Методика обучения экспертной системы оценки стабильности работы сварщика
Автор: Лукьянов Виталий Федорович, Кузьменко Игорь Владимирович
Журнал: Вестник Донского государственного технического университета @vestnik-donstu
Рубрика: Технические науки
Статья в выпуске: 4 (79) т.14, 2014 года.
Бесплатный доступ
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
Короткий адрес: https://sciup.org/14250097
IDR: 14250097 | DOI: 10.12737/6899
Список литературы Методика обучения экспертной системы оценки стабильности работы сварщика
- Haykin, S. Neural networks. A Comprehensive Foundation/S. Haykin. -2nd edition. -Ontario: McMaster University Hamilton, Prentice Hall, 2006. -1103 p.
- К вопросу применения нейронных сетей для контроля качества сварных соединений при подводной сварке/И. О. Скачков //Автоматическая сварка. -2006. -№ 6. -C. 27-31.
- Гладков, Э. А. Имитационное моделирование лазерной сварки с глубоким проплавлением с использованием нейросетевых моделей/Э. А. Гладков, А. И. Гаврилов//Сварка и диагностика. -2009. -№ 1. -С. 7-12.
- Гаврилов, А. И. Определение оптимальных параметров нейронной сети при построении математических моделей технологических процессов/А. И. Гаврилов, П. В. Евдокимов//Вестник Ивановского гос. энергетич. ун-та. -2007. -№ 4. -С. 87-90.
- Шварц, М. В. Разработка алгоритма адаптации технологических параметров сварки к изменению геометрии стыка при сварке корневого слоя шва. /М. В. Шварц//Четвертая Всероссийская научно-техническая конференция «Студенческая весна 2011: Машиностроительные технологии». -Режим доступа: http://studvesna.qform3d.ru/?go=articles&id=336 (дата обращения: 08.08.2014).
- 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.
- Соловьев, А. Н. Определение упругих и диссипативных свойств материалов с помощью сочетания 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.
- 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.
- Wilson, B. The Machine Learning Dictionary /B. Wilson. -Режим доступа: http://www.cse.unsw.edu.au/~billw/mldict.html (дата обращения: 08.08.2014).
- Горбань, А. Н. Обучение нейронных сетей/А. Н. Горбань. -Москва: ПараГраф. -1990. -159 c.
- Haykin, S. Neural networks. A Comprehensive Foundation. 2nd edition. Ontario: McMaster University Hamilton, Prentice Hall, 2006, 1103 p.
- Skachkov, I. O., et al. K voprosu primeneniya neyronnykh setey dlya kontrolya kachestva svarnykh soedineniy pri podvodnoy svarke. Avtomaticheskaya svarka, 2006, no. 6, pp. 27-31 (in Russian).
- Gladkov, E. A., Gavrilov, A. I. Imitatsionnoe modelirovanie lazernoy svarki s glubokim proplavleniem s ispol'zovaniem neyrosetevykh modeley. Svarka i diagnostika, 2009, no. 1, pp. 7-12 (in Russian).
- Gavrilov, A. I., Yevdokimov, P. V. Opredelenie optimal'nykh parametrov neyronnoy seti pri postroenii matematicheskikh modeley tekhnologicheskikh protsessov. Vestnik of ISPEU, 2007, no. 4, pp. 87-90 (in Russian).
- Shvarts, М. V. Razrabotka algoritma adaptatsii tekhnologicheskikh parametrov svarki k izmeneniyu geometrii styka pri svarke kornevogo sloya shva. Chetvertaya Vserossiyskaya nauchno-tekhnicheskaya konferentsiya «Studencheskaya vesna 2011: Mashinostroitel'nye tekhnologii». [IVth All-Russian Sci.-Tech. Conf. “Student Spring 2011: Machine-building technologies”. Available at: http://studvesna.qform3d.ru/?go
- =articles&id=336 (accessed: 08.08.2014) (in Russian).
- Lyudmirskiy, Y. G. Povyshenie effektivnosti primeneniya neadaptivnykh robotov na osnove veroyatnostno-statisticheskogo modelirovaniya protsessov sborki i svarki malozhestkikh prostranstvennykh konstruktsiy: dis. d-ra tekhn. nauk. Rostov-on-Don, 2002, 300 p. (in Russian).
- Solovyev, A. N. Opredelenie uprugikh i dissipativnykh svoystv materialov s pomoshch'yu sochetaniya metoda konechnykh elementov i kompleksnoznachnykh iskusstvennykh neyronnykh setey. Vestnik of DSTU, 2014, no. 2, pp. 77-83 (in Russian).
- Fatkhi, V. А., Marshakov, D. V., Galushka, V. V. Issledovanie modeley defektov iskusstvennykh neyronnykh setey. Vestnik of DSTU, 2012, no. 3, pp. 65-71 (in Russian).
- Wilson, B. The Machine Learning Dictionary. Available at: http://www.cse.unsw.edu.au/~billw/mldict.html (accessed: 08.08.2014).
- Gorban, А. N. Obuchenie neyronnykh setey. Moscow: ParaGraf, 1990, 159 p. (in Russian).
