Диссертация (1026249), страница 3
Текст из файла (страница 3)
В среднем каждый нейрон, находящийся в нейросети, вкачестве своих входных сигналов имеет выходные сигналы всех нейронов из19предыдущего слоя, как показано на Рисунке 1.2, б (неполная схема связей), илииз всех предыдущих слоев (полная схема связей) [22].Дляначалафункционированиянейросетевоймоделинеобходимоопределить W и С для каждого нейрона. Для этого используют принципнервной деятельности человека – принцип обучаемости [19, 22], согласнокоторому W и С при заданном наборе входных сигналов изменяются до техпор, пока не будет получен желаемый выходной сигнал.
Далее процессповторяется для нового набора входных - выходных сигналов. За счетбольшого числа нейронов в сети и их параметров каждый процесс обучениясохраняет в сети один или группу параметров, которые при последующемобучении либо не изменяются, либо усредняются в некотором диапазонеизменения [22].Вработе[21]спомощьюнейросетевоймоделиприведенопрогнозирование качества АрДС без присадочной проволоки аустенитнойстали толщиной 1,5 мм на весу.
Полученная обученная нейросетевая системарассматривалась как компактная база данных, содержащая «know-how»оператора, которая в комбинации с реляционной базой данных использоваласьв качестве информационного обеспечения при проектировании АСУ ТПсварки. Рассматриваемая задача управления по эталонной модели былареализована в двух вариантах. По первому варианту рассматриваласьразомкнутая система управления с эталонной моделью в структуре системы.Повторомувариантумодельвстраиваласьвзамкнутыйконтуриформировалась замкнутая система с эталонной моделью. В этом случаеэталонная нейросетевая модель представляла собой нейроконтроллер с базойданных, в которой реализованы «обученные» связи между входом и выходом.Входными параметрами модели являлись текущие значения управляющихпеременных по силе тока Iсв и скорости сварки Vсв.
Прогнозирующая иуправляющая модели были обучены при четырехкомпонентном векторе входа(зазор, смещение стыка, смещение кромок и длина дуги). В качестве выходных20критериев оценки качества сварки были приняты форма шва без прожога,непровара и подреза. К сожалению, авторами работы не были представленыколичественные взаимосвязи параметров сварного шва и режимов сварки.В настоящее время существует три основных алгоритма обучениянейросетевоймодели:супервизорный,полусупервизорныйидетерминированный [121]. Для моделирования сварочных процессов восновном применяют детерминированный как наиболее объективный метод.Среди них особо выделяется метод «back-propagation» или метод обратногораспространения ошибки в нейросети [20], суть которого состоит в том, что навход сети заданной структуры с произвольными весовым коэффициентом W икоэффициентом передаточной функции C подают параметры моделируемогопроцесса,измеренныеэкспериментально,исравниваютрезультатывычислений по нейросетевой модели с реальными.
Далее формируютреальную и фиктивную ошибки вычисления, с помощью которых можноскорректировать коэффициенты во всех слоях нейросети и рассчитатьвыходные параметры с определенной точностью.Согласно литературным данным средняя точность по нейросетевыммоделямсоставляет10-15%[20,90,121].Точностьмоделированиязначительно зависит также от экспериментальных данных, использованныхдля обучения нейросети на последнем шаге. Именно они в наибольшейстепени отражаются на значениях весовых коэффициентов. Установлено, что вкачестве таких экспериментальных данных необходимо использовать повозможности данные со значениями параметров сварного шва, лежащими всередине интервала их изменения в проведенных опытах, или с наиболее частовстречающимися значениями параметров из имеющихся [19].
Подобныйподход реализован для обучения нейросетевой модели в работе [29], где наосновеимитационногомоделированияпроизводиласьоценкавлиянияотклонения тока Iсв от заданного технологией значения на появление дефектов,не связанных с геометрией сварного соединения (трещин, несплавлений, пор),21т.е.качествосварногосоединенияпрогнозировалосьнаосновепредставленных в литературе рекомендованных режимов сварки (Iсв, U, Vсв) игеометрических параметров при подготовке изделия к сварке δ , σ , α, λ,представленных на Рисунке 1.3),Рисунок 1.3. Погрешности сборки под сварку стыкового соединения [29]Автоматическая АрДС со сквозным проплавлением стыковых соединенийпроводилась на ферритной стали Fe 360 (AlSi 1008) толщиной 2 и 4 мм.Параметры режима сварки были следующими:Iсв=70-220А, U=10-15В,Vсв=0,9-4,6 мм/с, расход защитного газа 12 л/мин.
В качестве метода обучениянейросетей использовали метод «back-propagation». Построенные модели былиопробованы и показали высокую эффективность применения – например,отличие в форме и размерах параметров реального и расчетного швов непревысило 8% [29].В МГТУ им Н.Э. Баумана разработана система оценки качества стыковыходносторонних сварных соединений без разделки кромок со сквознымпроплавлением при АрДС [23]. Система базировалась на использованииинформационных сигналов, получаемых с помощью датчиков, установленныхв сварочном оборудовании со стороны источника нагрева – это сварочный токIсв, скорость сварки Vсв, температура точки поверхности T с обратной сторонышва в ОШЗ, суммарный световой поток L от сварочной дуги в инфракрасном ивидимом диапазонах.
