Применение метода градиентного бустинга для поддержки принятия технологических решений в процессе электронно-лучевой сварки
Автор: Тынченко В.С., Головенок И.А., Петренко В.Е., Милов А.В., Мурыгин А.В.
Журнал: Сибирский аэрокосмический журнал @vestnik-sibsau
Рубрика: Информатика, вычислительная техника и управление
Статья в выпуске: 2 т.21, 2020 года.
Бесплатный доступ
Целью исследования является создание математической модели технологического процесса изготовления неразъемных соединений разнородных материалов на основе электронно-лучевой сварки с использованием алгоритмов машинного обучения. Каждый из соединяемых элементов представляет собой ответственный узел комплексного устройства, в связи с чем выставляются жесткие критерии к качеству сварного соединения. В сущности, поставленная задача представляет собой задачу регрессии. Существует множество алгоритмов, подходящих для решения задачи регрессии. Однако зачастую использование одного алгоритма не обеспечивает достаточной точности полученного результата. Одним из способов решения такой проблемы является построение композиции алгоритмов для компенсации проблем каждого из них. Одним из наиболее эффективных и мощных алгоритмов композиции является градиентный бустинг. Использование данного алгоритма повысит качество модели регрессии. Предлагаемая модель позволит технологу задавать параметры технологического процесса и получать оценку качества конечного изделия равно как по заданию входных, так и выходных величин. Использование методов оценки и прогнозирование снизит временные и трудовые затраты на поиск, отработку и наладку технологического процесса. Приводится описание алгоритма градиентного бустинга, а также анализ применимости данного алгоритма к модели, равно как и заключение касательно областей его применимости и достоверности прогнозов, получаемых при его использовании. Кроме того, рассматривается процесс непосредственного обучения модели на основе данных, полученных в рамках проведения поисковых экспериментов для улучшения качества конечного изделия. Результаты анализа применимости позволяют судить о допустимости использования предложенного метода для процессов, имеющих схожие статистические зависимости. Применение предложенного подхода позволит осуществить поддержку принятия технологических решений специалистов по электронно-лучевой сварке при отработке технологического процесса и при вводе в производство новых видов продукции. (Русскоязычная версия представлена по адресу https://vestnik.sibsau.ru/articles/?id=677)
Электронно-лучевая сварка, технологический процесс, эксперименты, градиентный бустинг, машинное обучение
Короткий адрес: https://sciup.org/148321967
IDR: 148321967 | DOI: 10.31772/2587-6066-2020-21-2-206-214
Список литературы Применение метода градиентного бустинга для поддержки принятия технологических решений в процессе электронно-лучевой сварки
- Braverman V. Ya., Belozertsev V. S., Litvinov V. P., Rozanov O. V. [Issues of managing weld formation in electron beam welding]. Sibirskiy zhurnal nauki i tekhnologiy. 2008,. Vol. 2 (19), P. 148-152 (In Russ.).
- Weglowski M. S., Blacha S., Phillips A. Electron beam welding - Techniques and trends - Review. Vacuum. 2016, Vol. 130, P. 72-92.
- Zlobin S. K., Mikhnev M. M., Laptenok V. D., Seregin Yu. N., Bocharov A. N., Tynchenko V. S.,
- Dolgopolov B. B. [Automated equipment and technology for soldering waveguide paths of spacecraft]. Sibirskiy zhurnal nauki i tekhnologiy. 2014, No. 4 (56), P. 219-229 (In Russ.).
- Murygin A. V., Tynchenko V. S., Laptenok V. D., Emilova O. A., Seregin Y. N. Modeling of thermal processes in waveguide tracts induction soldering. IOP Conference Series: Materials Science and Engineering. 2017, Vol. 173, No. 1, P. 012026.
- Aydin K., Kaya Y., Kahraman N. Experimental study of diffusion welding/bonding of titanium to copper. Materials & Design. 2012, Vol. 37, P. 356-368.
- Kurashkin S. O., Tynchenko V. S., Seregin Y. N., Petrenko V. E., Milov A. V., Murygin A. V. Mathematical models of beam input and output in the process of electron beam welding of thin-walled structures. Journal of Physics: Conference Series. 2020, Vol. 1515, P. 052048.
- Tynchenko V. S., Milov A. V., Bukhtoyarov V. V., Kukartsev V. V., Tynchenko V. V., Bashmur K. A. The concept of an electron beam I/O control system to optimize the weld formation in the process of electron beam welding. Journal of Physics: Conference Series. 2019, Vol. 1399, No. 4, P. 044092.
- Duffy N., Helmbold D. Boosting methods for regression. Machine Learning. 2002, Vol. 47, No. 2-3, P. 153-200.
- Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge, MA, MIT press, 2016, 318 p.
- Son J., Jung I., Park K., Han B. Tracking-by-segmentation with online gradient boosting decision tree. Proceedings of the IEEE International Conference on Computer Vision. 2015, P. 3056-3064.
- Peter S., Diego F., Hamprecht F. A., Nadler B. Cost efficient gradient boosting. Advances in Neural Information Processing Systems. 2017, P. 1551-1561.
- Salakhutdinova K. I., Lebedev I. S., Krivtsova I. Ye. [Gradient boosting algorithm for decision trees in the software identification problem]. Nauchno-tekhnicheskiy vestnik informatsionnykh tekhnologiy, mekhaniki i optiki. 2018, Vol. 18, No. 6, P. 1016-1022 (In Russ.).
- Dyakonov I. D., Novikova S. V. [Solution of the forecasting problem with the help of gradient boosting over decision trees]. Nauchnyy forum: Tekhnicheskiye i fiziko-matematicheskiye nauki. 2018, P. 9-12.
- Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Vanderplas J. Scikit-learn: Machine learning in Python. The Journal of Machine Learning research. 2011, Vol. 12, P. 2825-2830.
- VanRossum G., Drake F. L. The python language reference. Amsterdam, Netherlands, Python software foundation. 2010, 162 p.
- Schapire R. E., Freund Y. Boosting: Foundations and algorithms. Kybernetes. 2013, Vol. 42, No. 1, P. 164-166.