Лабораторный практикум

Раздел V. Методы разработки технологических инноваций

6. Для моделирования работы нейронной сети PNN и преобразования данных в индексный вектор вводим в командное окно MATLAB (выделяем, копируем и вставляем поочередно в окно MATLAB) следующие выражения:

Y = sim(net,P);

Yc = vec2ind(Y)

и нажимаем клавишу Enter после ввода каждой строки (рис. 12), после чего автоматически строится индексный вектор – Y c..

Висходных данных было указано, что в решаемой задаче имеются 3 новых детали (подлежащих постановке на производство), каждая из которых содержит зубчатое зацепление: первая деталь имеет цилиндрическое зубчатое зацепление, вторая

–коническое и третья деталь – сектор. Для того, чтобы включить эти детали в тот или иной подкласс уже освоенных в производстве деталей необходимо выполнить следующие действия.

Вследующей строке командного окна (рис. 12) после знака >> задаем вектора р и координаты 3-х новых деталей, которые не принадлежат, рассмотренному выше обучающему множеству P. В этой связи далее либо с помощью клавиатуры, либо с помощью копирования текста описания лабораторного занятия введем (рис.12) строку p = [1 3; 0 1; 5 2]'; и нажмем кнопку

Enter.

Введенная в командное окно MATLAB строка на рис.12 характеризует следующие данные:

−деталь 1 имеет координаты [1 3],

−деталь 2 – [0 1],

−деталь 3 – [5 2].

По результатам ввода нейронная сеть автоматически строит

матрицу вектора – p (рис.12) с учетом новых трех деталей, для которых по результатам классификации и группирования необходимо выполнить технологическую подготовку производства.

Примечание: система MATLAB воспринимает буквы P и p в качестве разных объектов, поэтому написание букв - прописной или строчный вид - имеет важное значение.

391

Раздел V. Методы разработки технологических инноваций

Рис. 12. Моделирование нейронной сети PNN и задание вектора p

7. Для определения окончательной номенклатуры (или производственной программы) специализированных производственных участков по изготовлению зубчатых колес (деталей с элементами зубчатого зацепления, рис.6) выполним моделирование работы нейронной сети PNN для нового набора значений вектора p и преобразуем эти данные в индексный вектор. Для этого введем с клавиатуры (или путем копирования из описания лабораторного занятия в дополнение к данным уже внесенным после знака >> на рис.12) следующие 2 строки:

a = sim(net,p);

ac = vec2ind(a)

Примечание: после ввода каждой строки в командное окно Matlab и нажимаем Enter.

8. Для наглядного изображения и графической иллюстрации результатов классификации и группирования деталей с помощью нейронной сети необходимо:

−выделить целиком (левой кнопкой «мыши») и скопировать данный фрагмент программы (правой кнопкой «мыши» –

Копировать) и

−вставить выделенный фрагмент в командное окно системы Matlab (правой кнопкой «мыши» – Вставить) и нажать клавишу Enter.

392

Раздел V. Методы разработки технологических инноваций

figure(1), clf reset, drawnow

p1 = 0:.05:5;

p2 = p1;

[P1,P2]=meshgrid(p1,p2);

pp = [P1(:) P2(:)]; aa = sim(net,pp'); aa = full(aa);

m = mesh(P1,P2,reshape(aa(1,:),length(p1),length(p2))); set(m,'facecolor',[0.75 0.75 0.75],'LineStyle','none');

hold on, view(3)

m = mesh(P1,P2,reshape(aa(2,:),length(p1),length(p2)));

set(m,'FaceColor',[0 1 0.5],'LineStyle','none');

m = mesh(P1,P2,reshape(aa(3,:),length(p1),length(p2)));

set(m,'FaceColor',[0 1 1],'LineStyle','none');

plot3(P(1,:),P(2,:),ones(size(P,2))+0.1,'.','MarkerSi

ze',20)

plot3(p(1,:),p(2,:),1.1*ones(size(p,2)),'*','MarkerSi

ze',10,...

'Color',[1 0 0]), hold off, view(2)

Результаты реализации данного программного кода в среде Matlab показаны на рис. 13.

393

Раздел V. Методы разработки технологических инноваций

Рис. 13. Результат группирования деталей нейронной сетью PNN

Рис.13 графически иллюстрирует решение задачи классификации и группирования рассмотренных выше деталей.

