Научная электронная библиотека ULRICH'S Periodicals Directory

Сибирский государственный университет
науки и технологий имени академика М.Ф. Решетнева

Сибирский аэрокосмический журнал
ISSN 2712-8970 (Print) ISSN 2782-5760 (on-line)

Сведения об образовательной организации

UDK 004.896 Doi: 10.31772/2587-6066-2020-21-2-206-214
ПРИМЕНЕНИЕ МЕТОДА ГРАДИЕНТНОГО БУСТИНГА ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ ТЕХНОЛОГИЧЕСКИХ РЕШЕНИЙ В ПРОЦЕССЕ ЭЛЕКТРОННО-ЛУЧЕВОЙ СВАРКИ
В. С. Тынченко, И. А. Головенок, В. Е. Петренко, А. В. Милов, А. В. Мурыгин
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева; Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Целью исследования является создание математической модели технологического процесса изготовления неразъемных соединений разнородных материалов на основе электронно-лучевой сварки с использованием алгоритмов машинного обучения. Каждый из соединяемых элементов представляет собой ответственный узел комплексного устройства, в связи с чем выставляются жесткие критерии к качеству сварного соединения. В сущности, поставленная задача представляет собой задачу регрессии. Существует множество алгоритмов, подходящих для решения задачи регрессии. Однако зачастую использование одного алгоритма не обеспечивает достаточной точности полученного результата. Одним из способов решения такой проблемы является построение композиции алгоритмов для компенсации проблем каждого из них. Одним из наиболее эффективных и мощных алгоритмов композиции является градиентный бустинг. Использование данного алгоритма повысит качество модели регрессии. Предлагаемая модель позволит технологу задавать параметры технологического процесса и получать оценку качества конечного изделия равно как по заданию входных, так и выходных величин. Использование методов оценки и прогнозирование снизит временные и трудовые затраты на поиск, отработку и наладку технологического процесса. Приводится описание алгоритма градиентного бустинга, а также анализ применимости данного алгоритма к модели, равно как и заключение касательно областей его применимости и достоверности прогнозов, получаемых при его использовании. Кроме того, рассматривается процесс непосредственного обучения модели на основе данных, полученных в рамках проведения поисковых экспериментов для улучшения качества конечного изделия. Результаты анализа применимости позволяют судить о допустимости использования предложенного метода для процессов, имеющих схожие статистические зависимости. Применение предложенного подхода позволит осуществить поддержку принятия технологических решений специалистов по электронно-лучевой сварке при отработке технологического процесса и при вводе в производство новых видов продукции.
Ключевые слова: электронно-лучевая сварка, технологический процесс, эксперименты, градиентный бустинг, машинное обучение.
References

Вопросы управления формированием сварного шва при электронно-лучевой сварке / В. Я. Браверман, В. С. Белозерцев, В. П. Литвинов и др. // Сибирский журнал науки и технологий. 2008. № 2 (19). С. 148–152.
2. Weglowski M. S., Blacha S., Phillips A. Electron beam welding – Techniques and trends –Review // Vacuum. 2016. Vol. 130. P. 72–92.
3. Автоматизированное оборудование и технология для пайки волноводных трактов космических аппаратов / С. К. Злобин, М. М. Михнев, В. Д. Лаптенок и др. //Сибирский журнал науки и технологий. 2014. №. 4 (56). С. 219–229.
4. Modeling of thermal processes in waveguide tracts induction soldering / A. V. Murygin, V. S. Tynchenko, V. D. Laptenok et al. // IOP Conference Series: Materials Science and Engineering, 2017. Vol. 173, No. 1. P. 012026.
5. Aydin K., Kaya Y., Kahraman N. Experimental study of diffusion welding/bonding of titanium to copper // Materials & Design. 2012. Vol. 37. P. 356–368.
6. Mathematical models of beam input and output in the process of electron beam welding of thin-walled structures / S. O. Kurashkin, V. S. Tynchenko, Y. N. Seregin et al. // Journal of Physics: Conference Series. 2020. Vol. 1515. P. 052048.
7. The concept of an electron beam I/O control system to optimize the weld formation in the process of electron beam welding / V. S. Tynchenko, A. V. Milov, V. V. Bukhtoyarov et al. // Journal of Physics: Conference Series. 2019. Vol. 1399, No. 4. P. 044092.
8. Duffy N., Helmbold D. Boosting methods for regression // Machine Learning. 2002. Vol. 47, No. 2–3. P. 153–200.
9. Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge, MA: MIT press, 2016. 318 p.
10. Tracking-by-segmentation with online gradient boosting decision tree / J. Son, I. Jung, K. Park et al. // Proceedings of the IEEE International Conference on Computer Vision. 2015. P. 3056–3064.
11. Cost efficient gradient boosting / S. Peter, F. Diego, F. A. Hamprecht et al. // Advances in Neural Information Processing Systems. 2017. P. 1551–1561.
12. Салахутдинова К. И., Лебедев И. С., Кривцова И. Е. Алгоритм градиентного бустинга деревьев решений в задаче идентификации программного обеспечения // Научно-технический вестник информационных технологий, механики и оптики. 2018. Т. 18, №. 6. С. 1016–1022.
13. Дьяконов И. Д., Новикова С. В. Решение задачи прогнозирования при помощи градиентного бустинга над решающими деревьями // Научный форум: технические и физико-математические науки. 2018. С. 9–12.
14. Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort et al. // The Journal of Machine Learning research, 2011. Vol. 12. P. 2825–2830.
15. VanRossum G., Drake F. L. The python language reference. Amsterdam, Netherlands : Python software foundation. 2010. 162 p.
16. Schapire R. E., Freund Y. Boosting: Foundations and algorithms // Kybernetes. 2013. Vol. 42, No. 1. P. 164–166.


Тынченко Вадим Сергеевич – кандидат технических наук, доцент, доцент кафедры информационно-управляющих систем; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева. Е-mail: vadimond@mail.ru.

Головенок Игорь Александрович – магистрант кафедры информационно-управляющих систем; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева. Е-mail: golovonokia@mail.ru.

Петренко Вячеслав Евгеньевич – аспирант кафедры информационно-управляющих систем; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева. Е-mail: dpblra@inbox.ru.

Милов Антон Владимирович – аспирант кафедры информационно-управляющих систем; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева. Е-mail: helehad@gmail.com.

Мурыгин Александр Владимирович – доктор технических наук, профессор, заведующий кафедрой информационно-управляющих систем; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева. Е-mail: avm514@mail.ru.


  ПРИМЕНЕНИЕ МЕТОДА ГРАДИЕНТНОГО БУСТИНГА ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ ТЕХНОЛОГИЧЕСКИХ РЕШЕНИЙ В ПРОЦЕССЕ ЭЛЕКТРОННО-ЛУЧЕВОЙ СВАРКИ