Тема выпускной квалификационной работы: «Микроконтроллерное устройство для классификации и оценки параметров дефектов электродов, применяемых в гальванических устройствах». Данная работа выполнена с целью, соответствующей названию. В ходе данной работы были проанализированы данные, предоставленные заказчиком: потенциальные диаграммы, снятые с медно-титановых электродов. По виду этих диаграмм, после согласования с экспертом, было выделено пять групп, по которым сам заказчик определит вид дефекта. Были изучены возможные методы, которые позволяют произвести классификацию по группам. Предложено рассмотреть возможность применения метода ближайших соседей и нейронных сетей. Для уменьшения количества входных данных потенциальные диаграммы было предложено представить в виде полиномиальных регрессий, однако оказалось, что это не приводит к повышению точности классификации. Удалось выяснить, что более высокую точность классификации показал многослойный персептрон.Модель обученной нейронной сети, реализованной в среде PyCharm, была преобразована в модель для работы на микроконтроллере, предоставленном заказчиком, в среде STM32CubeMX с помощью пакета X-CUBE-AI.Микроконтроллер на отладочной плате был прошит при помощи программатора, затем протестирована его работа и результат соответствовал ожидаемому. Таким образом, результат работы следующий: разработано микроконтроллерное устройство для классификации и оценки параметров дефектов электродов, применяемых в гальванических технологиях.

Topic of the final qualification work: "Microcontroller device for classifying and evaluating the parameters of defects in electrodes used in galvanic devices". This work was carried out with the purpose corresponding to the title.In the course of this work, the data provided by the customer were analyzed: potential diagrams taken from copper-titanium electrodes. According to the type of these diagrams, after agreement with the expert, five groups were identified, according to which the customer himself will determine the type of defect. Possible methods have been explored that allow classification into groups. It is proposed to consider the possibility of using the method of nearest neighbors and neural networks. To reduce the amount of input data, it was proposed to present potential diagrams in the form of polynomial regressions, but it turned out that this does not lead to an increase in the classification accuracy. It was possible to find out that a multilayer perceptron showed a higher classification accuracy. The trained neural network model implemented in the PyCharm environment was converted to a model for running on a customer-provided microcontroller in the STM32CubeMX environment using the X-CUBE-AI package.The microcontroller on the debug board was flashed using a programmer, then its operation was tested and the result was as expected. Thus, the result of the work is as follows: a microcontroller device has been developed for classifying and evaluating the parameters of electrode defects used in galvanic technologies.