Автоматичне зварювання, 2026, №02

2026 №02 (05)

DOI of Article 10.37434/as2026.02.06

2026 №02 (07)

---

Журнал «Автоматичне зварювання», № 2, 2026, с. 47-56

Дослідження ефективності застосування нейронних мереж під час зварювання відповідальних конструкцій для підвищення їхньої надійності

А.С. Новодранов, В.О. Коляда

ІЕЗ ім. Є.О. Патона НАН України. 03150, м. Київ, вул Казимира Малевича, 11. E-mail: artur19940731@gmail.com

Перехід від ливарного виробництва несучих частин візків вантажних вагонів до альтернативних технологій, зокрема електродугового зварювання, є перспективним напрямком розвитку. У цьому досліджені розглядається бокова рама візка вантажного вагона. З’єднання за допомогою електродугового зварювання елементів рами із якісного листового прокату забезпечує дотримання базових розмірів у межах ± 1 мм. Крім того, це дозволяє зменшити зношення колісних пар та вагу непідресорених мас. Однак ефективність застосування ручного зварювання значною мірою залежить від кваліфікації зварника. Внаслідок порушення технології зварювання можуть утворюватися дефекти. Такі обмеження створюють передумови для використання засобів автоматизованого зварювання на основі робототехнічних комплексів. Роботизація зварювального виробництва забезпечує високу продуктивність, а також дотримання всіх технологічних вимог. Проте використання одних лише зварювальних роботів не може забезпечити бездефектне виробництво, що спонукає до інтеграції автоматизованих систем неруйнівного контролю (НК). Враховуючи той факт, що бокова рама належить до класу конструкцій відповідального призначення та підлягає багатоступінчастому НК, доцільно застосовувати технологію машинного зору як систему візуально-оптичного НК. Алгоритми нейронних мереж, які є основою програмних компонентів системи візуально-оптичного НК, дозволяють автоматизувати процес розпізнавання поверхневих дефектів. Такий підхід сприяє своєчасному виявленню і усуненню дефектів, що призводить до підвищення довговічності конструкції. Бібліогр. 10, табл. 3, рис. 9.
Ключові слова: конструкції відповідального призначення, роботизоване зварювання, візуально-оптичний неруйнівний контроль, пошук дефектів, нейронна мережа, робототехнічна система, машинний зір


Отримано 05.12.2025
Отримано у переглянутому вигляді 25.03.2026
Підписано до друку 10.04.2026
Оприлюднено 11.04.2026

Список літератури

1. Лобанов Л.М., Махненко О.В., Павловський В.І., Саприкіна Г.Ю., Пустовой А.Д. (2022) Переваги суцільнозварної конструкції бокової рами візка вантажного вагона. Наука та прогрес транспорту, 3-4, 55–69. DOI: https://doi.org/10.15802/stp2022/276541
2. Лобанов Л.М., Махненко О.В., Книш В.В., Соловей С.А., Павловський В.І. (2020) Розробка зварної конструкції бічної рами візка вантажного вагону підвищеної надійності. Автоматичне зварювання, 3, 22–28. DOI: https:// doi.org/10.37434/as2020.03.02
3. FANUC Robotics America Corporation. (2013) FANUC Robotics SYSTEM R-30iB ArcTool Setup and Operations Manual, Document ID: MAROBAR8203131E, REV A, Version 8.20 series.
4. Gonzalez, R.C., Woods, R.E. (2018) Digital Imag e Processing. 4th Edition, Pearson Education, New York.
5. Terven, J., Córdova-Esparza, D-M., Romero-González, J-A. (2023) A comprehensive review of YOLO architectures in computer vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction, 5(4), 1680–1716. DOI: https://doi.org/10.3390/make5040083
6. Katsamenis, I., Karolou, E., Davradou, A. et al. (2022) Tra-Con: A novel dataset for real-time traffic cones detection using deep learning. Novel & Intelligent Digital Systems: Proceedings of the 2nd International Conference (NiDS 2022), 382–391. DOI: https://doi.org/10.1007/978-3-031-17601-2_37
7. Koay, H.V., Chuah, J H., Chow, C.-O., Chang, Y.-L., Yong, K.K. (2021) YOLO-RTUAV: Towards real-time vehicle detection through aerial images with low-cost edge devices. Remote Sensing, 13(21), 4196. DOI: https://doi.org/10.3390/rs13214196
8. Guan, S., Lei, M., Lu, H. (2020) A steel surface defect recognition algorithm based on improved deep learning network model using feature visualization and quality evaluation. IEEE Access, 8, 49885–49895. DOI: https://doi.org/10.1109/ACCESS.2020.2979755
9. Qike Wu (2024) NEU-DET. IEEE Dataport. DOI: https://doi.org/10.21227/j84r-f770
10. Hossin, M., Sulaiman, M.N. (2015) A review on evaluation metrics for data classification evaluations. International J. of Data Mining & Knowledge Management Process, 5, 1–11. DOI: http://dx.doi.org/10.5121/ijdkp.2015.5201

---

Рекомендоване цитування

А.С. Новодранов, В.О. Коляда (2026) Дослідження ефективності застосування нейронних мереж під час зварювання відповідальних конструкцій для підвищення їхньої надійності. Автоматичне зварювання, 02, 47-56.