения чаще всего встречаются в строительно-монтажных работах, при сооружении ферм, резервуаров и т.д.

Тавровым называют соединение, в котором к плоскости одного элемента приложен торец другого соединения под определенным углом.
Сварочные швы

Участок сварного соединения, сформированный как результат кристаллизации расплавленного металла, называется сварочным швом. В отличие от соединений сварные швы бывают стыковыми и угловыми (рис. 2).

Стыковой — это сварной шов стыкового соединения. Угловой — это сварной шов углового, нахлесточного и таврового соединений.

Сварочные швы различают по количеству слоев наложения, ориентации их в пространстве, по длине и т.д. Так, если шов полностью охватывает соединение, то его называют сплошным. Если в пределах одного соединения шов разрывается, то его называют прерывистым. Разновидностью прерывистого шва является прихваточный шов, который применяют для фиксации элементов относительно друг друга перед сваркой. Если сварочные швы накладывают один на другой, то такие швы называют многослой

Классификация сварных швов и соединений

Результативность и качество работы зависит от наличия необходимого инструмента, материала и умений. На успех в любом деле, какого бы направления он ни был, существенно влияет также и знание теории. Сварочные работы принято считать одними из наиболее распространенных.

Для этого вида деятельности нужен материал, оборудование, опыт работы, а также теоретические знания. Овладев необходимой информацией, человек получает представление о том, что такое шов, какая существует классификация сварных швов и как подобрать оптимальный вариант для сцепления различных металлических изделий.

Что собой представляет сварочный шов?

Во время сварочных работ в процессе задействованы три металлических участка: между собой при помощи третьего, которым выступает электрод, скрепляются два куска железа. В месте соединения друг с другом металлических деталей происходит термический процесс, образующий шов. Таким образом, шов – это часть металлической конструкции, полученная в результате воздействия плавленого и затвердевшего железа.

Соединять методом сварки можно любые металлы. Они имеют свои особенности структуры, в соответствии с которыми подбирается определенный тип крепления. Классификация сварных швов производится в зависимости от типа сцепления, материала и других параметров. Для каждого соединения имеются свои инструкции и свой порядок выполнения.

Размеры

Существует классификация сварных швов по протяженности. В зависимости от размеров, сварочные швы бывают:

• Короткие. Размер не превышает 30 см. Такой шов появляется в результате сварки, выполняемой в одном направлении от самого начала до конца.
• Средние. Длина шва — от 30 см до 1 метра. Данные швы свариваются от середины к краям. Для них идеально подходит обратно-ступенчатый способ. Его суть заключается в том, что весь шов разделяется на несколько участков, которые поочередно обрабатываются сваркой. Каждый из этих отрезков имеет длину от 10 до 30 см.
• Длинные (свыше одного метра). Свариваются так же, как и средние швы, с той лишь разницей, что количество участков здесь будет больше.

Виды сварных соединений

Классификация сварных швов осуществляется также по типу крепления. Существует четыре вида соединений:

• стыковое;
• тавровое;
• внахлест;
• угловое.

Самый распространенный вид

Во время стыкового сцепления учитывается толщина изделия. Это позволяет сэкономить значительную часть материала.

Стыковое сцепление считается наиболее популярным. Это обусловлено тем, что данный процесс сварки — самый быстрый и экономный.

Тавровая сварка. Особенности и рекомендации

Для данного типа сцепления характерна Т-образная форма соединения металлических изделий. Как и в стыковом сцеплении, особое внимание уделяется толщине метала, в зависимости от которой швы бывают односторонние и двухсторонние.

Применяя данный вид сцепления, необходимо придерживаться следующих рекомендаций:

• Выполняя тавровую сварку при сцеплении двух изделий, имеющих различную толщину, необходимо сварочную горелку по отношению к изделию потолще держать под углом в 60 градусов.
• Сварочные работы можно облегчить, если расположить конструкцию «в лодочку». Такое положение обрабатываемого изделия исключит подрезы, пропущенные недоваренные участки, которые для данного вида сцепления считаются самыми распространенными дефектами.
• Если один проход сварочной горелки окажется малоэффективным, поскольку могут оставаться дефектные участки, их следует варить, осуществляя колебания сварочных электродов.
• В тавровом соединении можно ограничиться и односторонней сваркой. Для этого нужно использовать сварочную аппаратуру Oineo Tronic Pulse, которая позволяет осуществить RW-варку.

Сварка внахлест

Принцип данного вида соединения заключается в двухстороннем приваривании изделий, толщина которых не более 1 см. Эта сварка применяется в случаях, когда необходимо предотвратить попадание влаги в промежуток между стальными листами. В результате такой работы образуется два шва. Данный вид сварного соединения считается продолжительным и не является экономным, поскольку для работы требуется больше материалов.

Угловое сцепление

Данный тип сварки применяется для соединения металлических изделий в положении перпендикулярно друг к другу. В зависимости от толщины листов угловая сварка характеризуется наличием или отсутствием скошенных краев. При необходимости данный вид соединения производится с внутренней части изделия.

Формы сварных швов

Классификация сварных швов по форме наружной поверхности определяет три типа:

• Плоские. Эффективны при динамической и знакопеременной нагрузке, поскольку у этих швов (как и у вогнутых) отсутствует концентрация напряжения, способная вызвать резкие перепады и разрушить сварочное сцепление.
• Вогнутые. Допустимой считается вогнутость шва, не превышающая 0,3 см. В противном случае вогнутость сварного шва считается чрезмерной и расценивается как дефект. Измеряется уровень вогнутости на участке, где имеется наибольший прогиб.
• Выпуклые швы. Возникают в результате скопления большого количества застывшего металла и считаются неэкономными. Но в то же время сварное соединение, дающее выпуклый шов, эффективнее при статической нагрузке, чем соединение с плоским или вогнутым сварным швом. Показатель выпуклости — это расстояние от поверхности основного метала до точки наибольшего выступа. Стандартными считаются выпуклости, не превышающие 0,2 см для нижней сварки и не более 0,3 см для сварки, выполненной в других положениях.

Классификация сварных швов по положению в пространстве

Согласно критерию размещения в пространстве имеется четыре типа швов, каждому из которых присущи свои особенности и рекомендации для сварки:

• Нижние швы. В техническом аспекте считаются самыми простыми. Сваривание нижних швов производится на ровной поверхности в позиции снизу. Данный процесс характеризуется высокой результативностью и качеством. Это обусловлено более комфортными условиями для сварщика. Расплавливаемый металл своим весом направлен в расположенную в горизонтальном положении сварную ванну. За варкой нижних швов легко уследить. Работа выполняется быстро.
• Горизонтальные швы. Свариваются немного труднее. Проблема заключается в том, что растапливаемый металл под воздействием своего веса затекает на нижние края. Это может повлечь за собой появление подрезов в области верхнего края.
• Вертикальные швы. Являются результатом соединений металлических изделий, размещенных в вертикальной плоскости.
• Потолочные швы. Данная сварка считается самой трудной и ответственной. Характеризуется минимальным комфортом. В процессе сварки утрудняется выделение шлаков и газов. С этим делом справится не каждый, необходим большой опыт, так как удержать в ходе работы падающий на лицо шлак непросто. При этом важно соблюдать качество и прочность соединения.

