Научная статья на тему 'МОДЕЛИРОВАНИЕ ЗВУКА В КОМПЬЮТЕРНОМ ТРЕНАЖёРЕ ДЛЯ ОБУЧЕНИЯ СВАРЩИКОВ'

МОДЕЛИРОВАНИЕ ЗВУКА В КОМПЬЮТЕРНОМ ТРЕНАЖёРЕ ДЛЯ ОБУЧЕНИЯ СВАРЩИКОВ Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

CC BY
167
24
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
сварка / ЗВУК / обработка сигналов / моделирование сигналов / эксперимент / нейронная сеть / welding / sound / Signal processing / signal modeling / Experiment / neural network

Аннотация научной статьи по электротехнике, электронной технике, информационным технологиям, автор научной работы — Кривин Валерий Вольфович, Винниченко Михаил Юрьевич, Ишигов Игорь Олегович, Толстов Виктор Андреевич

Предложена методика моделирования звука сварки в тренажёрной системе для обучения сварщиков РДС. Приведены результаты исследований зависимости звука реальной сварки от контролируемых параметров.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по электротехнике, электронной технике, информационным технологиям , автор научной работы — Кривин Валерий Вольфович, Винниченко Михаил Юрьевич, Ишигов Игорь Олегович, Толстов Виктор Андреевич

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

The method of modelling the sound of welding in computer simulator system for training welders for manual arc welding was proposed. The results of investigations of real welding sound dependence on controlled parameters were demonstrated.

Текст научной работы на тему «МОДЕЛИРОВАНИЕ ЗВУКА В КОМПЬЮТЕРНОМ ТРЕНАЖёРЕ ДЛЯ ОБУЧЕНИЯ СВАРЩИКОВ»

УДК 004.358: 004.9

МОДЕЛИРОВАНИЕ ЗВУКА В КОМПЬЮТЕРНОМ ТРЕНАЖЕРЕ ДЛЯ ОБУЧЕНИЯ СВАРЩИКОВ

© 2010 г. В.В. Кривин, М.Ю. Виниченко, И.О. Ишигов, В.А. Толстое

Волгодонский институт (филиал) Южно-Российского государственного технического университета (Новочеркасского политехнического института)

Volgodonsk Institute (branch) of South-Russian State Technical University (Novocherkassk Polytechnic Institute)

Предложена методика моделирования звука сварки в тренажёрной системе для обучения сварщиков РДС. Приведены результаты исследований зависимости звука реальной сварки от контролируемых параметров.

Ключевые слова: сварка; звук; обработка сигналов; моделирование сигналов; эксперимент; нейронная сеть.

The method of modelling the sound of welding in computer simulator system for training welders for manual arc welding was proposed. The results of investigations of real welding sound dependence on controlled parameters were demonstrated.

Keywords: welding; sound; signal processing; signal modeling; experiment; neural network.

В настоящее время обучение сварщиков ручной дуговой сварке (РДС) является непростой задачей в связи со сложностью ведения процесса, его многофакторностью, отсутствием информации о правильности выполняемых действий. Оценка сварщиком состояния процесса осуществляется по двум основным каналам зрительной и слуховой информации. Обучение на реальном процессе сопровождается значительными акустическими помехами, что при отсутствии навыков ведения процесса затрудняет задачу выделения полезной информации. В результате увеличиваются сроки и затраты на формирование навыков и возникает необходимость в применении тренажера для обучения.

Современные компьютерные технологии и средства виртуальной реальности позволяют создать тренажёр с широкими возможностями. Информационно-измерительная система (ИИС), разработанная на кафедре информационных и управляющих систем ВИ(ф) ЮРГТУ(НПИ) [1], является платформой для таких тренажёров.

В состав ИИС входит шлем виртуальной реальности eMagin Z800 3D Visor с акустической стереосистемой, с помощью которого обеспечивается трёхмерное визуальное сопровождение и имеется возможность для звукового. Моделирование звука сварки позволит усилить эффект присутствия в виртуальном пространстве и поможет сварщику корректно проводить процесс.

Исходным предположением для создания модели звука является то, что процессы в сварочном контуре в одинаковой степени влияют как на мощность дуги, так и на издаваемый звук. Рассмотрим реализацию звукового фона сварочного процесса.

Эксперимент с синхронной записью звука и основных параметров процесса сварки (ток, напряжение на дуге)

Для проведения эксперимента в качестве основы использована информационно-измерительная система

регистрации основных параметров процесса, ПО которой создано в системе визуального программирования LabView [2]. Структура программы дополнена функцией записи сигнала звука с подключенного к звуковой карте микрофона.

При частоте дискретизации 32 кГц максимальная частота, восстанавливаемая при цифро-аналоговом преобразовании без искажений, составляет 16 кГц. Этого достаточно для записи звука, так как применённый микрофон имеет полосу пропускания 30 Гц - 16 кГц.

На рис. 1 представлены полученные графики сигналов звука и напряжения на дуге, относящиеся к одному и тому же интервалу времени. Величина интервала составляет одну секунду. По рисунку видно, что во время короткого замыкания амплитуда сигнала звука падает.

Рис. 1. Влияние коротких замыканий на звук сварки

Установка соответствия между характеристиками фрагментов записанных сигналов

На рис. 2 показаны примеры спектров сигналов напряжения и звука, соответствующие двум фрагмен-

там: во время одного из коротких замыкании и во время горения дуги. Длительность фрагментов выбрана равной 63 мс, чтобы спектры содержали одинаковое количество информации.

а)

ной по определённому закону. Для нахождения матрицы W необходимо определить, какие из коэффициентов спектра напряжения и звука сильно взаимосвязаны. Затем принять W(ij) = 1 для коррелирующих коэффицентов X(i) и У(/), а W(ij) = 0 - для независимых.

