ВВЕДЕНИЕ 5
1 АНАЛИЗ СОСТОЯНИЯ ВОПРОСА 7
2 РАЗРАБОТКА АЛГОРИТМА КЛАССИФИКАЦИИ КАЧЕСТВА СВАРКИ
НА ОСНОВЕ НЕЙРОННОЙ СЕТИ ХЭММИНГА 11
2.1 Математический аппарат нейронной сети Хэмминга 11
2.2 Данные процесса контактной точечной сварки 17
2.3 Преобразование данных о процессе сварки в бинарную матрицу .. 20
2.4 Алгоритм классификации качества сварки на основе нейронной
сети Хэмминга. 23
3 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРЕДЛОЖЕННЫХ РЕШЕНИЙ 28
ЗАКЛЮЧЕНИЕ 36
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 38
Контактная сварка применяется на большинстве машиностроительных предприятиях Самарской области для формирования неразъемных соединений различных деталей (корпусов, несущих рам, кузовов автомобилей).
Достоинствами контактной сварки является чрезвычайно высокая производительность (процесс сварки длиться десятые доли секунды) и возможность механизации сварки с помощью роботов. Главной нерешенной проблемой контактной сварки является нестабильность получаемых характеристик сварных соединений.
По этой причине актуальной проблемой остается разработка алгоритмов сквозной диагностики соединений (когда сразу после окончания сварки делаются выводы о прочностных характеристиках полученного соединения)
Подавляющие большинство алгоритмов сквозной диагностики сварки основано на использовании методов машинного обучения. Применяются такие технологии, как многослойный персептрон, нейронная сеть LVQ, байесовские сети доверия.
При этом не исследована возможность использования нейронных сетей Хэмминга (рекуррентная нейронная сеть) в задаче диагностики качества сварки.
Вопросами использования рекуррентных нейронных сетей для решения практических задач занимаются такие исследователи, как Konstantinos Koutroumbas, Luyuan Fang, William H. Wilson, Fan Zhang, Hongbin Zhang, Petro Gopych, Rafal Grodzicki, Jacek Mandziuk, Lipo Wang, Eliano Pessa, Carlo Palma, Maria Peitronilla Penna, Rama Murthy Garimella, Ganesh Yaparla, Rhishi Pratap Singh, Norihisa Sato, Masaharu Adachi, Makoto Kotani, P. Tamilselvi, S. K. Srivatsa, Richard C. Wilson, Edwin R. Hancock, Jacek Mazurkiewicz и др [2¬18].
В ходе проведенных исследований предложен алгоритм классификации качества сварных соединений на основе анализа измеряемых в процессе сварки параметров с помощью нейронной сети Хэмминга. Для этого измеряемые в процессе сварки параметры преобразуются бинарную матрицу, значении матрицы подаются на вход нейронной сети, которая сравнивает полученные значений с образами-шаблонами, хранящимися в ее памяти. Нейроны выходного слоя сети указывают на класс качества исследуемого сварного соединения.
В исследовании проверяется гипотеза о том, возможности построения классификатора качества сварки на основе нейронной сети Хэмминга .
Целью работы является автоматизация процесса диагностики сварки за счет разработки алгоритма классификации качества сварных соединений на основе нейронной сети Хэмминга.
Задачи бакалаврской работы были сформулированы следующим образом:
1. Исследование вопроса использование алгоритмов машинного обучения при решении задачи диагностики качества сварки.
2. Разработка алгоритма классификации качества сварных соединений на основе нейронной сети Хэмминга.
3. Разработка программного обеспечения для апробации предложенных подходов
В ходе выполнения исследований была разработана программа, позволяющая, с использованием предложенных подходов, по данным экспериментальных сварок производить обучать нейронную сеть Хэмминга и производить классификацию качества сварки. Предложенные подходы были протестированы на экспериментальных данных контактной сварки, представленных ООО «ТСК-Штамп». Обученная нейронная сеть Хэмминга позволяет классифицировать качество сварки с точность 84,75% (правильная классификация на50 из 59 объектов тестовой выборки).
Проведенные в бакалаврской работе исследования позволяют сделать следующие выводы:
1. Системы диагностики качества развиваются благодаря использованию в них различных технологий машинного обучения. Процесс синтеза интеллектуальных систем диагностики носит автоматизированный характер благодаря свойству алгоритмов машинного обучения самостоятельно искать закономерности в экспериментальных данных и восстанавливать зависимости между измеряемыми параметрами и получаемыми прочностями характеристиками соединений.
2. Нейронная сеть Хэмминга благодаря наличию обратных связей позволяет реализовать технологию ассоциативной памяти, с помощью которой можно решать задачи классификации. В нашем случае решается задачи классификации качества сварки.
3. Предложен алгоритм преобразования данных о процессе сварки в бинарную матрицу. Благодаря этому алгоритму данные о процессе сварки можно рассматривать как образ и использовать нейронную сеть Хэмминга для сравнения входного образа с образами-шаблонами, хранящимися в ее памяти.
4. Разработан алгоритм диагностики качества сварки, состоящий из следующих шагов:
• Предварительное накапливание экспериментальных данных
процесса сварки (обучающая выборка данных).
• Тестирование полученных сварных соединений на соответствие требуемым прочностным характеристикам (в нашем случае - сила Рпр разрушения сварного соединения в Ньютонах).
• Группировка полученных данных в зависимости от значения прочности сварного соединения (в нашем случае: I класс - [5500; 6000) Н, II класс - [6000; 6500) Н, III класс - [6500; 7000) Н, IV класс - [7000;7500) Н, V класс - [7500;8000) Н).
• Расчет для каждого класса среднего образа (образ - бинарная матрица)
• Обучение нейронной сети рассчитанным средним образам.
• Диагностика качества сварки путем классификации вектора входных сигналов (в нашем случае к одному из 5 классов) с помощью Нейронной сети Хэмминга.
5. Алгоритм классификации качества сварки был апробирован на реальных данных контактной сварки. При тестировании работы классификатора на тестовой выборке данных (данные 59 сварок) точность составила 84,75%
