Математико-статистические методы исследования являются в настоящее время важнейшим элементом управления качеством на промышленном предприятии.
При производстве ответственных и высокоточных деталей для робототехники, авиационной и космической техники, возникает необходимость проводить многократные измерения одной и той же детали. Это позволяет значительно повысить точность результата.
Однако, при проведении многократных измерений возможно возникновение систематической погрешности, особенно при контроле деталей на производстве. Работа станков и прочего оборудования создает нежелательные вибрации, которые оказывают значительное влияние на результаты высокоточных измерений. Поэтому необходимо учитывать и по возможности исключать подобные погрешности из результатов измерения.
Известны различные алгоритмы и сложные методики для выявления и устранения погрешностей, но все они представляют собой трудоемкую вычислительную задачу и зачастую оказываются эффективны только для некоторых конкретных случаев.
Применение искусственного интеллекта позволяет быстро и точно выявлять погрешности и устранять их.
Например, рассмотрим результаты измерений детали с помощью индуктивного преобразователя.
Рассматриваются следующие причины возможных проявлений погрешностей – неполное возвращение измерительного наконечника в нулевое положение, температурный дрейф электроники, плохая калибровка прибора. Искажения носят нелинейный характер и достаточно сложны для выявления и устранения.
Вначале нейросеть проходит обучение на эталонных измерениях в лабораторных условиях, чтобы сформировать модель формирования погрешностей без учета внешних возмущающих факторов. Затем искусственно добавляются наиболее распространенные виды погрешностей – линейная и синусоидальные зависимости. После этого искусственный интеллект оказывается способен находить и эффективно устранять погрешности, учитывать колебания температуры и различные шумы и помехи.
Если условия измерений (температура, влажность, износ датчика и пр.) известны, их подают на вход сети. Тогда сеть может научиться вычитать или корректировать именно ту часть ошибки, которая систематически зависит от этих факторов.
Нейросети хорошо работают как нелинейные аппроксиматоры: они «запоминают» типичные зависимости и подавляют резкие выбросы, которые часто соответствуют случайным погрешностям. По сути, сеть строит гладкую функцию, которая проходит близко к полезным данным и «игнорирует» сильный шум.
Кроме того, если измерения идут непрерывно для отслеживания тех или иных характеристик объекта, искусственный интеллект может использовать соседние точки, чтобы лучше отделить сигнал от шума. Например, резкий одиночный выброс на фоне плавного тренда с большой вероятностью будет интерпретирован как случайная погрешность.
Чтобы сеть не начала «запоминать» шум, применяют раннюю остановку по данным статистической выборки. Это важно: если сеть слишком точно подгоняется под шум, она начинает считать его частью сигнала.
Применение искусственного интеллекта позволяет даже сформулировать определенные рекомендации при контрольных операциях и помогает выявить причины возникновения погрешностей. Проанализировав серию измерений нейросеть может с большой вероятностью указать, что, например, причиной погрешности является расположенный в соседнем цеху токарный станок и порекомендовать либо поставить виброизоляцию, либо перенести метрологическую лабораторию в другое помещение.
Искусственный интеллект можно встраивать в измерительный канал микроконтроллера или промышленного робота и эффективно использовать для обработки информации при измерениях ответственных высокоточных деталей.
Николай Николаевич Барбашов, доцент кафедры РК-2 МГТУ им. Н.Э. Баумана