Технічна діагностика та неруйнівний контроль, 2026, №01

2026 №01 (01)

DOI of Article 10.37434/tdnk2026.01.02

2026 №01 (03)

---

Технічна діагностика і неруйнівний контроль, 2026, №1, стор. 8-22

Використання штучного інтелекту в зварюванні та споріднених технологіях

Л.М. Лобанов, О.В. Махненко, О.С. Міленін, М.Г. Мальгін, Г.Ю. Саприкіна, О.М. Савицька

ІЕЗ ім. Є.О. Патона НАН України. 03150, м. Київ, вул. Казимира Малевича, 11. E-mail: makhnenko@paton.kiev.ua

Застосування систем штучного інтелекту (ШІ) на основі загальних мовних моделей надає великі можливості спеціалі- стам зі зварювання для аналізу великих об’ємів наявної в мережі Інтернет інформації при підготовці наукових статей і звітів, а також для вирішення типових задач у галузях математики, фізики, хімії тощо. Доцільним є використання у зварюванні спеціалізованих моделей ШІ, які можуть ефективно вирішувати такі задачі як: оптимізація параметрів режиму зварювання, аналіз якості зварювання за допомогою методів комп’ютерного зору, роботизація зварювання для виконання повторюваних завдань, моніторинг стану відповідальних зварних конструкцій і створення систем цифро- вих двійників, а також навчання зварників. Використання систем ШІ у зварюванні та споріднених технологіях може забезпечити суттєві переваги при розробці нових зварних виробів і зварювальних технологій завдяки оптимізованим процесам. Бібліогр. 46, табл. 1, рис. 11.
Ключові слова: зварювання, штучний інтелект, нейронні мережі, оптимізація параметрів зварювання, контроль якості зварювання, роботизоване зварювання, системи моніторингу, навчання зварників

Отримано 07.08.25
Отримано у переглянутому вигляді 28.10.25
Підписано до друку 10.04.26
Оприлюднено 23.04.2026

