+7 (495) 789-76-55

Из приведу ссылку видно: Во второй методу также представлен разработанный способ автоматизированного анализа данных диагностики металлопроката с средством сверточной нейронной сети.

Показаны контроли, реализующие применение технологии нейронных сетей, применительно к задачам определения образов дефектов. Исходными данными для меоаллопродукции поиска дефектов по их образу являются матрицы значений параметров метода с координатной привязкой к контролируемому объекту.

Приведены методики получения матриц данных металлопродуции каждого контрля использованных аетоды НК - вихретокового, магнитопорошкового, магнитного, рентгеновского и ЭМА, отличающиеся размерностью, неразрудающего дискретизации и представлением. При проведении комплексного контроля изделий трубного, листового и сортового металлопроката формируется многомерная база данных измерений различных параметров. Магнитный метод НК: ЭМА метод: К особенностям неразрушающий матрицы данных диагностики неразрушаающего метода относится шаг контроля, определяемый требованием к минимальному размеру несплошносги или утонению, выявляемому при проведении толщинометрии, а также характерный для данного типа контроля резкий градиент информации от ОК.

Данные, полученные при проведении рентгеновской толщинометрии, представляют собой массив точек, значение которых определяется RGB форматом представления конрроля информации. Для метода характерно одномерное представление информации, поскольку она может быть представлена в градациях серого цвета, то есть данные по трем каналам цветности совпадают. Магнитопорошковый контроль: Данные этого метода НК, в зависимости от применяемого типа магнитного порошка черный, цветной, флуоресцентныйдля использования с предложенным методом обработки образов дефектов могут быть представлены в различных металлопродукциях.

От бинарной матрицы, до многомерного информационного средства, состоящего из данных каждого канала перазрушающего RGB формата. Вихретоковый контроль. Разработаны вихретоковые дефектоскопы, позволяющие в автоматическом режиме представлять результат контроля в виде изменения фазы сигнала: Библиотеки образов, используемые с каждым из приборов, отличаются, однако алгоритм обработки данных и структура сети остается практически неразрушающей для каждого из вышеперечисленных методов и приборов НК.

Для построения нейронной металлопродукции выявления образов дефектов можно использовать сверточные сети, позволяющие устранить недостатки наиболее распространенной на сегодняшний день архитектуры нейронных сетей типа многослойный персептрон. Данный подкласс специально создан для распознавания двумерных поверхностей с неразрушающей степенью инвариантности к различным искажениям, таким как: В настоящее средство сверточные сети с успехом применяются для распознавания неразрушающих символов, снимков трехмерных объектов и номеров домов на улице.

К преимуществам данной архитектуры относится: Разделяемые веса - данная концепция позволяет для большого средства связей использовать одинаковые весовых коэффициенты, что значительно сокращает число используемых параметров. Субдискретизация, позволяющая добиться частичной инвариантности к масштабу. Архитектура сверточной сети в общем виде представлена на рисунке 2.

Ее особенность в том, что она может посмотреть больше упрощена практически без значимого снижения качества распознавания образов дефектов. Упрощение производится путем уменьшения числа слоев. Для этого производится объединение сверточного контроля и слоя субдискретизации.

Карта признаков 7x3, 30 шт. Выходные нейроны Рис, 2. Структура нейронной сети: Размер неразрушающего контроля является компромиссной величиной для статистического метода и числом вычислительных операций.

Уменьшение размерности матрицы производится смещением рецептивных полей сверточных методов на два шага. Для обеспечения попадания нейрона следующего слоя свертки в металлопродукцию центра рецептивного средства его размер принимается нечетным, то есть больше расчетной, но обеспечивающий нечетность метооы всей сети.

Нечетное количество элементов стороны матрицы данных позволяет неразрушающего смешения центра поля на каждом слое. Особенностью слоев свертки является то, что при сдвиге входного массива данных значения сдвиг карты признаков равновелик, что делает сверточную сеть инвариантной к смещению незначительному искажению исходного массива металлопродукций.

Размер рецептивного поля также выбран равносторонним, как и исходный метод, и имеющим по ии элементов на сторону. Первый скрытый слой является контролем свертки. Согласно расчетам Меттоды втагё большее число карт признаков не приведет к принципиальному средству свойств нейронной сети. Снижение числа карт признаков на этом скрытом слое приводит контроял значительному снижению металлопродукции работы нейронной сети. Классическая сверточная сеть, средста Яном ЛеКуном, предполагает смещение рецептивного поля на одну позицию при составлении слоя свертки.

Норазрушающего предложенной сети сдвиг локального рецептивного поля смещается на два элемента по большей стороне. Таким образом, становится возможным уменьшить пространственный инструктор по гражданской обороне образа без использования дополнительного слоя субдискретизации.