Как обозначаются сварные швы и соединения?

Классификация и обозначение сварных швов производится при помощи специальных значков, линий и выносок. Они размещаются на сборочном чертеже и на самой конструкции. Классификация сварных соединений и швов обозначается, согласно нормативному документу, при помощи специальных линий, которые могут быть сплошными или штриховыми. Непрерывными обозначаются видимые сварные швы, штриховыми – невидимые.

Условные обозначения шва ставятся на полке от выноски (в случае если шов расположен на лицевой части). Или, наоборот, под полкой, если шов размещен с обратной стороны. При помощи значков указывается классификация сварных швов, их прерывистость, размещение отрезков для сварки.

Рядом с основными значками располагаются дополнительные. Они содержат вспомогательную информацию:

• о снятии усиления сварного шва;
• об обработке поверхности для плавного перехода к основному металлу и предотвращения наплывов и неровностей;
• о линии, по которой производится шов (является ли она замкнутой).

Для идентичных конструкций и изделий одного ГОСТа предусмотрены стандартные условные обозначения и технические требования. Если же в конструкции имеются одинаковые швы, то им лучше дать порядковые номера и разбить на группы, которым также для удобства присваиваются номера. Вся информация о количестве групп и швов должна быть указана в нормативном документе.

Положение шва

Классификация сварных швов осуществляется на основе положения шва. Они бывают:

• Односторонние. Образуются в результате сварки листов, толщина которых не превышает 0,4 см.
• Двухсторонние. Возникают при двухстороннем сваривании металлических листов толщиной 0,8 см. Для каждого случая соединения рекомендуется оставлять 2-миллиметровые зазоры, обеспечивающие качество сцепления.

Возможные изъяны

Дефекты во время сварочных работ могут возникать по причине чрезмерно большой силы тока и напряжений на дуге. Также это может быть результатом неправильных манипуляций с электродами. Классификация дефектов сварных швов по месту их расположения:

• Внутренние. Для их выявления применяется методика, заключающаяся в контроле: не разрушающем конструкцию, разрушающем полностью или частично.
• Наружные. Они легко выявляются при внешнем осмотре.

По причине нарушения режима сварки, вызванного отсутствием необходимого опыта, недостаточной подготовительной работой, проведением неправильных замеров, дефекты делятся на:

• Непровар. Проявляется в локальном отсутствии сплавлений между соединяемыми элементами. Дефект приводит к увеличению концентрации напряжения и уменьшению сечения шва. Конструкция с таким изъяном характеризуется пониженной прочностью и надежностью. Причиной непровара могут быть как недостаточная сила тока, так и сварка в быстром режиме.
• Подрез. Дефект заключается в локальном уменьшении толщины основного металла. Данная проблема наблюдается возле границ сварных швов.
• Прожог. Изъян имеет вид полости в сварном шве. Она возникает по причине утечки расплавленного металла из ванны сварки. Прожог – это недопустимый дефект, его нужно срочно исправить.
• Незаваренный кратер или углубление. Возникает по причине обрывов дуги во время подхода к концу шва.
• Наплыв. Дефект проявляется в затекании металла сварного шва на основной металл без их сплавления.

Причины дефектов могут быть самыми разными, но они одинаково способны снизить прочность сцепления, эксплуатационную надежность, точность и испортить внешний вид изделия.

Классификация сварных швов по различным внешним признакам

Сварные швы конструкций из стали, цветных ме­таллов и их сплавов различаются по ряду признаков.

По положению относительно действующего усилия Р швы могут быть лобовыми, косыми и фланговыми. Эти определения относятся к угловым швам нахле — сточных соединений (рис. 2.7). Лобовой шов располо­жен перпендикулярно усилию, фланговый — парал­лельно, а косой — под углом.

Разделение сварных швов по основным положени­ям сварки плавлением установил ГОСТ 11969—79*. Согласно ГОСТу положение сварки определяется уг-

Рис. 2.7. Расположение швов относительно действующего усилия Р а —лобовой, б — фланговый; в —косой; г — лобовой и косые швы

Рис. 2.8. Форма швов а — выпуклые; б — без выпуклости; в — вогнутые

лом наклона а продольной оси шва и углом поворота Р поперечной его оси относительно их нулевых поло­жений. Если отдельные слои многослойного шва вы­полняются в разных положениях, обозначения отно­сятся к каждому слою в отдельности. В табл. 2.1 показаны схемы различных положений и их обозна­чения. Стрелкой, направленной вверх, обозначена сварка на подъем, направленной вниз — сварка на спуСк. По удобству и легкости выполнения самое луч­шее положение — это Л и Н, затем положения услож­няются в таком порядке: Пв, Пг, В, Г, Пп и П, послед­ние два — самые трудные для выполнения, их следует избегать.

Сварные швы различаются по их протяженности и бывают непрерывными и прерывистыми. В основ­ном все швы выполняют непрерывными, однако иногда применяют прерывистые швы, если не требуется их сплошности и при малых нагрузках. При сборке кон­струкций под сварку часто употребляют сборочные

Тип сварного шва
Наименование основных положений
Полугоризон — тальное
Горизонтальное
Полувертикаль­но е

Примечания: 1. Предельные отклонения во всех поло­жениях ±10°. 2. /о и I — положение продольной оси шва; Па и // — положение поперечной оси шва.

швы — прихватки, которые ставят с перерывами, для предварительного закрепления конструкций. В зави­симости от веса собираемых элементов и их толщины назначают длину и сечение прихваток: чем больше вес и толщина, тем больше должно быть прихваток.

По внешней форме и количеству наплавленного металла различают швы выпуклые и вогнутые (рис. 2.8). Как правило, все швы выполняют выпуклыми с небольшим усилением, номинальная величина кото­рого 0,5 мм установлена ГОСТ 5264—80. Иногда тре­буется делать швы без выпуклости, что должно быть указано в чертежах. Вогнутыми выполняют угловые швы, что также указывается в чертежах и требуется для улучшения работы сварных соединений при пере — менньщ нагрузках или по другой причине. Стыковые швы погнутыми не делают, вогнутость таких швов

Рис. 2.9. Многослойные швы

а — стыковой; б — угловой

является браком. Стыковые и угловые швы могут быть однослойными при небольшой толщине свариваемых деталей или многослойными (рис. 2.9) при большой толщине. Однослойные швы, как правило, бывают од­нопроходными, а многослойные — многопроходными. По характеру требований, предъявляемых к сварным! швам, они могут быть прочными или плотными (не­проницаемыми для газов или жидкости). Как прави­ло, сварные соединения (особенно стыковые) должны быть равнопрочны основному металлу, а также долж­ны быть прочноплотными.

