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

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.