автоматизированный способ идентификации металлов и сплавов

Формула изобретения

1. Автоматизированный способ идентификации металлов и сплавов с использованием нейросети, в котором осуществляют предварительное обучение нейросети комплексу характеристик - образу, которые она могла бы распознавать, при этом в качестве таких характеристик используют электрические параметры процессов, возникающих в результате воздействия на электрохимическую ячейку трапециевидных импульсов напряжения, а затем на входы обученной нейросети подают значения электрических параметров процессов, возникающих в электрохимической ячейке с исследуемым образцом при воздействии на электрохимическую ячейку трапециевидных импульсов напряжения, и на выходе получают данные с обученной нейросети, идентифицирующие исследуемый образец.

2. Способ по п.1, отличающийся тем, что в качестве образа, который будет распознавать нейросеть, используют значения импульса тока на определенных участках графика зависимости тока от времени.

3. Способ по п.1, отличающийся тем, что в качестве образа, который будет распознавать нейросеть, используют либо значения тока, либо напряжения, либо значения тока и напряжения вольтамперной зависимости.

4. Способ по п.1 или 2, отличающийся тем, что используют нейросеть, имеющую два входа и три выхода и представляющую собой однослойный персептрон.

5. Способ по п.1, отличающийся тем, что исследуемый образец и образцы, используемые для обучения нейросети, подключают в качестве одного из электродов электрохимической ячейки.

6. Способ по п.1, отличающийся тем, что электрические параметры измеряют при возбуждении в электрохимической ячейке микроплазменных разрядов на поверхности исследуемого образца.

7. Способ по п.1, отличающийся тем, что электрические параметры, такие, как поляризационное напряжение и ток, получали с помощью компьютерной системы измерения, включающей аналого-цифровой преобразователь и компьютер, при этом для измерения поляризационного напряжения на границе раздела раствор - исследуемый образец используют электрод сравнения, а значения тока получают с преобразователя ток - напряжение.

8. Способ по п.1, отличающийся тем, что электрические параметры получают в моменты времени, соответствующие фронтам импульсов.

Описание изобретения к патенту

Изобретение относится к методам анализа химических или физических свойств материалов путем определения их электрохимических параметров с использованием цифровых вычислений и обработки данных и может быть использовано в металлургии, металлообработке и машиностроении для контроля качества продукции.

Известен способ [RU 2179311 С1, 2002] идентификации металла или сплава, относящейся к области электрохимических измерений, в котором приводят в соприкосновение с исследуемым изделием заполненный электролитом зонд с размещенным в нем опорным электродом, подают между исследуемым изделием и опорным электродом кратковременный поляризующий импульс и измеряют потенциал на исследуемом изделии, который измеряют с помощью электрода сравнения, размещенного в заполненном электролитом зонде; измерение производят в заранее заданный момент, в течение длительности поляризующего импульса, а затем по окончании поляризующего импульса; идентифицируют металл или сплав исследуемого изделия по результатам упомянутого измерения. Запомненные микроконтроллером результаты двух упомянутых измерений сравниваются с соответствующими данными, которые заранее измеряются и запоминаются в соответствующей памяти для эталонных изделий, изготовленных из точно известных металлов или сплавов. Сравнивая результаты двух измерений с данными для эталонных металлов или сплавов, идентифицируют металл или сплав исследуемого изделия.

Выбор классифицирующих признаков, т.е значений напряжения в определенные моменты времени, может привести к некорректности идентификации сплава.

Известен [US 4898646, 1990] способ идентификации Al сплавов электрохимическими средствами. Метод включает следующие шаги: анодирование образца из алюминиевого сплава, с целью определения формы и зависимости кривой U=f(t) в течение интенсиостатического (содержательного) действия, напряжение является напряжением на клеммах электролизера, a t - время, в которое анализируемый образец представляет собой катод, катод выполнен из 3003 или 1199, и проведение сравнения определенной кривой с кривой U=f(t), выбранной для сплава Al известного обозначения, чтобы установить, в большей части, совпадение двух кривых.

К недостаткам прототипа можно отнести вид электрохимического воздействия для получения классифицирующих признаков, это процесс анодирования, который в основном используется для вентильных металлов, к тому же в прототипе разработан метод только для идентифицирования алюминиевых сплавов. К недостаткам также можно отнести необходимость работы с поверхностью одной шероховатости, так как при изменении шероховатости меняется плотность тока, а при изменении задающей плотности тока изменяется величина поляризующего напряжения, которое используется для идентификации сплава. Измерение лишь одного параметра электрохимической системы не может достаточно надежно выявить вид сплава, поэтому эти методы могут быть использованы только как дополнительные, в совокупности с другими.