Классификация сварных швов | Сварка металлов

Сварные швы подразделяют по типу сварного соединения и геометрическому очертанию сечения шва на стыковые и угловые (рис. 12). Стыковой шов характеризуется шириной е и усилением q, глубиной провара А, зазором b; угловой — катетом К.

Стыковые швы применяют для выполнения стыковых соединений. Угловые швы применяют в нахлесточных, тавровых и угловых соединениях. Размеры сечения швов установлены ГОСТ 5264-80.

Форма наружной поверхности

По форме наружной поверхности стыковые швы могут быть плоские или выпуклые. Угловые швы могут выполняться и вогнутыми. Сварные соединения с выпуклыми швами лучше работают на статическую нагрузку, чем соединения с плоскими или вогнутыми швами. Однако швы со слишком большой выпуклостью

Рис. 12. Геометрические параметры сварных швов

Рис. 14. Классификация сварных швов по протяженности (а), отношению к направлению действующих усилий (б), форме наружной поверхности (в)

Рис. 13. Основные положения сварки и их обозначения

вследствие большого количества наплавленного металла неэкономичны. Стыковые соединения с плоскими швами и угловые, тавровые и нахлесточные соединения с вогнутыми швами лучше работают на динамическую или знакопеременную нагрузку, чем соединения с выпуклыми швами. Это объясняется тем, что при плоских и вогнутых швах нет резких переходов от основного к наплавленному металлу, в которых имеется концентрация напряжении и от которых может начаться разрушение соединения. В соответствии со стандартом допускается выпуклость шва при нижней сварке до 2 мм и не более 3 мм для швов, выполненных в остальных положениях. Вогнутость допускается во всех случаях не более 3 мм.

По положению

Согласно ГОСТ 11969 — 79, швы подразделяют по положению: в лодочку — Л, нижние — Н, полугоризонтальные — Пг, горизонтальные — Г, полувер- тикальные — Пв, вертикальные — В, полупотолочные — Пп, потолочные — П (рис. 13).

Сварка нижних швов наиболее удобна, легко поддается механизации. Наиболее сложен и труден потолочный шов, выполнение которого требует специальной тренировки. Выполнение горизонтальных и вертикальных швов несколько труднее, чем нижних, но легче потолочных. Вертикальные, горизонтальные и потолочные швы в большинстве случаев применяют в строительстве и монтаже крупных сооружений и значительно реже — в заводских условиях, где с помощью приспособлений удается почти полностью сваривать конструкцию только в нижнем положении. Многие сварщики высокой квалификации выполняют вертикальные швы с лучшим качеством, чем нижние, гак как в этом случае из сварочной ванны легче удаляются загрязнения и металл шва становится чище, плотнее и прочнее.

По направлению действуюищих усилий

По отношению к направлению действующих усилий швы подразделяют на фланговые (продольные, боковые), оси которых параллельны направлению усилия; лобовые (поперечные), оси которых перпендикулярны направлению усилия; комбинированные и косые (рис. 14).

По протяженности

По протяженности различают швы сплошные и прерывистые. Прерывистый шов может быть ценным или шахматным. Цепной шов представляет собой двусторонний прерывистый шов таврового соединения, в котором участки сварки и промежутки расположены по обеим сторонам стенки один против другого (рис. 14, а). Шахматный шов — двусторонний прерывистый шов таврового соединения. В котором промежутки на одной стороне стенки расположены против сваренных участков шва на другой стороне. Расстояние от начала проваренного участка шва до начала следующего участка называется шагом шва.

По условию работы

По условиям работы швы подразделяются на рабочие, воспринимающие внешние нагрузки, и связующие (соединительные швы), предназначенные только для скрепления частей изделия. Связующие швы часто называют нерабочими швами.

Классификация сварочных электродов

«К чему относятся все числа, нанесенные на электроды?»

Обывателя может озадачить набор букв и цифр, напечатанных на концах сварочных электродов.
Они существуют для классификации типа электрода. Для большинства сварочных стержней будет использоваться система AWS, что означает
«Американское сварочное общество».
Сегодня используется около 4 различных типов классификации, но большинство производителей склонны придерживаться системы AWS
.

Имеет смысл, что если вы собираетесь сварить 2 куска металла вместе, тогда вам нужно знать, что вы
и используете правильный сварочный стержень для работы. Неправильный вариант может закончиться разваливанием сустава.

Система классификации работает следующим образом:

Типичный номер, напечатанный на каждом стержне, может быть «E7018»

Разбивка этих цифр выглядит следующим образом:

E указывает, что это электрод
70 указывает на прочность сварного шва
1 указывает положение сварки, в котором можно использовать стержень (подробности см. в разделе «Положение сварки» ниже).
8 указывает тип покрытия из флюса, степень проплавления и тип тока, который можно использовать
(подробности см. в «Таблице классификации» ниже)

ТАБЛИЦА ПРОЧНОСТИ СВАРКИ (бит E70 **)

Класс

Минимальный предел прочности на растяжение Минимальный предел текучести

E 60 ** 62000 фунтов на кв. дюйм 50000 фунтов на кв. дюйм
E 70 ** 70 000 фунтов на кв. Дюйм 57 000 фунтов на кв. Дюйм
E 80 ** 80 000 фунтов на кв. Дюйм 67 000 фунтов на кв. Дюйм
E 90 ** 90 000 фунтов на кв. Дюйм 77 000 фунтов на кв. i
E100 ** 100 000 psi 87 000 psi
E110 ** 110000 psi 95 000 psi
E120 ** 120 000 psi 107 000 psi

Это может быть неочевидно, но жизненно важно, чтобы прочность электрода соответствовала типу металла
сварены вместе.Если стержень будет слишком слабым, соединение может выйти из строя под нагрузкой. Аналогично, слишком сильно, и есть шанс
, что соединение выйдет из строя. У каждого из производителей
имеется множество книг по сварочным таблицам, в которых содержатся все данные для каждого типа производимого ими стержня.

ТАБЛИЦА ПОЛОЖЕНИЯ ПРИ СВАРКЕ (бит E ** 1 *)

E ** 1 * подходит для плоских, горизонтальных, вертикальных (вверх) и потолочных работ
E ** 2 * подходит только для использования в плоских и горизонтальных
E ** 4 * подходит для использования в плоском, горизонтальном, верхнем и вертикальном (вниз) положении

Различные положения сварки важны, поскольку сварочная ванна ведет себя совершенно по-разному в вертикальном (вверх) положении
по сравнению с вертикальным (вниз) должность.То же самое относится и к сварке над головой. Производитель
разработал совершенно другой стержень для выполнения конкретной работы, поэтому убедитесь, что у вас есть правильный.

