Современные информационные технологии/1. Компьютерная инженерия

Д.т.н., профессор Кривин В.В., ассистент Толстов В.А.

Волгодонский инженерно-технический институт-филиал НИЯУ МИФИ

Вероятностная модель звука сварки для мультимедийного сварочного тренажёра

Тренажёры для обучения навыкам ручной дуговой сварки являются эффективными, безопасными и экономичными. Применение тренажёров позволяет упростить организацию обучения, сделать более прозрачной и объективной оценку действий обучаемого сварщика. При начальном обучении сварщиков важным является формирование зрительных и слуховых эталонов у обучаемых сварщиков [1]. Общий вид мультимедийного тренажёра показан на рисунке 1 а). Виртуальное сварное соединение в процессе формирования показано на рисунке 1 б). Рассмотрим построение модели звукового сопровождения процесса виртуальной сварки.

а)	б)

Рисунок 1 – Внешний вид мультимедийного сварочного тренажёра (а) и виртуального сварного шва (б).

Ток сварки и напряжение на дуге являются основными контролируемыми параметрами сварочного процесса. В тренажёре контролируемые параметры рассчитываются по модели, которая является адекватной реальному процессу [2]. Следовательно, модель звука, построенную на экспериментальных данных реального сварочного процесса, можно применять для виртуального процесса.

Чтобы построить модель звука, значения электрической мощности сварочной дуги условно разделены на следующие диапазоны: нормальных, пониженных и повышенных значений. Дуга в каждом из диапазонов с некоторой вероятностью порождает тот или иной звук. Поэтому предложено построение модели в два этапа. Первый – кластеризация спектров звука с целью определения подобных друг другу звуков; второй – оценка вероятности порождения звуков из выделенных кластеров в зависимости от диапазона электрической мощности сварочной дуги.

Информация для построения модели получена в ходе эксперимента: ток сварки и напряжение на дуге синхронно регистрировались помощью информационно-измерительной системы, а звук – с помощью микрофона и звуковой карты компьютера. Использовались электроды ESAB диаметром 3мм, материал заготовки сталь-3, источник питания Prestige 164, нижнее положение сварки и вертикальное положение электрода. Для обработки экспериментальных данных использовался пакет Matlab.

При обработке полученных файлов необходимо выбрать из них фрагменты для расчёта спектров. Были выбраны фрагменты между соседними короткими замыканиями. Моменты коротких замыканий сложно предсказать из-за сложности сварочного процесса [3]. Поэтому использовался статистический подход, чтобы сформировать выборку фрагментов сигналов для расчёта спектров. На рисунке 2 а) показано распределение вероятности появления фрагментов различных длительностей при заданном максимальном токе источника 70А. Средняя частота каплепереноса составила 15 Гц. В выборку включены фрагменты длительностью от 40 до 100 мс. Объём выборки составил 614 фрагментов.

а)	б)

Рисунок 2 – Распределения промежутков времени между короткими замыканиями (а) и электрической мощности дуги (б).

При расчёте спектров учтена нелинейность частотной характеристики слуха. Для этого над исходным спектром производится следующее преобразование [4]:

; ; . (1)

. (2)

Где: m – показатель ширины полосы; f_Cn – частота центра полосы n; f_Ln – нижняя граница частоты полосы n; f_Un – верхняя граница частоты полосы n; G(f) – амплитуда частоты f в исходном спектре звука; – амплитуда звука в полосе с номером n в преобразованном спектре.

В исследованиях использовалось значение m=10, при котором слуховой диапазон разбивается на 97 полос. На множестве спектров, преобразованных по формулам (1) и (2), была проведена кластеризация. Перед кластеризацией рекомендуется нормировать исходные данные, а также провести анализ на избыточность, чтобы удалить зависимости в исходных данных [5]. Была применена линейная нормировка и проведён корреляционный анализ, в результате которого размерность исходных данных была снижена с 97 до 29 независимых компонент. Далее были построены и обучены карты самоорганизации Кохонена. Построение карт было начато с карты с размерностью слоя 8х8 нейронов. Архитектура карты показана на рисунке 3. Затем размерность карты постепенно повышалась.

Рисунок 3 – Архитектура карты самоорганизации.

