Моніторинг якості дугового зварювання за електричними параметрами дуги

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Моніторинг якості дугового зварювання за електричними параметрами дуги

Автореферат

дисертації на здобуття наукового ступеня кандидата технічних наук

Загальна характеристика роботи

Актуальність теми. Забезпечення високої якості зварювальних робіт є однією з найважливіших задач в галузі зварювання, значущість якої все більше зростає із підвищенням відповідальності зварних конструкцій.

Підвищення надійності конструкції визначається відповідністю матеріалів та устаткування технічним вимогам і дотримання технології зварювання з одного боку, та забезпеченням достовірного контролю якості з іншого. Відповідно до міжнародного стандарту управління якістю (ISO-9001), організація виробництва передбачає проведення моніторингу якості виробів, що виготовляються. Проведення моніторингу дозволяє вчасно реагувати на появу неякісних виробів, що призводить до значного зменшення матеріальних витрат. На сьогоднішній день відомими методами контролю якості проводять лише вибірковий контроль швів, що не завжди є виправданим через імовірність пропуску браку. Відомі методи, як руйнівного так і неруйнівного контролю якості трудомісткі, пов'язані із використанням складного обладнання, залученням спеціально підготовлених фахівців. Вартість операцій неруйнівного контролю може становити до 20 - 25% від загальної вартості виробу, а трудомісткість контролю порівняна з трудомісткістю зварювання. На можливість застосування цих способів контролю суттєво впливає конфігурація виробу, а також спосіб зварювання.

Таким чином задачі розробки методів моніторингу якості зварного з'єднання, що не пов'язані з підвищенням трудомісткості виготовлення зварної конструкції є актуальними. Одним з перспективних напрямків створення зазначених систем моніторингу якості є використання зварювальної дуги в якості датчика процесу, який безпосередньо знаходиться в місті зварювання. Оцінка даних, які надходять з такого датчика, дозволяє робити висновки стосовно якості кожного зварного з'єднання безпосередньо після його виготовлення.

Зв'язок роботи з науковими програмами, планами, темами. Науково-дослідницька робота за темою дисертації проводилась на кафедрі електрозварювальних установок Національного технічного університету України «Київський політехнічний інститут» МОН України у відповідності наступним науково-дослідницьким темам: НДР №ДП/232-2003 (номер держреєстрації 0100U000939) 5.4.5Б «Стабілізація і поточний контроль якості швів при дуговому підводному зварюванні трубопроводів» де дисертантом виконані роботи по розробці методів для визначення дефектних ділянок зварного шва. Дисертантом проведено аналіз можливості застосування різних систем штучного інтелекту для контролю якості дугового підводного мокрого зварювання.

Мета та задачі роботи. Метою роботи є забезпечення якості зварних з'єднань виконаних дуговим зварюванням в автоматичному режимі.

Для досягнення визначеної мети вирішували наступні задачі:

1. Визначення типових збурень процесу зварювання, що впливають на формування дефектів зварного з'єднання та контроль яких можливий за електричними параметрами дуги.

2. Визначення параметрів процесу зварювання, що є інформативними для визначення дефектів зварювання.

3. Дослідження впливу характеристик зварювального обладнання на інформативні параметри процесу.

4. Визначення методів підготовки, а також засобів для багатокритеріальної обробки даних електричних параметрів зварювальної дуги.

5. Розробка та перевірка працездатності методики моніторингу якості зварних з'єднань за електричними параметрами дуги.

Об`єкт дослідження - процес дугового зварювання в СО₂ та дугового підводного мокрого зварювання.

Предмет дослідження - процеси в системі «дуга - джерело живлення», що впливають на якісні характеристики формування зварного з'єднання, методики та алгоритми моніторингу якості зварних з'єднань за електричними параметрами дуги.

Методи дослідження. Для вирішення задач поставлених в дисертації використовували методи математичної статистики та імовірнісні методи із використанням систем штучного інтелекту. В роботі застосовувалися методи математичного моделювання (комп'ютерної імітації) процесів в системі джерело живлення - дуга. Для перевірки достовірності теоретичних висновків використовували експериментальні методи.

Наукова новизна отриманих результатів.

Встановлено, що для прогнозування наявності дефектів формування зварного з'єднання із точністю не нижче 85%, необхідно використовувати узагальнюючу статистичну оцінку наступних параметрів режиму дугового зварювання, а саме: середніх значень, дисперсій та часових параметрів, що характеризують перенос електродного матеріалу.

