Заочный Государственный Университет Внастоящее время все большее применение в разработке автоматизированных систем технологической подготовки производства находят нейросетевые модели. Широкое применение нейронных сетей в задача

Вид материала

Задача

Подобный материал:

• Применение нейронных сетей для решения задач в машиностроении а. А. Мишенин, асп, 237.95kb.
• Находят самое широкое применение в различных областях строительства, 24.26kb.
• Внастоящее время в промышленности, в сельском хозяйстве, в армии и на флоте находят, 318.64kb.
• Алгоритмы обучения и архитектура нейронных сетей. Нейросетевые системы обработки информации, 21.42kb.
• Применение аппарата нейронных сетей системы matlab для аппроксимации степенных математических, 50.69kb.
• Применение искусственных нейронных сетей для исследования асинхронного двигателя, работающего, 68.58kb.
• Конференция «нейрокомпьютеры и их применение» резолюция, 18.8kb.
• Вспециальной школе VIII вида на уроках математики широкое применение находят дидактические, 59.57kb.
• Впоследнее время все более широкое распространение в производстве находят технологические, 186.34kb.
• Я. А. Трофимов международный университет природы, общества и человека «Дубна», Дубна, 71.95kb.

Э.Ю. Яковлев

ПРОГНОЗИРОВАНИЕ ТОЧНОСТИ РАЗМЕРНОЙ ОБРАБОТКИ ЗАГОТОВОК ИЗ РАЗЛИЧНЫХ МАТЕРИАЛОВ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ

,

ГОУ ВПО «Северо-Западный Заочный Государственный Университет»


В настоящее время все большее применение в разработке автоматизированных систем технологической подготовки производства находят нейросетевые модели. Широкое применение нейронных сетей в задачах технологической подготовки обусловлено, прежде всего, их способностью обучаться решению задач, для которых у человека не существует формализованных, быстрых, или работающих с приемлемой точностью алгоритмов решения. Наиболее перспективным направлением является использование автоматизированных систем управления, построенных с помощью искусственных нейронных сетей, основанных на массовой параллельной обработке большого объема информации и способности к самообучению такой системы по примерам обучающей выборки [2].

Достижение высоких квалитетов точности невозможно без использования различных методов размерной обработки заготовок, однако, резервы повышения технологической точности этих методов практически исчерпаны и это приводит к необходимости включения в технологический процесс дополнительных, более дорогостоящих и обеспечивающих необходимую точность методов финишной обработки. Поэтому для разработки модели прогнозирования тепловых деформаций и влияния элементарных погрешностей на точность получаемых деталей были использованы нейронные сети.

Требования, предъявляемые к точности изготовления и качеству поверхностей деталей при токарной и фрезерной обработке, постоянно растут [1]. Применение нейросетевых алгоритмов позволяет на основе процессов формо- и стружкообразования, оптимизировать выбор режимов резания и конструктивно-геометрических характеристик режущего инструмента для достижения заданных параметров качества обрабатываемых поверхностей. При этом ставится задача автоматизированного проектирования токарной операции, основанная на применении нейросетевых моделей процесса точения заготовок из различных видов материала, позволяющая осуществить планирование, анализ и управление процессом формо- и стружкообразования обрабатываемых поверхностей, за счет назначения оптимальных режимов резания, конструктивно-геометрических характеристик инструмента, для получения заданных параметров качества обрабатываемой поверхности детали.

Для реализации системы прогнозирования точности на основе нейронных сетей обосновано использование аппарата нейронных сетей с нечеткой логикой, которые обладают высокой скоростью обучения, простотой алгоритма и оптимальной проработанностью программного обеспечения в системе математического моделирования MATLAB 6.5, и устойчиво показывают точные результаты прогнозирования в энергетике [3]. Для реализации системы прогнозирования точности на основе нейронных сетей, а также построения тепловых полей с помощью метода конечных элементов в программном продукте MatLab необходимо было:

1) выявить взаимосвязь между параметрами качества получаемой поверхности, режимами резания, и конструктивно-геометрическими параметрами режущего инструмента;

2) определить влияние на тип образующейся стружки режимов резания и конструктивно-геометрических параметров инструмента;

3) выявить влияние режимов резания на величину дефектного поверхностного слоя детали.