ТАБЛИЦА КЛАССИФИКАЦИИ Обычно это последняя цифра в строке. (E *** 8 бит)

Класс

Покрытие электрода (FLUX) Тип проникающего тока (например, AC, DC +, DC-)

E *** 0 Целлюлоза, натрий Deep DC + (не имеет значения
E * ** 1 Целлюлоза, калиевый глубокий переменный ток или постоянный ток +, примерно
E *** 2 Рутил, натриевая среда среднего переменного или постоянного тока — электрод с
E *** 3 Рутил, калиевый легкий переменный ток или постоянный ток + или постоянный ток-переменный ток.С DC вы можете
E *** 4 Рутил, железный порошок, средний AC или DC + или DC-, выбрать между DC +
E *** 5 с низким содержанием водорода, натрием со средним DC + и DC-, подключив
E *** 6 с низким содержанием водорода, Калий средний переменный ток или постоянный ток + в ваших выводах на аппарате
E *** 7 для сварки железным порошком, оксидом железа, средним переменным или постоянным током.
E *** 9 Оксид железа, рутил, калий Среда с маркировкой AC или DC + или DC-)

ДОПОЛНИТЕЛЬНЫЕ ТРЕБОВАНИЯ

Иногда на конце есть дополнительный бит.Например: E7018 (-1). Они изложены ниже.

Суффикс Дополнительное требование

-1 Повышенная ударная вязкость (ударная вязкость) для стержней E7018. Также повышенная пластичность стержней E7024
-M Отвечает большинству военных требований
-X Указывает, что электрод относится к низколегированному типу (есть целая таблица этих сплавов, в которую я не буду сейчас вдаваться)

Как и во всех моих статьях, я призываю вас провести собственное исследование по этим темам.Эти статьи являются моей собственной точкой зрения и никоим образом не предназначены для использования в качестве совета.

.

Сварочные Сертификационные Классы | Работа

Ряд профессиональных ассоциаций и компаний в области сварки предлагают сварщикам сертификаты. Сварочные сертификаты дают сварщикам легитимность в своей области, дополнительные знания через сертификационные классы и возможность доказать свои сварочные навыки потенциальным работодателям. Поскольку сварщики используют разные типы сварных швов и сварочных процессов, провайдеры сертификации распределяют сертификаты по сварке по разным категориям.

Сварочные процессы

Сварщики могут получить сертификаты по наиболее распространенным видам сварочных процессов — дуговой сварке в защитном металлическом корпусе, газовой вольфрамовой дуге и газовой дуговой сварке металлическим электродом. Американское сварочное общество, AWS, являющееся основным поставщиком сертификатов сварки, использует дополнительные классификации для других сварочных процессов, таких как дуга с газовым коротким замыканием, порошковая дуга, дуга под флюсом и пайка. AWS дает каждому типу сертификации процесса сварки аббревиатуру. Например, AWS классифицирует дуговую сварку металлическим экраном как SMAW.

Положение и тип

Положение и тип сварного шва — еще одна основная классификация, которую используют сварщики при получении сертификации. Положение описывает размещение металлической пластины или трубы, на которой работает сварщик, и включает плоские, горизонтальные, вертикальные и потолочные сварные швы. Для труб это положение: вертикальное, 45 градусов вертикальное и ограниченное. Шов с разделкой кромок и угловой шов описывают два наиболее часто используемых типа сварных швов. Сварщики используют числа для обозначения положения и буквы для описания типа сварного шва для сертификации.Например, сварной шов с плоской кромкой металлической пластины классифицируется как 1G.

Газы, присадочный металл и основной металл

Сварщики используют несколько различных типов газов и проходят сертификацию по каждому из типов, включая аргон, гелий, аргон / диоксид углерода и диоксид углерода. Провайдеры сертификации используют обозначение каждого газа в периодической таблице для классификации этого газа. AWS также предлагает сертификационные классификации для сварщиков присадочных и основных металлов. Присадочным металлам присваивается классификационный номер AWS, а AWS использует классификацию Американского общества испытаний и материалов для классификации основных металлов.Классификация основного металла описывает типы свариваемых металлов, а также предел прочности и текучести этого металла.

Типы сертификатов

Каждый поставщик сертификации имеет несколько типов сертификатов. Наряду с общими обозначениями сертифицированных сварщиков, AWS также предлагает сертификаты сертифицированных роботов-дуговой сварки, сертифицированных инженеров по сварке, сертифицированных инспекторов по сварке, сертифицированных инструкторов по сварке, сертифицированных супервайзеров по сварке, сертифицированных торговых представителей по сварке и сертифицированных производителей сварки.Сертификационные классификации для сварки также представлены в виде кодов, в том числе Кодекса по сварке конструкций для стали, Правил по сварке конструкций для алюминия, трубчатых конструкций, тонкой стали, арматурной стали, сварки листового металла, сварки химических заводов и нефтяных труб и железнодорожной сварки. Американское общество инженеров-механиков предлагает коды для сварки котлов и сосудов под давлением, а Американский институт нефти имеет свои собственные правила для сварки газовых и нефтепроводов.

.

Классификация сварных швов на радиографических изображениях: метод интеллектуального анализа данных

1 Классификация сварных швов на радиографических изображениях: подход интеллектуального анализа данных Прогноз NDE2002. уверять. улучшить. Национальный семинар ISNT Chennai, SV Barai * Доцент кафедры гражданского строительства Индийского технологического института, Харагпур, Индия Йорам Райх Доцент кафедры механики твердого тела, материалов и систем инженерного факультета Тель-Авивского университета, Рамат-Авив, Израиль РЕФЕРАТ Потребность в технологиях неразрушающей оценки (NDE) для обслуживания сложных сварных конструкций, таких как сосуды под давлением, несущие конструктивные элементы и электростанции, признана давно.В этой статье представлено применение метода интеллектуального анализа данных для данных сварных швов, извлеченных из полученных радиографических изображений. Интеллектуальный анализ данных — это извлечение неявной, ранее неизвестной и потенциально полезной информации из данных. В последнее время такие модели машинного обучения, как нейронные сети, становятся стандартными инструментами для интеллектуального анализа научных данных. В этом документе рассматриваются различные вопросы, связанные с интеллектуальным анализом данных, и демонстрируется их применение. В исследовании выделяются два основных аспекта понимания данных и прогнозирования модели для проблемной области.ВВЕДЕНИЕ Оценка безопасности и надежности существующих сварных конструкций, таких как сосуды под давлением, несущие конструктивные элементы и электростанции, в последние годы была в центре внимания большого количества исследований. Оценка сварной конструкционной системы требует знания их прочности, характеристик отклика, количественных и качественных данных, касающихся текущего состояния конструкции, а также методологии интеграции различных типов информации в процесс принятия решений по оценке безопасности всей конструкции.Возможно, наиболее сложным аспектом оценки сварных швов является необходимость разработки рациональной методологии для синтеза разнообразной информации, связанной с состоянием сварных швов и их поведением. На практике технологии неразрушающего контроля (NDE) очень часто используются для оценки сварных швов (Berger, 1977, Bray and Stanley, 1989). В широком смысле NDE можно рассматривать как методологию, используемую для оценки целостности конструкции без ущерба для ее характеристик. В последнее время во многих исследованиях сообщалось о результатах, в которых обработка сигналов и нейронные сети (NN) * Conference Speaker 1