Список літератури

1. Welding Automation and AI are Changing the Industry – Featuring: NovEyeTM Autonomy. Posted: January 24, 2025. https://www.novarctech.com/resources/blog/welding/welding-automation-and-ai-are-changing-the-industry-featuring-noveye-autonomy/
2. O’Regan, G. (2021) A brief history of computing. Springer. https://doi.org/10.1007/978-3-030-66599-9
3. (2020) A guided tour of artificial intelligence research. Vol. I: Knowledge representation, reasoning and learning. Ed. by P. Marquis, O. Papini, H. Prade. Switzerland AG 202: Springer Nature.
4. (2024) A short history of AI. The Economist. https://www.economist.com/schools-brief/2024/07/16/a-short-history-of-ai
5. Рассел С., Норвиг П. (2016) Искусственный интеллект. Современный подход. Москва, Санкт-Петербург, Киев, Вильямс.
6. Crevier, D. (1993) The Tumultuous History of the Search for Artificial Intelligence.
7. Глушков В.М. (1962) Синтез цифровых автоматов. Москва, Физматгиз.
8. Ивахненко А.Г., Лапа, В.Г. (1965) Кибернетические предсказывающие устройства. Киев, Наукова думка.
9. Амосов М.М. (1965) Моделирование мышления и психики. Киев, Наукова думка.
10. Глушков В.М. (1966). Мышление и кибернетика. Москва, Знание.
11. Івахненко О.Г., Зайченко Ю.П. (1967) Машини починають мислити. Київ, Товариство «Знання».
12. Амосов М.М. (1969) Искусственный разум. Киев, Наукова думка.
13. Amosov, N.M. (1969) Modeling of Thinking and the Mind. New York, Springer.
14. Уотермен Д. (1989) Руководство по экспертным системам. Москва, Мир.
15. Махненко В.И., Скоснягин Ю.А., Лавринец И.Г., Сапрыкина Г.Ю. (1991) Экспертные системы в сварке. Киев, ИЭС им. Е.О. Патона АН УССР.
16. Сапрыкина Г.Ю. (1995). Разработка экспертной системы «Проектирование технологии дуговой сварки сталей под флюсом»: дис. … канд. техн. наук : 05.03.06, Киев.
17. Leith, P. (2010) The rise and fall of the legal expert system. European J. of Law and Technology, 1(l), 94–106. https://doi.org/10.1080/13600869.2016.1232465
18. Goodfellow, I., Bengio, Y., Courville, A. (2016) Deep Learning. The MIT Press.
19. Турп Э. (2023) Потенциал и опасность искусственного интеллекта. https://meetings.imf.org/ru/IMF/Home/Publications/fandd/issues/2023/12/B2B-Artificial-Intelligence-promise-peril-Tourpe
20. Baicun Wanga, Hub, S.J., Lei Suna, Freihe, T. (2020) Intelligent welding system technologies: State-of-the-art review and perspectives. J. of Manufacturing Systems, 56, 374–391. https://doi.org/10.1016/j.jmsy.2020.06.020
21. Berkay Eren, Mehmet Ali Guvenc, Selcuk Mistikoglu (2020) Artificial intelligence applications for friction stir welding: A review. Metals and Materials Intern., 27(6), 193–219. https://doi.org/10.1007/s12540-020-00854-y
22. Haykin, S. (2009) Neural Networks and Learning Machines. Third Edition. Prentice Hall, New York.
23. Valizadeh, M., Wolff, S.J. (2022) Convolutional neural network applications in additive manufacturing: A review. Advances in Industrial and Manufacturing Engineering, 4, 100072. https://doi.org/10.1016/j.aime.2022.100072
24. Xinbo Qi, Guofeng Chen, Yong Li, Xuan Cheng, Changpeng Li (2019) Applying neural-network-based machine learning to additive manufacturing: current applications, challenges, and future perspectives. Engineering, 5(4), 721–729. https://doi.org/10.1016/j.eng.2019.04.012
25. Build a Retrieval Augmented Generation (RAG) (Pts 1, 2) https://python.langchain.com/docs/tutorials/rag/
26. Keith Bourne (2024) Unlocking Data with Generative AI and RAG. – Packt Publishing.
27. Okuyucu, H., Kurt, A., Arcaklioglu, E. (2007) Artificial neural network application on the friction stir welding of aluminum plates. Materials and Design, 28(1), 78–84. https://doi.org/10.1016/j.matdes.2005.06.003
28. D’Orazio, A., Forcellese, A., Simoncini, M. (2018) Prediction of the vertical force during FSW of AZ31 magnesium alloy sheets using an artificial neural network-based model. Neural Computing and Application, 31, 7211–7226. https://doi.org/10.1007/s00521-018-3562-6
29. Nadeau, F., Thériault, B., Gagné, M.-O. (2020) Machine learning models applied to friction stir welding defect index using multiple joint configurations and alloys. Materials: Design and Applications, 234(5), 752–765. https://doi.org/10.1177/1464420720917415
30. Gyasia, E.A., Handroosa, H., Kah, P. (2019) Survey on artificial intelligence (AI) applied in welding: A future scenario of the influence of AI on technological, economic, educational and social changes. Procedia Manufacturing, 38, 702–714. https://doi.org/10.1016/j.promfg.2020.01.095
