EXPERT SYSTEM TRAINING TECHNIQUE TO EVALUATE WELDER’S JOB STABILITY
Abstract
The design and training scheme for the artificial neural network is considered. An expert system of evaluating a craftsman’s motor skills stability while working on the welder simulator is based on this technique. It is assumed that the weld joint quality depends directly on the welding behavior stability. While the stability of the manual arc and mechanized welding depends on the welder’s motor skills. It is proposed to use an expert system to determine the stability criterion of the welding process. A step by step design of the artificial neural network architecture considering the specific weld formation is described. It is shown that the application of artificial neural networks based on the expert system allows evaluating the welder’s job stability. A training technique which shortens the time and reduces the number of experiments without loss of the data adequacy and the expert system training quality is described. When creating a database, the experimental results presented as "Quality domain" that connects the welder’s motor actions and the fillet joints defects are used.
About the Authors
Vitaliy Fedorovich LukianovRussian Federation
Igor Vladimirovich Kuzmenko
Russian Federation
References
1. Haykin, S. Neural networks. A Comprehensive Foundation / S. Haykin. — 2nd edition. — Ontario : McMaster University Hamilton, Prentice Hall, 2006. — 1103 p.
2. К вопросу применения нейронных сетей для контроля качества сварных соединений при подводной сварке / И. О. Скачков [и др.] // Автоматическая сварка. — 2006. — № 6. — C. 27–31.
3. Гладков, Э. А. Имитационное моделирование лазерной сварки с глубоким проплавлением с использованием нейросетевых моделей / Э. А. Гладков, А. И. Гаврилов // Сварка и диагностика. — 2009. — № 1. — С. 7–12.
4. Гаврилов, А. И. Определение оптимальных параметров нейронной сети при построении ма-тематических моделей технологических процессов / А. И. Гаврилов, П. В. Евдокимов // Вестник Ива-новского гос. энергетич. ун-та. — 2007. — № 4. — С. 87–90.
5. Шварц, М. В. Разработка алгоритма адаптации технологических параметров сварки к изме-нению геометрии стыка при сварке корневого слоя шва. [Электронный ресурс] / М. В. Шварц // Чет-вертая Всероссийская научно-техническая конференция «Студенческая весна 2011: Машинострои-тельные технологии». — Режим доступа: http://studvesna.qform3d.ru/?go=articles&id=336 (дата обра-щения: 08.08.2014).
6. Людмирский, Ю. Г. Повышение эффективности применения неадаптивных роботов на основе вероятностно-статистического моделирования процессов сборки и сварки маложестких пространственных конструкций : дис. д-ра техн. наук / Ю. Г. Людмирский. — Ростов-на-Дону, 2002. — 300 с.
7. Соловьев, А. Н. Определение упругих и диссипативных свойств материалов с помощью со-четания метода конечных элементов и комплекснозначных искусственных нейронных сетей / А. Н. Соловьев, Нгуен Зуи Чыонг Занг // Вестник Дон. гос. техн. ун-та. — 2014. — № 2. — С. 77–83.
8. Фатхи, В. А. Исследование моделей дефектов искусственных нейронных сетей / В. А. Фатхи, Д. В. Маршаков, В. В. Галушка // Вестник Дон. гос. техн. ун-та. — 2012. — № 3. — C. 65–71.
9. Wilson, B. The Machine Learning Dictionary [Электронный ресурс] / B. Wilson. — Режим доступа: http:// www.cse.unsw.edu.au/~billw/mldict.html (дата обращения: 08.08.2014).
10. Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань. — Москва : ПараГраф. — 1990. — 159 c.
Review
For citations:
Lukianov V.F., Kuzmenko I.V. EXPERT SYSTEM TRAINING TECHNIQUE TO EVALUATE WELDER’S JOB STABILITY. Vestnik of Don State Technical University. 2014;14(4):117-124. (In Russ.) https://doi.org/10.12737/6899