2 использовались для характеристики дефектов сварного шва на основе неразрушающего контроля (Rao et al., 2002, Liao and Tang, 1997, Nafaa et al, 2000, Stepinski and Lingvall, 2000). Радиографический контроль — один из самых популярных методов неразрушающего контроля, применяемых при контроле сварных соединений. Обычно радиографические изображения сварных швов в реальном времени получают во время радиографических испытаний сварных компонентов (Bray and Stanley, 1989). Эти изображения оцифровываются без потери важной информации. Применение методов извлечения признаков к таким оцифрованным изображениям помогает идентифицировать особенности (Liao and Ni, 1996, Liao and Li, 1998).Кроме того, Ляо и его исследовательская группа предложили обнаружение дефектов сварки по радиографическим изображениям с использованием программных средств вычислений, таких как метод нечеткой кластеризации и алгоритмы нечеткого K-ближайшего соседа (Liao et al., 1999, Liao and Li, 1997). Достижения в области интеллектуального анализа данных (Fayyad et al. 1996) могут помочь исследователям решать сложные проблемы, такие как классификация, где важную роль играют многие особенности, извлеченные из цифровых радиографических изображений. Недавняя публикация Liao et al. (2001) попытался изучить подход интеллектуального анализа данных для моделей качества сварных швов, построенных с использованием многопользовательских сетей персептронов.Они пришли к выводу, что интеллектуальный анализ данных на основе выборочных данных обеспечивает эффективность и результативность при использовании правильного размера выборки. И они обнаружили, что не было никакой корреляции между репрезентативными данными со схожими статистическими характеристиками и характеристиками модели на данных тестирования. Основные цели статьи заключаются в следующем: кратко представить интеллектуальный анализ данных и продемонстрировать систематическое исследование интеллектуального анализа данных для задачи классификации сварных швов. В оставшейся части этого документа обсуждаются основы интеллектуального анализа данных, набор данных для исследования нейронных сетей и процесс интеллектуального анализа данных.Результаты, обсуждение и заключение завершают статью. ДОБАВЛЕНИЕ ДАННЫХ: ПРЕДЫСТОРИЯ Интеллектуальный анализ данных — это нетривиальный процесс выявления действительных, новых, потенциально полезных и в конечном итоге понятных шаблонов в наборе данных. Этот процесс помогает извлекать и уточнять полезные знания из больших наборов данных (рисунок 1). Извлеченную информацию можно использовать для формирования модели прогнозирования или классификации, определения тенденций и ассоциаций, уточнения существующей модели или предоставления сводки по добываемым наборам данных.Многочисленные методы интеллектуального анализа данных различных типов, такие как индукция правил, нейронные сети и концептуальная кластеризация, были разработаны и используются индивидуально в различных областях, от анализа космических данных до финансового анализа (Fayyad et al., 1996, Hand, 1998). В недавнем обзоре Кохави (2001) говорится, что интеллектуальный анализ данных служит двум целям, а именно Insight и Prediction. Понимание приводит к выявлению полезных закономерностей и тенденций. Прогнозирование приводит к идентификации модели, которая дает надежный прогноз на основе входных данных.2

3 Оценка шаблонов данных Очистка хранилища данных Задача Соответствующие данные Интеграция данных Модель интеллектуального анализа данных для: Insight Prediction Базы данных радиографических изображений Рисунок 1: Процесс интеллектуального анализа данных и обнаружения знаний. Очевидно, что природа данных имеет решающее значение для успеха приложения интеллектуального анализа данных. Природа данных связана с их источником, полезностью, поведением и описанием.Источником данных может быть онлайн или офлайн от статических или динамических систем. Полезность данных может использоваться для анализа, проектирования или диагностики. Поведение данных может быть дискретным или непрерывным. Описание данных может быть в количественной или качественной форме. Количественный характер данных зависит от количества точек данных, доступных для приложения. Качественный характер данных требует ответов на многие вопросы, например, являются ли они разреженными или плотными? Они в сыром или чистом виде? Являются ли они представителями области применения? Они шумные? Они содержат пропущенные значения? Исследователи, работающие в области интеллектуального анализа данных, обратились к таким вопросам понимания, как обнаружение новизны, аномалий и ошибок в экспериментальных данных для задач классификации и регрессии.К ним обычно обращаются для распознавания образов, анализа изображений, мониторинга и управления процессами, а также диагностики неисправностей. Дасгупта и Форрест (1999) продемонстрировали механизм негативного отбора основанного на иммунной системе алгоритма обнаружения новизны для наборов данных временных рядов. Набор данных был для моделирования динамики резания в операции фрезерования и синтетического сигнала. Хикинботэм и Остин (2000a, 2000b, 2000c, 2000d) провели исследование в области обнаружения новизны отказов тензодатчиков во время мониторинга состояния конструкции планера.Brotherton et al (1998) продемонстрировали потенциал нейронной сети с эллиптической базисной функцией, зависящей от классов, для обнаружения новизны в классификации собранных электромагнитных сигналов. Marsland et al. (2001) продемонстрировали фильтр новизны, который может учиться в режиме онлайн на основе данных датчика сонара робота. Ypma и Duin (1997) представили результаты обнаружения новизны на основе самоорганизующейся карты в проблеме механических неисправностей и проблеме обнаружения утечек в трубопроводе. В указанных выше статьях изучались задачи регрессии и классификации данных и использовалась нейронная сеть в качестве модели прогнозирования машинного обучения.Этот краткий обзор показывает, что интеллектуальный анализ данных с использованием нейронных сетей становится широко используемым инструментом для таких экспериментальных наборов данных. Искусственный 3

