Реклама

Резюме

Информация способствует улучшению процесса принятия решений, совершенствованию процессов, обнаружению ошибок и их предотвращению. Новые требования грядущей Индустрии 4.0 заставят эти новые информационные технологии помочь в улучшении и принятии решений в производственных процессах. В случае сварочных процессов используется несколько методов. Сварочные процессы можно анализировать как стохастическую систему с несколькими входами и выходами. Это позволяет проводить исследование с точки зрения анализа данных. Процессы интеллектуального анализа данных, машинное обучение, глубокое обучение и методы обучения с подкреплением дали хорошие результаты в анализе и управлении такими сложными системами, как процесс сварки. Повышение сбора информации и качества информации с помощью датчиков, разработанных в настоящее время, позволяет получать большой объем данных, что приносит пользу анализу этих методов. Это исследование направлено на библиографический анализ методов, используемых в области сварки, преимуществ, которые могут предоставить эти новые методы, и того, как некоторые исследователи уже используют их. Глава организована в соответствии с некоторыми этапами процесса интеллектуального анализа данных. Это было определено с целью подчеркнуть эволюцию и потенциал для каждого этапа сварочных процессов.

Ключевые слова

• интеллектуальный анализ данных
• глубокое обучение
• процесс сварки
• машинное обучение

.

В типичном процессе сварки металлов плавлением, таком как контактная сварка, дуговая сварка, электронно-лучевая сварка, лазерная сварка, источник тепла прикладывается локально к поверхности раздела двух соединяемых металлов. Интерфейсом могут быть поверхности металлов, где грани друг друга соединяются самородком (например, точечная или контактная сварка). При дуговой сварке границей раздела будет сварной шов. Однако при нагревании/плавлении и охлаждении/затвердевании происходят сложные физические явления и процессы. Это может оказывать неблагоприятное воздействие на свойства сварного шва и свойства основного металла [2]. Чтобы уменьшить неблагоприятные последствия и получить желаемые результаты, было проведено множество исследований для мониторинга, прогнозирования или управления процессами сварки. Все эти исследования основаны на подборе оптимальных параметров сварки, но все они являются корректируемыми.

Все настраиваемые параметры сварки, такие как ток или форма волны тока, подводимое тепло, скорость подачи проволоки, скорость перемещения и напряжение дуги, могут использоваться в качестве входных данных системы и должны обеспечивать требуемые выходные параметры. По этой причине и сложности взаимосвязей-параметров процесс сварки можно анализировать как стохастическую систему, имеющую входные и выходные параметры и несколько возмущений [2]. Статья Чена [3] была связана с необходимостью улучшения информации, полученной из этих параметров сварки, и определения характеристик для улучшения и контроля результатов процесса сварки. Чен определил новые цели современной технологии сварочного производства, чтобы указать путь к совершенствованию процессов сварки. Он раскрывает некоторые проблемы интеллектуальной технологии сварочного производства (IWMT), которые показаны на рисунке 1.9.0003

Рис. 1.

w3.org/2001/XMLSchema-instance»> Некоторые технические проблемы в IWMT [3].

Другие области науки обладают потенциалом для решения этих проблем. Области компьютерных наук добились отличных результатов благодаря применению новых методов анализа данных, моделей обучения и интеллектуального управления. Цель анализа данных указывает на нетривиальные особенности большого количества данных. В связи с увеличением и сложностью данных были разработаны более эффективные методы анализа данных. С этой точки зрения можно анализировать процесс сварки. Итак, анализ сварочного процесса новыми методиками есть не что иное, как преемственность в развитии процессов анализа сварки. Эта междисциплинарность является одним из необходимых вкладов, провозглашенных так называемой Индустрией 4.0, как показано в [4, 5, 6].

Четвертая промышленная революция относится к следующему поколению производства, в котором технология автоматизации будет улучшена за счет самооптимизации и интеллектуальной обратной связи [7]. По этой причине применение новейших методов и процессов анализа данных может способствовать лучшему контролю и мониторингу сварочных процессов. Эти методы могут быть объединены в методы машинного обучения [8, 9, 10, 11, 12], процесс интеллектуального анализа данных [13, 14, 15, 16, 17] и процесс управления [18, 19, 20]. Взаимосвязь этих областей и их происхождение представлены на рисунке 2. Машинное обучение — это растущая область информатики с далеко идущими приложениями для анализа данных [21]. Машинное обучение использует компьютерную теорию и статистику для построения математических моделей с целью сделать вывод на основе выборки [22]. Одной из быстрорастущих ветвей машинного обучения является глубокое обучение. Эти методы являются неотъемлемой частью современных исследований распознавания речи [23], распознавания изображений [24, 25, 26], обнаружения объектов [27, 28], видео [29]., 30] и звуковой [31, 32] анализ. Интересные закономерности получаются из таких методов машинного обучения. Одним из важных процессов является интеллектуальный анализ данных. Интеллектуальный анализ данных уделяет большое внимание различным аспектам, таким как эффективность, действенность и достоверность процесса [33]. Процессы интеллектуального анализа данных определяют несколько этапов и методологий для достижения этих целей, как описано Марбаном в [34]. Важной задачей анализа данных является выявление и указание разнообразных, нетривиальных особенностей данных. По этой причине процесс сварки можно анализировать с этой точки зрения.

Рисунок 2.

Схема происхождения новых методов анализа данных.

Поиск, проведенный в Web of Science с 2011 г. по 3 октября 2018 г., показывает растущую тенденцию этих новых методов анализа данных и процессов в исследованиях сварочных процессов, рис. почти незаметно, как показано на рис. 4.

рис.

Цитаты за год по сварке (Web of Science [35]).

Рис. 4.

Цитаты за год по сварке (Web of Science [35]).

Они демонстрируют необходимость в этом обзоре, чтобы показать эти методы, преимущества их применения и растущую тенденцию их использования. Этот обзор можно возобновить на следующих этапах:

1. Процесс сварки — понимание анализируемых процессов сварки.

2. Датчики — анализ некоторых основных датчиков в процессе сварки.

3. Обработка данных — анализ метода преобразования информации датчиков в набор данных о процессе сварки.

4. Моделирование процесса сварки — анализ некоторых методов моделирования процесса сварки.

5. Интеллектуальное управление процессом сварки — анализ некоторых интеллектуальных методов управления процессом сварки.

Эти этапы тесно связаны с процессами интеллектуального анализа данных в качестве примера [34].

Реклама

2. Процесс сварки

Определение процесса сварки, данное Американским обществом сварщиков (AWS):

« процесс соединения материалов, при котором происходит коалесценция материалов путем нагревания их до подходящих температур с приложением давления или без него, или приложением только давления и с или без применения присадочного материала » [36].

AWS определяет группы методов сварки в зависимости от режима передачи энергии. Процессы, проанализированные в этой главе, сгруппированы, как показано в таблице 1.

Таблица 1.

Группа процессов сварки.

Эти группы представляют различные параметры и характеристики, которые были проанализированы в статьях, представленных в этой главе.

2.1 Дуговая сварка

Групповая дуговая сварка характеризуется электрической дугой. Электрическая дуга является источником тепла, наиболее часто используемым при сварке плавлением металлических материалов. Сварочная дуга представляет собой относительно небольшую область пространства, характеризующуюся высокими температурами (равными или даже выше, чем у поверхности Солнца), сильным световым и ультрафиолетовым излучением, интенсивным течением вещества и большими градиентами физических свойств. Он имеет достаточную концентрацию энергии для локализованного плавления основных металлов, простоту управления, низкую относительную стоимость оборудования и приемлемый уровень риска для здоровья его операторов. Изучение дуги представляет особый интерес в таких областях, как астрофизика, электротехническая и атомная промышленность [37]. Электрическая дуга порождает сложную взаимосвязь тепловых, электрических и магнитных параметров. Это мешает большей части их исследований, основанных на определенных теоретических формулировках. Несмотря на множество исследований, электрическая дуга достаточно сложна, и полученные на сегодняшний день знания позволяют частично понять явление [1].

2.2 Сварка сопротивлением

Сварка сопротивлением представляет собой соединение металлов путем приложения давления и пропускания тока в течение определенного периода времени через область металла, подлежащую соединению. Его основное преимущество заключается в том, что для создания связи не требуются другие материалы; эта причина делает этот процесс чрезвычайно рентабельным. Сварка сопротивлением применяется в широком диапазоне автомобильных, аэрокосмических и промышленных применений. К числу основных параметров относятся время сварки, усилие сварки, контактное сопротивление, свойства материалов [1]. Точечная сварка сопротивлением, как и все процессы контактной сварки, создает сварные швы с использованием тепла, генерируемого сопротивлением потоку сварочного тока между сопрягаемыми поверхностями, а также силой, прижимающей детали друг к другу, прикладываемой в течение определенного периода времени. Точечная сварка сопротивлением использует геометрию поверхности электрода, чтобы сосредоточить сварочный ток в нужном месте и приложить усилие к заготовке. После создания достаточного сопротивления материалы оседают и соединяются, образуя сварной шов [36]. Процесс быстрый и эффективный, а также сложный из-за сложного взаимодействия между электрическими, механическими, тепловыми и металлургическими процессами. Выделение тепла при РШВ происходит за счет сопротивления свариваемых деталей протеканию локализованного электрического тока, основанного на законе Джоуля. На качество соединения при РШО влияют параметры сварки. Эти параметры в основном включают сварочный ток, время сварки, усилие электрода и геометрию электрода [38]. Крупномасштабная контактная точечная сварка (LSRSW), как указано в таблице 1, обычно используется в автомобильной промышленности. Это автомобильная конструкция, состоящая из тысяч точечных сварных швов. Он имеет те же параметры и сложность, что и RSW; увеличиваются только параметры, связанные с его масштабируемостью и зависящие от него [39]. ].

2.3 Другие процессы сварки

В этой группе AWS представляет различные процессы сварки. Лазерная сварка – единственная, относящаяся к этой группе, которая встречается в анализируемых статьях.

Лазерная сварка является одним из наиболее технически совершенных сварочных процессов. Лазерная сварка, как правило, представляет собой метод сварки плавлением с замочной скважиной, который достигается с очень высокой плотностью мощности, получаемой за счет фокусировки луча лазерного света в очень тонкое пятно [40]. Этот световой луч быстро нагревает металлы, так что две части сплавляются в одно целое. Световой пучок очень маленький и сфокусированный, поэтому металл сварного шва также очень быстро остывает. Лазерная сварка работает в двух принципиально разных режимах: сварка с ограниченной проводимостью и сварка с замочной скважиной. Режим, в котором лазерный луч будет взаимодействовать с материалом, – сварочный; она будет зависеть от плотности мощности сфокусированного лазерного пятна на изделии [41].

Другими параметрами, присутствующими в этих процессах, являются параметры конечной геометрии сварки, которые ведут себя по-разному в разных процессах и в разных условиях. Параметры соответствующих источников влияют на конечный результат каждого сварочного процесса.

Сварка — сложный процесс, поэтому для его анализа, контроля и повышения качества производства требуются более интеллектуальные методы. Использование датчиков позволяет получать параметры процесса. Новые методы искусственного интеллекта позволят лучше изучать, моделировать и контролировать эти процессы.

Реклама

3. Датчики

В процессе сварки для контроля используются несколько датчиков. Технологии косвенного контроля сварочного валика и сварочной ванны можно классифицировать как открытые в [42] и на рисунке 5.

Рисунок 5.

org/2001/XMLSchema-instance»> Некоторые технологии косвенного контроля в процессе сварки [42].

Методы инфракрасного зрения широко применяются в процессе сварки [43, 44, 45, 46, 47, 48, 49, 50]. Одна из проблем этого метода заключается в том, что среда, в которой он применяется, может повлиять на точность данных, полученных в результате процесса. Это может быть связано с собственным тепловыделением используемых технологий.

3.1 Звуковой датчик

Звук может указывать на условия, вызывающие дефекты сварки. Акустическая информация играет важную роль для опытных сварщиков, как описано в [51]. Звуковая сигнатура, создаваемая GMAW, содержит информацию о поведении столба дуги, расплавленном металле и режиме переноса металла. Высокоскоростной сбор данных и компьютерный анализ звуковых характеристик могут указывать на условия, при которых возникают дефекты сварки [52, 53]. Ди Ву в 2016 году [54] пытался контролировать проникновение и замочную скважину с помощью акустических сигналов и анализа изображений. Лв и др. [55] предложил модель распознавания для анализа взаимосвязи между состоянием проплавления и звуком дуги. В 2017 г. Lv et al. [56] снова представил контроль качества сварки при импульсной сварке вольфрамовым электродом (P-GTAW). Сварочный акустический сигнал использовался для анализа конструкции автоматизированной системы контроля проплавления.

