Аннотация 2
Введение 3
1 Анализ состояния вопроса 6
1.1 Обзор предметной области 6
1.2 Обзор исследований по применению алгоритмов машинного обучения для диагностики качества сварки 9
2 Разработка алгоритма диагностики сварки, основанного на методе CART 22
2.1 Алгоритм CART как метод построения регрессионной модели 22
2.2 Основные параметры контактной сварки 26
2.3 Алгоритм диагностики сварки с использованием алгоритма CART 30
3 Практическая реализация предложенных решений 31
3.1 Моделирование построения CART в среде Matlab 31
3.2 Практическая апробация алгоритма и исследование точности полученной регрессионной модели 32
Заключение 42
Список используемой литературы 44
Приложение А. Регрессионная модель, полученная с помощью алгоритма CART 47
Контактная сварка используется в промышленности как в качестве основного технологического процесса соединения листовых деталей. Такой тип сварки распространен в автомобилестроении, авиационной промышленности, вагоностроении, судостроении.
Преимуществами такого типа сварки является высокая производительность, необходимая для массового и крупносерийного производства. Контактная точечная сварка представлена на рисунке 1.1.
Рисунок 1.1 — Контактная точечная сварка
Главной проблемой контактной сварки является низкая стабильность качества получаемых соединений. Критерием качества является соответствие соединения прочностным характеристикам.
Данная проблема связана с влиянием на процесс сварки большого количества возмущающих воздействий. К ним можно отнести - загрязнённость поверхности свариваемых деталей, деградацию электродов, колебание напряжения в сети питания, несносность сварочных электродов.
Так как данные возмущения носят случайный характер, то составление математической модели их влияния на прочностные характеристики соединения затруднено.
Так как данные возмущения влияют на протекания процесса сварки, то предполагается, что их влияние (количественно) можно оценить путем анализа изменения электрических параметров (осциллограммы напряжения тока) и механических параметров (график сдвига электродов в результате теплового расширения металла).
Для того чтобы связать изменение электрических и механических параметров сварки с получаемыми характеристиками соединения необходимо решить задачу регрессионного анализа.
Зарубежные разработчики систем диагностики решают данную задачу (поиска зависимости между изменением электрических параметров процесса сварки и получаемыми прочностными характеристиками) традиционно с помощью нейронных сетей. Для этого они путем проведения экспериментальных сварок накапливают базу примеров, которые впоследствии анализируют с помощью LVQ, рекуррентных и нейронных сетей прямого распространения с целью поиска скрытых закономерностей.
В процессе анализа данных из полученной базы примеров нейронные сети обучаются предсказывать прочность получаемых сварных соединений (с заданной точностью) путём наблюдения за осциллограммами параметров процесса сварки.
Нейронные сети относятся к индуктивным алгоритмам машинного обучения (induction learning), к подобласти «обучение с учителем» (supervised learning).
Но у нейронных сетей есть существенные недостатки, которые усложняют процесс синтеза систем диагностики сваркой, к ним относятся:
• Стохастичный процесс обучения. Это означает, что по одним и тем же данным нейронная сеть может обучаться с разной точностью. А с учетом таких проблем обучения сети, как паралич сети и попадание в локальный минимум сеть может и вовсе не обучиться.
• Нейронная сеть воспринимает значимость всех входных сигналов как одинаковую. Это означает, что в процессе обучения существует вероятность, что нейронная сеть найдет закономерность там, где ее в действительности нет (например, связь между курсом доллара и расположением звезд).
Развитием машинного обучения появились и другие алгоритмы способные решать задачи регрессионного анализа, но лишенные описанных выше недостатков. Например, алгоритм построения деревьев принятия решений CART (полное название алгоритма - «Classification and Regression Tree»).
Данная выпускная квалификационная работа направлена на исследование возможности использования алгоритма CART для синтеза систем диагностики контактной точечной сварки. Возможность использования алгоритма CART для этой цели является гипотезой исследования.
Целью данной выпускной квалификационной работы обеспечение качества сварной продукции за счет разработки алгоритма диагностики сварки основанного на методе CART.
Исследования, проведенные в рамках данной работы, будут использованы при выполнении гранта РФФИ на тему “Управление металлургическими процессами с использованием искусственного интеллекта”.
Получен акт внедрения исследований на предприятии ПАО «АвтоВАЗ».
По результатам выполнения выпускной квалификационной работы были сделаны следующие выводы:
1. На основе изучения научных статей по теме исследования установлено, что совершенствование систем диагностики качества контактной сварки возможно за счет применения в них алгоритмов интеллектуального анализа данных. Использование данных алгоритмов позволяет строить модели для контроля качества получаемых соединений по измеряемым в процессе сварки параметрам .
2. Показано, что диагностики качества сварки приводится к решению задачи построения регрессионной модели. При этом входными параметрами регрессионной модели являются измеряемые характеристики процесса сварки, а выходным - прогнозируемые прочностные характеристики.
3. Доказано, что регрессионная модель для оценки качества сварки может быть построена автоматически с использованием алгоритмов индуктивного алгоритма CART. Пример полученной модели (виде дерева принятия решений) приведен во второй главе. При этом входными параметрами модели являются нормированные значения Pi коэффициента мощности сварки cosф, который рассчитывается для каждого i-го периода сварки. Таким образом, каждая сварка описывается вектором Р=(Р1,Р2,...,Рi). Выходным параметром у модели предельная сила F разрушения сварного соединения на срез, измеряемая в Ньютонах.
4. С использованием технологического оборудования лаборатории “Контактная сварка” института машиностроения ТГУ было проведено около 100 экспериментальных сварок пакета заготовок из стали 08кп. Испытания сварных соединения проводились на оборудовании НИИ “Прогрессивные технологии”. Полученные данные использовались при построении и тестировании регрессионной модели для прогнозирования силы разрушения сварного соединения при статических нагрузках на срез (приложение А).
5. Исследована точность прогнозирования силы разрушения соединения построенной регрессионной моделью (полное дерево): MSE=18520.88 Н2, RMSE = 136.0915 Н, MAE=133.5556 Н, RSE = 0.0301, RRSE = 0.1736, RAE = 0.2044, R2 = 0.9699.
6. Исследовано влияния механизмов получения усеченных деревьев на точность модели. Контурные диаграммы представлены в третьей главе (рисунки 3.2-3.8).
7. Апробация предложенных подходов по построению регрессионных моделей для диагностики качества сварки проводилось в среде Matlab. Результаты апробации доказывают состоятельность предложенных подходов.
8. Исследования, проведенные в рамках данной работы, будут использованы при выполнении работ по гранту РФФИ на тему “Управление металлургическими процессами с использованием искусственного интеллекта”.
9. По результатам исследований получен акт внедрения на предприятии ПАО «АвтоВАЗ».
Помощь студентам и аспирантам в выполнении работ от наших партнеров
