Модель анализатора траектории торца электрода в мультимедийном тренажере сварщика Текст научной статьи по специальности «Компьютерные и информационные науки»

ГЛОБАЛЬНАЯ ЯДЕРНАЯ БЕЗОПАСНОСТЬ, 2013 №2(7), С. 40-44

ИЗЫСКАНИЕ, ПРОЕКТИРОВАНИЕ, ^ СТРОИТЕЛЬСТВО И МОНТАЖ =

ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ АЭС

УДК 004.942

МОДЕЛЬ АНАЛИЗАТОРА ТРАЕКТОРИИ ТОРЦА ЭЛЕКТРОДА В МУЛЬТИМЕДИЙНОМ ТРЕНАЖЁРЕ СВАРЩИКА

© 2013 г. В.А. Толстов, Е.А. Андреева, Л.О. Ишигова

Волгодонский инженерно-технический институт - филиал Национального исследовательского ядерного университета «МИФИ», Волгодонск, Ростовская обл.

Поступила в редакцию 10.06.2013 г.

Чтобы получать качественные соединения с помощью ручной дуговой сварки, необходимо обладать определёнными моторными навыками. Одним из таких навыков является манипуляция торцом сварочного электрода. Обучение ручной дуговой сварке на тренажёре позволяет контролировать его усвоение. Для реализации этой возможности необходим анализатор манипуляций торцом электрода. В статье показано построение такого анализатора на базе нейронной сети.

Ключевые слова: ручная дуговая сварка, моторные навыки, тренажёр, нейронная сеть.

Ручная дуговая сварка (РДС) является распространённым технологическим процессом. В атомной отрасли к качеству сварных соединений предъявляются высокие требования [1]. Качество получаемого в результате проведения РДС во многом определяется квалификацией сварщика. Одним из путей повышения производительности обучения навыкам РДС является оценка моторных навыков сварщика с помощью тренажёрной системы. Основными моторными навыками при проведении ручной дуговой сварки являются подача электрода в разделку; перемещение торца электрода вдоль разделки; манипулирование электродом [2].

Скорости подачи электрода в разделку и перемещения торца вдоль разделки в тренажёре измеряются непосредственно с помощью устройства координатного слежения (УКС) [3]. Лучшее формирование сварного валика достигается при манипуляциях торцом электрода, которые показаны на рисунке 1.

шаг = 0эпектрода

а) зигзаг б) дугой вперёд в) дугой назад

Рис. 1. Примеры траектории торца электрода

©Издательство Национального исследовательского ядерного университета «МИФИ», 2013

Применяются также траектории большей сложности. Манипуляции электродом невозможно оценить на основе одних только измерений координат его торца. Человек, обладая широкими возможностями анализа информации, может выделить на представленных траекториях повторяющиеся фрагменты. Таким образом, производится распознавание образов. ЭВМ может распознавать образы с помощью специальных методов обработки информации, одним из которых являются искусственные нейронные сети. Нейронная сеть представляет собой математическую модель, способную обучаться на примерах и обобщать полученные знания. Модель состоит из простых вычислительных элементов - искусственных нейронов, объединённых в определённую структуру.

Рассмотрим на примере траектории «зигзаг» распознавание следующих характерных фрагментов:

а) поворот на правом краю разделки («ППК»);

б) движение от правого края к левому («ДПЛ»);

в) поворот на левом краю разделки («ПЛК»);

г) движение от левого края к правому («ДЛП»).

Характерные фрагменты траектории «зигзаг» показаны на рисунке 2.

ПЛК ДЛП

Рис. 2. Пример установки соответствия фрагментов траектории

Для распознавания образов чаще всего используются нейронные сети с прямым распространением сигнала и многослойной архитектурой - многослойные персептроны (MLP) [4, 5]. Поставим задачу разработать MLP для распознавания образов, представленных на рисунке 2. Количество выходных нейронов определено количеством распознаваемых образов. В скрытом слое рекомендуется в 2-3 раза больше нейронов, чем в выходном, а в слое входных элементов - в 2-3 раза больше, чем в скрытом. Скрытый слой персептрона получил своё название из-за того, что не имеет непосредственных связей с внешней средой. В соответствии с рекомендациями построена структура MLP, представленная на рисунке 3. При составлении вектора входных сигналов координата торца электрода Z не учитывалась, так как она соответствует длине дуги и её изменения невелики.

В MLP используются нейроны, которые выполняют следующую обработку информации:

1) расчёт взвешенной суммы входных сигналов S:

n

S = £xtwt+b. (1)

i=1

где n - количество входов нейрона;

xi - i-я компонента входного вектора X;

wi - i-я компонента весового вектора W; b - смещение.