При сварке легко уловить звук, но очень сложно проанализировать шумы и различия в интенсивности, которые иногда возникают. Это не проблема, чтобы озвучить технику глубокого обучения, как сейчас [32, 57]. Чтобы понять анализ звука сварки с помощью методов глубокого обучения, необходимо провести корреляцию изображения дуги, чтобы знать, что происходит в сварочной дуге.

3.2 Датчик технического зрения

Датчик технического зрения широко используется в процессе сварки для анализа процесса в сварочной ванне [58, 59], процесс дуговой сварки [60, 61] и геометрия наплавленного валика [62, 63]. Чем больше света, генерируемого дугой, тем труднее получить изображение. Используются некоторые приемы. Один из них был использован Ченом в 2010 г. [64].

Осуществлял мониторинг и управление процессом гибридной лазерно-газовой дуговой сварки металлом с помощью экономичной сенсорной системы и коаксиальной системы технического зрения, которая была интегрирована из относительно недорогой промышленной системы технического зрения и персонального компьютера (ПК). Еще одним методом визуализации является теневая графика, примененная в расследовании Эсдраса Рамоса в 2013 году [65, 66]. Это основано на технологической теневой дуге с лазерным источником.

В работе [60] использовалось лазерное освещение. Для уменьшения световой дуги применялся узкополосный интерференционный фильтр. Для точных измерений использовался метод анализа изображений. Этот метод можно использовать для получения изображений высокого качества, но только его можно использовать в процессах без переноса материала.

Чен и др. [67] использовали визуальную двустороннюю сенсорную систему. На одном кадре определялись параметры геометрии сварочной ванны в процессе GTAW.

При использовании высокоскоростного осветительного лазера [68] получаются изображения отличного качества. Эта техника более поздняя, ​​но для нее нужен лазер с большим потенциалом, чем для техники Shadowgraphy. Эта техника и дороже.

Advertisement

4. Обработка данных

Некоторые статьи определяют свои собственные технологии обработки изображений, например, Hong Yue в 2009 г. [69], где обработка изображений сварных швов использует классические методы, такие как лапласиан, гауссов, фильтры средних значений и пороговое значение. сегментация. Yanling Xu в 2014 году [70] предложил алгоритм обнаружения краев Canny для обнаружения краев и извлечения характеристических параметров пула и шва. Qian-Qian Wu в [71] провел исследование, чтобы найти оптимальный алгоритм фильтрации. Он провел сравнение фильтра Винера, фильтра Гаусса и медианного фильтра на изображении сварного шва. В классической обработке изображений очень сложно обобщить фильтр или алгоритм, потому что это зависит от условий и характеристик параметров камеры и освещения.

Еще одна проблема с этими алгоритмами, упомянутыми выше, заключается в том, что анализ в реальном времени имеет недостаточное время отклика для использования в управлении процессом, несмотря на последние разработки в области вычислительных ресурсов.

Методы глубокого обучения дают эффективные результаты при выполнении в реальном времени [28] и классификации [24, 25], несмотря на классификации на новых изображениях. Одним из примеров, применяемых в процессе сварки, является [62, 63]. Он использует технику глубокого обучения автоэнкодера для извлечения особенностей процесса обработки изображений при лазерной сварке. Другим примером недавнего применения техники глубокого обучения является [72]. В нем представлен метод, основанный на глубоком обучении, направленный на извлечение информации из фотографий о точечной сварке. Эта система мониторинга на производственной линии точечной сварки показала лучшую производительность, чем предыдущий анализ изображений.

Не фокусируясь на анализе сварочной дуги, но с хорошими результатами, в работе [73] было предложено автоматическое обнаружение дефектов сварки на рентгеновских изображениях. Разработана классификационная модель на глубокой нейронной сети. Точность предложенной модели составила 91,84%. Это был еще один пример потенциала этих методов в области сварки при обработке изображений.

Реклама

5. Моделирование процесса сварки

В современных производственных условиях быстро растет спрос на качественную продукцию. Многие методы и методы применяются для корреляции между параметрами процесса и геометрией валика. Одним из них является методология поверхности отклика (RSM). Он был применен Сеном в 2015 г. [74]. Он провел оценку корреляции между параметрами процесса и геометрией наплавленного валика при двухимпульсной газовой дуговой сварке металлическим электродом (DP-GMAW). Сантана Бабу [75] с помощью той же методики получила хорошие результаты для прогнозирования и контроля качества сварного шва в процессе GTAW. Проблема этого метода в том, что исследователь может методом проб и ошибок найти уравнение, называемое поверхностью отклика. Это может быть очень сложно. Определено множество теоретических моделей для определения процесса, происходящего в сварочной дуге, в том числе [76]. Основные проблемы этих моделей заключались в том, что они теряют точность, потому что было очень трудно получить формулу, содержащую всю сложность этих процессов, как и утверждал Ханг Донг в [77]. Математические модели, основанные на методах машинного обучения, дают лучшие результаты в таких сложных задачах, как эта. В той же статье Ханг Донг выразил потенциал этих моделей.

Одним из хорошо известных и используемых алгоритмов регрессии является метод наименьших квадратов. Он был использован в [78] для прогнозирования положения шва при сильном воздействии дуги. Другой работой является [79] модель LR, которая используется для анализа отклонения центроида изображения ванны и сварного шва на основе визуального измерения отклонения сварного шва в процессе GTAW. Другим методом является регрессия процесса Гаусса (GP), которая использовалась в [77] для прогнозирования лучших характеристик процесса дуговой сварки в процессе GTAW.

Интересным методом, использованным в [80], было измерение расстояния Махаланобиса (MDM). Он был использован для определения возникновения дефектов сварки. Тот же метод был использован в 2017 году Хайрулом Музакой [81] в процессе GMAW для оптимизации сварочного тока при сварке в вертикальном положении. Одна проблема этого метода заключается в том, что функция коррелирует только с одним входом.

Bai и Lubecki [82] предложили метод анализа локальных минимумов и максимумов (LMM) в режиме реального времени для системы мониторинга сварки. Проблема LMM в том, что он предоставляет простую функцию для измерения качества, а не определяет сложность системы. Поэтому эта работа ограничивается только режимом передачи короткого замыкания.

В 2017 году Junheung Park [83] предложил SVM с бутстрепной агрегацией, которая уменьшила шум в данных RSW с вычислительной эффективностью. В этой структуре были объединены другие методы, такие как обобщенные регрессивные нейронные сети (GRNN) и генетические алгоритмы для оптимизации. Эта статья демонстрирует рост более сложных компьютерных технологий для лучшего анализа сварочных процессов. Но единственный способ узнать, было ли все это необходимо, — это сравнить с другими техниками.

5.1 Модели искусственных нейронных сетей

У некоторых исследователей уже была эта ссылка на преимущества этих алгоритмов. Бо Чен в 2009 году [84] использовал ИНС для обучения получению экспериментальных данных. Хороший результат предсказания ANN был подтвержден слиянием информации теории свидетельств DS. Они также использовались для различных целей и в различных процессах сварки, таких как процесс SAW [85] и процесс холодного переноса металла GMAW (CMT) [86] для прогнозирования геометрии сварного шва; в процессе GTAW для прогнозирования угловой деформации с учетом геометрии борта [87]; в процессе кольцевых сварных труб для прогнозирования остаточных напряжений [88]; а при подводной мокрой сварке для прогнозирования геометрических параметров сварных швов [89]. ].

Для достижения лучших результатов ИНС были смешаны с другими методами. Одним из примеров является [90], где ANN и метод опорных векторов (SVM) используются для обнаружения и контроля сварных дефектов в процессе лазерной сварки. Другой метод разработан Bo Chen и Shanben Chen [91] для прогнозирования проникновения в процессе GTAW. Но они использовали разные ИНС для обработки информации с разных датчиков, и, наконец, использовали прогнозирующий метод нечетких интегралов.

Другой пример: [92], для прогнозирования высоты и ширины валика в процессе GMAW с использованием ANN Fuzzy ARTMAP, например задачи мониторинга.

Увеличение вычислительных ресурсов позволило повысить сложность архитектур ИНС. Они называются глубокими нейронными сетями (DNN). Их по крупицам начинают применять в процессе сварки. Один из них использован в [93]. Модель основана на архитектуре DNN для изучения оценки параметров сварного шва. В этой статье смешаны данные из разных процессов сварки. Это риск для анализа результатов, поскольку разные процессы могут иметь разные результаты при одних и тех же входных параметрах.

Рао и др. [94] использовали метод обобщенных регрессивных нейронных сетей (GRNN) для оценки и оптимизации параметров вибрационной сварки для получения качественных сварных соединений. Но в данном случае ему нет сравнения с другими алгоритмами.

Ди Ву в 2017 году [95] написал статью, в которой рассматривается процесс плазменно-дуговой сварки с переменной полярностью (VPPAW). Сеть глубокого доверия (DBN), вариант DNN и встраивание t-стохастических соседей (t-SNE) были изучены для мониторинга и определения значений проникновения. Экспериментальные сравнения и проверки показывают лучшую производительность для DBN, 97,62% точно. Это подтверждает хорошие результаты, предлагаемые моделями обучения, разработанными с использованием этих алгоритмов. В этой работе не используются преимущества алгоритмов DNN для анализа изображений и звука в режиме реального времени.

На рис. 6 представлена ​​сводка проанализированных статей. Это показывает, что ИНС являются одним из наиболее часто используемых методов, но они не всегда дают наилучший результат. Это демонстрирует необходимость сравнения различных методов моделирования для определения наилучшего результата с точки зрения эффективности и вычислительных затрат.

Рисунок 6.

Сравнение ИНС и вариантов ИНС.

5.2 Сравнение различных моделей

Как было сказано в предыдущих разделах, существуют новые методы анализа очень сложных систем. Но они требуют дорогостоящих вычислительных ресурсов для их построения, а иногда и для их выполнения. Сравнение между моделями позволит узнать, какая модель дает лучшие результаты и какую модель можно использовать наиболее эффективно. Эта эффективность измеряется в зависимости от необходимости проблемы, как показано в методологиях и процессах интеллектуального анализа данных (DM) [16, 17].

Интересным сравнением является метод опорных векторов (SVM) и модель ANN для определения состояния канавки сварного шва и извлечения отклонения сварного шва при сварке MAG с узким зазором с вращающейся дугой (RANGMW) [96]. Он представил модели SVM с лучшими результатами, чем модель ANN.

Одно сравнение с оптимизацией по времени было [97]. Он использовал ИНС и ИНС с дифференциальным эволюционным алгоритмом (DEA) отдельно. Результаты, полученные ИНС с использованием ДЭА, были ближе к ИНС, но время расчета ИНС с использованием ДЭА было меньше.

В статье [98] методология поверхности отклика (RSM) сравнивалась с линейной изотонической регрессией, регрессией (LR), деревьями регрессии, ANN, GP и SVM для оценки механических свойств в процессе GMAW. Результаты показывают, что модели DM имеют худшее обобщение в этом исследовании, потому что методы DM требуют для получения приемлемых результатов большого набора данных.

Sumesh в 2015 году [99] сравнили деревья решений (DT), ANN, нечеткую логику, SVM и метод случайного леса. Мониторинг качества сварки в SMAW. Наиболее эффективным методом был случайный лес. Это показывает, что не всегда самые сложные методы дают наилучшие результаты.

Одним из немногих алгоритмов сравнительного анализа является статья Кумара 2016 года [100]. В этой статье рассматривается использование самоорганизующихся карт (SOM) в качестве механизма обучения без учителя для сравнения рабочих характеристик различных параметров сварки, включая источники питания и сварочные аппараты. Результаты, полученные с помощью SOM, сравнивались с распределениями плотности вероятности (PDD), полученными в ходе статистического анализа. Данные о напряжении и токе, проанализированные с помощью метода SOM, также можно использовать для оценки процесса дуговой сварки. Эти исследования показывают, что существуют и другие потенциальные алгоритмы анализа процесса сварки. По этой причине необходимо оценить и сравнить несколько из них для согласования в режиме реального времени.

