ISS pressurized cargo modules: machine learning methodologies for friction stir welding process enhancement

The only company in Europe to use Friction Stir Welding (FSW) process to produce pressurized habitation modules is Thales Alenia Space, with a first operating facility used also for the production of Cygnus, the Pressurized Cargo Module (PCM) for the resupply of the International Space Station. The innovative solid state welding process allows greater machining accuracy, ductility of use for the hybrid joining of different alloys, an improvement in mechanical strength, energy savings and a reduction in costs and production times. As all the technological processes, also the FSW is subjected to defects: in particular, the focus will be on void defects and tunnel cavities. In this work, process parameters of twelve PCMs coming from the welding machine are analysed. Different methodologies are exploited in order to understand possible hidden correlations between the presence of the defects and the value of the process parameters monitored in time (or derived quantities). Understanding of data and Features Engineering are performed as a first step to have a better insight into the problem. Then Supervised Machine Learning techniques are applied with classification purposes, adapting a previous work commissioned by NASA to Cygnus scenario. Lastly some Deep Learning techniques are adopted to discover hidden patterns without human intervention and prior selection of features: patterns in frequency content images with Convolutional Neural Networks (CNNs) or in raw data with Deep Neural Networks. The Deep Neural Networks approach is found to overcome both the limitation of manual feature extraction and the use of frequency-related coefficients in the supervised classifier, as well as the limitation of the low quantity of images available to efficiently train CNNs. The Deep model can be used as a predictive tool to detect defects along the weld circumference with high accuracy. This research work has the goal to become a starting point for an innovative on-line control monitoring system, and to provide a tool for off-line inspection exploiting the machine feedback data, helping non-destructive inspection techniques in saving cost and time.

L'unica azienda in Europa ad usare il processo di saldatura Friction Stir welding (FSW) per produrre moduli pressurizzati abitabili è Thales Alenia Space, con un primo impianto operativo usato anche per la produzione di Cygnus, il modulo cargo pressurizzato (PCM) usato per il rifornimento della Stazione Spaziale Internazionale. L'innovativo processo di saldatura allo stato solido per frizione permette grande precisione di lavorazione, duttilità di utilizzo per la giunzione ibrida di diverse leghe, un miglioramento nella resistenza meccanica, risparmio di energia e riduzione nei costi e tempi di produzione. Come tutti i processi tecnologici, anche la FSW è soggetta a difetti: in particolare, il focus sarà su vuoti e cavità a forma di tunnel. In questo lavoro vengono analizzati i parametri di processo di dodici PCMs provenienti dalla macchina di saldatura. Diverse metodologie sono state sfruttate al fine di comprendere possibili correlazioni nascoste tra la presenza dei difetti e il valore dei parametri di processo monitorati nel tempo (o parametri derivati). La comprensione dei dati e Features Engineering vengono eseguiti come primo passo per avere una migliore comprensione del problema. Successivamente, vengono applicate tecniche di Apprendimento Supervisionato con fine di classificazione, adattando un precedente lavoro commisionato da NASA al caso Cygnus. Infine, vengono adottate alcune tecniche di Apprendimento Profondo per scoprire pattern nascosti senza l'intervento umano e la selezione preventiva delle caratteristiche: pattern in immagini di contenuto frequenziale con Reti Neurali Convoluzionali (CNNs) o nei dati grezzi con Reti Neurali Profonde. L'approccio delle Deep Neural Networks risulta superare sia la limitazione dell'estrazione manuale delle caratteristiche, sia l'utilizzo dei coefficienti correlati alla frequenza nel classificatore supervisionato, sia la limitazione della bassa quantità di immagini disponibili per addestrare efficientemente le CNNs. Il modello Deep può essere utilizzato come strumento predittivo per rilevare difetti lungo la circonferenza della saldatura con un'alta precisione. Questo lavoro di ricerca ha l'obiettivo di diventare un punto di partenza per un sistema innovativo di monitoraggio e controllo online e di fornire uno strumento per l'ispezione offline sfruttando i dati macchina, aiutando le tecniche di ispezione non distruttive a risparmiare tempo e costi.