ПРОЕКТИРОВАНИЕ ПРОЦЕССОВ ОБРАБОТКИ МЕТАЛЛОВ ДАВЛЕНИЕМ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ

АННОТАЦИЯ

В статье представлен результат использованию нейронной сети для распознавания типов деталей, изготавливаемых обработкой металлов давлением. В качестве объекта исследования выбраны осесимметричные поковки, производимые на горизонтально-ковочных машинах. Предлагаемый подход позволяет отойти от субъективной оценки геометрии деталей, и реализовать полную цифровизацию проектирования технологического процесса.

ABSTRACT

The article presents the result of using neural network to recognize the types of parts manufactured by metal forming. Axisymmetric forgings produced on upsetting machines were selected as the object of research. The proposed approach makes it possible to move away from the subjective assessment of the geometry of parts, and to realize the complete digitalization of the design of the technological process.

Ключевые слова: нейронная сеть, обработка давлением, распознавание, геометрия поковок

Keywords: neural network, metal forming, recognition, forging parts geometry

Введение. В настоящее время теоретические основы построения и использования нейронных сетей [1] реализуются в решении многих практических задач. Определены задачи развития искусственного интеллекта на машиностроительных предприятиях [2], и, в частности, при создании систем технологической подготовки производства.

Интересные и полезные для практики результаты получены по использованию нейронных сетей для совершенствования процессов обработки металлов давлением. Объектами исследований являлись: пружинение листовых деталей после штамповки [3] и лазерной гибки [4]; выбор оптимальных параметров глубокой вытяжки [5]; обнаружение и классификация дефектов [6].

Этапы технологической подготовки многих процессов обработки металлов давлением достаточно хорошо разработаны, в том числе с использованием компьютерного моделирования. При этом для каждого класса поковок, определяемого геометрией изготавливаемой детали, имеется набор определенных технологических решений, свойственных этому классу поковок. Определение класса поковок решается технологами-разработчиками субъективно на основе чертежа детали. Внедрение компьютерного распознавания позволит реализовать полную цифровизацию проектирования технологического процесса.

Методы исследования. Среди многочисленных технологий обработки металлов давлением значительное место занимает горячая штамповка на горизонтально-ковочных машинах (ГКМ). Главными особенностями ГКМ являются (рис.1а): наличие разъема полу матриц (2 и 3) в двух взаимно перпендикулярных плоскостях и передвижение главного высадочного ползуна (4) в горизонтальной плоскости, что позволяет штамповать детали разнообразной конфигурации (рис. 1б) в несколько переходов [7]. В качестве исходной заготовки (5) используется пруток круглого или квадратного сечения, трубный прокат.

Рисунок 1. Схема штамповки на горизонтально—ковочной машине: а – подача заготовки до упора (1), б – зажим заготовки полу матрицами, в – штамповка (высадка) поковки, г – удаление поковки (6) и примеры штампуемых поковок

Поковки, изготовляемые на ГКМ, в зависимости от их конфигурации подразделяют на шесть основных групп, при этом каждая из групп разделяется на подгруппы численностью от двух до трех. Принадлежность поковки к одной из подгрупп в значительной мере определяет технологию ее изготовления, т.е использование технологических переходов: наборных, прошивных, формовочных, обрезных, просечных и др. Обычно подгруппа для поковки выбирается технологом субъективно, исходя из общих рекомендаций и собственного опыта.

Для формализации отнесения поковок к определенному типу предпринимались несколько попыток, не получивших широкого распространения, и прежде всего, использование анализа экстремальных вершин контура поковок [8]. Однако для этой операции необходимо кодирование чертежа поковки, что не является обязательной процедурой проектирования технологического процесса, а также создание специальной компьютерной программы. В дальнейшем для этих целей были апробированы методы многомерного статистического анализа, и проверки статистических гипотез [9], которые требовали от пользователей глубокой математической и подготовки и знаний программирования. Применение нейронных сетей для распознавания групп поковок открывает новые возможности для формализации решения этой проблемы. Оно предусматривает следующие этапы: создание исходного банка данных для обучения нейронной сети, выбор структуры сети (построение модели), первичный этап обучения, изменение исходного набора данных, второй этап обучения, изменение параметров обучения, тестирование.

Для создания набора данных для обучения нейронной сети были выбраны три подгруппы осесимметричных поковок из различных групп (Табл. 1).

Таблица 1.

Типы поковок тел вращения, выбранные для распознавания

На основе геометрии выбранных поковок был разработан банк данных, в котором отражались основные виды выбранных подгрупп поковок. Эти данные представляли меридиональные сечения поковок, т.к. именно такие сечения дают полное представление о геометрии и дают возможность представить внутреннюю часть поковок (отверстие или углубление).

Таким образом, был построен исходный набор данных распознавания трех типов поковок, по структуре похожий на CIFAR-10, содержащий меридиональные сечения поковок выбранных типов (Табл. 2).

Таблица 2.

Исходный набор данных для обучения

Из множества подвидов нейронных сетей для решения задач классификации изображений чаще всего используются сверточные нейронные сети - Convolutional Neural Network [10]. В работе была выбрана сеть с высоким уровнем абстракции TensorFlow [11], разработанная компанией Google (По требованию Роскомнадзора информируем, что иностранное лицо, владеющее информационными ресурсами Google является нарушителем законодательства Российской Федерации – прим. ред.), в связке с API Keras [12] для работы с моделями типа Sequential, которые позволяют добавлять слои последовательно. Модель синтезированной нейронной сети состояла из следующих слоев: нормализация данных, сверточный слой, пуллинг, полносвязный слой.