Вперше, на основі аналізу часових параметрів переносу матеріалу електродного дроту, побудовано стохастичну динамічну математичну модель (комп'ютерну імітацію) системи «джерело живлення - дуга - виріб» процесу дугового зварювання плавким електродом з урахуванням особливостей переносу електродного металу, яка дає можливість визначати вплив електричних параметрів дугового зварювання та характеристик джерела живлення на інформативні параметри процесу зварювання та генерувати данні для навчання штучних нейронних мереж.

Розроблено нову методику моніторингу якості зварних з'єднань, що ґрунтується на одночасному використанні статистичного аналізу та аналізу системами штучного інтелекту сукупності параметрів, які характеризують процес утворення зварного з'єднання.

Практичне значення наукових результатів.

Розроблено структуру та алгоритм роботи системи моніторингу за електричними параметрами дуги, яка дозволяє проводити безперервний моніторинг якості зварних з'єднань, в тому числі в режимі реального часу, на предмет виявлення дефектів формування шву.

Розроблено інформаційно-вимірювальну систему для збору даних по електричних параметрах дуги, формування послідовностей для обробки ШНМ та проведення статистичного аналізу даних згідно алгоритму моніторингу якості.

Розроблено алгоритм підготовки даних і методику навчання штучних нейронних мереж для застосування в системі моніторингу якості процесу дугового зварювання за електричними параметрами дуги.

Розроблено спосіб формування навчальних послідовностей за допомогою стохастичної математичної моделі (комп'ютерної імітації) дугового зварювання з короткими замиканнями, що враховує статичні та динамічні властивості джерела живлення, і дозволяє значно зменшити кількість експериментів які необхідні для визначення параметрів системи моніторингу якості при зміні характеристик зварювального обладнання.

Особистий внесок здобувача. Автором самостійно поставлені задачі та намічені шляхи їх вирішення, проведені теоретичні та експериментальні дослідження, узагальнені результати, розроблені рекомендації по використанню та зроблені висновки.

В друкованих працях, що опубліковано у співавторстві, особисто здобувачеві належить: в [1,4,5] - розроблена методика проведення досліджень для підводного мокрого зварювання, визначена можливість використання електричних параметрів дуги для контролю якості зварних з'єднань, проведено навчання нейронних мереж LVQ та карти Кохонена, розроблено структуру та проведено навчання гібридних мереж для використання при підводному зварювання, виконано порівняльний аналіз працездатності використаних мереж; в [2] - проведено вибір структури і навчання нейронної мережі Елмана та гібридної системи (системи нечіткої логіки з правилами, що створені за допомогою нейронних мереж) для випадку підводного дугового мокрого зварювання, перевірено точність виявлення деяких технологічних збурень; в [3] - розробка та реалізація обчислювальних блоків інформаційно-вимірювальної системи, програмування системи; в [6] - визначено ряд інформативних характеристик для створення системи моніторингу якості зварного з'єднання при зварюванні в СО₂; в [7] - проведена розробка та навчання нейронної мережі Елмана для застосування її при зварюванні в СО₂, проведено перевірку точності роботи при виявлені штучних збурень.

Апробація роботи. Основні положення і результати роботи доповідались та обговорювались на третій міжнародній конференції «Математическое моделирование и информационные технологии в сварке и родственных процессах», м. Київ, 2006 р.; третій та четвертій Всеукраїнській науково-технічній конференції молодих учених та спеціалістів «Зварювання та суміжні технології», Київ 2005, 2007 р.р.; міжнародній науково-технічній конференції «Досконалість зварювання - комплексний підхід» (Київ, НТУУ «КПІ», 2007 р); наукових семінарах кафедри електрозварювальних установок НТУУ «КПІ» 2004-2007 р.р.

Публікації. За матеріалами дисертаційної роботи видано 7 робіт, з них 3 в провідних наукових фахових виданнях та 4 в збірниках тез доповідей науково - технічних конференцій.

Структура та обсяг роботи. Дисертаційна робота складається з вступу, чотирьох розділів, висновків по роботі, списку використаних джерел та додатків. Робота викладена на 135 сторінках, у тому числі 119 сторінок основного тексту, 73 рисунки та 14 таблиць, список літератури з 115 найменувань та 3 додатки.

