Abstract

Повышение эффективности производства во многом определяется этапом проектирования изделий и технологических процессов с использованием современных программных средств автоматизированного проектирования. Отсутствие универсальных математических моделей, описывающих шлифование, обусловливают необходимость поиска новых подходов и методов описания и формализации данного процесса. Сложность решения этой задачи обусловлена, прежде всего, многофакторностью процесса и вероятностным характером протекающих явлений. Создание универсальной математической модели процесса шлифования, позволяющей определять параметры инструмента и режима обработки, возможно на основе применения нейросетевого программирования. В статье предлагается для решения задачи в условиях неопределенности использовать искусственную нейронную сеть (ИНС), основная сложность работы с которой связана с построением и обучением сети. Для моделирования процесса шлифования построена ИНС, в качестве функции активации которой был использован гиперболический тангенс. Проведенные исследования показали возможность построения сети на 6 нейронах в скрытом слое. Оценка результатов работы нейронной сети, структура которой состоит из трех слоев: входной - 7 нейронов-рецепторов; скрытый - 6 нейронов; выходной - 6 нейронов - показала, что погрешность обученной ИНС лежит в диапазоне от 0,1 до 2 %. Построение модели включает следующие этапы: загрузка в систему обучающих массивов данных; расчет параметров будущей модели; анализ исходных данных и вывод информации о качестве обучающих массивов; создание структуры и обучение нейронной сети. Разработанная модель положена в основу системы автоматизированного проектирования режимно-инструментального оснащения операций плоского шлифования, состоящей из нескольких модулей: «Моделирование», «Создание моделей», «Архив моделей», «Анализатор», «Справочник», «Пользовательский интерфейс». Использование специализированной САПР операций шлифования с возможностями автоматизации выбора абразивного инструмента и параметров процесса, созданной на основе математической модели с использованием ИНС, способствует повышению качества и сокращению времени проектирования.

Highlights

  • Повышение эффективности производства во многом определяется этапом проектирования изделий и технологических процессов с использованием современных программных средств автоматизированного проектирования

  • The increase in production efficiency is largely determined by the design stage of products

  • which allows to determine the parameters of the tool

Read more

Summary

Количество нейронов в скрытом слое

Как следует из табл. 3, значение ошибки начиная с 6 скрытых нейронов существенно не изменяется, что говорит о возможности построения сети на 6 нейронах в скрытом слое. 3, значение ошибки начиная с 6 скрытых нейронов существенно не изменяется, что говорит о возможности построения сети на 6 нейронах в скрытом слое. Структура ИНС состоит из трех слоев: входной – 7 нейроноврецепторов; скрытый – 6 нейронов; выходной – 6 нейронов. Было проведено нормирование всех исходных данных, представленных в табл. 4 приведен пример масштабирования для входного параметра «Продольная подача» В табл. 4 приведен пример масштабирования для входного параметра «Продольная подача»

Масштабированное значение
Зависимость ошибки обучения ИНС от номера эпохи обучения
Библиографические ссылки
Full Text
Paper version not known

Talk to us

Join us for a 30 min session where you can share your feedback and ask us any queries you have

Schedule a call

Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.