4 Нейронные сети (ИНС) могут применяться для решения реальных проблем значительной сложности. Наиболее важным преимуществом является их способность обрабатывать данные, которые слишком сложны для задач традиционных технологий, не имеющих алгоритмического решения или для которых алгоритмическое решение слишком сложно найти.Благодаря своей способности к абстрагированию ИНС хорошо подходят для решения таких задач, как классификация, распознавание образов и прогнозирование и / или распознавание тенденций в экспериментальных данных. ИНС успешно применяются к сотням приложений (Bishop, 1995). Настоящая статья вращается вокруг целей интеллектуального анализа данных — понимания и предсказания «экспериментальных данных» извлечения сварных швов из области радиографических изображений. С этим экспериментальным набором данных связано множество исследовательских проблем, таких как: разработка эффективных способов управления и визуализации данных; проверка качества данных; обобщение их в удобные и актуальные формы для анализа; их выборка с минимальной погрешностью; интеллектуальный поиск потенциально полезных конструкций; обнаружение аномальных и своеобразных закономерностей; и не упускать интересных.Некоторые из этих проблем будут рассмотрены в следующих разделах. МОДЕЛЬ СБОРА ДАННЫХ И НЕЙРОННЫХ СЕТЕЙ ДЛЯ МАЙНИНГА ДАННЫХ Проблемы классифицируются с учетом понимания данных и нейронных сетей как прогностическая модель. Наборы экспериментальных данных были изучены в отношении их источника, использования, типа и характеристик, характера их предварительной обработки и необходимости их очистки при необходимости. Исследование модели нейронных сетей включало в себя простоту построения сети, их способность обрабатывать реальные данные вместо смоделированных данных с хорошим поведением, понимание их поведения, обнаружение неожиданной информации из их выходных данных и оценку их точности.Для настоящего исследования данные были собраны из ссылки Liao and Tang (1997). Модель нейронных сетей и оценка прогнозирования В литературе доступны различные типы моделей нейронных сетей, а также их подходы к оценке производительности. В следующем параграфе они кратко рассматриваются для полноты статьи. Модели нейронных сетей Нейронные сети — это инструменты для создания моделей из данных, и, следовательно, данные становятся неотъемлемой частью модели. Данные должны подлежать тому же контролю, что и другие параметры модели.По сути, данные должны быть хорошего качества и отражать проблему. В литературе доступны различные модели нейронных сетей, такие как сеть Хопфилда, сеть Хэмминга, сеть Карпентера / Гроссберга, однослойный персептрон, многослойная сеть и т. Д. Однослойные сети Хопфилда и Хэмминга обычно используются с двоичным вводом и выводом под контролем обучения. Сеть Карпентер / Гроссберг, однако, реализует обучение без учителя. Однослойный персептрон может использоваться с многозначным вводом и выводом в дополнение к двоичным данным.Серьезным недостатком одноуровневой сети является невозможность принятия сложного решения. Области принятия решений в одноуровневой сети ограничены гиперплоскостями, тогда как области двухуровневых сетей могут иметь открытые или замкнутые выпуклые области принятия решений (Хайкин 1994, 4

5 Липпман, 1987). Можно выбрать модель в зависимости от области применения. Многослойная сеть является очень популярной архитектурой искусственной нейронной сети и хорошо зарекомендовала себя в различных приложениях в нескольких областях, включая классификацию по результатам радиографических испытаний (Liao and Tang, 1997, Stepinski and Lingvall 2000).В настоящем исследовании используется алгоритм линейного векторного квантования на основе правила Кохонена. Векторное квантование обучения (LVQ) — это метод обучения участников соревнований в контролируемом режиме. Конкурентный слой автоматически научится классифицировать входные векторы. Однако классы, которые находит конкурентный уровень, зависят только от расстояния между входными векторами. Если два входных вектора очень похожи, конкурентный слой, вероятно, поместит их в один и тот же класс. Оценка прогнозирования нейронной сети Различные вопросы, связанные с оценкой производительности сети, обсуждаются в другом месте (Reich and Barai, 1999), однако краткое объяснение приводится ниже.Типичными методами оценки модели NN являются: (1) повторная замена (2) проверка разделенной выборки (3) перекрестная проверка, такая как перекрестная проверка в k-кратном размере, метод исключения по одному (Reich, 1997). Повторная подстановка: в этом методе для обучения сети используется полный набор данных, а затем он тестируется на том же наборе данных. Оценка ошибки обобщения для этой сети дает оптимистичные результаты, т.е. ее оценка ошибки смещена в сторону уменьшения. Предполагая, что набор данных выбирается из большой совокупности данных с извлеченными характеристиками, производительность повторной замены сильно зависит от этой выборки, т.е.е., имеет высокую изменчивость. Проверка с разделением выборки или тест удержания: это наиболее часто используемый метод для оценки ошибки обобщения в NN. Набор образцов многократно и случайным образом разделяется на отдельные наборы данных для обучения и тестирования. Обычно в качестве обучающего набора выбирают 2/3 набора данных, а оставшуюся 1/3 — как тестовый набор. После обучения сеть запускается на тестовом наборе, и ошибка на тестовом наборе дает несмещенную оценку ошибки обобщения. Для получения результатов с доверительным интервалом около 95% набор для тестирования должен включать более 1000 примеров; в противном случае этот метод может дать плохие результаты.В небольших наборах данных этот метод часто повторяется несколько десятков раз, но результаты имеют высокую изменчивость, которая зависит от исходной случайности, в дополнение к изменчивости из-за выборки набора данных из большей совокупности. Обратите внимание, что эти повторения не являются независимыми, поскольку они используют один и тот же набор данных. Результаты этого метода могут быть пессимистичными, потому что не все доступные данные используются для обучения. Перекрестная проверка: k-кратный метод или исключение-по одному: при k-кратной перекрестной проверке данные делятся на k подмножеств равного размера.NN обучается k раз; каждый раз исключая одно из подмножеств из обучения, но используя только пропущенное подмножество для компьютера, какой бы критерий ошибки ни представлял интерес. Если k равно размеру выборки, это называется исключением. Более сложная и дорогая версия перекрестной проверки предполагает исключение всех 5