31. Aldalur, E., Suarez, A., Curiel, D., Viega, F., Vilanueva, P. (2023) Intelligent and adaptive system for welding process automation in T-shaped joints. Metals, 13(9), 1532. https://doi.org/10.3390/met13091532
32. Eren, B., Demir, M.H., Mistikoglu, S. (2023) Welding robot design with machine learning based intelligent vision system. Intelligent methods in engineering sciences, 2(2) 048–051. https://doi.org/10.58190/imiens.2023.12
33. Ucar, A., Karakose, M., Kirimça, N. (2024) Artificial Intelligence for Predictive Maintenance Applications: Key Components, Trustworthiness, and Future Trends. Applied Science. https://doi.org/10.3390/app14020898
34. Murtaza, A.A., Saher, A., Zafar, M.H., Moosavi, S.K.R., Muhammad Faisal Aftab, M.F., Sanfilippo, F. (2024) Paradigm shift for predictive maintenance and condition monitoring from Industry 4.0 to Industry 5.0: A systematic review, challenges and case study. Results in Engineering, 24, 102935. https://doi.org/10.1016/j.rineng.2024.102935
35. Huang, C., Bu, S., Lee, H.H., Chan, C.H., Kong, S.W., Yung, W.K.C. (2024) Prognostics and health management for predictive maintenance: A review. J. of Manufacturing Systems, 75, 78–101. https://doi.org/10.1016/j.jmsy.2024.05.021
36. Mallioris, P., Aivazidou, E., Bechtsis, D. (2024) Predictive maintenance in Industry 4.0: A systematic multi-sector mapping. CIRP J. of Manufacturing Science and Technology, 50, 80–103. https://doi.org/10.1016/j.cirpj.2024.02.003
37. Liu, H., Qi, J., Feng, H., Fan, M. (2025) Research on state monitoring and diagnosis models for multi-state systems based on Petri nets. Results in Engineering, 27, 106249. https://doi.org/10.1016/j.rineng.2025.106249
38. Thirumalaiselvi, A., Sasmal, S. (2024) Machine learningbased acoustic emission technique for corrosion-induced damage monitoring in reinforced concrete structures. Engineering Applications of Artificial Intelligence, 137, Part A, 109121. https://doi.org/10.1016/j.engappai.2024.109121
39. Zhang, H., Yan, J., Yang, J., Meng, W., Chen, S. (2025) Two-stage point cloud registration using multi-scale edge convolution for digital twin-based bridge construction progress monitoring. Automation in Construction, 178, 106415. https://doi.org/10.1016/j.autcon.2025.106415
40. Jiao, W.W., Zhao, D., Mei, X., Yang, S., Zhang, X., Li, L., Xiong, J. (2024) Digital twin for weld pool evolution by data-physics integrated driving. J. of Manufacturing Processes, 131, 947–957. https://doi.org/10.1016/j.jmapro.2024.09.022
41. Siyuan Chen, S., Turanoglu Bekar, E., Bokrantz, J., Skoogh, A. (2025) AI-enhanced digital twins in maintenance: Systematic review, industrial challenges, and bridging research–practice gaps. J. of Manufacturing Systems, 82, 678–699. https://doi.org/10.1016/j.jmsy.2025.07.006
42. Zhang, J., Li, C., Deng, C., Luo, T., Deng, R., Luo, D., Tao, G., Cao, H. (2025) Toward digital twins for intelligence manufacturing: Self-adaptive control in assisted equipment through multi-sensor fusion smart tool real-time machine condition monitoring. J. of Manufacturing Systems, 82, 301–318. https://doi.org/10.1007/s42452-024-06206-4
43. Ye, X.-W., Sun, Z., Lu, J. (2023) Prediction and early warning of wind-induced girder and tower vibration in cable-stayed bridges with machine learning-based approach. Engineering Structures, 275, Part A, 115261. https://doi.org/10.1016/j.engstruct.2022.115261
44. Abebe Derseh, S., Alemu Mohammed, T. (2023) Bridge structures under progressive collapse: A comprehensive state-of-the-art review. Results in Engineering, 18, 101090. https://doi.org/10.1016/j.rineng.2023.101090
45. Sunjoong Kim, Sun-Ho Lee, Sejin Kim (2023) Pointwise multiclass vibration classifi cation for cable-supported bridges using a signal-segmentation deep network. Engineering Structures, 279, 115599. https://doi.org/10.1016/j.engstruct.2023.115599
46. Юйхуэй Яо, Пелешко С.И., Коржик В.Н., Хаскин В.Ю., Квасницкий В.В. (2017) Концепция создания усовершенствованной системы искусственного интеллекта и компьютеризированного тренажёра для виртуальной сварки. Автоматическая сварка, 5–6, 26–34. https://doi.org/10.15407/tpwj2017.06.04

---

Ця стаття у відкритому доступі за Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

---

Рекомендоване цитування

Л.М. Лобанов, О.В. Махненко, О.С. Міленін, М.Г. Мальгін, Г.Ю. Саприкіна, О.М. Савицька (2026) Використання штучного інтелекту в зварюванні та споріднених технологіях. Технічна діагностика та неруйнівний контроль, 01, 8-22. https://doi.org/10.37434/tdnk2026.01.02

---

Реклама в цьому номері:

---