Аннотация 2
ВВЕДЕНИЕ 5
1 АНАЛИЗ СОСТОЯНИЯ ВОПРОСА 7
2 РАЗРАБОТКА АЛГОРИТМА ДИАГНОСТИКИ КАЧЕСТВА СВАРКИ НА ОСНОВЕ АЛГОРИТМА KNN 10
2.1 Технология классификация данных с использованием алгоритма kNN 10
2.2 Анализ данных процесса контактной сварки 17
2.3 Алгоритм диагностики качества контактной сварки на основе алгоритма kNN 21
3 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРЕДЛОЖЕННЫХ РЕШЕНИЙ 24
3.1 Апробация алгоритма на данных контактной сварки 24
3.2 Исследование точности работы классификатора в зависимости от параметра k 28
3.2 Программная реализация алгоритма диагностики 32
ЗАКЛЮЧЕНИЕ 37
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 39
Контактная точечная сварка один из самых популярных способов получения неразъемных соединений в производственной среде.
Производительность контактной сварки обеспечивается высокой скоростью протекания процесса - одно сварное соединение выполняется за десятые доли секунды. При этом качество сварки нестабильно из внешних случайных неконтролируемых воздействий. Поэтому актуальным вопросом на сегодняшний день остается разработка таких же высокопроизводительных способов контроля качества.
Современные способы контроля качества сварки основаны на методах машинного обучения, которые позволяют автоматизировать процесс настройки модели диагностики под любую номенклатуру свариваемых заготовок (различные толщины, материалы, критерии качества).
Для решения задачи диагностики сварки применяются такие методы машинного обучения, как нейронные сети прямого распространения, LVQ сети, рекуррентные нейронные сети, байесовские сети доверия, деревья классификации и регрессии.
Однако в настоящее время не существует исследований по применению алгоритма kNN в задачах диагностики контактной сварки.
Вопросами использования алгоритма kNN при решении практических задач занимаются такие исследователи, как Wenqian Shang, Houkuan Huang, Haibin Zhu, Yongmin Lin, Zhihai Wang, Youli Qu, Michal Lukasik, Marcin Sydow, Sampath Deegalla, Henrik Bostrom, Neamat El Gayar, Friedhelm Schwenker, Gunther Palm, Maria Terzi, Matthew Rowe, Maria-Angela Ferrario, Debo Cheng и др [2-18].
В работе предложен способ диагностики качества сварки с использованием индуктивного алгоритма машинного обучения kNN. В работе описывается процедура подготовки обучающей выборки на основе экспериментальных данных процесса сварки, процедура построения и использования классификатора качества сварки. Исследуется точность работы классификатора.
В исследовании проверяется гипотеза о том, возможности построения классификатора качества сварных соединений на основе алгоритма kNN.
Целью работы является автоматизация процесса диагностики сварки за счет разработки алгоритма построения классификатора качества сварных соединений, основанного на алгоритме машинного обучения kNN.
В ходе выполнения исследований была разработана программа, позволяющая по данным экспериментальных сварок производить классификацию качества сварных соединений .
Предложенные подходы были протестированы на экспериментальных данных контактной сварки. Полученный в ходе исследований классификатор качества позволяет по измеряемым в процессе сварки параметрам оценивать класс качества сварных соединений с точность 83%.
В ходе выполнения бакалаврской работы было опубликовано две статьи на тему практического применения алгоритмов машинного обучения [17-20].
Основные результаты работы были доложены на IV Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук».
По проведенным в бакалаврской работе исследованиям были сделаны следующие выводы:
1. В ходе проведенного литературного обзора установлено, что современные способы контроля качества сварки основаны на методах машинного обучения, которые позволяют автоматизировать процесс настройки модели диагностики под любую номенклатуру свариваемых заготовок (различные толщины, материалы, критерии качества). Для решения задачи диагностики сварки применяются такие методы машинного обучения, как нейронные сети прямого распространения, LVQ сети, рекуррентные нейронные сети, байесовские сети доверия, деревья классификации и регрессии.
2. В работе предложен способ диагностики качества сварки с использованием индуктивного алгоритма машинного обучения kNN. В работе описывается процедура подготовки обучающей выборки на основе экспериментальных данных процесса сварки, процедура построения и использования классификатора качества сварки.
3. Показан пример работы алгоритма классификации качества на реальных данных.
3. Предложенные подходы были протестированы на экспериментальных данных контактной сварки. Полученный в ходе исследований классификатор качества позволяет по параметрам описывающем динамику изменения коэффициента мощности cosp в процессе сварки оценивать класс качества сварных соединений с точность 83%, при этом оптимальное (с точки зрения точности работы классификатора) значение параметра k=3. При этом Критерий качества сварки - предельная сила разрушения сварного соединения >6800 Н
4. В ходе выполнения исследований была разработана программа, позволяющая по данным экспериментальных сварок производить классификацию качества сварных соединений.
В ходе выполнения бакалаврской работы было опубликовано две статьи на тему практического применения алгоритмов машинного обучения [17-20].
Основные результаты работы были доложены на IV Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук».
Помощь студентам и аспирантам в выполнении работ от наших партнеров