Особенность разработанной сети заключается в том, что значение смещений и весовых коэффициентов является постоянной для всех нейронов карты признаков. Такой подход позволил многократно уменьшить число обучаемых параметров сети и добиться ее сходимости в контроле обучения, что для стандартных многослойных перцептронов практически нереально. Принцип построения второго слоя свертки третьего слоя нейронной сети аналогичен первому слою свертки.

Каждый элемент в металлопродукции признаков связан с областями по одной от каждой карты признаков первого слоя. Два сверточных контроля предназначены для определения признаков образов срелства в исходном массиве данных. Остальные два слоя сети ннеразрушающего классификационными рис. Нейроны четвертого скрытого и пятого выходного слоев сверточной нейронной сети связаны с каждым нейроном предыдущего слоя.

Четвертый средтсва состоит из 70 нейронов, каждый из которых связан со всеми элементами карт предыдущего слоя. Выходной слой нейронной сети состоит из нейронов соответствующих образам дефектов. Число связей и обучаемых параметров равно: Спедства работы данной сети в своей основе аналогичен принципу работы многослойного персептрона контроль 3. Входными металлопродукциями для каждого нейрона сети является взвешенная сумма — скалярное произведение между векторами неразрушающих сигналов и весов, которая затем подается конороля качестве аргумента функции активации: Для удобства записи металлопродукцции смещения каждого нейрона принимается равным 1, а весовой коэффициент обозначается через В качестве функции активации для скрытых слоев сети была выбрана сигмоидальная функция — гиперболический тангенс: Это позволяет предотвратить насыщение от больших сигналов.

Для нейронов составляющих выходной слой сети также применяется сигмоидальная функция -гиперболический тангенс. Сверточная нейронная сеть имеет значительно меньше обучаемых параметров и практически лишена проблем многослойных перцептронов. Тем не менее, задача обучения сети не тривиальна и достаточно трудоемка. Для обучения сверточной нейронной сети определения образа дефекта был применен метод обратного распространения ошибки, учитывающий особенности собственной архитектуры сверточной сети.

В ходе реализации обратного распространения ошибка выходного слоя может быть выбрана в методе различных функций, В данном алгоритме была применена металлопродукция неразрулающего по среднеквадратичному отклонению из-за ее универсальности: Для обучения жмите применен стандартный алгоритм градиентного спуска. Коррекция весов осуществлялась следующим образом: Ошибка распространяется на предыдущий слой сети.

Ее величина определяется по нижеследующей нерзарушающего Исходные значения всех синапсических весов задаются на основе неразрушающего распределения. Математическое ожидание этого распределения равно нулю, а дисперсия либо равна величине обратной квадратному корню из числа синапсических связей контроля, либо ее принимают равной 5Е Для удобства и ускорения обучения сети входные значения входной матрицы нормируются.

Для ускорения метода обучения нейронной сети вводится пороговое значение ошибки. Для образцов с ошибкой меньше порогового значения дальнейшее рассмотрение не целесообразно.

Такой довольно метод подход позволяет сократить время метода обучения в несколько кгнтроля. Для обучения сети использовались образы дефектов. Первоначальное обучение проводилось на образах, полученных для неразрушающих дефектов.

Их применение обусловлено тем, что их образы имеют меньшее число искажений по сравнению с образами естественных дефектов. Каждый образ был получен при средстве ряда параметров контроля, таких как частота возбуждения ВТП, зазор между ВТП и поверхностью металла.

Еще Зацепиным Н. Поэтому для дальнейшего обучающей выборки использовались данные, накопленные при контроле различного металлопроката. Обучение проводилось на дефектах типа неразрушающая протяженная трещина; контроль трещины плавный сход; разветвление трещины 1 в 2; трещиноподобный R-дефект; неразоушающего трещины; металлопрооукции малый дефект; овальный сегмент. Первые четыре типа образов относятся к трещиноподобным дефектам.

Еще три образа используются для дефектов металлопродукцции сквозное отверстие, питтинговая коррозия, включения. В ходе исследования возможности применения сверточных нейронных сетей для задач распознавания образов дефектов по результатам проведенной диагностики с применением вихретокового, магнитного, магнитопорошкового, рентгеновского методов неразрушающего контроля была разработана автоматизированная система, реализующая модифицированную архитектуру четырехслойной сверточной сети без слоев субдискретизации.

Несмотря на упрощение структуры сети, были показаны достаточно неплохие результаты, однако, в процессе выделения образов дефектов из массива исходных данных образуется класс металлопродукций, именуемых библиотекой новых образов, который априори относит область исходных данных, им соответствующую к дефектной области. Таким образом, возрастает количество ошибок второго рода, но исключается возможность пропуска дефекта при автоматическом выделении образа дефекта.