Для определения связи между сигналами Iсв , Vсв , Т, L ие (ширина шва) использовали нейросетевую модель на основе 12 проведенныхсварочных экспериментов. Сварные швы получали на пластинах толщиной 2мм из стали 12Х18Н10Т на экспериментальном сварочном стенде с22использованием управляемого источника питания Kemppi. Накладываяискусственныевозмущениянаосновныепараметрырежимасварки(сварочного тока, скорости сварки и расхода защитного газа 10, 15 и 20%соответственно), получали сварной шов с шириной, измеренной с помощьюэкспериментальноголазерногопрофилометра.Обучениенейросетипроводилось в 80-200 итераций, причем выбор начальных значений весовыхкоэффициентов определял как скорость сходимости алгоритма, так и качествонейросетевой модели.
По результатам тестирования, модель показала высокуюточность в определении ширины обратного валика шва (погрешность непревышала 10%).Отношения между входными и выходными данными определялись спомощью радиальной базисной функции нейросети в работе [122]. Пакетныйрежим подготовки был раздельно принят для реализации принципа обратногораспространения ошибки BP («back-propagation») и генетического алгоритмаGA («genetic algorithm»), представляющего собой метод случайного поиска ипозволяющего идентифицировать оптимальные значения переменных избольшого объема дискретных наборов данных с помощью создания целевойфункции, чувствительной к значению неизвестных переменных (параметров)[108].Рисунок 1.4 показывает схематическую диаграмму, определяющуювходные и выходные данные нейросети - параметры режима сварки ипараметры геометрии сварного шва при АрДС стыковых соединений: (А) –скорость сварки, (В) – скорость подачи проволоки, (C) - % содержаниеэлементов в проволоке, (D) – зазор между деталями, (E) - сварочный ток, (FH)– усиление сварного шва, (FW) – ширина сварного шва, (BH) – высотаобратного валика, (BW) – ширина обратного валика.
Диапазон изменениявходных параметров А, В, С, D и Е составлял (24-46 см/мин); (1,5-2,5 см/мин);(30-70%); (2,4-3,2 мм) и (80-110А) соответственно.23Рисунок 1.4. Входные и выходные параметры нейросети [122]Авторами не был указан материал свариваемых образцов. Погрешностьнейросетевой модели по данным авторов не превышала 16%.Для моделирования сварочных процессов нашли применение нейросети,построенные на радиальных базисных функциях RBF («radial basis functions»),имеющие промежуточный слой из радиальных элементов, каждый из которыхвоспроизводит гауссову поверхность отклика [90, 110, 111].В работе[90] предложена совмещенная математическая модель,основанная на определении взаимосвязи между входными и выходнымиданными радиальной базисной функции нейросети RBF с использованиемгенетического алгоритма GA. Входными данными базисной функции являлиськоэффициенты численной модели нелинейной теплопроводности при АрДСаустенитной нержавеющей стали SS316L толщиной 1,5 мм на весу.
Сваркупроводили на прямой полярности вольфрамовым электродом WL-20 с угломзаточки 45º и постоянной длине дуги 3 мм. Входными данными базиснойфункции являлись ηи, ref (эффективный радиус источника нагрева) и q1/q2(распределение мощности между нормально-круговым источником нагрева идвойным эллипсоидом Голдака). Выходными данными нейросетевой моделиявлялись размеры геометрии сварного шва – ширина сварного шва и ширинаобратного валика.
Авторами работы была представлена лишь методикапостроения нейросетевой модели.RBF-сетиимеюткакряддостоинств(компактность,быстраяобучаемость), так и недостатков. Например, с «групповым» представлениемпространства модели сети RBF не могут экстраполировать свои выводы заобласть известных данных: при удалении от обучающего множества значение24функции отклика быстро падает до нуля. Еще одним существеннымнедостатком нейросетевых моделей является количество экспериментальныхданных, достаточных для обучения нейросетевых моделей. Установлено, чтоколичество данных для обучения не должно быть меньше числа связей междунейронами в сети.
В противном случае вероятность сохранения полезнойинформацииомоделируемомпроцессерезкоснижается[111,119].Использование случайного выбора экспериментальных данных для последнейстадии обучения нейросети не дало положительного результата [22], при этомсредняя ошибка расчетов по нейросетевой модели достигла 28%.В связи с тем, что в рассмотренных выше нейросетевых моделях для учетаособенностей условий контакта сварного соединения с медной подкладкойнеобходимо провести слишком большой объем экспериментов в широкомдиапазоне исследуемых режимов сварки для обучения нейросети, они такжебыли исключены из дальнейшего рассмотрения.1.2.2.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