Другое сравнение в 2016 году Ди Ву [54]. В статье сравнивалась модель прогнозирования для плазменно-дуговой сварки, основанная на машине экстремального обучения (ELM) с методами ANN и SVM. Модель ELM имела лучшую производительность обобщения и была быстрее, чем другие. Эта возможность также была установлена ​​Нандхитой в 2016 году [106]. Он использовал GRNN и радиальные базисные сети (RBN) для прогнозирования тока факела в процессе GTAW. Отклонение тока горелки составило 98,95 % для лучшего результата GRNN.

В 2016 году Kyoung-Yun Kim [107] также обсуждает это в процессе контактной точечной сварки (RSW). Он исследовал эффективность прогнозирования с помощью алгоритмов GRNN и k-Nearest Neighbor (kNN). Результаты показывают, что с меньшим k kNN эффективность прогнозирования, измеренная средней допустимой ошибкой, увеличилась.

Другая качественная сварочная статья была Xiaodong Wan в 2017 году [102]. Он предложил модель вероятностной нейронной сети (PNN) для прогнозирования качества в крупномасштабном процессе RSW. В этом случае модель PNN была более подходящей для классификации уровней качества, чем нейронная сеть обратного распространения.

Одна из последних статей с прямыми методами DM и связью со сваркой принадлежит Yiming Huang в 2017 году [103]. Это исследование пористости при импульсной газовой вольфрамовой дуговой сварке (P-GTAW) с анализом рентгеновского изображения. Для обнаружения были проведены эмпирическая модовая декомпозиция (EMD) и спектральный анализ на основе DM.

В 2017 году Петкович [104] предсказал качество лазерной сварки с помощью обучающих данных для методологий вычислительного интеллекта и регрессии опорных векторов (SVR). SVR — это новый вариант SVM для задачи регрессии. В этой статье было проведено сравнение между SVR, ANN и GP. Это еще один пример того, что в некоторых задачах менее сложные алгоритмы могут дать лучшие результаты.

В таблице 2 представлена ​​серия статей, основанных на мониторинге и качестве сварочных процессов. Столбец Подготовка определяет методику обработки данных, полученных датчиками; Classic для процессов, не использующих новейшие методы обработки изображений и DL для использования глубокого обучения; Online определяет, выполнялась ли модель в режиме реального времени; Сравнить , если в проведенном в статье исследовании проводится сравнение между несколькими алгоритмами; и Моделирование определяет алгоритмы, используемые в конкретной статье. Когда сравнение заканчивается, первая модель перед комой была лучшим результатом качества. Как видно из таблиц 2–4, лучший алгоритм не всегда совпадает.

Author	Year	Welding process	Sensors	Data preparations	Modeling	Online	Compare
Saini [52]	1998	GMAW	Sound	Classic	No	Yes	No
Yue [69]	2009	Pipeline welding	Visual	Classic	Theoretical model	No	No
Chen [64]	2010	LBW/GMAW	Visual	Classic		Yes	No
Horvat [53]	2011	GMAW	Sound	Classic	No	Yes	No
Gao [78]	2011	GTAW	Visual	Classic	LR-ANN	No	No
Feng [80]	2012	GMAW	Standard	Classic	MDM	Yes	No
Fidali [45]	2013	GMAW	Infrared	Classic	Statistical analysis	Yes	No
Sreedhar [48]	2013	GTAW	Infrared	Classic	Статистический анализ	Да	Нет
Kalaichelvi [101]	2013	GMAW	Стандарт									0331	Yes	No
Kumar [97]	2014	GMAW	Visual	Classic	ANN, ANN-DEA	Yes	Yes
Deyong You [90]	2015	Laser welding	Photodiode, spectrometer	WPD-PCA	FFANN-SVM	Yes	No
Sumesh [99]	2015	SMAW	Sound	Classic	Some DM (RF)	Yes	Yes
Kumar [100]	2016	SMAW	Standard	Classic	PDDs, SOM	No	Yes
Muzaka [81]	2016	GMAW	Standard	Classic	MDM	Yes	No
Bai [82]	2016	GMAW	Standard	Classic	LMM	Yes	No
Park [83]	2017	RSW	Standard	Classic	GRNN-SVM	Yes	No
Wan [102]	2017	LSRSW	Стандарт	Classic	ANN (BP), ANN (PROP)	Да	Да
Да	Да
Да	Да
Да	Да
. 0332 P-GTAW	Visual	Classic	DM, EMD	No	Yes
Petković [104]	2017	Laser welding	Multiples	Classic	SVM, ANN, GP	Yes	Yes
Muniategui [72]	2017	RSW	visual	DL, classic	Fuzzy	Yes	Yes
Wan [105]	2017	GTAW	Visual	Classic	ANN и FUZZY	Да	no

.

.

.

Author	Year	Welding process	Sensors	Data preparations	Modeling	Online	Compare
Bo Chen [84]	2009	GTAW	Multiples	Classic	ANN-DS	No	No
Bo Chen [91]	2010	GTAW	Multiples	Classic	ANN-fuzzy	No	No
Seyyedian [108]	2012	GTAW	Standard	Classic	ANN	Yes	No
Li [79]	2014	GTAW	Visual	Classic	LR	No	No
Bo Chen [89]	2014	UWW	Visual	Classic	ANN	Yes	No
Li [96]	2014	RANGMW	Visual	Classic	SVM, ANN	Yes	Yes
Escribano-García [98]	2014	GMAW	Standard	Classic	RSM, some DM	Yes	Yes
Sen [74]	2015	DP-GMAW	Standard	Classic	Taguchi-RSM	No	No
Keshmiri [93]	2015	SAW, GMAW, GTAW	Standard	Classic	DNN	Yes	No
Wu [54]	2016	VPPAW	Sound	Classic	ELM, ANN, SVM	Yes	Yes
Lv [55]	2016	GTAW	Sound	Classic	BP-Adaboost	Yes	Yes
Dong [77]	2016	GTAW	Standard	Classic	GPR	Yes	No
Sarkar [85]	2016	SAW	Standard	Classic	MRA and ANN	Yes	Yes
Rong [87 ]	2016	GTAW	Standard	Classic	ANN	Yes	No
Rios-Cabrera [92]	2016	GMAW	Visual	Classic	ANN fuzzy ARTMAP	Yes	No
Nandhitha [106]	2016	GTAW	Thermography	Classic	ELM, RBN, GRNN	Yes	Yes
Kim [107]	2016	RSW	Standard	Classic	kNN, GRNN	Yes	Yes
Aviles-Viñas [109, 110]	2016	GMAW	Visual	Classic	ANN-fuzzy	Yes	No
Pavan Kumar [86]	2017	GMAW CMT	Standard	Classic	ANN	Да	NO
МАТЕРУ [88]	2017	Girth Welds	Стандарт	Классика	ANN	Классика	ANN	Классика	ANN	. 0332 Di Wu [95]	2017	VP-PAW	Visual, sound	Classic	t-SNE and DBN	No	No

Table 3.

Table articles with prediction задача.

.032311

1

5438

100. Kumar V, Albert SK, Chandrasekhar N, Jayapandian J, Venkatesan MV. Анализ производительности параметров дуговой сварки с использованием самоорганизующихся карт и распределений плотности вероятности. В: 2016 г. Первая международная конференция IEEE по управлению, измерениям и контрольно-измерительным приборам (CMI). ИЭЭЭ; 2016. С. 19.6-200

101. Калаичелви В., Картикеян Р., Сивакумар Д. Анализ процесса дуговой сварки металлическим электродом в среде защитного газа с использованием настроенной системы нечетких правил GA. Журнал интеллектуальных и нечетких систем. 2013;25(2):429-440

102. Wan X, Wang Y, Zhao D, Huang Y. Сравнение двух типов нейронных сетей для прогнозирования качества сварного шва при маломасштабной контактной точечной сварке. Механические системы и обработка сигналов. 2017;93:634-644

103. Huang Y, Wu D, Lv N, Chen H, Chen S. Исследование пористости в импульсной GTAW алюминиевых сплавов на основе спектрального и рентгеновского анализа изображений. Журнал технологии обработки материалов. 2017;243:365-373

104. Петкович Д. Прогнозирование качества лазерной сварки методами вычислительного интеллекта. Оптик. 2017;140:597-600. Доступно по адресу: http://linkinghub.elsevier.com/retrieve/pii/S0030402617304928

105. Hailin H, Jing L, Fang L, Wei Z, Heqiang P. Нейронно-нечеткий метод управления переменным зазором для сварки трубопроводов GMAW с ПЗС-камерой. В: Чжао Х, редактор. Машиностроение и электроника III, ч. 1-5, сер. Прикладная механика и материалы. Труды Бумага. Том. 130-134. Хэфэйский технологический университет. Laublsrutistr 24, CH-8717 Stafa-Zurich, Швейцария: Trans Tech Publications Ltd; 2012. С. 2358-2363

106. Нандхита Н.М. Методы прогнозирования отклонения тока горелки на основе искусственных нейронных сетей для получения бездефектных сварных швов в GTAW с использованием ИК-термографии. 2016. С. 137-142. Доступно по адресу: http://link.springer.com/10.1007/978-81-322-2538-614

107. Kim KY, Park J, Sohmshetty R. Прогнозное измерение со средней допустимой ошибкой для надлежащей несогласованности при прогнозировании шумной свариваемости данные. Робототехника и компьютеризированное производство. 2017;43:18-29

108. Сейедян Чуби М., Хагпанахи М., Седиги М. Прогнозирование вызванных сваркой угловых искажений в тонких сваренных встык пластинах с использованием искусственных нейронных сетей. Вычислительное материаловедение. 2012;62:152-159

109. Авилес-Виньяс Дж. Ф., Риос-Кабрера Р., Лопес-Хуарес И. Онлайн-обучение геометрии сварочного валика в промышленных роботах. Международный журнал передовых производственных технологий. 2016;83(1-4):217-231

110. Wan X, Wang Y, Zhao D, Huang YA, Yin Z. Исследование контроля качества сварки при маломасштабной контактной точечной сварке с помощью динамического сопротивления и нейронной сети. Измерение: журнал Международной конфедерации измерений. 2017;99:120-127

111. Чен С.Б., Ван В.Ю., Ма Х.Б. Интеллектуальное управление динамикой дуговой сварки в процессе роботизированной сварки. В: Чандра Т., Вандерка Н., Реймерс В., Ионеску М., редакторы. Термек 2009, ПТС 1-4, сер. Материаловедческий форум. Труды Бумага. Том. 638-642. Минералы, Met & Mat Soc. Laublsrutistr 24, CH-8717 Stafa-Zurich, Швейцария: Trans Tech Publications Ltd; 2010. стр. 3751-3756

112. Мальвия Р., Пратихар Д.К. Настройка нейронных сетей с использованием оптимизации роя частиц для моделирования процесса сварки MIG. Swarm и эволюционные вычисления. 2011;1(4):223-235. Доступно по адресу: https://www.sciencedirect.com/science/article/abs/pii/S221065021100040X

113. Cruz JG, Torres EM, Alfaro SCA. Методология моделирования и контроля ширины валика сварного шва в процессе GMAW. Журнал Бразильского общества механических наук и инженерии. 2015;37(5):1529-1541

114. Шарма С.К., Махешвари С., Рати С. Многоцелевая оптимизация геометрии валика для дуговой сварки под флюсом стали трубопровода с использованием RSM-нечеткого подхода. Журнал производственной науки и производства. 2016;16(3):141-151

115. Азади Могаддам М., Голмезерги Р., Колахан Ф. Многопараметрические измерения и оптимизация параметров GMAW для стального сплава API-X42 с использованием гибридного подхода BPNNPSO. Измерение. 2016;92:279-287

116. Ван З. Мониторинг сварочной ванны GMAW по отраженным лазерным линиям для контроля в реальном времени. IEEE Transactions по промышленной информатике. 2014;10(4):2073-2083

117. Сантос М. Un enfoque aplicado del control inteligente. RIAI — Revista Iberoamericana de Automatica e Informatica Industrial. 2011;8(4):283-296. Доступно по адресу: http://linkinghub.elsevier.com/retrieve/pii/S16977

