با توجه به تأثیر مستقیم فاصله نوک الکترود تا قطعهکار بر کیفیت، مصرف انرژی الکتریکی و مذاب کوره قوس الکتریکی، تعیین این فاصله در حین فرآیند از اهمیت بالایی برخوردار است. در این پژوهش، برای تعیین فاصله نوک الکترود تا قطعهکار با بهرهگیری از هوش مصنوعی، از صدای قوس الکتریکی استفاده شده است. بدین منظور، از دستگاه جوش برای شبیهسازی کوره قوس الکتریکی بهره گرفته شد و سیگنال صدای قوس در سه بازه متفاوت از فاصله میان نوک الکترود و قطعهکار ثبت گردید. با توجه به ماهیت ناایستا بودن این سیگنال، ویژگیهای زمانی– فرکانسی آن استخراج شد. نتایج نشان میدهد که تغییر فاصله الکترود تا قطعهکار به ایجاد الگوهای متمایزی در سیگنال صدای قوس الکتریکی میانجامد. بر همین اساس، فاصله نوک الکترود تا قطعهکار به سه دسته«نزدیک»، «نرمال» و «دور» تقسیم شد. سپس چند الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان، رگرسیون لجستیک و نزدیکترین همسایه برای طبقهبندی سیگنال صدای قوس الکتریکی به کار گرفته شد. یافتهها نشان میدهد که الگوریتم ماشین بردار پشتیبان با صحت 95٫9 درصد در جوشکاری با گاز محافظ و 87٫6 درصد در جوشکاری دستی با الکترود روکشدار، بهترین عملکرد را در طبقهبندی سیگنال صدای قوس الکتریکی داشته است. پس از آن، رگرسیون لجستیک و نزدیکترین همسایه بهترتیب صحتهای 94٫7 و 93٫5 درصد در جوشکاری با گاز محافظ و 86٫5 و 85٫1 درصد در جوشکاری دستی با الکترود روکشدار را ثبت کردند. رویکرد پیشنهادی امکان پایش لحظهای کیفیت جوش را فراهم میکند و با ارائه بازخورد بیدرنگ به اپراتور، افزون بر بهبود کیفیت جوش و کاهش مصرف انرژی، نیاز به آزمونهای مخرب را نیز به کمترین میزان میرساند.
