Рассматривается схема проектирования и обучения искусственной нейронной сети. На этой методике основана экспертная система оценки стабильности моторных навыков специалиста при работе на тренажере сварщика. Предполагается, что качество сварного соединения напрямую зависит от стабильности протекания процесса сварки. А стабильность ручной дуговой и механизированной сварки зависит от моторных навыков сварщика. Для определения критерия стабильности протекания процесса сварки предлагается использовать экспертную систему. Описано поэтапное проектирование архитектуры искусственной нейронной сети, учитывающей специфику формирования сварного шва. Показано, что применение искусственных нейронных сетей в основе экспертной системы дает возможность оценивать стабильность работы сварщика. Описана методика обучения, которая позволяет сократить время и количество экспериментов без потери достоверности данных и качества обучения экспертной системы. При формировании базы данных использованы результаты экспериментальных исследований, представленные как «область качества», связывающая моторные действия сварщика с дефектами формирования соединения с угловыми швами.
сварное соединение, искусственные нейронные сети, обучение искусственной нейронной сети, дефекты сварного шва, экспертная система, стабильность процесса сварки, аналитические методы
Введение. Получение качественного сварного соединения зависит от стабильности работы сварщика при выполнении сварных соединений. Стабильность поддержания параметров процесса сварки, указанных в технической карте, гарантирует качественное сварное соединение. Предлагается проводить оценку стабильности с помощью экспертной системы, основанной на искусственной нейронной сети (ИНС) [1]. ИНС позволяет выявлять многофакторную зависимость между входными параметрами (ток, напряжение, скорость сварки, отклонение электрода от оси сварного шва) и качеством формирования геометрических параметров сварного соединения. Учитывая это, можно прогнозировать появление дефекта на основе анализа динамики изменений параметров протекания процесса сварки [2], [3], [4], [5]. Авторы предлагают методику проектирования и обучения ИНС. Известно, что ИНС необходимо обучать на конкретных данных предметной области. В связи с этим в работе использован метод оценки стабильности моторных навыков сварщика, основанный на предложенном Ю. Г. Людмирским понятии «область качества» [6]. Это позволило без потери качества обучить ИНС при небольшом количестве опытов.
1. Haykin, S. Neural networks. A Comprehensive Foundation / S. Haykin. - 2nd edition. - Ontario : McMaster University Hamilton, Prentice Hall, 2006. - 1103 p.
2. К вопросу применения нейронных сетей для контроля качества сварных соединений при под-водной сварке / И. О. Скачков [и др.] // Автоматическая сварка. - 2006. - № 6. - C. 27-31.
3. Гладков, Э. А. Имитационное моделирование лазерной сварки с глубоким проплавлением с ис-пользованием нейросетевых моделей / Э. А. Гладков, А. И. Гаврилов // Сварка и диагностика. - 2009. - № 1. - С. 7-12.
4. Гаврилов, А. И. Определение оптимальных параметров нейронной сети при построении матема-тических моделей технологических процессов / А. И. Гаврилов, П. В. Евдокимов // Вестник Ивановского гос. энергетич. ун-та. - 2007. - № 4. - С. 87-90.
5. Шварц, М. В. Разработка алгоритма адаптации технологических параметров сварки к измене-нию геометрии стыка при сварке корневого слоя шва. [Электронный ресурс] / М. В. Шварц // Четвертая Всероссийская научно-техническая конференция «Студенческая весна 2011: Машиностроительные тех-нологии». - Режим доступа: http://studvesna.qform3d.ru/?go=articles&;id=336 (дата обращения: 08.08.2014).
6. Людмирский, Ю. Г. Повышение эффективности применения неадаптивных роботов на основе вероятностно-статистического моделирования процессов сборки и сварки маложестких пространственных конструкций : дис. д-ра техн. наук / Ю. Г. Людмирский. - Ростов-на-Дону, 2002. - 300 с.
7. Соловьев, А. Н. Определение упругих и диссипативных свойств материалов с помощью сочета-ния метода конечных элементов и комплекснозначных искусственных нейронных сетей / А. Н. Соловьев, Нгуен Зуи Чыонг Занг // Вестник Дон. гос. техн. ун-та. - 2014. - № 2. - С. 77-83.
8. Фатхи, В. А. Исследование моделей дефектов искусственных нейронных сетей / В. А. Фатхи, Д. В. Маршаков, В. В. Галушка // Вестник Дон. гос. техн. ун-та. - 2012. - № 3. - C. 65-71.
9. Wilson, B. The Machine Learning Dictionary [Электронный ресурс] / B. Wilson. - Режим доступа: http:// www.cse.unsw.edu.au/~billw/mldict.html (дата обращения: 08.08.2014).
10. Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань. - Москва : ПараГраф. - 1990. - 159 c.
