روش های نوین تصویربرداری در بازرسی جوش مبتنی بر استفاده از آرایه های فازی فراصوتی می باشند. روش تمرکز کامل از روش های نوین تصویربرداری می باشد که از حداکثر اطلاعات موجود در عناصر آرایه استفاده می کند و سبب بهبود کیفیت آشکارسازی عیوب قطعه مورد آزمون در آزمون غیرمخرب نسبت به روش های متعارف می شود. این روش علی رغم قدرت بهبود بالا، به دلیل ایجاد نویز زمینه، قدرت تفکیک محدودی داشته و در آشکارسازی عیوب جزئی ضعیف عمل می کند. در این مقاله روش بهبودیافته تمرکز کامل برای افزایش کیفیت تصویر ارائه می شود که سیگنال های دریافتی را با استفاده از نظریه حداقل واریانس، وزن دهی می کند و به این ترتیب سبب کاهش تاثیر نویز می شود. به منظور کاهش حجم محاسبات و افزایش دقت آشکارسازی عیوب قطعه، برای محاسبه وزن ها از روشی تکراری استفاده شده است، به طوری که در هر تکرار، معکوس ماتریس همبستگی بین سیگنال های دریافتی عناصر آرایه با رابطه ای بازگشتی تقریب زده می شود و در محاسبه وزن ها به روش حداقل واریانس مورد استفاده قرار می گیرد. براساس نتایج شبیه سازی و در مقایسه با روش تمرکز کامل، روش بهبود یافته تمرکز کامل، میزان متوسط نویز زمینه را حدود 16 دسی بل کاهش داده است. همچنین روش پیشنهادی در مقایسه با روش تمرکز کامل وزن دار با همان سطح متوسط نویز، سطح تابع شدت روشنایی تصویر حفره های موجود در قطعه تحت آزمون را به میزان 8 دسی بل بهبود داده است که به معنای دقت آشکارسازی بهتر می باشد. همچنین آزمایش های عملی برتری روش پیشنهادی را در بهبود کیفیت تصویر، به صورت کمی و کیفی تایید می کنند. زمان اجرای لازم برای محاسبه وزن ها در روش پیشنهادی نوعا 10% زمان اجرای لازم در روش تمرکز کامل وزن دار مبتنی بر تکنیک حذفی گوس-جردن می باشد.

انتخاب روش مناسب آزمون غیرمخرب (NDT) برای بازرسی جوش، نقش مهمی در ارتقاء کیفیت فرایند بازرسی، کاهش خطاهای انسانی و بهینه سازی هزینه های عملیاتی در صنایع مختلف از جمله انرژی، حمل ونقل، خودروسازی، هوافضا و نفت و گاز دارد. در این پژوهش، با بهره گیری از رویکرد یادگیری ماشین که یکی از اجزاء هوش مصنوعی است، یک مدل ترکیبی داده محور و طبقه بندی طراحی شده است که توانایی پیش بینی روش بهینه آزمون غیرمخرب (NDT) را برای هر نمونه جوش، بر اساس مجموعه ای از ویژگی های فنی نظیر نوع جوش، ضخامت، جنس فلز پایه، ساختار قطعه و میزان دسترسی به ناحیه جوش دارد. برای طراحی این مدل، تعداد 500 رکورد داده معتبر شامل نتایج آزمون های رایج مانند UT، MT، RT، PT و ET گردآوری شده و پس از انجام مراحل پیش پردازش، از جمله بررسی داده های گمشده، نرمال سازی و کدگذاری متغیرهای طبقه ای، از الگوریتم های متنوع شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایه (KNN) و XGBoost در محیط برنامه نویسی Python برای مدل سازی استفاده شد. فرایند ارزیابی مدل ها با بهره گیری از تکنیک اعتبارسنجی متقابل 10 لایه ای (10-fold cross-validation) و تنظیم بهینه فراپارامترها از طریق روش جستجوی شبکه ای (GridSearchCV) انجام گرفت. نتایج نشان داد مدل XGBoost با دقت 90 درصد و میانگین شاخص های صحت، پوشش و امتیاز F1 بالاتر از سایر مدل ها، عملکرد قابل توجهی داشته و در برخی موارد، حتی از پیش بینی های کارشناسان انسانی نیز دقیق تر عمل کرده است. همچنین، خروجی مدل با استانداردهای صنعتی نظیر ASME Section V و ASTM E-Series در زمینه بازرسی جوش کاملاً هم راستا بوده و دارای اعتبار و کاربردپذیری عملی بالایی است.

همواره یکی از مهم ترین و پرچالش ترین فرایند های تولید قطعات صنعتی، فرایند ایجاد اتصالات مختلف از جمله اتصال دائمی با روش جوشکاری بوده است. با توجه به حساس بودن اتصالات جوشکاری شده از نظر عیوب و ترک خوردگی ناشی از فرایند، بررسی صحت، دقت و سلامت جوش ایجاد شده یکی از مهم ترین دغدغه های پژوهش گران و صنعتگران است. به همین دلیل توسعه ی روش های غیرمخرب بررسی صحت و کیفت اتصالات ایجاد شده توسط فرایند جوشکاری، در سال های اخیر رشد فزاینده ای داشته است. اما همواره هر یک از این روش ها محدودیت های خاصی در بررسی قطعات جوش داده شده نشان داده اند. از جمله ی این محدودیت ها نیاز به سرد شدن قطعه پیش از فرایند بررسی و نیاز به تماس مستقیم با قطعه است. روش دمانگاری فروسرخ به عنوان یکی از روش های بررسی غیرمخرب پیشرفته، در سال های اخیر در بررسی اتصالات جوشی، به دلیل مزایای بسیار کاربرد زیادی پیدا کرده است. از جمله مزایای روش دمانگاری فروسرخ می توان به غیر تماسی بودن، برخط بودن و توانایی بررسی سریع سطح بسیار بزرگ اشاره کرد. همچنین این فرایند در هنگام کار قطعه در مجموعه ی سرهم بندی شده نیز می تواند سلامت آن را در طول عمر کاری بررسی کند. این ویژگی های منحصر به فرد، روش دمانگاری فروسرخ را به یک روش با پتانسیل بسیار بالا در بررسی، کنترل فرایند و اتوماسیون فرایند جوشکاری تبدیل کرده است. به علاوه⸲ توانایی همگام سازی شدن با روش های هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و پردازش سیگنال و تصویر پتانسیل این روش را برای کاربرد هرچه بیشتر در صنایع نوین در آینده ای نه چندان دور نشان داده است. همچنین زمینه های پژوهشی در این حوزه بسیار دست نخورده است و خلا های تحقیقاتی بسیاری در این زمینه احساس می شود. در پژوهش پیش رو با ارائه ی یک مرور کلی در خصوص کلیات و اصول دمانگاری فروسرخ، سعی در ایجاد یک پیش زمینه ی مناسب در خصوص این فرایند شده است. همچنین کاربرد های روش دمانگاری فروسرخ در فرایند جوش کاری به خصوص در بازرسی های غیر مخرب بررسی شده است که در آن روش های مختلف دما نگاری فروسرخ در بررسی های غیر مخرب بیان و توضیح داده شده است.