ISBN 966-7851-19-2 Надійність інструменту та оптимізація технологічних систем. №14 2003.
Рисунок 1 – Схема разработки исходных данных
Экспериментально подтвержденные табличные данные заменяются совокупностью математических зависимостей. Для того чтобы выявить эти математические зависимости достаточно обучить нейросеть по данным, представленным в виде таблиц.
dmin=f1 (dmax) dmax=f2 (dmin)
размер державки=f3 (dmax) tmin=f4 (dmax; tmax) tmax=f5 (dmin; tmin; Smax) Smin=f6 (dmax; tmax; y)
Smax=f7 (dmax; размер державки; tmax; СV) Cv=f8 (y)
y=f9 (dmin; CV)
После проведения анализа обучаемого множества сокращения нейронов сокращения числа неоднородных ходов составляем вербальные описания и проводим разработку файлов нейросетевой модели для всех параметров (рисунок 2).
Пример: Разработка файлов для Smax (аналогично для других параметров).
Вербальное описание нейросетевой модели
Smax=f (dmax, размер.державки резца., tmax, Сv)
Поля базы данных (исходные симптомы): DMAX, РАЗ.ДЕР.Р., TMAX, CV
Поля базы данных (конечные синдромы): SMAX
Предобработка входных полей БД для подачи сети: DMAX = (DMAX-1260)/1240
РАЗ.ДЕР.Р. = (РАЗ.ДЕР.Р.-113)/2 TMAX = (TMAX-10,5)/7,5
148
ISBN 966-7851-19-2 Надійність інструменту та оптимізація технологічних систем. №14 2003.
Cv = (Cv 380)/40
Функциональные преобразователи: Сигмоида1 (A) =A / (0,1 + | |)
Сигмоида 2 (A) =A / (0,1 + | |) Сигмоида 3 (A) =A / (0,1 + | |)
Синдромы 1-го уровня:
Синдром 1_1=Сигмоида1 (-0,144989*dmax+0,2960154*tmax+0,26649) Синдром 1_2=Сигмоида1 (-0,118691*DMAX-0,149559*РАЗ.ДЕР.Р. + + 0,2253799*CV-0,07370801)
Синдромы 2-го уровня:
Синдром 2_1=Сигмоида2 (-0,3025465*Синдром1_1- 0,1225348*Синдром1_2-0,1424209)
Синдром 2_2=Сигмоида2 (0,2591774*Синдром1_2) Синдром 2_3=Сигмоида2 (-0,3125508*Синдром1_2) Синдромы 3-го уровня:
Синдром 3_1=Сигмоида3 (-0,4424514* Синдром 2_1+0,2995376* Синдром 2_2-0,3293945* Синдром 2_3+0,08377378)
Конечные синдромы:
SMAX =-Синдром3_1+0,01380728
Постобработка конечных синдромов:
SMAX = ((SMAX*1,59999999403954) +2,40000000596046)/2)
Рисунок 2 – Связь параматров технологического процесса
Рисунок 3 – Модель файла нейронной сети для Smax
149
ISBN 966-7851-19-2 Надійність інструменту та оптимізація технологічних систем. №14 2003.
Применение нейронных сетей было оправдано наличием большого обьема входной информации и достаточного числа примеров, а нейронные сети оптимально подходят для распознавания образов и решения задач классификации, оптимизации и прогнозирования.
Конечная эффективность любого решения зависит от последовательности событий возникающих уже после принятия решения. Возможность предсказать неуправляемые аспекты этих событий перед принятием решений позволяет сделать наилучший выбор, который в противном случае мог бы быть не таким удачным.
Выводы
Построена обобщенная модель, которая устанавливает связь между параметрами технологического процесса. Для этого использованы данные из справочников [1], которые представлены в виде нейросетевой модели, где входами являются исходные значения, а выходами информация из таблиц.
Построена математическая модель, отражающая изменения количественных и качественных характеристик с учетом перехода к новому оборудованию, новым материалам, новым требованиям к качеству обрабатываемых изделий. Получены результаты, прогнозирующие показатели технологического процесса, что создает условия для выявления выходных данных модели на определенном диапазоне изменения входных (без проведения эксперимента на образцах).
В заключении можно отметить, что сети с однородной структурой позволяют просто и эффективно разрешить задачу воссоздания образов по неполной и искаженной информации. Невысокая емкость сетей объясняется тем, что сети не просто запоминают образы, а позволяют проводить их обобщение. Вместе с тем, легкость построения программных и аппаратных моделей делают эти сети привлекательными для многих применений
Литература
1Косилова А.Г., Мещеряков Г.К. “Справочник технолога-машиностроителя”.,
В2-х томах, т 2 4 изд. перераб. и доп.- М. Машиностроение, 1985 г., 496 стр.
2Анурьев В.И. “ Справочник конструктора-машиностроителя” в 3-х томах,
т.1.- 1979 г.-728 стр.
3Горбань А. Н. Обучение нейронных сетей. М.: СП ПараГраф. 1991.- 324 с.
4Евтихиев Н. Н., Оныкий Б. Н., Перепелица В.В., Щербаков И.Б. Математические модели и оптические реализации многослойных и полиномиальных нейронных сетей. М.: Препринт/МИФИ, 004-94, 1994. - 32 с.
150