2) расчёт выходного значения:

У = /<С

где Г(Б) - функция активации нейрона, может быть пороговой, линейной, сигмоидальной и др.

Рис. 3. Структура искусственной нейронной сети

Реализуем предложенную нейросетевую модель. Для обучения нейронной сети необходимо составить базу примеров, на которых будет осуществляться обучение. База примеров составлена из фрагментов траектории, зарегистрированной с помощью УКС. База разбита на две части: учебную и тестовую.

Обучение представленной нейронной сети осуществляется методом обратного распространения ошибки, который заключается в следующем. Ошибка для /-го нейрона выходного слоя определяется непосредственно, так как правильный выходной вектор Б известен:

= с-А (3)

Весовые коэффициенты нейронов выходного слоя подстраиваются согласно дельта-правилу:

(4)

< <--1

где щ - параметр, задающий скорость обучения;

ху - у-й вход /-го нейрона выходного слоя, который присоединяется к выходу у-го нейрона скрытого слоя через связь с силой Wji;

к - номер эпохи, эпоха - интервал времени, в течение которого через MLP пропускаются все учебные образцы.

Для у'-го нейрона скрытого слоя ошибка вычисляется с учётом того, что он

го слоя:

х^'-, ]/•<•;. (5)

передаёт сигнал на нейроны выходного слоя:

/ \

(г

V i У

Весовые коэффициенты скрытых нейронов настраиваются по дельта-правилу (4).

Для реализации нейросетевой модели выбрана среда Matlab, в которой имеются функции, реализующие работу искусственных нейронов и алгоритм обратного распространения ошибки. Обнаружено, что MLP может запомнить образцы учебного множества только при использовании сигмоидальной функции активации нейронов. На рисунке 4 представлено, что фактический выход сети соответствует правильным выходам, заданным обучающим множеством. Цифрами обозначены выходные нейроны, которые активировались и показали, какой вид фрагмента определил MLP: 1 - ДЛП, 2 - ДПЛ, 3 - ППК, 4 - ПЛК.

Рис. 4. Реакция ИНС на примеры учебной выборки

В то же время, выход MLP на примерах из тестового множества не совпадает с эталонными выходами, что показано на рисунке 5.

Доля правильно распознанных фрагментов траектории тестовой выборки в каждом классе составляет: ДЛП - 100%, ДпЛ - 100%, ППК - 50%, ПЛК - 16%.

Рис. 5. Реакция ИНС на примеры тестовой выборки

Таким образом, MLP уверенно распознаёт, когда торец электрода движется между краями разделки и неуверенно, когда он делает поворот на краю. Это говорит о том, что предложенная модель нуждается в совершенствовании, которое станет предметом будущих исследований.

СПИСОК ЛИТЕРАТУРЫ

1. ПНАЭ Г-7-010-89 «Оборудование и трубопроводы атомных энергетических установок. Сварные соединения и наплавки. Правила контроля» [Текст].

2. Тудвасев, В.А. Ручная дуговая сварка. Техника и приёмы сварки. Практическое пособие для сварщиков. Книга 2. [Текст] / В.А. Тудвасев. - Ростов н/Д : Ростиздат, 2012. - 216 с.

3. Кривин, В.В. и др. Мультимедийный тренажер для ручной дуговой сварки [Текст] / В.В. Кривин, А.В. Сас, И.О. Ишигов, В.А. Толстов // Сварочное производство. - 2010. - №5. - С. 57-59.

4. Андрейчиков, А.В. и др. Интеллектуальные информационные системы : Учебник [Текст] / А.В. Андрейчиков, О.Н. Андрейчикова. - М. : Финансы и статистика, 2004. - 424 с.

5. Каллан, Р. Основные концепции нейронных сетей : Пер. с англ. [Текст] / Р. Каллан. - М. : Издательский дом «Вильямс», 2001. - 287 с.

The model of electrode tip trace analyzer for the multimedia welding

training system

V.A. Tolstov, E.A. Andreeva, L.O. Ishigova

Volgodonsk Engineering Technical Institute the branch of National Research Nuclear University «MEPhI», 73/94 Lenin St., Volgodonsk, Rostov region, Russia 347360 e-mail: [email protected]

Abstract - The welders are necessary to have special motion skills for producing high quality joints. The welding electrode manipulation is one of that skill. It is possible to control skill learning with training system. The manipulation analyzer is necessary to realize that possibility. The article deals with construction of analyzer based on neural network.

Keywords: manual arc welding, motion skills, training system, neural network.