CC BY
2
УДК 004.032.26
КОНЦЕПЦИЯ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ПРОЦЕССА
ЭЛЕКТРОННО-ЛУЧЕВОЙ СВАРКИ
*
И.Е. Шанин , В.С. Тынченко
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
*ECU.MainMail@gmail.com
В статье рассматриваются возможность создания модели процесса электроннолучевой сварки при помощи искусственных нейронных сетей. Формулируется задача моделирования, определяются входные и выходные параметры модели. Выполнен краткий обзор подходящего типа нейронной сети и затронута проблема обучения.
Ключевые слова: нейронные сети, моделирование, машинное обучение, обработка данных, технологические процессы.
THE CONCEPT OF ELECTRONIC BEAM WELDING PROCESS NEURAL NETWORK MODELING
I.E. Shanin*, V.S. Tynchenko
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation
*ECU.MainMail@gmail.com
The article discusses the possibilities of using artificial neural networks to model electron beam welding process. The author formulated the objective of modeling, defined input and output parameters. It contains review of suitable neural networks type, also touched neural networks training issue.
Key words: neural networks, modeling, machine learning, data processing, technological processes.
В ходе процесса выполнения электронно-лучевой сварки в корне шва могут образовываться не провары и полости. Такие дефекты могут испортить заготовку, в результате чего не только расходуется материал, но и приходится выполнять процесс сварки заново. Это важно, поскольку данную процедуру нужно проводить в вакуумной среде, что повышает её стоимость и продолжительность.^]
Моделирование поможет избежать подобного ущерба. Задачей моделирования процесса электронно-лучевой сварки является прогнозирование при установленных входных параметрах информации о качестве соединения, в частности, желательно получить графическое представление. Практическое применение модели - сокращение материальных и временных затрат за счет предотвращения получения соединения неудовлетворительного качества, улучшение технологического процесса создания соединения. Благодаря обработке статистических данных можно поставить параметры качества шва в соответствие с входными данными при помощи различных методов анализа. В качестве входных параметров предлагается использовать:
1. степень вакуумизации, влияющая на эффективность процесса
2. ускоряющее напряжение
Секция «Информационно-управляющие системы»
3. скорость передвижения пучка по заготовке
4. величина тока в выпускаемом луче
5. точность фокусирования луча
6. периодичность импульсов (при технологии прерывистого воздействия пучка)
7. вид материала заготовки
8. толщина и форма заготовки
В качестве выходных параметров требуется получить:
1. глубина шва
2. ширина шва
3. возможность образования полых отверстий
На данный момент для решения задачи прогнозирования можно использовать различные методы, например, корреляционного и регрессионного анализов или метод дискриминантного анализа. Однако, для данного процесса предлагается использовать моделирование при помощи нейронных сетей вследствие их преимуществ.[4] В отличие от математических моделей, которые описывают процесс стандартизированной функцией, нейросетевые модели имеют высокий уровень адаптации к данным, за счет того, что их результат основан на информации из тренировочной базы. Это обеспечивает гибкость модели. Нейронные сети не требуют строго определенного задания вида модели, по сравнению с классическими методами анализа, они способны самостоятельно выявлять сложные зависимости.[1]
Нейросетевые модели обладают такими преимуществами, как устойчивость к противоречивым и зашумленным данным, устойчивость к умеренным изменениям побочных параметров объекта, не являющихся искомыми. Они хорошо зарекомендовали себя при работе с нечеткой логикой. Но есть также и недостатки. Одним из таких недостатков является проблема обучения нейросети - обычно для тренировки сети требуется тысячи примеров.[3] Многие крупные компании стремятся сократить время обучения сетей и число необходимых примеров. Так компания Nvidia применила метод обучения, названный методом адаптивного дискриминатора, к модели StyleGAN2 (генеративной нейросети, подражающей стилям различных художников) и им удалось уменьшить количество требуемых для обучения изображений в 10-20 раз. Метод адаптивно применяет дополнения к существующим данным, регулируя объем дополнительных данных на разных этапах обучения.
К тому же, если нам надо получить изображение возможного результата, то генеративные нейронные сети отлично для этого подходят. [2] Для синтеза изображений можно использовать деконволюционные (развертывающие) нейронные сети, являющихся сверточными нейронными сетями, работающими в обратном порядке. Структура такой сети представлена на рисунке 1, где желтым цветом обозначены входы, красным цветом -выходы, розовым цветом - матрица (ядро свертки), розовым цветом с окружностью внутри -выборка и субдискретизация.
Рис. 1. Развертывающая нейронная сеть
Дальнейшее направление исследования состоит в выборе конкретной модели нейронной сети и метода обучения. Необходимо накапливать данные для обучения и формировать из них базу. С этой целью необходимо использовать либо специализированные хранилища с наборами данных, либо накапливать собственные данные с помощью системы сбора и обработки данных. В случае успешного внедрения модели удастся частично нивелировать такие недостатки процесса подбора технологических параметров электроннолучевой сварки как длительность и дороговизна.
Библиографические ссылки
1. Галушкин, А.И. Нейронные сети: основы теории. / А.И. Галушкин. - М.: РиС, 2015. -496 с.
2. Каллан, Р. Нейронные сети: Краткий справочник / Р. Каллан. - М.: Вильямс И.Д., 2017. - 288 с.
3. Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: Ленанд, 2019. - 224 с.
4. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - М.: Диалектика, 2019. - 1104
с.
5. Электронно-лучевая сварка / О. К. Назаренко, А. А. Кайдалов, С. Н. Ковбасенко [и др.]; Под ред. Б. Е. Патона.— Киев: Наукова думка, 1987.— 256 с.
© Шанин И.Е., Тынченко В.С., 2021