Online	Compare
Chen [66]	2000	P-GTAW	Double-visual	Classic	ANN-learning control	Yes	Yes
Chen [ 111]	2009	GTAW	Visual	Classic	ANN-fuzzy	Yes	No
Malviya [112]	2011	GMAW	Standard	Classic	ANN-PSO	Yes	No
Hailin [105]	2012	GMAW	Visual	Classic	ANN and fuzzy	Yes	No
Cruz [113]	2015	GMAW	Visual	Classic	ANN и Fuzzy	Да	NO	Да	NO	Да	NO	669 29332	NO	Да	. 0332 Laser welding	Visual	DL	DL-RL	Yes	No
Santhana [75]	2016	GTAW	Standard	Classic	RSM	Yes	No
Sharma [114]	2016	SAW	Стандарт	Классика	RSM и Fuzzy	Да	NO	YES	NO	Да0332 2016	GMAW	Visual	Classic	ANN-PSO	Yes	No
Lv [56]	2017	GTAW	Sound	Classic	ANN	Yes	No
Rao [94]	2017	Vibratory Welding	Standard	Classic	GRNN	Yes	No
Pengfei Hu [116]	2017	GMAW	Стандарт	Classic	Math-Model-Fuzzy	YES	NO
NO
NO
NO
. Определение того, какой из методов более эффективен для решения нашей задачи, также помогает повысить эффективность будущего процесса интеллектуального управления. Реклама 6. Интеллектуальное управление процессом сварки Интеллектуальный подход к управлению предлагает интересные перспективы, поскольку он может предоставить методологии, которые позволяют автоматически выполнять некоторые задачи, обычно выполняемые людьми [117]. Это сочетается с моделями интеллектуального анализа данных. Одной из используемых тенденций интеллектуального управления является нечеткий метод с моделью ANN. Примером этого был [111] процесс GTAW для прогнозирования динамики сварочной ванны; и в [105] для сварки трубопроводов GMAW для улучшения качества сварки. Другим примером является [113] по процессу GMAW для моделирования и контроля ширины наплавленного валика. Другим примером нечетких методов, но других методов моделирования, был [114]. Он был применен для лучшего контроля параметров геометрии валика в процессе дуговой сварки под флюсом (SAW). В этой статье предложен ответ нечеткого логического подхода с поверхностной методологией (RSM). Демонстрация того, что любая модель, полученная в процессе сварки, может быть интегрирована в систему управления. Пока это соответствует требованиям времени. Традиционные и интеллектуальные методы управления были исследованы [67] в процессе P-GTAW. В этой работе было проведено сравнение с ПИД-управлением, нечетким управлением и самообучающимся нейронным управлением PSD. У него была лучшая производительность. В этой статье подчеркивается преимущество управления на основе обучения. Другая оптимизация, основанная на обучении, была [115]. Он предложил модель ANN с алгоритмом оптимизации скопления частиц (PSO) для оптимизации геометрических характеристик сварного шва в процессе GMAW. Модель ANN-PSO получила эффективную оптимизацию и многокритериальное моделирование. Новая система управления на основе обучения использовалась Гюнтером в [62, 63] для управления лазерной сваркой. Этот метод называется обучением с подкреплением (RL). Это ветвь машинного обучения. Он ориентирован на принятие решений в процессе обучения [118]. Обучение управлению может быть методом, основанным на оптимизации, например, алгоритмом Q-обучения. Его можно использовать для решения задач оптимального управления, подобных описанным в [119]. Исследование Гюнтера [63] является одним из немногих исследований RL для системы лазерной сварки. Это делает эту работу важным вкладом в разработку сварочных процессов. RL — это новая технология, открытая в настоящее время в процессе сварки и имеющая большой успех в других областях, например, описанная в [120, 121, 122, 123]. Реклама 7. Перспективы на будущее Эти методы анализа данных, основанные на обучении, описанные в этой статье, еще не получили широкого распространения в области сварочных процессов. Библиометрический анализ среди авторов, изученных в этом исследовании, показывает очень небольшую связь между ними. Рисунок 7 демонстрирует это. Небольшие размеры авторских облаков (статьи с процессом сварки и новыми методами анализа данных) и их взаимосвязей (совместные публикации) показывают малую зрелость взаимосвязи этих областей. Рисунок 7. Библиометрический анализ: взаимосвязь авторов. Некоторые работы демонстрируют небольшое сближение между областями, выполняя междисциплинарность, которую отстаивает Индустрия 4.0. Достижение этой междисциплинарности предполагает новые процессы обучения, определение новых методологий, объединяющих потенциал этих двух областей. Потребности современного мира сделают это возможным в короткие сроки. Новая концепция анализа данных в области сварочных процессов ускорит получение новых и лучших моделей, более эффективных прогнозов и средств управления. Реклама 8. Выводы Проанализировано несколько статей о сварочном процессе. Это позволило определить для каждого этапа интеллектуального анализа данных, как можно оптимизировать результаты, чтобы получить хороший результат анализа процесса. Было продемонстрировано несколько алгоритмов анализа процесса сварки и продемонстрировано, что сравнение между ними может сделать анализ процесса более эффективным и менее затратным. Описан потенциал методов, основанных на обучении, поскольку вычислительные ресурсы дешевеют, и можно получить более качественную информацию о процессе сварки. Все эти предпосылки соответствуют так называемой Индустрии 4.0, где набор технологий, позволяющих объединить физический и цифровой мир, создает более интеллектуальную и динамичную систему. Реклама Благодарности Авторы выражают признательность IntechOpen, Brasilia University, CNPq, CAPES и PPMEC-UnB, а также профессорам Алиссон Мартин Сильва и Гильермо Альбарес Бестард. Ссылки 1. Виллани П., Моденеси П.Дж., Бракаренсе А.К. Soldagem: Fundamentos e Tecnologia. Бразилия: Эльзевир; 2016 2. Чжан Ю.М. Институт материалов, Мониторинг процесса сварки в реальном времени. Паб Вудхед. и паб Маней. от имени Института материалов, полезных ископаемых и горного дела; 2008. Доступно по адресу: http://www.sciencedirect.com/science/book/9.781845692681 3. Чен С.Б., Л.В. Н. Эволюция исследований интеллектуальных технологий для процесса дуговой сварки. Журнал производственных процессов. 2014;16(1):109-122 4. Хаффнер О., Кучера Э., Козак С., Старк Э. Предложение системы автоматической оценки сварных швов. В: 2017 21-я Международная конференция по управлению технологическими процессами (ПК). ИЭЭЭ; 2017. С. 440-445. Доступно по адресу: http://ieeexplore.ieee.org/document/7976254/ 5. Jiang C, Zhang F, Wang Z. Обработка изображения сварочной ванны из алюминиевого сплава для роботизированной VPPAW на основе визуального контроля. IEEE-доступ. 2017;5:21567-21573. Доступно по адресу: http://ieeexplore.ieee.org/document/8064625/ 6. Чонг Л., Рамакришна С., Сингх С. Обзор процессов гибридного аддитивного производства на основе цифрового производства. Международный журнал передовых производственных технологий. 2018;95(5-8):2281-2300. Доступно по адресу: http://link.springer.com/10.1007/s00170-017-1345-3 7. Туоминен В. Измерительная сварочная камера, дающая зрение слепым. Международный журнал передовых производственных технологий. 2016;86(1-4):371-386. Доступно по адресу: http://link.springer.com/10.1007/s00170-015-819.3-9 8. Эрнандес Оралло Х., Рамирес Кинтана М.Дж., Ферри Рамирес К. Введение в Минерию де Датос. Нью-Джерси, США: Пирсон Прентис Холл; 2004 9. Марсленд С. Машинное обучение, алгоритмическая перспектива. США: CRC Press; 2015 10. Белл Дж. Машинное обучение: практическое руководство для разработчиков и технических специалистов. Индианаполис, Индиана, США: John Wiley & Sons, Inc.; 2015 11. Казалино Г. [ПРГЛАШЕНО] Вычислительный интеллект для интеллектуальной лазерной обработки материалов. Оптика и лазерные технологии. 2018;100:165-175. Доступно по адресу: https://linkinghub.elsevier.com/retrieve/pii/S003039. 03286 12. Ю. Д., Дэн Л. Глубокое обучение и его приложения для обработки сигналов и информации [исследовательский DSP]. Журнал обработки сигналов IEEE. 2011;28(1):145-154. Доступно по адресу: http://ieeexplore.ieee.org/document/5670617/ 13. Hirji KK. Открытие интеллектуального анализа данных: от концепции к реализации. Информационный бюллетень исследований SIGKDD. 1999;1(1):44-45. Доступно по адресу: http://doi. acm.org/10.1145/846170.846181 14. Norton MJ. Обнаружение знаний в базах данных. Библиотечные тренды. 1999;48(1):9-21. Доступно по адресу: https://search.proquest.com/docview/220463919?accountid=26646 15. Олсон Д.Л., Делен Д. Передовые методы интеллектуального анализа данных. 1-е изд. Нью-Йорк, США: Springer Publishing Company, Incorporated; 2008 16. Пятецкий Г. CRISP-DM по-прежнему является ведущей методологией для аналитики, интеллектуального анализа данных или проектов по науке о данных. 2014. [Онлайн]. Доступно по адресу: http://www.kdnuggets.com/2014/10/crisp-dm-top-methodology-analytics-data-mining-data-science-projects.html. [Доступ: 27 июля 2017 г.] 17. Чемберс М., Дойг К., Стоукс-Риз И. Открытие науки о данных. 1-е изд. Калифорния, США: O’Reilly Media, Inc.; 2017 18. Huang Z, Xu X, He H, Tan J, Sun Z. Параметризованное пакетное обучение с подкреплением для продольного управления автономными наземными транспортными средствами. Транзакции IEEE по системам, человеку и кибернетике: системы. 2019;49(4):730-741 19. Chi R, Hou Z, Jin S, Huang B. Усовершенствованный двухточечный ilc, управляемый данными, с использованием дополнительных входных данных управления в режиме онлайн с экспериментальной проверкой. Транзакции IEEE по системам, человеку и кибернетике: системы. 2019;49(4):687-696 20. Woods AC, La HM. Новый потенциальный полевой контроллер для использования на воздушных роботах. Транзакции IEEE по системам, человеку и кибернетике: системы. 2019;49(4):665-676 21. Шалев-Шварц С., Бен-Дэвид С. Понимание машинного обучения: от теории к алгоритмам. Нью-Йорк, США: издательство Кембриджского университета; 2014 22. Алпайдин Э. Введение в машинное обучение. США: Массачусетский технологический институт; 2010 23. Mesnil G, He X, Deng L, Bengio Y. Исследование архитектур рекуррентных нейронных сетей и методов обучения для понимания устной речи Iterspeech. В: Bimbot F, Cerisara C, Fougeron C, Gravier G, Lamel L, Pellegrino F, et al. ИСКА. 2013. С. 3771-3775 24. Zhu Z, Luo P, Wang X, Tang X. Multi-View Perceptron: глубокая модель для изучения идентификации лица и представления представлений. 2014. стр. 217-225 25. Пачитариу М., Пакер А.М., Петтит Н., Далглейш Х., Хауссер М., Сахани М. Извлечение интересующих областей из биологических изображений с помощью сверточного разреженного блочного кодирования. 2013. стр. 1745-1753 26. Ян Дж, Прайс Б, Коэн С, Ли Х, Ян М-Х. Обнаружение контуров объекта с помощью полностью сверточной сети кодировщик-декодер. Cvpr 2016. 2016. Доступно по адресу: http://arxiv.org/abs/1603.04530 27. Пачаури Д., Кондор Р., Саргур Г., Сингх В. Диффузионные карты перестановок (PDM) с применением к проблеме ассоциации изображений в компьютерном зрении. 2014. стр. 541-549 28. Редмон Дж. , Диввала С., Гиршик Р., Фархади А. Вы смотрите только один раз: унифицированное обнаружение объектов в реальном времени. Cvpr 2016. 2016. стр. 779-788 29. Вондрик С., Пирсиаваш Х., Торралба А. Предвосхищение визуальных представлений из немаркированного видео. В: Конференция IEEE по компьютерному зрению и распознаванию образов. 2015. Доступно по адресу: http://arxiv.org/abs/1504.08023 30. Zheng S, Dongang W, Shih-Fu C. Локализация временных действий в необрезанных видео с помощью многоэтапных CNN. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), 2016. 2016. стр. 1049-1058 31. Луо С., Чжу Л., Альтофер К., Лю Х. Тук-тук: распознавание акустических объектов с использованием шумоподавления с накоплением автоэнкодеры. Нейрокомпьютинг. 