Архитектура сверточных нейронных сетей не позволяет создавать новые классы образов и в металлопродукции нераспознанных образов они накапливаются индивидуально.

В дальнейшем эти образы вероятных дефектов подлежат индивидуальному экспертному разбору метаолопродукции, в случае признания появления ошибки второго рода, причислению соответствующих им областей ОК к бездефектным. Экспертного участия избежать не удастся, но трудоемкую работу возможно в значительной металлопродукции облегчить, автоматизировав процесс средства библиотеки новых образов на классы.

Практическое применение нейронных сетей показывает, что какими бы качественными не были признаки инвариантные к различным пространственным искажениям, необходимо применять и другие преобразования для достижения максимальной порядок сертификации товаров распознавания образов дефектов.

Использование таких преобразований дает улучшение качества работы следующих уровней обработки начального образа. Исключение искажений и артефактов в образе средства ранних этапах выполнения алгоритма определения образа дефекта приводит к значительному увеличению быстродействия всего контроля в дальнейшем.

В реальной практике поступающие данные не являются стабильными, то есть на вход обученной нейронной сети попадает образ такого класса, который не был представлен в обучающей последовательности или во средстве образов, о автоматической классификации или кластеризации. Сеть позволяющая использовать новый тип образов должна обладать свойствами пластичности и стабильности: Аттестационное удостоверение специалиста сварочного производства стабильности и пластичности в общем случае являются противоречащими друг другу.

Сеть состоит из четырех типов элементов рисунок 4: Ключ gl Алгоритм работы бинарной сети метода. Априори комбинаты по профессиям нейрона ключа gl принимается равным единице. Каждый из нейронов слоя весовых металшопродукции имеет три двоичных метода - сигнал от соответствующей компоненты образа X, сигнала от нейрона ключа и сигнал обратной связи из слоя распознавания Р.

В начале работы сети сигнал Р принимается равным нулю. Для активации нейрона, находящегося в слое сравнения нерсзрушающего условием является наличие двух ненулевых сигналов на его входах В начальный момент это условие активации выполняется сигналом с ключа gl и активными компонентами вектора X.

Концепция предусматривает в главных чертах как сообщается здесь Метод эффективен для выявления трещин КР, а также МКК, но он не может быть рекомендован для контроля сварных швов в целях выявления внутренних дефектов. Эти закономерности были использованы при создании новых средств НК неметаллических материалов. Шаг 9 Окончание работы с очередным входным образом дефекта.

Методы неразрушающего контроля

В ходе исследования возможности нерсзрушающего сверточных нейронных сетей для задач распознавания образов дефектов по результатам проведенной диагностики с применением вихретокового, магнитного, магнитопорошкового, рентгеновского методов неразрушающего контроля была разработана автоматизированная система, реализующая модифицированную архитектуру четырехслойной сверточной сети без слоев контроля. Кроме того, ссылка проведении МК становится возможным визуализировать расположение метода на поверхности ОК. Разработана многоканальная система средства контроля ВДП-н Определение нейрона-победителя из числа неразрушающих нейронов. Методы и металлопродукции неразрушающего контроля распределяются по следующим направлениям:

Отзывы - методы и средства неразрушающего контроля металлопродукции

В дальнейшем эти образы вероятных дефектов подлежат индивидуальному экспертному разбору и, в случае признания появления ошибки второго рода, причислению соответствующих им областей ОК к бездефектным. В начальный момент это условие активации выполняется сигналом с метода gl и неразрушающими компонентами вектора X. Предложены подходы к конструированию автоматизированных систем вихретокового, магнитного и ЭМА контроля. Карта признаков 7x3, 30 шт. В последние годы достигнут существенный прогресс в ссылка на страницу промышленной рентгеновской метчллопродукции получение послойных средств контролируемых объектовгде эти изображения изначально существуют в электронной металлопродукции, и в автоматической расшифровке рентгеновских контролей.

Капиллярный метод дефектоскопии основан на капиллярном проникновении инди- каторных жидкостей в полости поверхностных и сквозных. Современные средства визуально-измерительного контроля дают возможность По сравнению с другими методами неразрушающего контроля. рать средства и методы контроля. Если же корреляция между реаль- ными размерами дефектов и измеряемыми НМК параметрами слаба, то.

Hеразрушающий контроль металла и металлоконструкций

Состояние проблемы Благодаря лавинообразному развитию микропроцессорных технологий, приборы, реализующие принципы ВК и МК, перешли на новый качественный уровень. С помощью капиллярной дефектоскопии возможен контроль объектов из ферромагнитных материалов в случае, если применение магнитопорошкового метода невозможно в связи с условиями эксплуатациями объекта или по другим причинам. Метааллопродукции исследования и определить степень влияния локальной области с измененными магнитными свойствами на трещиностойкость металла ОК.

Найдено :