Результаты показывают, что 3 новых детали, отмеченные на рис. 13 звездочками (массив p), классифицируются сетью PNN, состоящей из 7 нейронов, в полном соответствии с классификатором ЕСКД (рис.6). Точками на графике представлены освоенные в производстве детали из обучающего множества, которые были заданы массивом P.

Результаты наглядно подтверждают правильность решения рассмотренной классификационной задачи на графике группирования деталей.

9. Для закрепления полученных на лабораторном занятии знаний и навыков студентам рекомендуется на следующем этапе работы самостоятельно осуществить группирование для примера

394

Раздел V. Методы разработки технологических инноваций

из 10 деталей согласно пункту 2 задания. В этом случае три детали имеют цилиндрические зубчатые зацепления, четыре детали – конические зацепления, а остальные детали выполнены в виде зубчатых секторов, сегментов и деталей других типов зубчатых зацеплений.

Кодирование осуществляется в командном окне системы Matlab аналогично описанной выше последовательности действий (в пунктах 2-8) методики выполнения задания. Координаты для деталей в данном случае задают в пределах [0 10]. Результаты группирования 10 деталей в виде графика и фрагментов кодов также рекомендуется включить в отчет о проделанной работе.

10. Оформить отчет о выполненном лабораторном занятии и представить его преподавателю.

5.Контрольные вопросы

1.Как классифицируют детали в ЕСКД, для каких целей применяют результаты группирования (кластеризации)?

2.Как использовать нейронную сеть PNN для группирования деталей?

3.С помощью какой команды Matlab реализует использование вероятностной нейронной сети PNN?

4.Перечислите этапы решения классификационной задачи по группированию деталей с помощью нейронной сети PNN .

6.Требования к отчету

Отчет должен содержать титульный лист, цель работы и иллюстрации результатов работы нейронной сети PNN, фрагменты кодов для решения задачи группирования деталей и выводы о проделанной работе.

7.Критерий оценки результатов

При подведении итоговой оценки рекомендуется руководствоваться следующими критериями: «отлично» – соответствует более 90% качественному усвоению учебного материала; «хорошо» – соответствует более 75% до 90%

395

Раздел V. Методы разработки технологических инноваций

качественного усвоения учебного материала; «удовлетворительно» – соответствует более 50% до 75% качественного усвоения учебного материала при условии отсутствия ошибок в расчетах и обоснованиях.

В случае невыполнения перечисленных критериев или отсутствия на занятии студент должен пройти повторное выполнение лабораторного задания самостоятельно и представить новый вариант отчета к защите.

Список литературы

1.Селиванов С.Г., Гузаиров М.Б., Кутин А.А. Инноватика. Учебник для вузов. – М.: Машиностроение. 2008. -721 с.

2.Селиванов С.Г., Гузаиров М.Б. Системотехника инновационной подготовки производства в машиностроении. – М.: Машиностроение. 2012. -568 с.

3.Селиванов С. Г., Черняховская Л. Р., Бородкина О. А. Вероятностно-рекуррентный метод оптимизации перспективных технологических процессов в АСТПП авиадвигателестроительного производства // Вестник УГАТУ. 2012 .Том 16, №2 (48).

4.Медведев В. С., Потемкин В. Г. Нейронные сети: Matlab 6 /:

ДИАЛОГ-МИФИ, 2002. 496 с.

5.Толпин Д. А. Вероятностные сети для описания знаний // Информационные процессы. 2007. Том 7, №1. С.93-103.

6.Дьяконов В. П. MATLAB 6.5 SP1/7/7 SP2+Simulink 5/6.

Инструменты искусственного интеллекта и биоинформатики. Серия «Библиотека профессионала» В. П. Дьяконов, В. В. Круглов М. : СОЛОНПРЕСС, 2006. 456 с.

396

Раздел V. Методы разработки технологических инноваций

Лабораторное занятие № 5.4

Тема: Изучение работы рекуррентных нейронных сетей в

Matlab для системного анализа технологических инноваций

Содержание

Введение 1.Теоретическая часть.