2017;267:18-24. Доступно по адресу: http://linkinghub.elsevier.com/retrieve/pii/S0 121730509X 32. McLoughlin I, Zhang H, Xie Z, Song Y, Xiao W, Phan H. Непрерывная устойчивая классификация звуковых событий с использованием частотно-временных характеристик. и глубокое обучение. ПЛОС ОДИН. 2017;12(9):e0182309. Доступно по адресу: http://dx.plos.org/10.1371/journal.pone.0182309 33. Zhou Z-H. Три перспективы интеллектуального анализа данных. Искусственный интеллект. 2003;143(1):139-146. Доступно по адресу: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.2.3790&rep=rep1&type=pdf 34. Marbán Ó, Mariscal G, Segovia J. Процесс интеллектуального анализа данных и обнаружения знаний модель. Интеллектуальный анализ данных и знания. 2009; (февраль): 1–17. Доступно по адресу: http://cdn.intechopen.com/pdfs/5937/InTech-Adataminingampknowledgeddiscoveryprocessmodel.pdf 35. C. Аналитика. Сеть науки. 2018. Доступно по адресу: http://webofknowledge.com 36. AWS. Справочник по контролю за сваркой, 3-е издание. 2000 37. Моденези П.Дж. Introdução à Física do Arco Elétrico и sua Aplicação na Soldagem душ Metais. отд. англ. Встретились. э матер. ун-т Кормили. Минас-Жерайс — UFMG. 2004. с. 159 38. Абдуллахи И, Хамза М.Ф. Обзор применения контактной точечной сварки автомобильных листов. 2015; (декабрь) 39. Уисс М., Коган С. Надежная конструкция точечных сварных швов в автомобильных конструкциях: методология принятия решений. Механические системы и обработка сигналов. 2010;24(4):1172-1190 40. Доус CT. Лазерная сварка: практическое руководство. 1992 41. Мазмудар С.П., Патель К. Влияние параметров процесса лазерной сварки на механические свойства нержавеющей стали-316. 2014;1(5):1-11 42. Альварез Бестард Г. Сенсорная сварка и встроенные устройства для оценки и контроля глубины и ширины наплавленного валика в режиме реального времени [Ph.D. кандидатская диссертация диссертация]. 2017. Доступно по адресу: http://repositorio.unb.br/handle/10482/31429 43. Nagarajan S, Nagarajan S, Banerjee P, Banerjee P, Chen W, Chen W, et al. Контроль процесса сварки с помощью инфракрасных датчиков. Общество. 1992;8(1):86-93 44. Мота К.П., Мачадо М.В.Р., Финзи Нето Р.М., Вилариньо Л.О. Sistema de visão por infravermelho próximo para monitoramento de processos de soldagem a arco. Soldagem & Inspeção. 2013;18(1):19-30 45. Фидали М., Джамрозик В. Метод диагностики сварочного процесса на основе совмещенных инфракрасных и визуальных изображений. Инфракрасная физика и технология. 2013;61:241-253 46. Багаватиаппан С., Лахири Б.Б., Сараванан Т., Филип Дж., Джаякумар Т. Инфракрасная термография для мониторинга состояния — обзор. Инфракрасная физика и технология. 2013;60:35-55 47. Вилариньо LO, Mota CP, Machado MVR, Finzi Neto RM. Система технического зрения в ближнем инфракрасном диапазоне для контроля дуговой сварки. В: DebRoy T, David SA, JN DP, Koseki T, Bhadeshia HK, редакторы. Тенденции исследований в области сварки: Материалы 9-й Международной конференции. Труды Бумага. АСМ Интерн. 9503 Kinsman Rd, Materials Park, OH 44073 США: ASM International; 2013. стр. 1029-1037 48. Шридхар У., Кришнамурти К.В., Баласубраманиам К., Рагхупати В.Д., Рависанкар С. Автоматическая идентификация дефектов с использованием анализа теплового изображения для онлайн-мониторинга качества сварки. Журнал технологии обработки материалов. 2012;212(7):1557-1566 49. Васудеван М., Чандрасекар Н., Мадураймуту В., Бхадури А.К., Радж Б. Мониторинг в режиме реального времени пула оружия во время gtaw с использованием инфракрасной термографии и анализа инфракрасных тепловых изображений. Сварка в мире. 2011;55(7-8):83-89 50. Бенуа А., Пайяр П., Боден Т., Клосек В., Моттин Дж.Б. Сравнение четырех процессов дуговой сварки, используемых для наплавки алюминиевых сплавов. Наука и техника сварки и соединения. 2015;20(1):75-81 51. Tarn J, Huissoon J. Разработка психоакустических экспериментов по дуговой сварке металлическим газом. Международная конференция IEEE по мехатронике и автоматизации. 2005, 2014; 2 (январь): 1112-1117. Доступно по адресу: http://ieeexplore.ieee.org/document/1626707/9.0018 52. Сайни BYD. Исследование звуковой сигнатуры дуговой сварки металлическим газом для оперативного контроля качества. 1998. С. 172-179. Доступно по адресу: http://files.aws.org/wj/supplement/WJ199804s172.pdf 53. Horvat J, Prezelj J, Polajnar I, Čudina M. Мониторинг процесса дуговой сварки металлическим электродом с использованием звукового сигнала. Стройнишки Вестник машиностроения. 2011;2011(03):267-278 54. Wu D, Chen H, He Y, Song S, Lin T, Chen S. Модель прогнозирования геометрии замочной скважины и акустических характеристик во время плазменной дуговой сварки с переменной полярностью на основе экстремальных обучающая машина. Сенсорный обзор. 2016;36(3):257-266 55. Lv N, Xu YL, Fang G, Yu XW, Chen SB. Исследование распознавания состояния проплавления на основе модели BP-Adaboost для динамического процесса импульсной дуговой сварки. В: Материалы семинара IEEE по передовой робототехнике и ее социальным последствиям, ARSO. Том. 2016. ИИЭР; 2016. С. 100-105. Доступно по адресу: http://ieeexplore.ieee.org/document/7736264/ 56. Lv N, Xu Y, Li S, Yu X, Chen S. Автоматизированный контроль провара на основе технологии звукового контроля. Журнал технологии обработки материалов. 2017;250:81-98. Доступно по адресу: http://linkinghub.elsevier.com/retrieve/pii/S0 3617302777 57. LeCun Y, Bengio Y, Hinton G. Глубокое обучение. Природа. 2015;521(7553):436-444. Доступно по адресу: http://www.nature.com/doifinder/10.1038/nature14539 58. Xu Y, Yu H, Zhong J, Lin T, Chen S. Захват и обработка изображений пласта и бассейна в режиме реального времени во время роботизированной обработки. сварочный процесс. Промышленный робот — международный журнал. 2012;39(5):513-523 59. Лю Ю.К., Хуан Н., Чжан Ю.М. Моделирование реакции человека-сварщика на трехмерную поверхность сварочной ванны с использованием совместной виртуализированной сварочной платформы машина-человек. В: Tarn TJ, Chen SB, Chen XQ, редакторы. Роботизированная сварка, интеллект и автоматизация, РВИА’2014, Сер. Достижения в области интеллектуальных систем и вычислений. Труды Бумага. Том. 363. Хайдельбергер Платц 3, D-14197 Берлин, Германия: Springerverlag Berlin; 2015. стр. 451-457 60. Огава Ю. Метод высокоскоростной визуализации. Часть 1. Высокоскоростная визуализация явлений дуговой сварки. Наука и техника сварки и соединения. 2011;16(1):33-43 61. Гао Ф., Чен К., Го Л. Исследование метода обнаружения касания сварного шва роботом для дуговой сварки для структурных частей корпуса. В: 2015 Международная конференция по управлению, автоматизации и информатике (ICCAIS). ИЭЭЭ; 2015. стр. 42-46 62. Гюнтер Дж., Пиларски П.М., Хельфрих Г., Шен Х., Дипольд К. Первые шаги к интеллектуальной архитектуре лазерной сварки с использованием глубоких нейронных сетей и обучения с подкреплением. Технология Процедиа. 2014;15:474-483 63. Гюнтер Дж. Интеллектуальная лазерная сварка посредством представления, прогнозирования и обучения управлению: архитектура с глубокими нейронными сетями и обучением с подкреплением. Мехатроника. 2016;34:1-11. Доступно по адресу: http://linkinghub.elsevier.com/retrieve/pii/S0957415815001555 64. Chen JZ, Farson DF. Гибридные сварные швы, коаксиальный визуальный контроль процесса гибридной сварки LBW/GMAW. Оценка материалов. 2010;68(12):1318-1328 65. Ramos EG, de Carvalho GC, Absi Alfaro SC. Анализ колебаний сварочной ванны в P-GMAW с помощью обработки теневого изображения. Soldagem & Inspeção. 2013;18(1):39-49 66. Siewert E, Wilhelm G, Haessler M, Schein J, Hanson T, Schnick M, et al. Визуализация газовых потоков в сварочных дугах методом шлирен-измерений. Сварочный журнал. 2014; 93 (январь): 1-5 67. Чен С.Б., Лу Ю.Дж., У Л., Чжао Д.Б. Интеллектуальная методология обнаружения, моделирования и управления импульсной GTAW: Часть I — Сварка валиком на пластине. Сварочный журнал. 2000;79(6):151s-163s 68. Ma G, Li L, Chen Y. Влияние конфигурации луча на плавление проволоки и поведение переноса при двухлучевой лазерной сварке с присадочной проволокой. Оптика и лазерная техника. 2017;91 (апрель): 138-148. DOI: 10.1016/j.optlastec.2016.12.019 69. Yue H, Li K, Zhao HW, Zhang Y. Робот для кольцевой сварки трубопроводов на основе технического зрения и обработка изображений сварного шва. Промышленный робот — международный журнал. 2009;36(3):284-289. Доступно по адресу: http://www.emeraldinsight.com/doi/10.1108/01439	0950568 70. Xu Y, Fang G, Chen S, Zou JJ, Ye Z. Обработка изображений в реальном времени для визуального отслеживания сварных швов в роботизированный GMAW. Международный журнал передовых производственных технологий. 2014;73(9-12):1413-1425 71. Ву Кью, Ли Дж.П., Пак М.Х., Пак К.К., Ким И.С. Исследование по разработке оптимального алгоритма фильтрации шумов для системы лазерного зрения при сварке GMA. В: Xavior MA, PKDV Y, редакторы. 12-й Глобальный конгресс по производству и менеджменту (GCMM—2014), сер. Процедиа Инжиниринг. Труды Бумага. Том. 97. VIT Univ, Sch Mech & Bldg Sci; Технологический университет Квинсленда. Sara Burgerhartstraat 25, PO BOX 211, 1000 AE Амстердам, Нидерланды: Elsevier Science BV; 2014. С. 819-827 72. Muniategui A, Hériz B, Eciolaza L, Ayuso M, Iturrioz A, Quintana I, et al. Система мониторинга точечной сварки на основе нечеткой классификации и глубокого обучения. Опубликовано: Международная конференция IEEE по нечетким системам, 2017 г. (FUZZ-IEEE). ИЭЭЭ; 2017. С. 1-6. Доступно по адресу: http://ieeexplore.ieee.org/document/8015618/ 73. Hou W, Wei Y, Guo J, Jin Y, Zhu C. Автоматическое обнаружение дефектов сварки с использованием глубокой нейронной сети. Журнал физики: серия конференций. 2018;933:012006 74. Сен М., Мукерджи М., Пал Т.К. Оценка корреляции между параметрами процесса DP-GMAW и геометрией валика. Сварочный журнал. 2015; (июль): 265-279 75. Сантана Бабу А.В., Гиридхаран П.К., Рамеш Нараянан П., Нараяна Мурти С.В.С. Прогнозирование геометрии валика при сварке вольфрамовым электродом в среде инертного газа алюминиевого сплава АА 2219-Т87. Журнал передовых производственных систем. 2016;15(02):69-84. Доступно по адресу: http://www.worldscientific.com/doi/abs/10.1142/S0219686716500074 76. Boutaghane A, Bouhadef K, Valensi F, Pellerin S, Benkedda Y. Теоретическая модель и экспериментальное исследование граничного условия плотности тока для исследование сварочной дуги. Европейский физический журнал-Прикладная физика. 2011;54(1):13 77. Dong H, Cong M, Liu Y, Zhang Y, Chen H. Прогнозирование характеристик процесса дуговой сварки. Опубликовано: Международная конференция IEEE 2016 г. по кибертехнологиям в автоматизации, управлении и интеллектуальных системах (CYBER). ИЭЭЭ; 2016. стр. 7-12 78. Гао С., Дин Д., Бай Т., Катаяма С. Алгоритм центроида изображения сварочной ванны для визуальной модели отслеживания шва в процессе дуговой сварки. Обработка изображений IET. 2011;5(5):410-419 79. Li Z, Gao X. Исследование регрессионной модели измерения положения сварного шва. В: Чой С.Б., Ярлагадда П., Абдулла АльВадуд М., редакторы. Датчики, мехатроника и автоматика. Сер. Прикладная механика и материалы. Труды Бумага. Том. 511-512. Laublsrutistr 24, CH-8717 Stafa-Zurich, Швейцария: Trans Tech Publications Ltd; 2014. С. 514-517 80. Фэн С., Лин Г., Ма Б. , Ху С. Новый метод измерения и квалификации дефектов сварки GMAW на основе цифровых сигналов. В: Chen WZ, Xu XP, Dai PQ, Chen YL, редакторы. Передовые технологии производства, ч. 1-4, сер. Расширенные исследования материалов. Труды Бумага. Том. 472-475. Технологический университет Фуцзянь; Сямыньский университет; Университет Фучжоу; Университет Хуацяо; Университет Вуллонгонга; Fujian Mech Engn Soc; Hong Kong Ind Technol Res Ctr. Laublsrutistr 24, CH-8717 Stafa-Zurich, Швейцария: Trans Tech Publications Ltd; 2012. С. 1201-1205 81. Muzaka K, Park MH, Lee JP, Jin BJ, Lee BR, Kim WYIS. Исследование прогнозирования качества сварки с использованием метода расстояния Махаланобиса путем оптимизации сварочного тока для сварки в вертикальном положении. Процедиа Инжиниринг. 