Основний зміст роботи

зварювання дуга електричний

У вступі дана загальна характеристика дисертаційної роботи, обґрунтована актуальність її теми, сформульована мета і основні задачі досліджень. Висвітлена наукова новизна і практичне значення отриманих результатів, наведені відомості про особистий внесок дисертанта і апробації результатів роботи.

У першому розділі проведено загальний аналіз існуючих традиційних методів неруйнівного контролю якості зварних з'єднань, а також методів, що використовують аналіз електричних параметрів дуги. Зроблено висновок про необхідність використання штучних нейронних мереж для моніторингу якості зварних з'єднань. Сформульовані завдання досліджень.

Відзначено, що перевірка якості існуючими методами кожного з'єднання не завжди є можливою через достатньо складний процес контролю, його вартість, особливості конструкцій та ін. В цьому сенсі актуальним є розробка методик моніторингу якості всієї партії виробів.

Встановлено, що при дуговому зварюванні поява тих чи інших збурень відбивається на зміні електричних параметрів дуги, що робить можливим визначення якісних характеристик шва шляхом оцінки значущості та тривалості цих збурень. На сьогоднішній час існує можливість визначення дефектів зварних з'єднань за електричними параметрами дуги, що не пов'язані із металургійними та термічними явищами, які проходять в зварювальній ванні та зоні термічного впливу під час кристалізації металу шва та охолодженні зварного з'єднання.

Показано, що зварювальний процес є багатомірною зв'язною системою. Тому є необхідність в розвитку моделювання для ефективного керування процесом зварювання та уникнення великої кількості експериментів при дослідницьких роботах.

Існує декілька видів моделей. Одні основані на металургії та фізиці процесу зварювання - детерміновані. Вони потребують набору знань експертів. Інші моделі є стохастичними, і побудовані на основі статистичного аналізу набору експериментальних даних. Використання детермінованих моделей зварювальної дуги дозволяє аналізувати фізичні явища процесу, але створення такої моделі вимагає врахування багатьох явищ, що відбуваються, при протіканні процесу дугового зварювання.

В зварюванні проводиться оцінка, що використовує статистичні методи управління якістю. Особливо це стосується перевірки конструкції після її виготовлення, при прийманні. Використання статистичних методів управління якістю продукції направлене на вдосконалення системи контролю та його організації. Статистичні методи не замінюють інші методи та засоби контролю, але можуть значною мірою підвищити їх ефективнисть, достовірність та економічність.

Через складність системи і велику кількість пов'язаних параметрів, побудова систем моніторингу на основі аналізу цих параметрів є ресурсоємкою задачею. Підвищення продуктивності контролю якості з'єднань потребує вирішення цієї задачі за малий проміжок часу. Проведено аналіз існуючих методів обробки даних, встановлено, що для створення системи моніторингу якості зварних з'єднань доцільно використовувати системи штучного інтелекту на базі нейронних мереж, які толерантні до помилок, здатні вирішувати задачі класифікації та кластеризації даних та здатні до узагальнення висновків.

Оскільки електрична дуга має природну нелінійність незалежно від способу дугового зварювання. Суттєві нелінійні характеристики має також виріб що зварюється, через те що теплофізичні та електричні властивості залежать від його температури. Виходячи з цього обрана мережа повинна вирішувати нелінійні задачі, тобто мати в своїй структурі нелінійні активаційні функції.

Проведено аналіз існуючих штучних нейронних мереж і виявлено, що для вирішення поставленої задачі доцільно застосовувати самоорганізаційні мережі Кохонена, карти Кохонена та мережі LVQ (Learning Vector Quantization - розділення навчальних векторів), а також мережі Елмана, які належать до рекурентних мереж.

Загальна структура побудови систем на базі штучних нейронних мереж (НМ) складається з трьох основних етапів: вибір структури НМ, навчання, використання НМ.

На вхід нейронної мережі слід подавати дані, що корелюються із станом зварювальної ванни та процесом переносу електродного матеріалу. Відповідно, необхідно на основі вивчення системи «джерело живлення - дуга - ванна» визначити стохастичні характеристики електричних параметрів дуги, що пов'язані з процесом формування зварного з'єднання.

Другий розділ дисертаційної роботи присвячено дослідженню впливу збурень, що відбиваються на формуванні дефектів зварного з'єднання, на електричні параметри дуги, визначенню та розрахунку інформативних характеристик процесів дугового зварювання, а також навчанню штучних нейронних мереж для визначення технологічних збурень процесу.

