Лабораторный практикум

Раздел V. Методы разработки технологических инноваций

сети входной слой. Выходной слой состоит из нейронов, однонаправленно связанных только с нейронами скрытого слоя.

Рис. 1. Схема нейронной сети Элмана

Рис. 2. Структура трехслойной нейронной сети Элмана для задачи оптимизации директивных технологических процессов

Рис. 3..Структура таблицы ввода данных к рис. 2

Сеть Элмана – это один из видов рекуррентных сетей, которую получают из многослойного перцептрона введением обратных связей. Эти обратные связи идут не от выхода сети (как в искусственной нейронной сети Хопфилда), а от выходов внутрен-

431

Раздел V. Методы разработки технологических инноваций

них нейронов (рис. 2). Это структурное свойство искусственной нейронной сети Элмана позволяет учесть предысторию наблюдаемых процессов (в данном случае технологических процессов) и накопить информацию для выработки правильной стратегии управления развитием директивной технологии. В связи со сказанным искусственные нейронные сети Элмана можно применять в системах оптимизации структуры технологических процессов, так как их главной особенностью является запоминание последовательностей преобразований объектов2, в данном случае директивных технологий.

Для использования сети Элмана в задачах многокритериальной оптимизации необходимо вначале произвести приведение входных параметров к безразмерной величине по условиям применения методов многокритериальной оптимизации. Эта часть работ предусматривает использование в среде Matlab метода ли- нейно-аддитивной свёртки3. В качестве входных параметров численной оценки директивных технологических процессов можно использовать 3 критерия минимумов: затрат, трудоемкостей и рисков. Для реализации метода линейно-аддитивной свертки необходимо вначале установить для выражений (1,2 и 3) веса приоритетов от 0 до 1:

−для трудоемкости в данном случае назначен приоритет 0,35;

−для затрат – 0,35;

−для критерия риска4 – 0,3.

2Дьяконов В. П., Круглов В. В. MATLAB 6.5 SP1/7/7 SP2+Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. М.: СОЛОН-ПРЕСС, 2006. 456 с. Медведев В. С., Потемкин В. Г. Нейронные сети: Matlab 6. М.: ДИАЛОГ-МИФИ, 2002.

496с.

3Шипачев В. С. Высшая математика : учеб. для вузов. 4-е изд. М.: Высшая школа, 1998.

479с.

4Коссов В. В., Лившиц В. Н., Шахназаров А. Г. Методические рекомендации по оценке эффективности инвестиционных проектов. М.: Экономика, 2001. 421 с.

432

Раздел V. Методы разработки технологических инноваций

εi min ,εmaxi – минимальное и максимальное из всех возможных значений i-го критерия.

где αi – весовые коэффициенты, назначаемые экспертно, определяют значимость соответствующего критерия среди рассматриваемого множества.

Рассмотрим более подробно процедуру использования нейронной сети Элмана для многокритериальной оптимизации директивных технологических процессов в авиадвигателестроении.

На рис. 1 и 2 входные значения, определенные по формулам (1,2 и 3), подаются в скрытый слой, где находятся контекстные нейроны с обратными связями5, далее преобразованные значения после прохождения по скрытому слою подаются на выходной слой. Контекстные нейроны – это нейроны, содержащие копию значений активации скрытых нейронов для предыдущего временного отсчета.

В приложении к решению рассматриваемой задачи многокритериальной оптимизации директивных технологических процессов можно перейти от нейронной сети Элмана общего вида (рис. 1) к полномасштабной модели нейронной сети Элмана (рис. 2). На этом рисунке изображена нейронная сеть с двумя скрытыми слоями и одним выходным слоем, используемая в данной задаче многокритериальной оптимизации директивных технологических процессов. Как видно из рис. 2, связи идут от выходов внутренних нейронов, что позволяет учесть предысторию наблюдаемых процессов и накопить информацию для выработки правильной стратегии управления развитием директивной технологии.

5 Дьяконов В. П., Круглов В. В. MATLAB 6.5 SP1/7/7 SP2+Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. М.: СОЛОН-ПРЕСС, 2006. 456 с. Медведев В.С., Потемкин В. Г. Нейронные сети: Matlab 6 . М. : ДИАЛОГ-МИФИ, 2002. 496 с.

433

Раздел V. Методы разработки технологических инноваций

Процесс обучения созданной нейронной сети Элмана графически продемонстрирован на рис. 4, где показана зависимость времени (количество периодов обучения) и ошибки (средняя квадратичная ошибка) расчета.

Рис. 4. График обучения нейронной сети Элмана

Для обучения нейросети в данном случае было задано 200 итераций (шагов) с выводом результатов расчета через каждые 25 итераций с учётом погрешности расчетов сети 0,01. В рассматриваемом примере нейросеть обучилась достаточно быстро, пройдя 30 итераций из заданных 200, постепенно обучаясь и уменьшая ошибки вычислений.

Реализация данных параметров обучения в системе Matlab

7.5представлена ниже.

1)net.trainParam.epochs = 200;

2)net.trainParam.show = 25;

3)net.trainParam.goal = 0,01.