Задача изобретения - разработка автоматизированного метода идентификации любого металла или сплава, как потребителем, так и в процессе его производства, для контроля структуры сплава, например так называемого "пережега" после термической обработки сплава.

Поставленная задача решается тем, что в автоматизированном методе идентификации металлов и сплавов с использованием нейросети осуществляют предварительное обучение нейросети комплексу характеристик - образу, которые она могла бы распознавать, при этом в качестве таких характеристик используют электрические параметры процессов, возникающих в результате воздействия на электрохимическую ячейку трапециевидных импульсов напряжения, а затем на входы обученной нейросети подают значения электрических параметров процессов, возникающих в электрохимической ячейке с исследуемым образцом при воздействии на электрохимическую ячейку трапециевидных импульсов напряжения, и на выходе получают данные с обученной нейросети, идентифицирующие исследуемый образец.

Кроме того, в качестве образа, который будет распознавать нейросеть, используют значения импульса тока на определенных участках графика зависимости тока от времени.

Кроме того, в качестве образа, который будет распознавать нейросеть, используют либо значения тока, либо напряжения, либо значения тока и напряжения вольт-амперной зависимости.

Кроме того, используют нейросеть, имеющую два входа и три выхода и представляющую собой однослойный персептрон.

Кроме того, исследуемый образец и образцы, используемые для обучения нейросети, подключают в качестве одного из электродов электрохимической ячейки.

Кроме того, электрические параметры измеряют при возбуждении в электрохимической ячейке микроплазменных разрядов на поверхности исследуемого образца.

Кроме того, электрические параметры, такие как поляризационное напряжение и ток, получали с помощью компьютерной системы измерения, включающей аналого-цифровой преобразователь и компьютер, при этом для измерения поляризационного напряжения на границе раздела раствор - исследуемый образец используют электрод сравнения, а значения тока получают с преобразователя ток - напряжение.

Кроме того, электрические параметры получают в моменты времени, соответствующие фронтам импульсов.

Для того чтобы автоматизировать процесс идентификации сплава, исследуемого образца, подключаемого в качестве электрода в электрохимическую ячейку, в настоящем изобретении предлагается использование обучаемых математических моделей, например нейросетей. И в первую очередь необходимо выбрать образ, который будет распознавать нейросеть.

После выбора сигнала, который будет использоваться в качестве образа для распознавания марки сплава, необходимо выбрать классифицирующие признаки. По этим признакам будет оцениваться объект и приниматься решение об отнесении его к тому или иному классу. Это очень важный этап, от него зависит качество распознавания. Классифицирующие признаки должны выражаться количественными значениями и содержать наиболее полную информацию об объекте.

В качестве такого образа может быть выбран, например, импульс тока (фиг.1) или вольт-амперная зависимость (фиг.2), являющиеся индивидуальными для каждого сплава. Данные зависимости получаются в результате воздействия на электрохимическую ячейку трапециевидного импульса и возбуждения микроплазменных разрядов на исследуемом образце. Циклическая вольт-амперная зависимость наиболее информативна, она имеет множество значений тока и напряжения, тангенс угла наклона, всевозможные максимумы и минимумы, характерные для каждого вида металла. Особенно это имеет значение при выявлении более тонких процессов приготовления и контроля сплавов, например "пережега". Получить такую зависимость позволяет трапециевидный импульс поляризующего напряжения, имеющий восходящую и нисходящую ветви напряжения с линейным изменением потенциала. Это позволяет получать вольт-амперные зависимости при возрастающем и убывающем напряжении во времени, т.е получать значительно большее количество точек, несущих информацию о сплаве.

Особенностью предлагаемого в настоящем изобретении метода является то, что он не измеряет конкретную величину, а определяет соотношение и динамику изменения либо тока, либо вольт-амперной зависимости для распознавания "электрохимического образа" сплава.

При выборе в качестве такого образа импульса тока (фиг.3), получаемого в результате воздействия на электрохимическую ячейку, мы получаем информацию о многих параметрах процесса микроплазменного оксидирования, в том числе и о составе сплава электрода. Суммарный импульс тока, протекающий через электрохимическую ячейку, складывается из двух составляющих: емкостной и активной. Резкий скачок тока в начале импульса обусловлен емкостной составляющей. Затем значение тока снижается до определенного значения, стабилизируется. Как отмечалось выше, после выбора сигнала, который будет использоваться в качестве образа для распознавания марки сплава, необходимо выбрать классифицирующие признаки.

В качестве таких признаков были выбраны следующие характерные точки на графике: максимальное значение тока I ₁ и амплитуда импульса в установившемся режиме I₂ . Анализ экспериментальных данных показал, что эти два параметра наиболее существенно меняются в зависимости от марки сплава.

