Исследователи представили новый алгоритм для классификации состояния провара при сварке, решающий проблему деградации моделей при смене технологического процесса. Метод использует обучение без учителя для адаптации нейросетей при переходе от дуговой сварки (TIG) к лазерной, что позволяет сохранять высокую точность прогнозирования без необходимости сбора размеченных данных для каждого нового типа оборудования.
Традиционные подходы глубокого обучения часто показывают низкую эффективность при переносе знаний между процессами с принципиально разными физическими механизмами формирования шва. В данном случае авторы сфокусировались на преодолении разрыва между дуговой сваркой, где доминирует электрическая дуга, и лазерной сваркой, основанной на эффекте «замочной скважины». Использование методов адаптации доменов позволяет модели выявлять общие признаки качества соединения, несмотря на различия в физике процессов.
Разработка направлена на повышение надежности автоматизированных систем контроля качества в промышленном производстве. Алгоритм минимизирует затраты на переобучение систем мониторинга при внедрении новых сварочных установок, обеспечивая стабильную работу предиктивной аналитики в условиях изменчивой производственной среды.
Ключевые факты
- Разработан метод классификации состояния провара, устойчивый к смене домена (типа сварки).
- Алгоритм успешно переносит знания между дуговой сваркой (TIG) и лазерной сваркой.
- Применен подход обучения без учителя (unsupervised domain adaptation) для снижения зависимости от размеченных датасетов.
- Решение направлено на автоматизацию контроля качества в промышленном производстве.