Ввод данных осуществляется с клавиатуры в окне ввода данных (рис. 3 и рис. 5). На рис.5 кроме данных для использования гибридной искусственной нейронной сети с элементами нечеткой логики указана также (в правой части экрана) таблица исходных данных для оптимизации проектных (перспективных и

434

Раздел V. Методы разработки технологических инноваций

директивных) технологических процессов с помощью генетических алгоритмов.

Отработка рассмотренного выше пакета прикладных программ многокритериальной оптимизации директивных технологических процессов рассмотрена на примере технологии изготовления деталей диффузоров камер сгорания авиационных двигателей (рис. 6). Позицией 5 на рис. 6 обозначена деталь камеры сгорания «Стойка», директивный технологический процесс которой оптимизируется в данном случае. Ее пространственный вид (3D) приведен на рис. 7. Граф-дерево вариантов директивных технологических процессов деталей «Стойка» приведен на рис. 8. Данные графа являются входными данными для программного продукта (рис. 5).

Рис. 5. Интерфейс программного продукта по оптимизации директивных технологических процессов

435

Раздел V. Методы разработки технологических инноваций

Рис. 6. Общий вид диффузора камеры сгорания авиационного двигателя

Рис.7.Примеры деталей камеры сгорания «Стойка»

Для рассматриваемых деталей построен граф вариантов директивных технологических процессов изготовления детали «Стойка» (см.рис. 8 и 9). На основании данных графа рассчитаны различные варианты директивных технологических процессов, которые были разделены на 3 группы в зависимости от вида обработки – это директивные технологические процессы, основанные на пайке, аргонодуговой сварке и электронно-лучевой сварке, что позволило выбрать Парето-оптимальный вариант директивного технологического процесса по названным выше критериям.

436

Раздел V. Методы разработки технологических инноваций

Рис. 8. Граф различных вариантов директивных технологических процессов деталей «Стойка»

437

Раздел V. Методы разработки технологических инноваций

Рис. 9. Условные обозначения к рис. 8

а)б)

в)

Рис.10. Графики зависимостей изменения трудоемкости (Т), затрат (С) и рисков (R) разработки директивных технологических процессов изготовления «Стоек» авиационных двигателей:

а) основанных на пайке, б) аргонодуговой сварке,

в) электроно-лучевой сварке.

Таким образом, использование гибридной вычислительной системы искусственного интеллекта на основе нейронных сетей

438

Раздел V. Методы разработки технологических инноваций

Элмана с элементами нечеткой логики обеспечивает многокритериальную оптимизацию директивных технологических процессов авиадвигателестроительного производства. Сказанное подтверждает наличие экстремумов на рис.10, которые определены при исследовании на ЭВМ вариантов директивных технологических процессов изготовления деталей типа «Стойка» диффузора камеры сгорания.

В итоге установлено, что рассмотренные выше методы разработки инноваций в виде директивных технологических процессов позволяют ответить на требования оптимизации инновационного проектирования. Такие разработки можно дополнить, продолжая исследования с помощью средств имитационного моделирования инновационных проектов, о чем более подробно будет сказано в следующем разделе практикума.

2. Описание используемых программных комплексов

Работа выполняется в системе Matlab (сокращение от англ. «Matrix Laboratory») – пакет прикладных программ для решения задач технических вычислений и одноимённый язык про-

граммирования, используемый в этом пакете (см. ярлык на рабочем столе компьютера или в корневой директории).

3.Задание

1.Создать трехслойную нейронную сеть Элмана для оптимизации директивных технологических процессов по параметрам затрат (С, руб.), трудоемкости (Т, мин) и величины риска (R) от внедрения данного варианта директивного технологического процесса в связи с использованием операций сварки и пайки

(рис.10) по данным. которые приведены в табл. 1. Первый вариант технологий использования новых6 методов обработки соответствует аргонодуговой сварке, второй вариант основан на пайке и третий вариант – электроно-лучевая сварка.

6 технологические инновации

439

Раздел V. Методы разработки технологических инноваций

2.Осуществить оптимизацию по трем вариантам выполнения операции и найти оптимальный вариант директивной технологии из числа имеющихся, табл. 1.

3.Для лучшего освоения метода многокритериальной оптимизации директивного технологического процесса студенту рекомендуется изменить параметры табл. 1 в пределах изменения коэффициента выполнения норм для штучного времени (1,1–1,2) и проанализировать, как изменится результат работы нейронной сети Элмана для оценки достоверности вычислений.

4.Выполнить оптимизацию директивного технологического процесса с использованием программно-методического комплекса PSN (запуск и работа с программным продуктом осуществляется с диска к данному лабораторному занятию).

5.Сравнить результаты работы по оптимизации директивных технологических процессов в системе Matlab с результатами, которые получены в ходе лабораторного занятия с помощью PSN (по затратам времени выполнения работ). Результаты работы оформить в виде отчета.

Та б л и ц а 1

4.Методика выполнения задания

1.Запустить систему Matlab дважды «кликнув» левой кнопкой

«мыши» по ярлыку(возможен вариант запуска системы с диска).Таким образом, откроется окно, представленное на рис. 11.

Рис. 11. Командное окно системы Matlab

440