Введение 3
1 Анализ состояния вопроса об использовании алгоритмов машинного
обучения при диагностике сварки 6
1.1 Проблемы диагностики контактной сварки 6
1.2. Применение искусственного интеллекта в задаче диагностики сварки 9
2 Разработка алгоритма диагностики сварки, основанного на машинном
обучении 21
2.1 Алгоритм ID3 как метод построения модели классификации
данных 21
2.2 Контактная сварка как объект диагностики 26
2.3 Алгоритм диагностики сварки с использованием ID3 30
2.4 Экспериментальная апробация предложенного алгоритма 31
3 Практическая реализация предложенных решений 35
3.1 Программная реализация алгоритма 35
3.2 Пример работы программы 40
Заключение 44
Список используемой литературы 46
Приложения должны быть в работе, но в настоящий момент отсутствуют
Исследование любого технологического процесса начинается с составления математической его модели. Для управления и диагностики процессом требуется составления таких моделей, которые описывали бы связь входных управляющих сигналов и требуемых на выходе характеристик процесса. Однако существуют такие технологические процессы, для которых по объективным причинам не разработаны удовлетворительные математические модели, описывающих связь входных воздействий и получаемых характеристик. Примером того технологического процесса является - контактная точечная сварка.
Технология процесса контактной сварки подразумевает сжатие свариваемых деталей между двумя цилиндрическими электродами и пропускание через них нескольких импульсов тока. Ток производит нагрев и расплавление метала в зоне между электродами. При кристаллизации метала, образуется неразъемное соединение в виде сварной точки.
Сложность разработки математической модели связанна c тем, что при сварке управление производится электрическими процессами (путем фазового регулирования), но при этом требуется обеспечить физико- механические характеристики соединения (например, силу разрушения соединения срез). Таким образом, математическая модель должна содержать в себе следующие компоненты:
• моделирование электрических процессов в сварочной машине (с учетом нелинейных процессов в сердечнике трансформатора);
• моделирование изменения плотности тока в сечении свариваемых деталей;
• моделирование изменения теплового поля в зоне сварки;
• моделирование процесса расплавления и кристаллизация металла в зоне сварки;
• моделирование разрушение соединения при статической и
динамической нагрузке детали.
В теории, построение такой модели позволило бы, при диагностике сварки, прогнозировать прочность соединений (с необходимой точностью). При управлении такая модель позволила бы разрабатывать алгоритмы по обеспечении требуемой прочности соединений путем управления электрическими процессами.
С развитием алгоритмов машинного обучения появилась возможность автоматизировать построение математических моделей для сложных процессов. При этом алгоритмы машинного обучения самостоятельно анализируют экспериментальные данные и ищут в них закономерности.
Уже существуют исследования по применению различных типов нейронных сетей (как прямого распространения, так и рекуррентных) для прогнозирования прочностных характеристик соединения. Эти исследования проводят такие крупнейшие промышленные компании, как Weld Computer Corporation (США), Nissan Motor Company (Япония), Lockheed Martin Energy Research Corporation (США), General Motors Corporation (США) и др.
Однако не исследована возможность применения алгоритмов построения деревьев принятия решения для автоматического построения моделей классификации качества сварки.
Поэтому в данной исследовательской работе проверяется гипотеза о возможности использования алгоритма ID3 для автоматического построения классификатора оценка качества сварки. В процессе сварки измеряются электрические параметры, по которым с использованием классификатора прогнозируется соответствие/несоответствие соединения заданным прочностным характеристикам.
Целью работы является снижение трудоёмкости синтеза систем диагностики качества контактной сварки за счет применения алгоритмов построения деревьев принятия решений.
Входе выполнения исследований на языке Javac использованием среды NetBeans была разработана программа, позволяющая по данным экспериментальных сварок с помощью алгоритмов машинного обучения строить модель классификации качества сварки в виде дерева принятия решений. Получаемые модели можно использовать для прогнозирования соответствия сварного соединения требуемым прочностным характеристикам.
Основные выводы по проведенным в ВКР исследованиям:
1. На основе изучения научных статей по теме исследования установлено, что совершенствование систем диагностики качества контактной сварки возможно за счет применения в них алгоритмов машинного обучения. Использование машинного обучения позволяет автоматизировать процесс разработки алгоритма диагностики, который строиться на основе анализа набора частных случаев сварки.
2. Показано, что диагностику сварки можно привести к задаче классификации. При этом для простоты модели достаточно ввести два целевых класса: “качественная сварка” - куда будут относиться сварные соединения с необходимыми прочностными характеристиками “некачественная сварка” для соединений с неудовлетворительными характеристиками.
3. Доказано, что модель классификации качества сварки может быть построена автоматически с использованием алгоритмов построения деревьев принятия решений (в работе рассмотрен пример использования именно алгоритма ID3). Пример полученной модели (виде дерева принятия решений) приведен во второй главе. При этом входными параметрами модели являются нормированные значения^- коэффициента мощности сварки cos^, который рассчитывается для каждого --го периода сварки. Таким образом, каждая сварка описывается вектором Р = (Р^Р2,...,P.). Выходным параметром ^модели номер одного из двух классовых СРС2 .
4. С использованием технологического оборудования лаборатории “Контактная сварка” института машиностроения ТГУ было проведено около 100 экспериментальных сварок пакета заготовок из стали 08кп. Часть данных была использована в роли обучающей выборки для построения модели классификации качества сварки. Другая часть использовалась для оценки точности полученной модели. Вопрос точности модели подробно изучался во второй главе. Полученные результаты: точность классификации по методу cross-validation с разделением на 5 частей равна 88%, по методу leave-one-out - 82%, по методу randomsamplingпри 30 циклах 83%. При тестировании модели на собственной обучающей выборке точность классификации - 98%
5. С использованием свободно-распространяемой среды разработки ЫеШеапзна языке программирования Java разработано программное обеспечение, на практике реализующее предложенные подходы по построению моделей классификации качества сварки на основе анализа обучающей выборки.
6. Исследования, проведенные в рамках данной работы, будут использованы при выполнении гранта РФФИ на тему “Управление металлургическими процессами с использованием искусственного интеллекта”
Помощь студентам и аспирантам в выполнении работ от наших партнеров