При розробці методики контролю якості проводили експериментальні зварювання для двох випадків дугового зварювання, а саме: автоматичного дугового зварювання у вуглецевому газі та автоматичного дугового підводного мокрого зварювання. Зазначені способи зварювання суттєво відрізняються за параметрами та умовами протікання процесу, що дозволяє узагальнити розроблену методику.

Обидва способи зварювання потребують жорсткої вольт-амперної характеристики джерела живлення і постійної швидкості подачі електродного дроту. Тому структура установок є подібною, а різниця в обладнанні викликана особливостями середовища в якому відбувається зварювання.

Експерименти проводили на зразках з низьковуглецевої сталі, в конструкцію яких вносили ряд типових технологічних збурень (перевищення крайок деталей, зміна вильоту електроду, ступінчаста зміна зазору, поступова зміна зазору, емуляція відхилення дуги від стику деталей, забруднення деталей), що можуть призводити до появи дефектів зварного з'єднання.

Підготовка зразків велась виходячи з рекомендацій стандарту ГОСТ 14771-76 на підготовку деталей під з'єднання. Так для зварювання в СО₂ (для товщини деталей 2 мм) допускається використання зазору між деталями 0^+1,0 мм, а перевищення кромок деталей при збиранні не більше 0,4 мм при товщині деталей до 4 мм. В свою чергу для товщини деталей 10 мм, можливе перевищення кромок складає 1,5 мм, а значення зазору становлять  мм. Виходячи з цього, зразки мали відхилення, що не перевищували допустимі відхилення на 1 мм для збурень по перевищенню кромок деталей, та 0,5 мм для збурень по зміні зазору.

Визначені основні інформативні характеристики для створення системи моніторингу якості, як для дугового зварювання у вуглецевому газі так і підводного мокрого зварювання. Встановлено, що для обох зазначених способів зварювання такими є вибіркове середнє значення електричних параметрів дуги (струм зварювання та напруга на дузі) яке відображає міру відхилення від заданого режиму зварювання, вибіркова дисперсія цих параметрів, що характеризує стабільність електричного параметру протягом певного часу та параметр, що характеризує перенос електродного матеріалу.

Так процес зварювання в СО₂ характеризується крупнокрапельним переносом електродного матеріалу із короткими замиканнями дугового проміжку. Таким чином, параметром що характеризує стабільність переносу, а отже і стабільність зварювання, є тривалість коротких замикань, середнє значення якої за проміжок часу повинно бути майже однакове.

Підводне мокре зварювання, на відміну від зварювання в СО₂, характеризується крупнокрапельним переносом електродного матеріалу із випадковими короткими замиканнями дугового проміжку. Відзначимо, що параметром який характеризує стабільність процесу в даному випадку є щільність коротких замикань, тобто кількість коротких замикань за проміжок часу.

Потрапляння крапель розплавленого металу та зміна тиску дуги призводить до появи коливань зварювальної ванни, що призводить до поступового переходу металу у вигляді хвиль в хвостову частину ванни. При переміщенні дуги вздовж зварного шва, кожна нова хвиля розплавленого металу потрапляє на метал, що вже майже закристалізувався, це призводить до появи лусок на поверхні зварного шву. Таким чином, вважаючи, що розвиток дефекту формування можливий під час кристалізації хвилі розплавленого металу, довжину ділянки для контролю якості визначали шляхом підрахунку кількості лусок на 10 мм шву в різних його місцях. Також з літературних джерел відомо, що короткочасні імпульсні збурення тривалістю менше 0,1 с не викликають формування дефектів. Після чого розраховували зазначені вище інформативні характеристики процесу для кожної ділянки. Загальна матриця даних для оцінки та навчання складалася с 5 змінних (середні значення та дисперсії струму зварювання та напруги на дузі, а також, в залежності від виду зварювання, середньої тривалості коротких замикань, для зварювання в СО₂, чи щільності к.з. для підводного мокрого зварювання), довжина векторів відповідала кількості ділянок тривалістю по 0,1 с.

Встановлено, що такий підхід формування даних є оптимальним при побудові та навчанні нейронних мереж, оскільки при цьому відбувається багатокритеріальна оцінка основних параметрів, що відображають хід процесу зварювання.