Подобная задача была решена путем использования многослойных нейронных сетей обратного распространения, ошибка – E в которых минимизируется согласно алгоритму Видроу-Хоффа:


,


где – желаемое выходное состояние сигнала сети, а – реальное выходное состояние нейрона выходного слоя. Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация выполняется методом градиентного спуска [3]:

,

где w_ij – весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя n-1 с j-ым нейроном слоя n, h – коэффициент скорости обучения, 0



Рис. 1 Схематичное представление ТПП с использованием нейронной сети

Данная архитектура подразумевает использования модуля ассоциативной памяти, который осуществляет следующие функции: 1) информационное обеспечение в виде базы данных, позволяющее моделировать процессы формо- и стружкообразования при точении деталей из различных материалов с помощью искусственных нейронных сетей; 2) информационное обеспечение в виде базы данных, позволяющее выбирать рациональные технические решения и синтезировать эффективные конструкции специализированных инструментов при проектировании технологических процессов.

Базы данных состоят из таблиц обучающей выборки, составленных в соответствии с матрицей проведенных экспериментов, позволяющей формировать нейросетевые модели, характеризующие процесс точения заготовок из различных материалов, а также таблиц тестирующей выборки, используемых для оценки качества «обучения» нейросетевых моделей для их дальнейшего применения в составе системы автоматизированного проектирования технологической операции.

Процесс обучения сети осложняется отсутствием баз данных, содержащих информацию о входных и выходных характеристиках процесса формо- и стружкообразования при механической обработке для деталей из определенного материала. Построение нейросетевой модели требует наличие набора готовых примеров, описывающих входные и выходные параметры исследуемого процесса. Поэтому процесс обучения для нейронных сетей обратного распространения при решении задач достижения требуемого качества поверхностей при механической обработке деталей состоит из 4-х этапов: 1) сбор данных для обучения; 2) создание объекта сети; 3) обучение сети; 4) симуляция реакций сети на ранее не подаваемые входные сигналы.

Для достижения заданных параметров качества поверхностного слоя детали необходимо искать оптимальное соотношение подачи и скорости, во избежание появления дефектов. При этом параметры обработки резанием определяются характерными свойствами и структурой обрабатываемого материала, а также контактными процессами, протекающими в зоне резания при механической обработке. Поэтому для составления нейросетевых моделей, описывающих процессы формо- и стружкообразования деталей из различных материалов, и использования их в составе системы автоматизированного проектирования технологической операции, необходимо провести экспериментальные исследования влияния режимов резания и параметров инструмента, качественных показателей обработанной поверхности.

Использование нейросетевых моделей в составе автоматизированной системы проектирования операции токарной обработки, позволяет решать задачу выбора оптимальных технологических режимов и конструктивно-геометрических параметров режущего инструмента для достижения заданных показателей качества обрабатываемых поверхностей [4]. Алгоритм автоматизированного проектирования токарной операции резания, построенный на основе нейросетей, позволяет назначать рациональные режимы обработки в зависимости от требуемых показателей качества обработанной поверхности.

Кроме того, применение нейросетевых технологий позволяет не только повысить производительность механической обработки за счет использования баз параметров технологических процессов, находящихся в ассоциативной памяти нейронной сети, но и обеспечить применение иновационных технологических решений, направленных на повышение эффективности процесса обработки заготовок из различных видов материала.


Список используемых источников:

1. Вейц В.Л., Максаров В.В., Лонцих П.А. Динамика и моделирование процессов резания при механической обработке. – Иркутск: РИО ИГИУВа, 2000.-189 с.

2. Demuth H., Beale M. Neural Network Toolbox. For Use with MATLAB. The MathWorks Inc. 2000.

3. Howard D., Mark B. Neural Network Design. The MathWorks, Inc. Brooks/Cole Publishing Company. 1996.

4. Гришин К.В. Повышение точности чистовой обработки на основе анализа влияния технологических факторов на возникающие элементарные погрешности // Материалы всероссийской научн.- техн. конф. «Современные технологии и оборудование текстильной промышленности» (Текстиль- 2005) – М.; МГТУ им. А.Н. Косыгина, 2005.