Анализ риска возникновения дефектов сварки в роботизированных комплексах в условиях неопределённости

Предложен подход к управлению процессом сварки в роботизированных технологических комплексах в условиях неопределённости. Для оценки риска возникновения дефектов применяется математический аппарат деревьев событий и байесовской модели, на основании которых разработан алгоритм мониторинга и коррекции технологического процесса.

Аффилиация авторов
Фоминых Дмитрий Сергеевич — канд. техн. наук, ст. научный сотрудник, e-mail: dm_fominyh@mail.ru,
Кушников Вадим Алексеевич – д-р техн. наук, проф., гл. научный сотрудник,
Богомолов Алексей Сергеевич – д-р техн. наук, доцент, вед. научный сотрудник,
Институт проблем точной механики и управления ФИЦ «Саратовский научный центр РАН».
Резчиков Александр Фёдорович – д-р техн. наук, проф., член-корреспондент РАН,
Дранко Олег Иванович – д-р техн. наук, доцент, гл. научный сотрудник,
Степановская Ираида Александровна – канд. техн. наук, вед. научный сотрудник,
Институт проблем управления им. В.А. Трапезникова РАН.

Список литературы
1. Rout A., Deepak B., Biswal B., Mahanta G. Weld seam detection, finding, and setting of process parameters for varying weld gap by the utilization of laser and vision sensor in robotic arc welding // IEEE Transactions on Industrial Electronics. 2022. Vol. 69. N. 1. Pp. 622–632.
2. Wang X., Hua Y., Gao J., Lin Z., Yu R. Digital twin implementation of autonomous planning arc welding robot system. Complex System Modeling and Simulation. 2023. Vol. 3. N. 3. Pp. 236–251.
3. Lei T., Wu C., Yu H. Electric arc length control of circular seam in welding robot based on arc voltage sensing // IEEE Sensors Journal. 2022. Vol. 22. N. 4. Pp. 3326–3333.
4. Mogro M., Jácome F., Cruz G., Zurita J. Sorting line assisted by a robotic manipulator and artificial vision with active safety // Journal of Robotics and Control (JRC). 2024. Vol. 5. N.2. Pp. 388–396.
5. Wang X., Xia Z., Zhou X., Guo Y., Gu X., Yan H. Multiobjective path optimization for arc welding robot based on DMOEA/ D-ET algorithm and proxy model // IEEE Transactions on Instrumentation and Measurement. 2021. Vol. 70. Pp. 1–13.
6. Fominykh D., Fuchedzhi N., Kushnikov O. The neural network algorithm for decision support during control of the welding process by robotic complexes // 15th International Conference Management of large-scale system development (MLSD). 2022. Pp. 1–4.
7. Jin C., Shin S., Yu J., Rhee S. Prediction model for back-bead monitoring during gas metal arc welding using supervised deep learning. IEEE Access. 2020. vol. 8. pp. 224044224058.
8. Li T., Zheng J. Multi-layer and multi-channel dynamic routing planning and initial point positioning of weld seam based on machine vision // IEEE Access. 2023. vol. 11. pp. 106722–106732.
9. Поезжаева Е. В. Промышленные роботы: уч. пособие в 3 ч. Пермь: Изд. ПГТУ, 2009. Ч. 2. 185 с.
10. Fominykh D.S., Rezchikov A.F., Kushnikov V.A., Ivaschenko V.A., Bogomolov A.S. The models and algorithms for product quality control in welding by robotic technological complexes //
11. Мechatronics, Automation, Control. 2022. Т. 23. № 12. С. 637-642.
12. Резчиков А.Ф., Пащенко Ф.Ф., Дранко О.И. и др. Модели и методы для противодействия возникновению критических сочетаний событий при сварке в роботизированных комплексах // Датчики и Системы. 2025. №5. С.32–41.
13. Фоминых Д.С., Кушников В.А., Богомолов А.С., Резчиков А.Ф. Разработка алгоритма поддержки принятия решения при управлении процессом сварки роботизированными комплексами // Тр. 15-й международной конференции «Управление развитием крупномасштабных систем (MLSD’2022)». – М.: ИПУ РАН, 2022. – С. 1184 – 1189.