2017;174:60-67. Доступно по адресу: http://linkinghub.elsevier.com/retrieve/pii/S1877705817301431 82. Bai F, Lubecki TM. Роботизированная дуговая сварка с онлайн-мониторингом процесса на основе LMM-анализа стабильности процесса сварки. Опубликовано: Международная конференция IEEE по передовой интеллектуальной мехатронике (AIM), 2016 г. 2016. С. 566-571. Доступно по адресу: http://ieeexplore.ieee.org/document/7576828/ 83. Пак Дж., Ким К.Ю. Фреймворк прогнозного моделирования с агрегированием начальной загрузки для данных точечной сварки с шумным сопротивлением. Журнал производственных наук и техники. 2017;139(10):101003 84. Чен Б., Ван Дж., Чен С. Прогнозирование состояния проникновения импульсного GTAW на основе объединения данных нейронной сети BP и теории доказательств D-S. Международный журнал передовых производственных технологий. 2010;48(1-4):83-94 85. Саркар А., Дей П., Рай Р., Саха С. Сравнительное исследование методов множественного регрессионного анализа и нейронных сетей обратного распространения на простой углеродистой стали при дуговой сварке под флюсом. . Садхана — Труды Академии инженерных наук. 2016;41(5):549-559 86. Паван Кумар Н., Девараджан П.К., Арунгалай Вендан С., Шанмугам Н. Прогнозирование геометрии валика при сварке холодным металлом с использованием нейронной сети обратного распространения. Международный журнал передовых производственных технологий. 2017;93(1-4):385-392. Доступно по адресу: http://link.springer.com/10.1007/s00170-016-9562-8 87. Rong Y, Huang Y, Zhang G, Chang Y, Shao X. Прогнозирование угловой деформации в стыковом соединении без зазора с использованием BPNN и собственной деформации с учетом фактической геометрии борта. Международный журнал передовых производственных технологий. 2016;86(1-4):59-69. Доступно по адресу: http://link.springer.com/10.1007/s00170-015-8102-2 88. Мэтью Дж., Моут Р., Паддеа С., Фитцпатрик М., Бушар П. Прогноз остаточных напряжений в кольцевых сварных трубах с использованием метод искусственной нейронной сети. Международный журнал сосудов под давлением и трубопроводов. 2017;150:89-95 89. Чен Б., Фэн Дж. Моделирование процесса мокрой подводной сварки на основе визуального и дугового датчиков. Промышленный робот — международный журнал. 2014;41(3):311-317 90. You D, Gao X, Katayama S. Мониторинг процесса лазерной сварки на основе WPD-PCA и диагностика дефектов с использованием FNN и SVM. Транзакции IEEE по промышленной электронике. 2015;62(1):628-636 91. Чен Б., Чен С. Объединение информации от нескольких датчиков в импульсном GTAW на основе нечеткой меры и нечеткого интеграла. Автоматизация сборки. 2010;30(3):276-285 92. Риос-Кабрера Р., Моралес-Диас А.Б., Авилес-Виньяс Дж.Ф., Лопес-Хуарес И. Роботизированное онлайн-обучение GMAW: проблемы и эксперименты. Международный журнал передовых производственных технологий. 2016;87(5-8):2113-2134 93. Кешмири С., Чжэн С., Фэн Л.В., Пан С.К., Чу С.М. Применение глубокой нейронной сети для оценки параметров сварного шва. В: Международная конференция IEEE по интеллектуальным роботам и системам. Том. 2015. 2015. С. 3518-3523. Доступно по адресу: http://arxiv.org/abs/1502.04187 94. Рао П.Г., Шриниваса Рао П., Дипак Б.Б. Стратегия, основанная на невосприимчивости к GRNN, для оценки и оптимизации параметров вибрационной сварки для получения качественных сварных соединений. Инженерный журнал. 2017;21(3):251-267 95. Wu D, Huang Y, Chen H, He Y, Chen S. Мониторинг проникновения VP-PAW на основе слияния визуальных и акустических сигналов с использованием модели t-SNE и DBN. Материалы и дизайн. 2017;123:1-14. Доступно по адресу: http://linkinghub.elsevier.com/retrieve/pii/S0264127517302721 96. Ли В., Гао К., Ву Дж., Ху Т., Ван Дж. Объединение информации на основе SVM для извлечения отклонения сварного шва и идентификации состояния разделки сварного шва при сварке MAG с узким зазором с вращающейся дугой. Международный журнал передовых производственных технологий. 2014;74(9-12):1355-1364 97. Кумар Г.С., Натараджан У., Вирараджан Т., Анантхан С.С. Оценка уровня качества дефектов в GMAW. Сварочный журнал. 2014;93(3):85S-97S 98. Эскрибано-Гарсия Р., Лостадо-Лорса Р., Фернандес-Мартинес Р., Вильянуэва-Ролдан П., Мак Дональд Б.Дж. Улучшение производства сварных изделий за счет методологии поверхности множественного отклика и методов интеллектуального анализа данных. Достижения в области интеллектуальных систем и вычислений. 2014;299:301-310 99. Сумеш А., Рамешкумар К., Мохандас К., Бабу Р.С. Использование алгоритмов машинного обучения для контроля качества сварных швов с использованием акустической подписи. Процесседия Информатика. 2015;50:316-322. Доступно по адресу: http://linkinghub.elsevier.com/retrieve/pii/S1877050	000501 118. Саттон Р., Барто А. Обучение с подкреплением: введение. Тенденции в когнитивных науках. 1999;3(9):360 119. Ли Дж., Чай Т., Льюис Ф.Л., Фань Дж., Дин З., Дин Дж. Нестандартное Q-обучение: расчет заданных значений для оптимизации рабочих процессов двухступенчатой ​​первичной флотации. . Транзакции IEEE по промышленной электронике. 2018;65(5):4092-4102 120. Чинколи М., Лиотта А. Самообучающееся управление мощностью в беспроводных сенсорных сетях. Датчики. 2018;18(2):375. Доступно по адресу: http://www.mdpi.com/1424-8220/18/2/375 121. Раманатан П., Мангла К.К., Сатпати С. Интеллектуальный контроллер для системы конических резервуаров с использованием алгоритма обучения с подкреплением. Измерение: журнал Международной конфедерации измерений. 2018;116:422-428 122. Инь Л., Ю Т., Чжоу Л. Проектирование нового интеллектуального контроллера генерации на основе глубокого обучения Q для крупномасштабной взаимосвязанной энергосистемы. Журнал энергетики. 2018;144(3):04018033 123. Hu P, Huang J, Zeng M. Применение метода нечеткого управления при дуговой сварке металлическим газом. Международный журнал передовых производственных технологий. 2017;92(5-8):1769-1775. Доступно по адресу: http://link.springer.com/10.1007/s00170-017-0245-x Секции Информация об авторе .Обработка данных 5.Моделирование процесса сварки 6.Интеллектуальное управление процессом сварки 7. ПРОВЕРКА НАПРАВЛЕНИЯ 8.CONCLUSIONS Благодарности Ссылки РЕКЛАМА ПЕРЕПИСАНИЯ ABSI ABSI ABSI ABSI ABSI 100003. : 10 марта 2020 г. СКАЧАТЬ БЕСПЛАТНО © 2020 Автор(ы). Лицензиат IntechOpen. Эта глава распространяется в соответствии с условиями лицензии Creative Commons Attribution 3. 0, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы. Другие области науки обладают потенциалом для решения этих проблем. Области компьютерных наук добились отличных результатов благодаря применению новых методов анализа данных, моделей обучения и интеллектуального управления. Цель анализа данных указывает на нетривиальные особенности большого количества данных. В связи с увеличением и сложностью данных были разработаны более эффективные методы анализа данных. С этой точки зрения можно анализировать процесс сварки. Итак, анализ сварочного процесса новыми методиками есть не что иное, как преемственность в развитии процессов анализа сварки. Эта междисциплинарность является одним из необходимых вкладов, провозглашенных так называемой Индустрией 4.0, как показано в [4, 5, 6]. Четвертая промышленная революция относится к следующему поколению производства, в котором технология автоматизации будет улучшена за счет самооптимизации и интеллектуальной обратной связи [7]. По этой причине применение новейших методов и процессов анализа данных может способствовать лучшему контролю и мониторингу сварочных процессов. Эти методы могут быть объединены в методы машинного обучения [8, 9, 10, 11, 12], процесс интеллектуального анализа данных [13, 14, 15, 16, 17] и процесс управления [18, 19, 20]. Взаимосвязь этих областей и их происхождение представлены на рисунке 2. Машинное обучение — это растущая область информатики с далеко идущими приложениями для анализа данных [21]. Машинное обучение использует компьютерную теорию и статистику для построения математических моделей с целью сделать вывод на основе выборки [22]. Одной из быстрорастущих ветвей машинного обучения является глубокое обучение. Эти методы являются неотъемлемой частью современных исследований распознавания речи [23], распознавания изображений [24, 25, 26], обнаружения объектов [27, 28], видео [29]., 30] и звуковой [31, 32] анализ. Интересные закономерности получаются из таких методов машинного обучения. Одним из важных процессов является интеллектуальный анализ данных. Интеллектуальный анализ данных уделяет большое внимание различным аспектам, таким как эффективность, действенность и достоверность процесса [33]. Процессы интеллектуального анализа данных определяют несколько этапов и методологий для достижения этих целей, как описано Марбаном в [34]. Важной задачей анализа данных является выявление и указание разнообразных, нетривиальных особенностей данных. По этой причине процесс сварки можно анализировать с этой точки зрения. Поиск, проведенный в Web of Science с 2011 г. по 3 октября 2018 г., показывает растущую тенденцию этих новых методов анализа данных и процессов в исследованиях сварочных процессов (рис. 3), но при сравнении с исследованиями моделей сварочного процесса рост почти незаметны, как показано на рис. 4. Они демонстрируют необходимость в этом обзоре, чтобы показать эти методы, преимущества их применения и растущую тенденцию их использования. Этот обзор может быть возобновлен в следующие этапы: Эти этапы тесно связаны с процессами интеллектуального анализа данных в качестве примера [34]. Модель открытого доступа применяется ко всем нашим публикациям и предназначена для исключения подписки и платы за просмотр. Такой подход обеспечивает бесплатный немедленный доступ к полным текстовым версиям вашего исследования. Являясь золотым издателем открытого доступа, плата за публикацию открытого доступа выплачивается при принятии после рецензирования рукописи. Взамен мы предоставляем высококачественные издательские услуги и эксклюзивные преимущества для всех участников. IntechOpen является надежным издательским партнером более 140 000 международных ученых и исследователей. Плата за публикацию в открытом доступе (OAPF) подлежит оплате только после того, как глава вашей книги, монография или журнальная статья будут приняты к публикации. На этапе запуска журналы не взимают APC, они будут финансироваться IntechOpen. *Эти цены не включают налог на добавленную стоимость (НДС). Жителям стран Европейского Союза необходимо добавить НДС, исходя из конкретной ставки в стране их проживания. Учреждения и компании, зарегистрированные в качестве плательщиков НДС в своей стране-члене ЕС, не будут платить НДС, если в процессе подачи заявления будет предоставлен регистрационный номер плательщика НДС. Это стало возможным благодаря методу обратного начисления в ЕС. Ваш менеджер по работе с авторами проинформирует вас обо всех пунктах, не покрываемых OAPF, и предоставит точную информацию об этих дополнительных расходах, прежде чем продолжить. Чтобы изучить возможности финансирования и узнать больше о том, как вы можете финансировать свою публикацию IntechOpen, перейдите на нашу страницу финансирования открытого доступа. IntechOpen предлагает квалифицированную помощь всем своим Авторам. Мы можем помочь вам в обращении к финансирующим органам и учреждениям в отношении платы за публикацию, предоставив информацию о соблюдении политики открытого доступа вашего спонсора или учреждения. Мы также можем помочь в распространении информации о преимуществах открытого