Построенная нейросеть для такого образа состоит из трех нейронов, имеет два входа и три выхода. Все три нейрона объединены в один слой, то есть нейросеть представляет собой однослойный персептрон. Структурная схема нейросети приведена на фиг.4.

В качестве активационной функции нейрона была выбрана функция единичного скачка, изображенная на фиг.5.

С помощью пакета Neural Networks Toolbox, входящего в состав Simulink, смоделирована нейросеть для определения марки сплава. Ее внешний вид представлен на фиг.6. Переменным d и с присваивают значения I₁ и I₂ соответственно.

На вход модели подаются два классифицирующих признака, и в зависимости от них на выходе получаются различные значения. Данную модель можно описать следующей системой уравнений:

где Y₁, Y₂, Y₃ - выходные сигналы;

X₁, X₂ - входные сигналы (значения токов I₁ и I₂);

W_ij - весовые коэффициенты;

h - активационная функция нейрона (единичный скачок).

Переменные Y₁ , Y₂, Y₃ могут принимать два значения: 0 или 1. Каждому сплаву соответствует определенная комбинация нулей и единиц на выходе системы.

После выполнения программы на экран выводится обозначение марки сплава или сообщение о том, что распознаваемый образ нельзя отнести ни к одному из четырех известных.

На фиг.1 приведены зависимости тока от времени для некоторых сплавов.

На фиг.2 приведены вольт-амперные зависимости для некоторых сплавов алюминия.

На фиг.3 показан выбор характерных точек на графике зависимости тока от времени в качестве классифицирующих признаков.

На фиг.4 приведена структурная схема нейросети.

На фиг.5 приведена функция единичного скачка, выбранная в качестве активационной функции нейрона.

На фиг.6 приведен внешний вид нейросети, смоделированной для определения марки сплава.

На фиг.7 приведена нейросеть с весовыми коэффициентами, соответствующими приведенным в примере сплавам, и значениями Y₁, Y₂, Y₃ на выходе, соответствующими сплаву AZ91D.

На фиг.8 приведена блок-схема устройства, при помощи которой реализован способ.

Пример реализации способа.

Для обучения нейросети проводили измерения электрических параметров электрохимической ячейки. С этой целью образцы, выполненные из 4-х различных марок сплавов алюминия (2021, 7071, АМг, AZ91), поочередно использовали в качестве одного из электродов - анода в электрохимической ячейке (ванна - второй электрод, выполненная из нержавеющей стали).

Электрохимическую ячейку соединяли с генератором импульсов, формирующим импульсы трапециевидной формы с напряжением от 0 В до 3 кВ, с частотой от 0 Гц до 10 кГц и диапазоном изменения длительности импульсов 10 мкс до 2000 мкс.

На образце возбуждали микроплазменные разряды в водном растворе электролита состава, г/л:

Na ₂HPO₄×12H₂O - 3

Na ₂B₄O₇×10H₂O - 12

Н₃ВО₃ - 3

NaF - 3

Экспериментальные данные (поляризационное напряжение и ток) получали с помощью компьютерной системы измерения (фиг.8), состоящей из аналого-цифрового преобразователя и вычислительного устройства, для измерения поляризационного напряжения на границе раздела раствор - твердый электрод (исследуемый образец) используют электрод сравнения, располагаемый в непосредственной близости твердого электрода, значения тока получают с преобразователя ток - напряжение. На основе полученных экспериментальных данных (таблицы, содержащие значения тока в цифровой форме для каждого сплава через 1 мин) в дальнейшем автоматически определяли классифицирующие признаки для этих 4-х сплавов по вышеприведенной программе.

Классифицирующие признаки для каждого сплава (характерные точки на графике каждого из сплавов (фиг.1) и соответствующие им значения на выходе составляют массив данных для обучения нейросети, который приведен в таблице.

Таблица 1 Массив данных для обучения нейросети.
Марка	Классифицирующие признаки		Выход нейросети
сплава	I1	I 2	Y1	Y2	Y 3
Аl2021	21,2	8,2	0	0	0
Аl7071	22,6	12	0	1	0
AMg	22,8	14,2	1	1	0
AZ91D	26,6	25,2	1	1	1

Настройку весовых коэффициентов выполняли вручную, т.е. с помощью математических вычислений.

После подстановки значений весовых коэффицентов в (1) получали следующую система уравнений:

На фиг.7 приведена нейросеть с весовыми коэффициентами, соответствующими приведенным в примере сплавам, и значениями Y₁, Y₂, Y₃ на выходе, соответствующими сплаву AZ91D. X₁ и Х₂ соответствуют значениям I₁ и I₂.