Максимальное значение коэффициента корреляции, вычисленного на множестве спектров, составляет 0,43. Следовательно, очевидных зависимостей между спектрами сигналов не обнаружено. Поэтому преобразование входа модели в её выход реализовано с помощью нейросети.

Моделирование звука и проверка его адекватности

Входом для нейросети является спектр сигнала напряжения, а выходом - звука. Они состоят из 32 и 1024 коэффициентов соответственно, так как рассчитаны по фрагментам сигналов длиной 63 мс. Использовался двухслойный персептрон с количеством нейронов 32 в первом слое и 1024 - во втором. Примерами считаем пары соответствующих друг другу спектров напряжения и звука, которые вычислены по экспериментальным данным.

Рассмотрим основные этапы нейросетевого анализа в приложении к рассматриваемой задаче:

1. Кодирование входов и выходов. Входом и выходом являются числовые данные, поэтому кодирование не требуется.

2. Нормировка данных. Использована линейная нормировка, так как распределения входных величин близки к равномерному.

3. Предобработка данных. Как показал корреляционный анализ, очевидные закономерности отсутствуют.

4. Обучение нескольких нейросетей с различными параметрами. Проверены три функции активации нейронов: линейная, логарифмическая и тангенциальная.

5. Отбор оптимальных сетей. Оптимальной можно считать ту нейросеть, с помощью которой удаётся получить наиболее правдоподобный звук сварочного процесса.

На рис. 3 показаны фрагменты сигналов, полученные с помощью трёх нейросетей на одном проверочном множестве. Реальный звуковой сигнал, который записан в то же время, показан на рис. 4.

б)

Рис. 2. Спектры сигналов: а - короткое замыкание; б - горение дуги

Как видно из рис. 1 и 2, характер звука при коротком замыкании изменяется: амплитуды частот до 6 кГц уменьшаются на 5 - 10 дБ, остальных - на 10 - 20 дБ.

При создании звуковой модели планировалось использовать прямое преобразование: WX = У, где X -вектор-столбец из коэффициентов спектра напряжения; У - вектор-столбец из коэффициентов спектра звука; W - матрица преобразования.

Каждый из коэффициентов в спектрах напряжения и звука является случайной величиной, распределён-

а)

Рис. 3. Сигналы звука сварки, синтезированные сетями с функциями активации: а - логарифмической; б -тангенциальной; в - линейной (см. также с. 21)

б)

в)

Рис. 3. Окончание

1000 1200 1400 1600 1800 2000 2200 2400 2600 2800 3000

Рис. 4. Записанный сигнал звукового фона

Оценка правдоподобности звука проводилась прослушиванием. Сеть, использующая линейную функцию активации, показала лучший результат.

Вывод

В результате исследований смоделирован звуковой фон сварочного процесса на основе сигнала напряжения. Моделируемый сигнал звука не идеально

Поступила в редакцию

соответствует реальному, что объяснено следующим: в процессе вычислений накапливаются погрешности, которые вносятся микрофоном, аппаратной и программной частями информационно-измерительной системы регистрации основных параметров процесса, а также нейросетевой моделью. Несмотря на это, разработанный метод моделирования звука может быть применен в тренажёре для обучения сварщиков РДС.

Литература

1. Испытательная мультимедийная система для обучения сварщиков ручной дуговой сварки / В.В. Кривин, М.Ю. Виниченко, И.О. Ишигов, В.А. Толстов // Изв. ВолгГТУ. 2008. № 4(42). С. 97 - 102.

2. Метод построения внешних статических характеристик сварочных источников питания / В.В. Кривин, М.Ю. Виниченко, П.И. Руденко, А.А. Тямалов // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2008. № 5 С. 81 - 85.

18 февраля 2010 г.

Кривин Валерий Вольфович - канд. техн. наук, профессор, доцент, Волгодонский институт (филиал) ЮжноРоссийского государственного технического университета (Новочеркасского политехнического института). Тел. (86392) 62526. E-mail: ngtu@volgodonsk.ru

Винниченко Михаил Юрьевич - канд. техн. наук, доцент, Волгодонский институт (филиал) ЮжноРоссийского государственного технического университета (Новочеркасского политехнического института). Тел. (86392) 62526. E-mail: wmy@mail.ru

Ишигов Игорь Олегович - аспирант, Волгодонский институт (филиал) Южно-Российского государственного технического университета (Новочеркасского политехнического института). Тел. (8639) 262526.

Толстов Виктор Андреевич - студент, Волгодонский институт (филиал) Южно-Российского государственного технического университета (Новочеркасского политехнического института). E-mail: tolstov_victor@mail.ru

Krivin Valery Volfovich - Candidate of Technical Sciences, professor, assistant professor, Volgodonsk Institute (branch) of South-Russian State Technical University (Novocherkassk Polytechnic Institute). Ph. (86392) 62526. E-mail: ngtu@volgodonsk.ru

Vinichenko Michael Jurevich - Candidate of Technical Sciences, assistant professor, Volgodonsk Institute (branch) of South-Russian State Technical University (Novocherkassk Polytechnic Institute). Ph. (86392)62526. E-mail: wmy@mail.ru

Ishigov Igor Olegovich - post-graduate student, Volgodonsk Institute (branch) of South-Russian State Technical University (Novocherkassk Polytechnic Institute). Ph. (8639) 262526.

Tolstov Victor Andreevich - student, Volgodonsk Institute (branch) of South-Russian State Technical University (Novocherkassk Polytechnic Institute). E-mail: tolstov_victor@mail.ru

i Надоели баннеры? Вы всегда можете отключить рекламу.