Технология повышения эффективности управления организацией сварочных работ с использованием мягких вычислений

Abstract

Статья посвящена разработке технологии повышения эффективности процессов управления организацией сварочных работ на основе комплексного использования алгоритмов роевого интеллекта, эволюционного моделирования в сочетании с применением сверточных нейро-нечетких сетей (СННС). Актуальность задачи связана с отсутствием возможности постоянного контроля и анализа работы сварщиков, сложностью объективной оценки качества сварных швов, наличием большого количества курсов обучения сварщиков, из которых сложно выбрать соответствующие потребностям производства, необходимостью обработки большого количества данных для эффективного распределения сварочных работ между исполнителями. Разработана новая технология повышения эффективности управления организацией сварочными работами, основанная на применении комплексного использования алгоритмов роевого интеллекта при обучении сварщиков, эволюционного моделирования при распределении сварочных работ между исполнителями в сочетании с применением СННС для распознавания дефектов сварных швов. Предложенная информационная технология обеспечивает комплексную автоматизацию следующих этапов управления сварочными работами: формирование структуры и состава знаний, умений и навыков сварщиков, востребованных производством; формирование состава курсов, обеспечивающих эффективное обучение сварщиков востребованным производством работам с использованием алгоритмов роения пчел; обучение сварщиков работам, востребованным производством, в минимальные сроки с использованием алгоритма муравьиной колонии и светлячков; рациональное распределение работ между сварщиками на основе эволюционного моделирования; контроль качества работ путем автоматического распознавания дефектов сварных швов с использованием СННС. The article focuses on developing a technology for enhancing the efficiency of managing welding operations based on the comprehensive use of swarm intelligence algorithms, evolutionary modelling, and applying convolutional neuro-fuzzy networks (CNFN). The relevance of the objective is associated with the lack of continuous control and analysis of welders’ work, the complexity of objectively assessing the quality of welds, the presence of a large number of welding training courses, from which it is difficult to select those that meet production needs, and the necessity of processing a large amount of data for the effective distribution of welding tasks among performers. The authors develop a new technology for enhancing the efficiency of managing welding operations, based on using swarm intelligence algorithms for training welders, evolutionary modelling for distributing welding tasks among performers, and applying CNFN for recognizing weld defects. The proposed information technology provides comprehensive automation of the following stages of managing welding operations: forming the structure and composition of welders’ knowledge, skills, and abilities required by production; forming the composition of courses that ensure welders’ effective training in works demanded by production using bee swarm algorithms; training welders in works demanded by production in the shortest possible time using ant colony and firefly algorithms; rational distribution of tasks among welders based on evolutionary modelling; quality control of work through automatic recognition of weld defects using CNFN.