Использование искусственного интеллекта для обнаружения дефектов в аддитивно-субтрактивном производстве

Проволочная аддитивная наплавка (WAAM) перспективна для изготовления крупных металлических компонентов, однако нестабильность процесса часто приводит к появлению дефектов, таких как поры, трещины и непровары. Существующие методы контроля качества во многом зависят от оператора, что снижает их надежность и скорость. В данной статье представлена разработка интеллектуальной системы мониторинга, способной обнаруживать дефекты в реальном времени. Основу системы составляет гибридная архитектура искусственного интеллекта, совмещающая сверточные нейронные сети (CNN) для анализа пространственных признаков и сеть с долгосрочной краткосрочной памятью (LSTM) для учета временных зависимостей. Новизна подхода заключается в глубокой интеграции и совместной обработке разнородных данных: видеопотока, тепловизионных изображений, сигналов тока и напряжения, а также акустических колебаний. Модель обучается на синхронизированных мультимодальных данных, что позволяет повысить надежность детектирования по сравнению с системами, использующими один тип сенсоров. Программный комплекс спроектирован с учетом требований промышленной интеграции и способен не только идентифицировать дефекты, но и инициировать корректирующие воздействия в контуре управления роботом-манипулятором. Экспериментальная валидация системы, проведенная на наборе данных, имитирующих различные дефекты наплавки, продемонстрировала точность классификации 92% при времени отклика менее 40 мс. Результаты подтверждают практическую пригодность системы для автоматизации контроля в аддитивно-субтрактивном производстве.