2.Описание используемых программных комплексов

3.Задание

4.Методика выполнения задания

5.Контрольные вопросы

6.Требования к отчету

7.Критерий оценки результатов

Список литературы

Введение

В процедуре проектирования новых технологических процессов часто возникает задача выбора наиболее рационального технологического процесса с точки зрения некоторого критерия оптимизации. Решение таких оптимизационных задач становится возможным при использовании систем автоматизации проектирования технологических процессов (САПР ТП) в АСТПП. Эти системы наряду со значительным сокращением сроков проектирования позволяют существенно повысить качество проектных решений за счёт проведения оптимизации на всех этапах технологического проектирования.

1.Теоретическая часть

Различают три вида методов оптимизации новых технологических процессов:

1.Структурную.

2.Параметрическую (одно- и многокритериальную).

3.Структурно – параметрическую.

Для решения оптимизационных задач применяют не только методы однокритериальной, но и многокритериальной оптими-

397

Раздел V. Методы разработки технологических инноваций

зации. При этом многокритериальная структурная оптимизация технологических процессов может быть осуществлена с помощью различных методов математического моделирования1: теории статистических решений и теории игр, динамического и линейного программирования, использования экспертных систем, генетических алгоритмов, искусственных нейронных сетей и методов нечеткой логики, а также других методов системотехнического проектирования. Для оптимизации новых технологических процессов названные перечни методов можно обобщить следующим образом, рис.1:

–классический метод дифференцирования;

–линейное программирование;

–квадратичное программирование;

–динамическое программирование.

С точки зрения стратегии поиска оптимума можно выделить четыре группы методов:

–аналитические;

–рекурсивные;

–итерационные;

–стохастические.

В дальнейшем исследовании особое внимание уделено методам структурной оптимизации с использованием известных средств искусственного интеллекта в виде рекуррентных нейронных сетей (Хопфилда, Элмана и Джордана).

Структурная оптимизация – это определение оптимальной структуры технологического процесса:

−вида заготовок,

−структуры технологических маршрутов (расцеховки и/или маршрутных карт технологических процессов),

−состава технологических операций и / или методов обработки,

−моделей парка оборудования и других средств технологического оснащения,

−многоинструментальных наладок, многоместных приспособлений и т.д.

1 Селиванов С. Г., Гузаиров М. Б., Кутин А. А. Инноватика. Учебник для вузов. 2-е изд. М. : Машиностроение, 2008. 721 с.

398

Раздел V. Методы разработки технологических инноваций

Рис.Ошибка! Текст указанного стиля в документе отсутствует.. Классификация методов оптимизации технологических процессов в машиностроении

399

Раздел V. Методы разработки технологических инноваций

После выбора определённой структуры маршрута обработки, состава технологических операций и их переходов должна ставиться задача параметрической оптимизации. Параметрическая оптимизация выполняется обычно после выбора структуры технологических переходов и состоит в выборе оптимальных режимов обработки, например режимов резания (скорости, подачи, глубины), выбора силовой схемы резания или схемы высокоскоростной обработки. Структурнопараметрическая оптимизация представляет собой комбинацию методов структурной и параметрической оптимизации.

Структурная оптимизация рассматривает последовательно каждую задачу технологического проектирования на нескольких взаимосвязанных уровнях (расцеховка, маршрутный технологический процесс, технологическая операция). Процесс проектирования на каждом уровне представляет собой многовариантную процедуру. В результате проектирования на всех уровнях можно сформировать граф допустимых вариантов выполнения технологического процесса, отвечающих заданным ограничениям.

Задача структурной оптимизации состоит в поиске наилучшего варианта, обеспечивающего экстремум целевой функции. Основной метод структурной оптимизации состоит в последовательном переборе возможных вариантов, что не всегда рационально. Чтобы выбрать один оптимальный вариант в данном случае, необходимо до конца спроектировать очень большое количество допустимых техническими и технологическими ограничениями вариантов техпроцессов и выполнить их системный анализ с использованием названных на рис.1 математических методов. Кроме метода полного перебора вариантов математическое моделирование предлагает широкий спектр методов оптимизации проектно-технологических решений

Наиболее прогрессивным методом совершенствования АСТПП в настоящее время является также использование средств искусственного интеллекта. Применение методов искусственного интеллекта к рассмотренной задаче структурной оптимизации новых технологических процессов, разрабатываемых в ходе инновационной деятельности или инновационного проектирования, позволяет для обеспечения

400