В модели сети использованы: библиотека «Matplotlib» и компонент «pyplot» для визуализации процесса обучения и построения графиков; библиотека «PIL» для обработки растровых изображений на языке «python»; библиотека «numpy» для работы с многомерными массивами, используемая на моменте тестирования для расчета точности предсказания модели.

Классическая структура обучения нейронной сети подразумевает разделение исходного массива данных на две категории: 80% - на обучение, 20% - на тестирование. В процессе исследования было проведено 10 итераций (эпох) процесса обучения.

На первой стадии обучения была предпринята попытка использовать модель сети с четырьмя сверточными слоями, что негативно отразилось на точности (рис. 2а).

Рисунок 2. Графики точности и потерь для тренировочного и проверочного исходного наборов данных для первичного обучения модели (а) и повторного обучения  со скорректированной архитектурой (б)

Значение точности на тренировочном наборе (train_acc), начиная с шестой итерации обучения, имело несколько минимумов и опускалось до отметки 0.77 к концу обучения, что не является удовлетворительным результатом. Так как тренировочный набор составляет 80% от всех исходных изображений, это означает, что большая часть геометрий будет распознаваться с низкой точностью. Снижение величины потерь на тренировочном наборе (train_loss) происходило к десятой итерации обучения, на этом же этапе точность приобретала стабильное высокое значение. Поэтому для увеличения конечной точности модели было сокращено количество сверточных слоев до двух и принято десять итераций обучения.

После повторного обучения с новыми параметрами наблюдалось резкое увеличение потерь на проверочном наборе данных (val_loss) и уменьшение точности (val_acc) в начале обучения, что свидетельствует, о пересчете весов признаков изображений. Далее значения обоих параметров на графиках монотонно растут, что является показателем хорошей обучаемости модели. Поэтому для дальнейшего распознавания геометрических образов была использована эта версия обученной модели.

После обучения сети для распознания типа поковок в сеть загружались несколько сечений поковок из рассматриваемых трех групп, а от нейросети требовалось определить тип, к которому относится изображение и достоверность совпадения. Результаты распознавания приведены в таблице 3.

Таблица 3.

Результаты распознавания типа поковок нейронной сетью

На последнем этапе исследования нейронной сети для анализа предлагалась геометрия поковки, не принадлежащая ни к одной из трех групп (неизвестная группа) исходного обучающего набора данных. В этом случае нейронная сеть определяла группу поковок с набором признаков, который имеет наибольшее число совпадений с заданной геометрией поковки. Так, сеть определила, что представленная поковка нового типа (табл. 3) с 34,41% достоверности относится к типу A. Это кажется вполне убедительным, так как у этой детали есть утолщение на одном конце, как и всех деталей типа A, но в отличие от них имеется еще и утолщение на другом конце, т.е. полного совпадения нет.

Заключение

• Синтезированная нейронная сеть с двумя сверточными слоями и 10 итераций обучения оказалась способной распознавать принадлежность геометрии осесимметричных поковок к одной из трех групп с достоверностью 90-97%, что на уровне очень опытного технолога. Это дает основание для практического использования нейронной сети в проектировании технологического процесса штамповки на ГКМ.
• При анализе сечений деталей, не принадлежащих ни к одной из групп поковок, использованных для обучения сети, созданная сеть определяла тип поковки, набор признаков которого имеет наибольшее число совпадений с исходным чертежом.

Список литературы:

1. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - М.: Диалектика, 2019. - 1104 c.
2. Черепанов Н.В., Буслаев С.П. Проблемы и задачи развития искусственного интеллекта на машиностроительном предприятии. «Инновации и инвестиции». № 7. 2021, c.175-179.
3. V. Nasrollahi and B. Arezoo, “Prediction of springback in sheet metal components with holes on the bending area, using experiments, finite element and neural networks”, Materials and Design, vol. 36, pp.331–336, 2012.
4. P. J. Cheng and S. C. Lin, “Using neural networks to predict bending angle of sheet metal formed by laser”, International Journal of Machine Tools & Manufacture, vol. 40 pp.1185 –1197, 2000.
5. D. Singh, R. Yousefi and M. Boroushaki, “Identification of Optimum Parameters of Deep Drawing of a Cylindrical Workpiece using Neural Network and Genetic Algorithm”, World Academy of Science, Engineering and Technology, vol.78, pp.211-217, 2011.
6. Essid O, Laga H, Samir C (2018) Automatic detection and classification of manufacturing defects in metal boxes using deep neural networks. PLoS ONE 13(11): e0203192. https://doi.org/10.1371/journal.pone.0203192
7. Ковка и штамповка: справочник. В 4 т. Т. 2. Горячая объемная штампов ка. 2-е изд., перераб. и доп. / Под общ. ред. Е.И.Семенова. М.: Машиностроение, 2010. 720 с.: ил.
8. Л.Н.Голубков, Б.Г.Богомолов, Г.П.Тетерин, А.В.Ткаченко. Разработка методов проектирования на ЭВМ технологического процесса штамповки поковок типа тел вращения на ГКМ. Кузнечно-штамповочное производство. Обработка металлов давлением, №11, 1971, с.36-39.
9. Алиев Ч.А., Тетерин Г.П. Система автоматизированного проектирования технологии горячей объемной штамповки.- Машиностроение, 1987. 224 с.:ил.
10. What are convolutional neural networks? Электронный ресурс: https://www.ibm.com/topics/convolutional-neural-networks. Дата обращения: 14.01.2024.
11. Create production-grade machine learning models with TensorFlow. Электронный ресурс: https://www.tensorflow.org/?hl=en. Дата обращения: 14.01.2024.
12. Keras 3 API documentation. Электронный ресурс: https://keras.io/api/. Дата обращения: 14.01.2024.