доступа, чтобы поддержать и усилить ваш запрос на финансирование и предоставить персональные рекомендации в процессе подачи заявки. Вы можете связаться с нами по адресу [email protected] для получения дополнительной информации или помощи. Для авторов, которые все еще не могут получить финансирование от своих учреждений или организаций, финансирующих исследования, для отдельных проектов, IntechOpen предлагает возможность подать заявку на отказ от прав, чтобы компенсировать некоторые или все потоки обработки. Подробную информацию о нашей Политике отказа можно найти здесь. IntechOpen сотрудничает с Enago через родственный бренд Ulatus, одного из ведущих мировых поставщиков услуг по переводу книг. Их услуги призваны донести суть вашей работы до читателей со всего мира на понятном им языке. IntechOpen Авторы, желающие воспользоваться этой услугой до отправки, получат 20% скидку на все переводческие услуги. Чтобы узнать больше информации или получить расценки, посетите https://www.enago.com/intech . Плата за публикацию в открытом доступе уплачивается при принятии после рецензирования рукописи. Взамен мы предоставляем высококачественные издательские услуги и эксклюзивные преимущества для всех участников. IntechOpen является надежным издательским партнером более 140 000 международных ученых и исследователей. Плата за публикацию в открытом доступе (OAPF) подлежит оплате только после того, как глава вашей книги, монография или журнальная статья будут приняты к публикации. На этапе запуска журналы не взимают APC, они будут финансироваться IntechOpen. *Эти цены не включают налог на добавленную стоимость (НДС). Жителям стран Европейского Союза необходимо добавить НДС, исходя из конкретной ставки в стране их проживания. Учреждения и компании, зарегистрированные в качестве плательщиков НДС в своей стране-члене ЕС, не будут платить НДС, если в процессе подачи заявления будет предоставлен регистрационный номер плательщика НДС. Это стало возможным благодаря методу обратного начисления в ЕС. Ваш менеджер по работе с авторами проинформирует вас обо всех пунктах, не покрываемых OAPF, и предоставит точную информацию об этих дополнительных расходах, прежде чем продолжить. Чтобы изучить возможности финансирования и узнать больше о том, как вы можете финансировать свою публикацию IntechOpen, перейдите на нашу страницу финансирования открытого доступа. IntechOpen предлагает квалифицированную помощь всем своим Авторам. Мы можем помочь вам в обращении к финансирующим органам и учреждениям в отношении платы за публикацию, предоставив информацию о соблюдении политики открытого доступа вашего спонсора или учреждения. Мы также можем помочь в распространении информации о преимуществах открытого доступа, чтобы поддержать и усилить ваш запрос на финансирование и предоставить персональные рекомендации в процессе подачи заявки. Вы можете связаться с нами по адресу [email protected] для получения дополнительной информации или помощи. Для авторов, которые все еще не могут получить финансирование от своих учреждений или организаций, финансирующих исследования, для отдельных проектов, IntechOpen предлагает возможность подать заявку на отказ от прав, чтобы компенсировать некоторые или все потоки обработки. Подробную информацию о нашей Политике отказа можно найти здесь. IntechOpen сотрудничает с Enago через родственный бренд Ulatus, одного из ведущих мировых поставщиков услуг по переводу книг. Их услуги призваны донести суть вашей работы до читателей со всего мира на понятном им языке. IntechOpen Авторы, желающие воспользоваться этой услугой до отправки, получат 20% скидку на все переводческие услуги. Чтобы получить дополнительную информацию или получить ценовое предложение, посетите https://www.enago.com/intech Разработка и использование матрицы воздействия сварочного процесса в историческом проспективном исследовании риска рака легких у европейских сварщиков | Международный журнал эпидемиологии Фильтр поиска панели навигации Международный журнал эпидемиологииЭтот выпускОбщественное здравоохранение и эпидемиологияКнигиЖурналыOxford Academic Термин поиска мобильного микросайта Закрыть Фильтр поиска панели навигации Международный журнал эпидемиологииЭтот выпускОбщественное здравоохранение и эпидемиологияКнигиЖурналыOxford Academic Термин поиска на микросайте Расширенный поиск Журнальная статья Получить доступ М. Жерин, М. Герен Ищите другие работы этого автора на: Оксфордский академический пабмед Google ученый А.С. Флетчер, А.С. Флетчер Ищите другие работы этого автора на: Оксфордский академический пабмед Google ученый C Серый, С Грей Ищите другие работы этого автора на: Оксфордский академический пабмед Google ученый Р Винкельманн, Р Винкельманн Ищите другие работы этого автора на: Оксфордский академический пабмед Google ученый П. Боффетта, П. Боффетта Ищите другие работы этого автора на: Оксфордский академический пабмед Google ученый Л Симонато Л. Симонато Ищите другие работы этого автора на: Оксфордский академический пабмед Google ученый Международный журнал эпидемиологии , том 22, выпуск Supplement_2, 1993, страницы S22–S28, https://doi.org/10.1093/ije/22.Supplement_2.S22 Опубликовано: 520 0319 Январь Содержание статьи Рисунки и таблицы видео Аудио Дополнительные данные Цитировать Cite М. Герин, А. С. Флетчер, С. Грей, Р. Винкельманн, П. Боффетта, Л. Симонато, Разработка и использование матрицы воздействия сварочного процесса в историческом проспективном исследовании риска рака легких у европейских сварщиков, International Journal of Epidemiology , том 22, приложение к выпуску_2, 1993 г., страницы S22–S28, https://doi.org/10.1093/ije/22.Supplement_2.S22 Выберите формат Выберите format.ris (Mendeley, Papers, Zotero).enw (EndNote).bibtex (BibTex).txt (Medlars, RefWorks) Закрыть Разрешения Электронная почта Твиттер Фейсбук Подробнее Фильтр поиска панели навигации Международный журнал эпидемиологииЭтот выпускОбщественное здравоохранение и эпидемиологияКнигиЖурналыOxford Academic Термин поиска мобильного микросайта Закрыть Фильтр поиска панели навигации Международный журнал эпидемиологииЭтот выпускОбщественное здравоохранение и эпидемиологияКнигиЖурналыOxford Academic Термин поиска на микросайте Расширенный поиск Реферат Была разработана матрица воздействия процесса сварки, соотносящая 13 комбинаций металла, свариваемого в процессе сварки, со средними уровнями воздействия общего сварочного дыма, общего содержания хрома, хрома (VI) и никеля. Количественные оценки были получены на основе изучения литературных источников и данных некоторых компаний. Эта матрица была применена к истории сварки 11 092 сварщиков в рамках многоцентрового исследования IARC. Когда подробная история сварки не была доступна на индивидуальном уровне, применялся средний профиль практики сварки компании. Никакой зависимости доза-реакция для риска рака легких с кумулятивной дозой канцерогенов хрома (VI) и никеля для сварщиков нержавеющей стали не выявлено. Размытие зависимости доза-реакция может быть результатом изменчивости между заводами и внутри завода, а также воздействия на рабочих местах, не учтенных в исследовании, но не в результате частичного использования корпоративных и индивидуальных данных. Также возможно, что у этой группы рабочих нет повышенного риска, связанного с воздействием хрома и никеля. Оценки воздействия матрицы должны быть проверены, и матрица, возможно, уточнена путем сравнения с различными комплексными наборами данных о воздействии сварки. Этот контент доступен только в формате PDF. © Международная эпидемиологическая ассоциация, 1993 © Международная эпидемиологическая ассоциация, 1993 Выпуск Раздел: Статьи В настоящее время у вас нет доступа к этой статье. Скачать все слайды Войти Получить помощь с доступом Получить помощь с доступом Доступ для учреждений Доступ к контенту в Oxford Academic часто предоставляется посредством институциональных подписок и покупок. Если вы являетесь членом учреждения с активной учетной записью, вы можете получить доступ к контенту одним из следующих способов: Доступ на основе IP Как правило, доступ предоставляется через институциональную сеть к диапазону IP-адресов. Эта аутентификация происходит автоматически, и невозможно выйти из учетной записи с IP-аутентификацией. Войдите через свое учреждение Выберите этот вариант, чтобы получить удаленный доступ за пределами вашего учреждения. Технология Shibboleth/Open Athens используется для обеспечения единого входа между веб-сайтом вашего учебного заведения и Oxford Academic. Щелкните Войти через свое учреждение. Выберите свое учреждение из предоставленного списка, после чего вы перейдете на веб-сайт вашего учреждения для входа. Находясь на сайте учреждения, используйте учетные данные, предоставленные вашим учреждением. Не используйте личную учетную запись Oxford Academic. После успешного входа вы вернетесь в Oxford Academic. Если вашего учреждения нет в списке или вы не можете войти на веб-сайт своего учреждения, обратитесь к своему библиотекарю или администратору. Войти с помощью читательского билета Введите номер своего читательского билета, чтобы войти в систему. Если вы не можете войти в систему, обратитесь к своему библиотекарю. Члены общества Доступ члена общества к журналу достигается одним из следующих способов: Войти через сайт сообщества Многие общества предлагают единый вход между веб-сайтом общества и Oxford Academic. Если вы видите «Войти через сайт сообщества» на панели входа в журнале: Щелкните Войти через сайт сообщества. При посещении сайта общества используйте учетные данные, предоставленные этим обществом. Не используйте личную учетную запись Oxford Academic. После успешного входа вы вернетесь в Oxford Academic. Если у вас нет учетной записи сообщества или вы забыли свое имя пользователя или пароль, обратитесь в свое общество. Вход через личный кабинет Некоторые общества используют личные аккаунты Oxford Academic для предоставления доступа своим членам. Смотри ниже. Личный кабинет Личную учетную запись можно использовать для получения оповещений по электронной почте, сохранения результатов поиска, покупки контента и активации подписок. Некоторые общества используют личные аккаунты Oxford Academic для предоставления доступа своим членам. Просмотр учетных записей, вошедших в систему Щелкните значок учетной записи в правом верхнем углу, чтобы: Просмотр вашей личной учетной записи и доступ к функциям управления учетной записью. Просмотр институциональных учетных записей, предоставляющих доступ. Выполнен вход, но нет доступа к содержимому Oxford Academic предлагает широкий ассортимент продукции. Подписка учреждения может не распространяться на контент, к которому вы пытаетесь получить доступ. Если вы считаете, что у вас должен быть доступ к этому контенту, обратитесь к своему библиотекарю. Ведение счетов организаций Для библиотекарей и администраторов ваша личная учетная запись также предоставляет доступ к управлению институциональной учетной записью. Здесь вы найдете параметры для просмотра и активации подписок, управления институциональными настройками и параметрами доступа, доступа к статистике использования и т. д. Покупка Стоимость подписки и заказ этого журнала Варианты покупки книг и журналов в Oxford Academic Кратковременный доступ Чтобы приобрести краткосрочный доступ, войдите в свою учетную запись Oxford Academic выше. У вас еще нет учетной записи Oxford Academic? регистр Разработка и использование матрицы воздействия сварочного процесса в историческом проспективном исследовании риска рака легких у европейских сварщиков — доступ 24 часа ЕВРО €30,00 22 фунта стерлингов 39 долларов США. Реклама Цитаты Альтметрика Дополнительная информация о метриках Оповещения по электронной почте Оповещение об активности статьи Предварительные уведомления о статьях Оповещение о новой проблеме Получайте эксклюзивные предложения и обновления от Oxford Academic Ссылки на статьи по телефону Последний Самые читаемые Самые цитируемые Культура экспериментов в эпидемиологии — 50 лет спустя Оценка избыточного бремени коклюша в Австралии в течение первого года жизни, которое можно было бы предотвратить с помощью своевременной вакцинации Продольная характеристика детерминант, связанных с моделями роста, вызывающими ожирение, в раннем детстве Гипогликемия и риск деменции: популяционное когортное исследование с использованием выборки плотности воздействия Воспалительные фенотипы астмы на четырех континентах: в большинстве случаев астма неэозинофильна Постоянный помощник/доцент эпидемиологии (2 должности) Колумбия, Южная Каролина Университет Рочестера, отделение инфекционных заболеваний Должность преподавателя: клинические испытания вакцины против ВИЧ Рочестер, Нью-Йорк Врач-инфекционист Брисбен, Другое / Не США ПОСЛЕДОКТОРСКАЯ СТИПЕНДИЯ Хьюстон, Техас Посмотреть все вакансии Реклама BPVC Раздел IX – Сварка, пайка и сплавление Квалификация Стандарты DisplaySubtitle»> BPVC-IX — 2021 Последний раз этот стандарт пересматривался и подтверждался в {{activeProduct.ReaffirmationYear}}. Поэтому эта версия остается в силе. BPVC Раздел IX. Квалификация сварки, пайки и сплавления Издание {{ onlyYear }} Формат {{ onlyFormat }} Количество Цифровые продукты ограничены одним на покупку. Купите сейчас и сэкономьте до {{ InterestDiff }}% Распродажа Цена {{activeProduct. CurrencySymbol}}{{ formatPrice(activeProduct.ListPrice) }} активПродукт.