На вход модели подаются векторы, составленные из 29 независимых компонент спектров звуков. Для каждого из векторов выполняются действия в соответствии со стандартным алгоритмом обучения карты: конкуренция, кооперация и адаптация. По мере обучения, нейроны адаптируются так, что каждый из них реагирует на опредёлённую группу подобных векторов. Эти векторы образуют кластер. Выход обученной модели показывает, к какому из выделенных кластеров относится входной вектор. Размерности карт и результаты обучения показаны в таблице 1. С каждой из карт проведено 300 эпох обучения.

Таблица 1 – Параметры и результаты обучения карт Кохонена.

Размерность сети		Количество нейронов в сети	Количество выделенных кластеров	Среднее межкластерное расстояние	Размерность сети		Количество нейронов в сети	Количество выделенных кластеров	Среднее межкластерное расстояние
a	b				a	b
8	8	64	47	0,71741	12	12	144	60	0,77266
9	9	81	52	0,74874	12	13	156	56	0,78369
10	10	100	55	0,73702	13	14	182	60	0,78216
11	11	121	57	0,76318	14	15	210	62	0,77899

Чем больше среднее межкластерное расстояние, тем разнообразнее классификация звуков. По этому признаку была отобрана сеть с размерностью 12х13.

На втором этапе построения модели были определены условные вероятности порождения звуков из найденных кластеров. Границы диапазонов нормальных, пониженных и повышенных значений электрической мощности сварочной дуги W определены по процентилям 33% и 66% гистограммы распределения мощности, показанной на рисунке 2 б). Приняты следующие границы: пониженные значения WÎ[550; 650); нормальные значения WÎ[650;750]; повышенные значения WÎ(750; 850]. Результаты расчётов вероятностей показаны в таблице 2. Строки отсортированы в порядке возрастания энтропии наблюдения кластеров.

Таблица 2 – Вероятности появления звуков в зависимости от мощности дуги.

Кластер звука	Мощность дуги, W			Энтропия кластера
	Низкая	Нормальная	Высокая
1	0	0,008	0	0,055726
2	0	0,008	0	0,055726
3	0	0,008	0	0,055726
…	…	…	…	…
20	0	0,024	0	0,12914
21	0,016949	0,008	0	0,15543
22	0	0,008	0,017857	0,15943
…	…	…	…	…
54	0,016949	0,04	0,089286	0,59666
55	0,050847	0,064	0,071429	0,74429
56	0,47458	0,208	0,089286	1,2927

База звуковых фрагментов автоматически сгенерирована при обработке данных в пакете Matlab. Она представляет множество звуковых файлов, размещённых в директориях. Директории базы соответствуют кластерам. Таблица условных вероятностей записана в отдельный файл. Реализация звуковой модели в мультимедийном сварочном тренажёре основана на использовании генератора случайных чисел.

Таким образом, предложен и реализован метод построения стохастической модели звука сварочного процесса. С помощью кластеризации определены характерные звуки процесса, затем установлены вероятности порождения звуков из того или иного кластера в зависимости от электрической мощности дуги. Звук виртуального сварочного процесса способствует формированию звуковых эталонов у обучаемого сварщика и усиливает эффект присутствия в виртуальном пространстве.

Список литературы:

1. Сас А.В., Грузинцев Б.П., Парахин В.А. Модельное представление деятельности оператора при ручной дуговой сварке // Труды МВТУ. - 1985. - № 234. – С.41-51.

2. В.В. Кривин, М.Ю. Виниченко, И.О. Ишигов, В.А. Толстов. Математическая модель для имитации сварочного процесса в виртуальном тренажере сварщика. // Изв. вузов. Сев.-Кавк. регион. Техн. науки. - 2009. - Спец. вып. – С. 61-64.

3. Кривин В.В., Виниченко М.Ю. Обработка экспериментальных данных о процессе сварки на основе методов нелинейной динамики // «Методы и средства измерения в системах контроля и управления»: Материалы конф. Пенза 1999 – С.156-158.

4. Joseph Tam. Methods of Characterizing Gas-Metal Arc Welding Acoustics for Process Automation.// Waterloo, Ontario, Canada, 2005.

5. Каллан Р. Основные концепции нейронных сетей: Пер. с англ. – М.: Изд-во «Вильямс», – 2001. – 267 с.