Для ліквідації впливу на інформативні параметри масштабного фактору та випадкових виплесків, перед розрахунком даних по дисперсії, середнього значення та тривалості (щільності) коротких замикань, для отримання кінцевих значень для вказаних параметрів проводили нормалізацію за виразом (1).

 (1)

де А - нормалізоване значення параметру, N - значення до нормалізації, у - стандартне відхилення параметру.

Для розрахунку середніх значень, дисперсії, та тривалості (щільності) коротких замикань, проведення нормалізації цих параметрів, а також формування вихідної матриці цих значень, яка придатна для обробки нейронною мережею було розроблено ряд функцій (fuzzydata, normal2), що працюють в середовищі MatLab 7.0.

Для створення системи контролю якості застосовували нейронні мережі: карту Кохонена із впорядкованим розташуванням нейронів, мережу LVQ, а також нейронну мережу Елмана та гібридні нейронні мережі. Вказані НМ призначені для вирішення задач класифікації і кластеризації та прогнозування. Використання зазначених мереж пов'язано із необхідністю визначення їх якісних характеристик (точність роботи, швидкодія, ресурсоємність).

Нейронні мережі карта Кохонена та LVQ містили 2 нейрони в конкуруючому шарі, оскільки проводили класифікацію за принципом якісна - неякісна ділянка шву.

Нейронна мережа Елмана, яку використовували в роботі, містила 30 нейронів у першому шарі, 15 у другому та 1 у третьому (вихідному) шарі. Кількість нейронів в першому та другому шарах визначали експериментально з урахуванням точності роботи мережі. При цьому функціями активації першого та другого шарів був гіперболічний тангенс, а вихідний шар мав лінійну функцію активації. Обидві функції найчастіше застосовують при використанні мережі Елмана.

Структура гібридних мереж, що застосовували при створенні системи моніторингу якості, була наступною: кількість входів - 1, оскільки на вхід подавали результат роботи нейронної мережі Елмана; кількість виходів - 1. Використовували функцію активації Гауса (gauss2mf). Використання великої кількості вхідних даних призводило до значних витрат часу при проведенні їх аналізу, що є значним недоліком в роботі зазначеної системи.

Для навчання мереж в даній роботі використовували навчання «з вчителем» для мереж LVQ та Елмана та «без вчителя» при навчанні карти Кохонена.

Створення та навчання нейронних мереж проводили за допомогою пакетів Neural Network Toolbox v4.0.3, FuzzyLogic Toolbox v2.1.3, що входять до складу MatLab 7.0.

Нейронні мережі LVQ та карта Кохонена навчалася протягом 2000 циклів, крок навчання мережі LVQ складав 0,001. Для випадку застосування нейронної мережі Елмана навчання відбувалося протягом 1000 циклів із кроком 0,001, в результаті чого похибка навчання не перевищувала 10%. Дані для навчання і перевірки працездатності системи формувалися з даних від різних серій експериментів.

Розробка системи моніторингу якості із застосуванням штучних нейронних мереж передбачає проведення великої кількості експериментів. Це пов'язано із необхідністю визначення впливу режимів зварювання, обладнання та інших факторів на інформативні характеристики процесу зварювання. Тому дослідження впливу цих факторів доцільно проводити із використанням математичних моделей дугового зварювання.

У третьому розділі проведено розробку стохастичної математичної моделі (комп'ютерної імітації) процесу дугового зварювання із короткими замиканнями, яка дозволяє визначати вплив параметрів зварювання та властивостей джерела живлення на інформативні параметри моніторингу якості за електричними параметрами дуги, а також формувати навчальні послідовності для штучних нейронних мереж. Проаналізовано результати визначення штучними нейронними мережами технологічних збурень процесу зварювання. Визначено причини та можливість їх визначення за електричними параметрами дуги, що впливають на утворення дефектів зварних з'єднань.

Кожен з визначених інформативних параметрів залежить як від параметрів процесу зварювання (струм зварювання, напруга на дузі, виліт електроду), так і від характеристик обладнання, зокрема джерела зварювального струм (статична вольт-амперна характеристика джерела живлення, швидкість наростання струму під час короткого замикання).

Оцінити вплив статичних і динамічних властивостей джерела живлення та параметрів режиму зварювання на параметри розподілу імовірнісних характеристик можливо за допомогою розробленої стохастичної математичної моделі (комп'ютерної імітації), що враховує залежності частоти та шпаруватості коротких замикань від струму зварювання.

