В настоящее время, все чаще в аэрокосмической отрасли, машиностроении находят применение полимерные композиционные материалы.
При изготовлении и эксплуатации полимерных композиционных материалов необходима оценка их текущего состояния. С применением средств неразрушающего контроля возможно оценивать текущее состояние. Существуют специфические требования к неразрушающему контролю: запрет на применение контактной жидкости, недопустимость больших механических нагрузок.[1]
В основном применяются такие виды контроля: тепловой контроль, голографический контроль, рентгеновский контроль, акустический контроль, ультразвуковой контроль. Причем, есть несколько видов методов ультразвукового контроля: эхометод, теневой метод, зеркально-теневой метод; акустического контроля: импедансный метод, свободных колебаний, реверберационный метод. Наибольшее распространение получили ультразвуковой и акустический методы неразрушающего контроля.[1,2]
Проанализировав данные методы, становится очевидной необходимость применения теневого ультразвукового контроля.
При теневом ультразвуковом неразрушающем контроле полимерных материалов одно из главных мест занимает задача обработки результатов контроля, в частности, задача классификации объекта контроля. При решении задачи классификации, на основании некоторой информации об объекте контроля, необходимо определить, к какому классу его можно отнести.
Необходимо учитывать, что крупногабаритные изделия из полимерных композиционных материалов это или единичные изделия, или изделия, выпускаемые малыми партиями. Поэтому, объем экспериментальных данных не такой уже и большой, а с другой стороны, свойства объектов контроля могут существенно изменяться от изделия к изделию.
Традиционные статистические методы обработки использовать не рационально, так как они обладают низкой адаптивностью.
Учитывая все эти факторы, для повышения информативности и производительности обработки результатов ультразвукового контроля, предлагается использовать нейронные сети.
Метод обработки экспериментальных данных с применением нейронных сетей позволит в результате адаптации (или самообучения) настраиваться на параметры некоторого изделия.
Нейронные сети – математические модели, состоящие из элементарных частиц обработки информации (нейронов), накапливающих экспериментальные знания и предоставляющих их для последующей обработки. [3]
Нейронные сети построены по принципу организации и функционирования биологических нейронных сетей, в которой каждый узел (искусственный нейрон) выполняет специфическую функцию на входных сигналах, наборе параметров, имеющих отношение к этому узлу. Характер функций узла может изменяться от узла к узлу и выбор каждой функции узла зависит от полной функции ввода-вывода, которую сеть должна выполнить.
Нейронные сети дают возможность получить высокую помехоустойчивость; уменьшают зависимость от влияния внешних факторов; обеспечивают высокую эффективность контроля; позволяют значительно снизить стоимость реализации системы, уменьшить аппаратные и программные затраты, а также повысить ее быстродействие.
Нейрон представляет собой единицу обработки информации в нейронной сети. На рисунке 1 показана модель нейрона, лежащего в основе искусственных нейронных сетей.[4]