在粉末金工业汽车油定向器中使用声信号和机器学习分类来检测非破坏性缺陷
Mohammad Hossein Hadizadeh Isfahani1, Hamid Moeenfard1, Abbas Rohani2
1School of Mechanical Engineering, Ferdowsi University of Mashhad, Mashhad, Iran.
PloS one
|November 17, 2025
概括
机器学习 (ML) 准确地检测粉末金 (PM) 汽车油定位器的缺陷,使用声信号. 这种先进的方法超越了人类检查,为工业质量控制提供了更快,更可靠的解决方案.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 人工智能的人工智能
背景情况:
- 粉末金 (PM) 部件,如汽车油定向器,在制造过程中容易出现裂和质量减少等缺陷.
- 传统的人类视觉检查在检测微观或内部缺陷方面是有限的,并且可能很慢.
- 需要自动化检查方法来提高检测这些缺陷的准确性,速度和可靠性.
研究的目的:
- 研究机器学习 (ML) 算法的有效性,应用于声信号分析,用于检测PM汽车油定位器的缺陷.
- 为了比较各种ML分类器在识别不同类型缺陷方面的性能.
主要方法:
- 从完整的和缺陷的PM组件 (破裂,牙断裂,骨折) 收集了声信号.
- 在声信号上进行了特征提取.
- 训练和评估了多个ML分类器,包括支持向量机 (SVM),K-最近邻居 (KNN),多层感知器 (MLP) 和辐射基函数 (RBF) 网络.
主要成果:
- 辐射基函数 (RBF) 网络在区分有缺陷的与完整的PM组件方面实现了100%的准确性.
- 与其他评估的ML模型相比,RBF网络表现出卓越的性能.
- 开发的声学分析和ML方法在识别各种缺陷类型方面被证明是有效的.
结论:
- 将声信号分析与ML结合起来,为PM元件的工业缺陷检测提供了一个高度准确和快速的方法.
- 这种基于机器学习的方法显著优于传统的人类视觉检查方法.
- 该研究提出了一个可扩展和可靠的解决方案,用于PM制造中的质量控制.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
2.1K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.6K