Модель побудована із використанням пакету MatLab 7.0 та пакету графічного моделювання лінійних та нелінійних динамічних систем Simulink 6.0 (рис. 1). Вона складається з трьох основних блоків: «мережа живлення», «зварювальне джерело живлення», «дуга».

Блок «мережа живлення» є стандартним блоком, що входить до набору бібліотек Simulink 6.0.

Джерело живлення являє собою математичну модель трифазного випрямляча, що характеризується вольт-амперною характеристикою (жорсткою із нахилом 0,04 В/А в даному випадку), швидкістю наростання струму зварювання, напругою неробочого ходу. Модель дозволяє змінювати зазначені параметри в широких межах.

Робота блоку «Дуга» основана на статистичній оцінці емпіричних даних отриманих шляхом дослідження зварювання в СО₂ на різних режимах.

Струм в режимі горіння дуги формується за допомогою змінного активного опору R, опір якого визначається статичною вольт-амперною характеристикою дуги та вильотом електрода. Статичну ВАХ дуги отримували шляхом проведення ряду експериментальних зварювань. При яких для постійної швидкості подавання електродного дроту змінювали вольт-амперну характеристику джерела живлення, фіксуючи при цьому значення струму та напруги на клемах джерела живлення.

Блок «Моделювання переносу матеріалу електродного дроту» побудовано на основі використання експериментальних залежностей за якими визначені основні часові параметри та їх відхилення процесу переносу електродного матеріалу із короткими замиканнями, а саме: частота, шпаруватість к.з. та їх дисперсії.

Встановлено, що тривалість коротких замикань залежить від режиму зварювання і розподіляється за визначеним законом розподілу випадкової величини. Закон розподілу визначали за допомогою оцінки максимальної різниці між теоретичною та емпіричною функціями розподілу (критерій Колмогорова).

Аналіз гістограм розподілів тривалості коротких замикань окремо показує, що найчастіше к.з. розподіляються наступним чином: випадкові к.з. - за розподілом Вейбула, к.з. із переходом розплавленого металу - за логарифмічно нормальним розподілом випадкової величини. Ці данні враховували при побудові математичної моделі.

Адекватність розробленої моделі перевіряли шляхом порівняння статистичних даних основних параметрів зварювання: середнє значення струму зварювання та напруги на дузі, їх середнє квадратичне відхилення, коефіцієнт варіації, середнє значення тривалості коротких замикань, середньоквадратичне відхилення тривалості к.з., шпаруватість к.з. Крім того, проводили двовибірковий F-тест (критерій Фішера) для дисперсії та парний двовибірковий t-тест (критерій Стьюдента) для середніх значень електричних параметрів отриманих в результаті моделювання та експериментальних значень.

Аналіз результатів роботи системи із використанням штучних мереж LVQ і карти Кохонена, для оцінки коливань дисперсії струму зварювання при підводному зварюванні показує успішне виявлення трьох з чотирьох штучно введених дефектів складання - перевищення кромок, зміна вильоту електрода, наявність прихваток. Найменш чуттєвою запропонована методика визначення якості виявилась до ступінчастої зміни зазору між кромками деталей.

Таким чином, точність виявлення дефектів (табл.1) за оцінкою зміни дисперсії зварювального струму із використанням штучних мереж LVQ і карта Кохонена в середньому склала 41,3% та 16,8% відповідно. Точність виявлення дефектів визначали шляхом підрахунку кількості блоків (ділянки осцилограми тривалістю 0,1 с), які система класифікувала вірно по відношенню до результатів візуального огляду.

Відмічена незадовільність точності визначення дефектів нейронною мережею із застосуванням тільки дисперсії зварювального струму.

Використання одночасно семи характеристик (для випадку підводного мокрого дугового зварювання) з оцінкою їх за допомогою динамічної нейронної мережі Елмана із зворотними зв'язками та подальшою обробкою із використання гібридних систем дозволило значно зменшити похибку визначення якості. При цьому середнє значення похибки склало 9% (табл.2), результат підтверджено актом випробувань. Система однаково успішно справлялася із виявленням дефектів, що виникали в результаті дії штучних збурень - зміна зазору та вильоту, при цьому глибина занурення не впливала на точність роботи системи.

Таблиця 1. Похибка нейронних мереж при ідентифікації дефектів (підводне мокре зварювання)