6 возможных подмножеств заданного размера. Если k становится слишком маленьким, оценка ошибки полного анализа выборки пессимистически смещена, потому что для обучения используется меньше точек данных.Популярно значение 10 для k. ПРИМЕР ИЗОБРАЖЕНИЯ ДАННЫХ: КЛАССИФИКАЦИЯ СВАРНОЙ КЛАССИФИКАЦИИ Область проблемы В этом упражнении цель заключалась в том, чтобы классифицировать категории сварных и несварных швов на основе цифровых радиографических изображений (Liao and Tang, 1997) и впоследствии проверить качество данных после оценки производительности сети. Сбор данных Неразрушающий контроль (NDT) сварных конструкций очень часто используется для анализа отказов важных конструкций. Радиографический контроль — один из самых популярных методов неразрушающего контроля, применяемых при проверке сварных соединений.Обычно радиографические изображения сварных швов в реальном времени получают во время радиографических испытаний сварных деталей. Ляо и Тан (1997) собрали рентгеновские полоски шириной около 3,5 дюймов и длиной 17 дюймов. Они были оцифрованы с разрешением 70 мкм. Эти оцифрованные изображения были получены с использованием изображений размером 5000 пикселей на 6000 строк. Из этих изображений было получено субдискретизированное изображение размером 250 пикселей на 300 строк, чтобы найти аномалии в сварном шве. Изображения с пониженной дискретизацией использовались для извлечения сварного шва. Чтобы сформулировать проблему классификации сварных швов и несварных швов, необходимо выделить признаки.Для каждого объекта в линейном изображении были определены четыре функции, и они следующие. Положение пика (x 1) Ширина (x 2) Среднеквадратичная ошибка между объектом и графиком его гауссовой интенсивности (x 3) Интенсивность пика (x 4) Всего было извлечено восемьдесят четыре образца, которые содержат линейные и не -линейные швы. В настоящем исследовании нейронные сети будут обучены определять, являются ли рисунки сварными или несварными. Это упражнение по классификации предназначено для определения сварных швов (Y = 1) или несварных (Y = 0) на основе входных характеристик, x 1, x 2, x 3 и x 4.Три набора функций, f 1 = {x1, x 4}, f 2 = {x2, x 3, x 4} и f3 = {x1, x 2, x 3, x 4}, считаются для определения наилучшего набора функций. В этом наборе данных признаков была проведена простая нормализация входных и выходных параметров во время предварительной обработки (Reich and Barai, 2000). Разработка модели и гипотез Существует множество вариантов алгоритма классификации, позволяющих добиться более быстрой сходимости и более точного представления. В этом исследовании мы использовали нейронные сети на основе линейного векторного квантования (LVQ), основанные на карте функций Кохонена (Demuth and Beale, 1994).Цель состоит в том, чтобы разработать надежную модель прогнозирующей классификации, и, следовательно, модель LVQ была рассмотрена для моделирования данных 6

7 Выбор параметров модели нейронных сетей Использовалась LVQ-сеть на основе правила Кохонена, состоящая из двух уровней: первый уровень в качестве конкурентного уровня для классификации входных наборов функций и второй уровень для преобразования классов конкурентного уровня в целевую классификацию Y.Программа была реализована с использованием MATLAB Neural Networks Toolbox (Demuth and Beale, 1994). После нескольких упражнений были выбраны сети LVQ, имеющие 15 скрытых единиц, количество эпох 5000 и скорость обучения 0,05, сохраняя компромисс между точностью и временем вычислений. Обратите внимание, что в исследовании не было попытки оптимизировать сетевую архитектуру и параметры обучения (т.е. эпохи и скорость обучения), а скорее выбрать разумные значения. Интеллектуальный анализ данных, тестирование и проверка. Анализ и прогнозирование. Исследование нейронных сетей проводилось для повторной замены, перекрестной проверки и удержания, а результаты суммированы в таблице 1.Таблица 1: Точность классификации в процентах. Упражнение f 1 = {x1, x 4} f 2 = {x2, x 3, x 4} f 3 = {x1, x 2, x 3, x 4} Повторная замена Оставить один раз Удержание Сеть LVQ очень хорошо справилась с набором функций f 1 по сравнению с f 2 и f 3 при классификации сварных швов и несварных швов. Производительность сети оценивалась с использованием различных методов тестирования, описанных в предыдущем разделе. В целом, для наборов функций и вышеуказанных методов тестирования точность классификации сети составила более 92%. В предыдущем абзаце отмечалось, что только две функции могут представлять область с низкой размерностью и сохраняя достаточную информацию.В этой проблемной области качество данных было довольно хорошим. Следовательно, модели хорошего качества были разработаны за одну итерацию по сравнению с несколькими итерациями, необходимыми при низком качестве данных (Reich and Barai, 1999). В этом исследовании мы представили методологию интеллектуального анализа данных для небольшого набора данных. Тот же подход может быть легко расширен для большого размера набора данных, содержащего элементы оцифрованных радиографических изображений сварных швов. 7

8 Использование модели Хорошее качество элементов, извлеченных из данных радиографических изображений, приводит к разработке моделей нейронных сетей, которые можно использовать для прогнозирования дефектов сварных швов.ПЕРСПЕКТИВЫ НА БУДУЩЕЕ Исследование нейронной сети может дать лучшее представление о наборе данных и выявить расхождения в данных, чтобы можно было исправить ошибки ввода данных и добиться более высокой производительности (Barai and Reich, 2001). Интеграция нейронных сетей в систему поддержки принятия решений относительно проста. В ходе этого исследования было замечено, что данные характеристик, извлеченных из оцифрованных радиографических изображений, имеют хорошее качество и, следовательно, обученные сети могут быть неотъемлемой частью автоматизированной системы рентгенологического неразрушающего контроля.Качество данных и характеристика имеют важное значение для успешных экспериментальных исследований. Следовательно, одновременная очистка данных и обучение сетей с использованием подхода Clearning (Weigend et al., 1996) может помочь в получении более качественных данных. Существует возможность применения других моделей машинного обучения для получения знаний из набора данных функций. ЗАКЛЮЧЕНИЕ Достижения в области интеллектуального анализа данных помогли экспериментаторам в анализе экспериментальных данных. В настоящей статье мы рассмотрели две цели интеллектуального анализа данных, а именно понимание и прогнозирование в контексте данных об особенностях, извлеченных из цифровых радиографических изображений сварных швов.На стадии понимания данных, модель нейронных сетей может помочь нам определить особенности, которые важны для правильного моделирования нейронных сетей. Кроме того, на этапе прогнозирования модель нейронной сети была оценена с использованием различных методов тестирования и оказалась очень хорошо работающей благодаря более высокому качеству данных. Наконец, на основе этого исследования обсуждается будущая работа. БЛАГОДАРНОСТЬ Часть этой работы была выполнена при поддержке стипендии VATAT первому автору из Тель-Авивского университета, Израиль.8

9 ССЫЛКИ Бараи С.В., Райх Ю. (2001), «Интеллектуальный анализ экспериментальных данных: подход нейронных сетей», Труды 2-й Международной конференции по теоретической, прикладной вычислительной и экспериментальной механике ICTACEM 2001, состоявшейся в декабре 2001 г., и организовано Департаментом аэрокосмической техники Индийского технологического института, Харагпур, (CD-ROM) Berger, H.(1977), Стандарты неразрушающего контроля — обзор, STP 624, ASTM. Бишоп, К. М. (1995), Нейронные сети для распознавания образов, Clarendon Press, Оксфорд, Бирмингем, Великобритания. Брей, Д.Е. и Стэнли, Р.К. (1989), Неразрушающая оценка — инструмент для проектирования, производства и обслуживания, McGraw-Hill Book Company, Brotherton, T., Johnson, T. и Chadderdon, G. (1998), Классификация и обнаружение новизны с использованием линейных моделей и зависимостей от классов — нейронная сеть с эллиптической базисной функцией, Труды Международной совместной конференции по нейронным сетям.Дасгупта, Д. и Форрест, С. (1999), Обнаружение новинок в данных временных рядов с использованием идей иммунологии, Труды Международной конференции по интеллектуальным системам, Демут, Х. и Бил, М. (1994), Набор инструментов нейронных сетей — Для использования с MATLAB, The Mathworks Inc., 24 Prima Park Way, Natick, MA, USA. Файяд, У. М., Пятецки-Шапиро, Г., Смит, П. и Утурсами, Р. (1996), Достижения в области открытия знаний и интеллектуального анализа данных, AAAI Press / MIT Press, Кембридж, Массачусетс. Хэнд, Д. Дж. (1998), Интеллектуальный анализ данных: статистика и многое другое?, Американский статистик, 52, 2, Хайкин, С.(1994), Нейронные сети — Всеобъемлющий фонд, издательство Macmillan College Publishing Company, Нью-Йорк, США. Hickinbotham, SJ, and Austin, J. (2000a), Обнаружение отказов тензодатчиков в матрицах подсчета циклов напряжения, Hickinbotham, SJ, and Austin, J. (2000b), Нейронные сети для обнаружения новизны в данных о деформации планера «, International Совместная конференция по нейронным сетям, Хикинботэм, С.Дж., и Остин, Дж. (2000c), Обнаружение новинок в данных о деформации планера. 15-я Международная конференция по распознаванию образов, 9

10 Hickinbotham, S.Дж. И Остин Дж. (2000d), Обнаружение новинок для полетных данных на основе данных о деформации планера. European COST F3 Conference on System Identification and Structural Health Monitoring, Kohavi, R. (2001), Data mining and visualization, in Six Annual Symposium on Frontiers of Engineering, National Academy Press, DC, Liao, TW и Li, D. (1997). ), Два производственных приложения нечеткого k-nn алгоритма, Fuzzy Sets and Systems, Vol. 92, стр: Ляо, Т. В., Ли, Д. М. и Ли, Ю. М. (1999), Обнаружение сварных дефектов по радиографическим изображениям с помощью методов нечеткой кластеризации, Нечеткие множества и системы, Vol.108, стр: Liao, T. W. и Li, Y. (1998), Автоматизированная радиографическая система неразрушающего контроля для контроля сварных швов: Часть II Обнаружение потока, NDT & E International, Vol. 31, No. 3, pp: Liao, T. W. и Ni, J. (1996), Автоматическая радиографическая система неразрушающего контроля для контроля сварных швов: Часть I Удаление сварных швов, NDT & E International, Vol. 29, № 3, стр: Ляо, Т. В. и Тан, К. (1997), Автоматическое извлечение сварных швов из цифровых радиографических изображений на основе нейронных сетей MLP, Прикладной искусственный интеллект, Vol. 11, стр: Ляо, Т.W., Wang, G., Triantaphyllou, Chang, PC (2001), Исследование интеллектуального анализа данных моделей качества сварных швов, построенных с помощью нейронных сетей MLP на основе данных стратифицированных выборок, Конференция по исследованиям промышленной инженерии, Даллас, Техас, 20-23 мая, Липпман , RP (1987), Введение в вычисления с нейронными сетями, IEEE ASSP Magazine, 4, Marsland, S. Nehmzow, U. и Shapiro, J. (2001), Обнаружение новинок в больших средах, Серия технических отчетов, Департамент компьютеров. наука, Манчестерский университет, номер отчета UMCS Nafaa, N.Редуан Д. и Амар Б. (2000), Выделение и классификация дефектов сварного шва в искусственных нейронных сетях на основе радиографического тестирования, 15-й WCNDT, Roma 2000, Rao, BPC, Raj, B. и Kalyansundaram, P. (2002), Искусственные нейронные сети для вихретокового контроля сварных швов аустенитной нержавеющей стали, NDT & E International, Vol. 35, стр: Райх, Ю. (1997), Методы машинного обучения для задач гражданского строительства, Микрокомпьютеры в гражданском строительстве, 12, 4,

11 Рейх, Ю.и Бараи, С.В. (1999), Оценка моделей машинного обучения для инженерных задач, Искусственный интеллект в инженерии, 13, Райх, Ю. и Бараи, С.В. (2000), Методология построения модели нейронных сетей на основе эмпирических инженерных данных, Инженерные приложения Искусственный интеллект, 13, Степински, Т. и Лингвалл, Ф. (2000), Автоматическая характеристика дефектов в ультразвуковом неразрушающем контроле, 15-й WCNDT, Roma 2000, Weigend, AS, Zimmermann, HG, and Neuneier, R. (1996), Clearning , Нейронные сети в финансовой инженерии, World Scientific, Сингапур, Ypma, A.и Дуин, Р. П. У. (1997), Обнаружение новинок с помощью самоорганизующихся карт, ICONIP 1997, 11

.

Классификация по способу соединения металлов | Что такое сварка? | Основы автоматизированной сварки

Способы соединения металлов в целом можно разделить на механическое соединение и металлургическое соединение.
На этой странице представлены различные методы соединения металлов.

Обязательно к прочтению всем, кто занимается сваркой! Это руководство включает в себя базовые знания о сварке, такие как типы и механизмы сварки, а также подробные знания, касающиеся автоматизации сварки и устранения неисправностей.Скачать

Механическое соединение включает болтовое соединение, клепку, конопатку, термоусадочную посадку и фальцовку, которые соединяют детали с помощью механической энергии.
Металлургическое соединение включает сварку плавлением, сварку под давлением и пайку / пайку с использованием различных энергий.
Существуют также методы химического соединения с использованием клея.
Каждый метод соединения имеет свои преимущества и недостатки. Чтобы обеспечить эффективное соединение, вам необходимо выбрать правильный метод в соответствии с материалами и условиями соединения.

Механическое соединение		Механическая энергия Клепка Конопатка Болт Термоусадочная муфта Складной
Химическое соединение		Химическая энергия
Металлургические соединения (сварка)	Сварка плавлением	Электроэнергия Дуговая сварка Электронно-лучевая сварка Химическая энергия Световая энергия
	Сварка давлением	Электроэнергия Сварка сопротивлением: Точечная контактная сварка Сварка проекционная Шовная сварка Сварка с осадкой Сварка оплавлением Химическая энергия Механическая энергия Сварка холодным давлением Сварка трением Сварка трением с перемешиванием (FSW) Ультразвуковая сварка Диффузионная сварка
	Пайка / пайка	Электроэнергия Пайка с индукционным нагревом (мягкая пайка = пайка) Химическая энергия Горелочная пайка (газовая пайка) Световая энергия Пайка световым лучом Лазерная пайка

Приведенные выше классификации являются лишь примером.Существуют различные способы классификации типов, и некоторые из них могут отличаться от приведенной выше таблицы.

Дом

.