СписокЦен»> было {{activeProduct.CurrencySymbol}}{{ formatPrice(originalPrice) }} Прейскурантная цена {{activeProduct.CurrencySymbol}}{{ formatPrice(activeProduct.ListPrice) }} активПродукт.СписокЦен»> было {{activeProduct.CurrencySymbol}}{{ formatPrice(originalPrice) }} {{activeProduct. CurrencySymbol}}{{ formatPrice(activeProduct.ListPriceSale) }} активПродукт.СписокЦенПродажи»> было {{activeProduct.CurrencySymbol}}{{ formatPrice(originalPrice) }} Цена участника {{activeProduct.CurrencySymbol}}{{ formatPrice(activeProduct.MemberPrice) }} activeProduct.MemberPrice»> было {{activeProduct.CurrencySymbol}}{{ formatPrice(originalPrice) }} {{activeProduct. CurrencySymbol}}{{ formatPrice(activeProduct.MemberPriceSale) }} activeProduct.MemberPriceSale»> было {{activeProduct.CurrencySymbol}}{{ formatPrice(originalPrice) }} Становиться участником *Кроме участников Lite {{ errorMessage }} Окончательные счета будут включать применимый налог с продаж и налог на использование. Распечатать или поделиться Стандартные опции Формат Наличие Заказ № Цена Книга для печати Доставка в течение 3-5 дней 300090 $625 Выбрать Выбрать Книга для печати Доставка в течение 3-5 дней 0 $580 Выбрать Выбрать Книга для печати Доставка в течение 3-5 дней 700090 $550 Выбрать Выбрать Описание Описание Предметы упаковки Packages»> Количество Товар {{упаковка.Количество}} {{пакет.Название}} О BPVC С момента своего первого выпуска в 1914 году Кодекс ASME по котлам и сосудам под давлением (BPVC) стал пионером в разработке современных стандартов, сохраняя приверженность повышению общественной безопасности и технологическому прогрессу для удовлетворения потребностей меняющийся мир. Более 100 000 копий BPVC используются в 100 странах мира. Описание продукта / Аннотация Этот раздел содержит правила, относящиеся к аттестации процедур сварки, пайки и сплавления, как того требуют другие разделы BPVC для производства компонентов. Он также охватывает правила, касающиеся квалификации и переаттестации сварщиков, сварщиков и операторов машин для сварки, пайки и плавки, чтобы они могли выполнять сварку, пайку или сплавление пластмасс в соответствии с требованиями других секций BPVC при производстве компонентов. Данные по сварке, пайке и сплавлению охватывают существенные и несущественные переменные, характерные для используемого процесса соединения. Тщательное применение этого раздела поможет пользователям соблюдать применимые правила в пределах их юрисдикции, обеспечивая при этом преимущества в эксплуатации, затратах и ​​безопасности, которые можно получить благодаря множеству лучших отраслевых практик, подробно описанных в этих томах. Предназначен для производителей, пользователей, конструкторов, проектировщиков и других лиц, занимающихся проектированием, изготовлением, сборкой, монтажом, осмотром, проверкой и испытанием сосудов под давлением, а также всех потенциальных регулирующих органов. Щелкните здесь , чтобы получить удобную для печати форму запроса счета-фактуры для предварительного заказа. Стандарты BPVC Откройте для себя нашу полную коллекцию стандартов BPVC, которые представляют собой крупнейший источник технических данных, используемых при производстве, строительстве и эксплуатации котлов и сосудов под давлением. Получать уведомления Подпишитесь на получение уведомлений по электронной почте об обновлении стандартов. Получить обновления Извините, у нас есть только свободные места на этот курс. Хотите добавить их в корзину? Нет, не добавлять в корзину Да, добавить в корзину ПРАЙМ PubMed | Обзор состояния науки: представляет ли воздействие марганца во время сварки неврологический риск? Abstract Недавние исследования показывают, что воздействие марганца (Mn), основного компонента сварочных электродов и некоторых сталей, приводит к нейротоксичности и/или болезни Паркинсона (БП) у сварщиков. В этом научном обзоре представлен критический анализ опубликованных исследований, проведенных на различных профессиональных когортах, подвергающихся воздействию марганца в течение последних 100 лет, а также история регулирования марганца и сварочного дыма. Сварщики часто выполняют множество различных задач с разной степенью продолжительности и вентиляции, и, следовательно, для точной оценки воздействия марганца, имевшего место в профессиональных условиях, желательна некоторая конкретная информация об исторических моделях работы сварщиков. Этот обзор включает в себя обсуждение типов воздействия, которое происходит в процессе сварки, для которых существует ограниченная информация, касающаяся содержания марганца в воздухе с конкретными сварочными работами, а также исследования здоровья человека, оценивающие неврологические эффекты у сварщиков и других когорт, подвергшихся воздействию марганца. включая шахтеров, мельников и аккумуляторных рабочих. Также обсуждаются результаты и последствия исследований, специально проведенных для оценки нейроповеденческих эффектов и распространенности БП у сварщиков. Существующие данные о воздействии указывают на то, что в целом воздействие Mn на сварщиков меньше, чем воздействие, связанное с сообщениями о клинической нейротоксичности (например, «марганцевость») у горняков и рабочих металлургических заводов. Было также обнаружено, что, хотя марганец наблюдался у рабочих, подвергшихся сильному облучению, скудные данные о реакции на воздействие, доступные для сварщиков, не подтверждают вывод о том, что сварка связана с клинической нейротоксичностью. Имеющиеся данные могут помочь в разработке разумных оценок воздействия в «наихудшем случае» для большинства сварочных работ и позволяют предположить, что исследования с моделированием воздействия значительно уточнят такие оценки. Наш обзор заканчивается обсуждением пробелов в данных и областей для будущих исследований. Authors+Show Affiliations Santamaria AB Международная корпорация ENVIRON, Хьюстон, Техас 77042, США. [email protected] Cushing CA Информация об принадлежности для принадлежности Antonini JM Информация об аффилировании Finley BL Информация о достопримечательности Mowat FS NOFFILIATIO Загрязнители воздуха, Профессиональные животныеИстория, 20 векЛюдиМарганецОтравление марганцемПрофессиональное воздействиеБолезнь ПаркинсонаОценка рискаСварка Тип паба (S) Историческая статья Журнал Статья Обзор Язык ENG PubMed ID 17710609 Цитация Santamaria, Annette B. at. «Обзор современного состояния науки: представляет ли воздействие марганца во время сварки неврологический риск?» Журнал токсикологии и гигиены окружающей среды. Часть B, Критические обзоры, vol. 10, нет. 6, 2007, стр. 417-65. Santamaria AB, Cushing CA, Antonini JM, et al. Обзор состояния науки: представляет ли воздействие марганца во время сварки неврологический риск? J Toxicol Environ Health B Crit Rev . 2007;10(6):417-65. Сантамария, А.Б., Кушинг, К.А., Антонини, Дж.М., Финли, Б.Л., и Моват, Ф.С. (2007). Обзор состояния науки: представляет ли воздействие марганца во время сварки неврологический риск? Журнал токсикологии и гигиены окружающей среды. Часть B, Критические обзоры , 10 (6), 417-65. Santamaria AB, и др. Обзор состояния науки: представляет ли воздействие марганца во время сварки неврологический риск. J Toxicol Environ Health B Crit Rev. 2007 ноябрь-декабрь; 10(6):417-65. PubMed PMID: 17710609. * Названия статей в формате цитирования AMA должны быть в регистре предложений MLAAMAAPAVANCOUVER TY — JOUR T1 — Обзор современного состояния науки: представляет ли воздействие марганца во время сварки неврологический риск? AU — Сантамария, Аннет Б, AU — Кушинг, Коллин А, AU — Антонини, Джеймс М, AU — Финли, Брент Л, AU — Mowat, Fionna S, PY – 22 августа 2007 г. PY – 31 августа 2007 г./медлайн PY — 22 августа 2007 г. СП — 417 ЭП — 65 JF — Журнал токсикологии и гигиены окружающей среды. Часть B, Критические обзоры JO — J Toxicol Environ Health B Crit Rev ВЛ — 10 ИС — 6 N2 — Недавние исследования показывают, что воздействие марганца (Mn), основного компонента сварочных электродов и некоторых сталей, приводит к нейротоксичности и/или болезни Паркинсона (БП) у сварщиков. В этом научном обзоре представлен критический анализ опубликованных исследований, проведенных на различных профессиональных когортах, подвергающихся воздействию марганца в течение последних 100 лет, а также история регулирования марганца и сварочного дыма. Сварщики часто выполняют множество различных задач с разной степенью продолжительности и вентиляции, и, следовательно, для точной оценки воздействия марганца, имевшего место в профессиональных условиях, желательна некоторая конкретная информация об исторических моделях работы сварщиков. Этот обзор включает в себя обсуждение типов воздействия, которое происходит в процессе сварки, для которых существует ограниченная информация, касающаяся содержания марганца в воздухе с конкретными сварочными работами, а также исследования здоровья человека, оценивающие неврологические эффекты у сварщиков и других когорт, подвергшихся воздействию марганца. включая шахтеров, мельников и аккумуляторных рабочих. Также обсуждаются результаты и последствия исследований, специально проведенных для оценки нейроповеденческих эффектов и распространенности БП у сварщиков. Существующие данные о воздействии указывают на то, что в целом воздействие Mn на сварщиков меньше, чем воздействие, связанное с сообщениями о клинической нейротоксичности (например, «марганцевость») у горняков и рабочих металлургических заводов. Было также обнаружено, что, хотя марганец наблюдался у рабочих, подвергшихся сильному облучению, скудные данные о реакции на воздействие, доступные для сварщиков, не подтверждают вывод о том, что сварка связана с клинической нейротоксичностью. Имеющиеся данные могут помочь в разработке разумных оценок воздействия в «наихудшем случае» для большинства сварочных работ и позволяют предположить, что исследования с моделированием воздействия значительно уточнят такие оценки. Наш обзор заканчивается обсуждением пробелов в данных и областей для будущих исследований. Share This Post  :  Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт