CC BY
2UDK 625.08
AVTOMOBIL AGREGATLARINI TEXNIK HOLATI BO YICHA MARKAZLASHGAN TAMIRLASH ISHLARI TEXNOLOGIYASINI MODELLASHTIRISH VA QABUL QILINGAN MATEMATIK APPARATNI TANLASHNI ASOSLASH
Mannonov Jahongir Adashboyevich NamMQI, Phd., dotsent, jmannonov@jmail.ru. 97 254 07 50
Abdusattorov Nodirjon Abdujalil o'gli NamMQI. oqituvchi, nabdusattorov93@mail.ru. 99 321 02 44.
Ergasheva Zulxumor NamMQI. magistratura talabasi, 94 506 09 12
Annotatsiya: ushbu maqolada avtomobil agregatlarini texnik holati bo'yicha markazlashgan tamirlash texnologiyasini modellashtirish va matematik qurilma sifatida SNT ni tanlash, ushbu matematik qurilmaning natijalarni o'rganish, tahlil qilish va natijalarni yodda saqlash qobiliyatiga, shuningdek, muammoni hal qilish uchun yuqori moslashishga asoslash korib chiqilgan.
Аннотация: В данной статье рассматривается моделирование технологии централизованного ремонта агрегатов автомобиля по техническому состоянию и выбор INC в качестве математического устройства на основе способности данного математического устройства изучать, анализировать и запоминать результаты, а также высокой приспособляемости к решению поставленной задачи.
Abstract: This article discusses the modeling of the technology of centralized repair of car units according to technical condition and the choice of INC as a mathematical device based on the ability of this mathematical device to study, analyze and memorize the results, as well as high adaptability to solving the task.
Kalit so'zlar: avtomobil, agregat, jarayon, ta'mirlash, markazlashgan ta'mir, sun'iy neyron, tamirlash ishlari kompleksi, texnik holat, maqsadli funksiya, tadqiqot, texnologik jarayon, matematik apparat, fizik qiymat, nuqson, kompleks tamirlash, xatolik, buzilish.
Ключевые слова: автомобиль, агрегат, процесс, ремонт, централизованный ремонт, искусственный нейрон, комплекс ремонтных работ, техническое состояние, целевая функция, исследование, технологический процесс, математический аппарат, физическая величина, дефект, комплексный ремонт, ошибка, отказ.
Keywords: car, unit, process, repair, centralized repair, artificial neuron, repair complex, technical condition, objective function, research, technological process, mathematical apparatus, physical quantity, defect, complex repair, error, failure.
Avtomobil agregatlarini texnik holati bo'yicha markazlashgan tamirlash (THMT) texnologik jarayonlarini loyihalash ta'mirlash korxonasining ichki ishlab chiqarish yo'qotishlarini sezilarli darajada kamaytirishni ta'minlaydigan eng ishlab chiqarish-texnik bazani samarali shakllantirish bilan bog'liq. Shu bilan birga, muayyan korxonaga nisbatan tashqi omillar ushbu tadqiqotning maqsadi va vazifalariga muvofiq fors-major holatlar deb hisoblanishi va ularni keyingi tahlildan chiqarib yuborishi mumkin [1].
THMT ni tashkil qilishning klassik shaklini asos qilib olib, oldindan o'rnatilgan namunaviy ta'mirlash ishlarining kombinatsiyasi (bundan keyin - ta'mirlash ishlari komplekslari -TIK) avtomobil agregatlarini qismlarga ajratish (va yig'ish) texnologik jarayoni yig'indisini !-' = ■-.■;-: = ; K} ifodalaydi, tadqiqotning maqsadli funksiyasi joriy ishlab chiqarish
yo'qotishlarini tavsiflovchi quyidagi additiv (matematik va fizik qiymatlarni xossasi) ifodalash mumkin [1]:
Ctch = ^ C^ = (C^, + Czq + Czaq ) Ny ^ min (1)
bu yerda: C ^ - ta'mirlash korxonasining umumlashtiirlgan ichki ishlab chiqarish zararlari, so'm;
C^ - ta'mirlash ishlari komplekslari bo'yicha ta'mirlasnadigan agregatlarni taqsimlanish
xatoligini shakllantiruvchi ishlab chiqarish zararlari, so'm;
C rt -noto'g'ri aniqlangan nuqsonlarni bartaraf etishda ortiqcha ishlarni bajarish uchun
sarf-xarajatlar, so'm;
C- noto'g'ri aniqlanmangan nuqsonlarni quyib yuborishda shartli takroriy ishlarni
bajarish uchun xarajatlar, so'm;
Ctaq - ta'mirlash texnologik yo'nalishlari bo'yicha agregatlarni taqsimlashda xatolarni
shakllanishidan zararlar, so'm;
N -korxonaning ishlab chiqarish dasturi, birlik/yil.
Shu bilan birga, har bir tamir ishchi kompleksning ta'mirlash (qismlarga ajratish-yig'ish)
operatsiyalarini bir kichik koplikdir {i}k, barcha koplik R = {r : r = 1,r} ushbu korxonada
ta'mirlanadigan har qanday agregatlar nuqsonlarini bartaraf etish uchun zarur va etarli bo'ladi. Maqsadli funksiyaning C^ tarkib topuvchilari quyidagi funksional bilan ifodalanishi mumkin:
C x = f (c jPj ), (2)
bu yerda: Cj - j-ta'mirlanadigan agregatning i-nuqsonini aniqlash va bartaraf etish bo'yicha ishlarni bajarishga umumlashtirilgan xarajatlar, so'm;
Pij - j-ta'mirlangan agregatning i-nuqsonini tanib olishda xatolikni paydo bolishidan iborat bo'lgan hodisa ehtimolligi. Bunday holda, ehtimollik nazariyasi qoidalarini hisobga olgan holda, ehtimollik Pij quyidagi ifoda bilan aniqlanishi mumkin:
P = av + , (3)
bu yerda: aj -tamiroldi diagnostikalash bosqichida ta'mirlash bosqichida j-chi ta'mirlash agrgatini i-chi nuqson 1-toifadagi (yolgon nosozlik) xatoni aniqlash;
ßij - tamiroldi diagnostikalash bosqichida ta'mirlash bosqichida j-chi ta'mirlash agregatini i-chi nuqson 2-toifadagi (nosozlikni quyib yuborish) xatoni aniqlash.
1, agar j - li ta' mirlanadigan agregatni i - li nuqsoni bo' lmasa, 8Ц = < qatnashuvc hi sifatida aniqlanadi ;
0 aks holda (yolg' on nosozlik),
1, agar j - li ta' mirlanadigan agregatni i - li nuqsoni bo'lsa, щ = qatnashmaydigan sifatida aniqlanadi ;
0 aks holda (nosozlik quyib yuboriladi), Qiymatlarni qabul qiluvchi butun o'zgaruvchilarni kiritamiz:
Pj 4 ~[sf (i - a )+Vl] (i-ß )]} (4)
Umuman olganda, aslida bunday nuqson bo'lmasa (yolg'on nosozlik - a^ ) bilan C ort yo'qotishlar mavjudj. Tamiroldi diagnostikalashda (TD) j-tali tamirlanadigan avtomobil agregatining (nosozlikni quyib yuborish) i -nuqsonining quyib yuborish tufayli, paydo bo'ladigan shartli qayta ish bajarish shakllanadigan xatolikka ß xarajatlar C^ . Mumkin bo'lgan
ishlab chiqarish holatlarini tahlil qilish funksiyani (1) quyidagi shaklda taqdim etish imkonini beradi:
C^ich (C^ort ^ ^ C^laq ) 'Ny,> (5)
Shunday qilib, qo'yilgan maqsadga erishish-bu avtomobil agregatlarini THMT tizimini faoliyat ko'rsatishida ichki ishlab chiqarish yo'qotishlarini pasayishi-ta'mirlashni ishlab chiqarish jarayonlarini barcha bosqichlarida xatolarni mutlaq qiymatlarini kamaytirish masalalarini yechishda mumkin.
Tadqiqot obyekti ma'lumotlarini intellektual tahlil qilish uchun metodlar yigindisi "Data Mining" deb nomlangan. Ushbu metodlar bilan olingan bilim, odatda modellar ko'rinishida ifodalanadi.
Modellarning bunday sinflaridan biri sun'iy neyron tarmoqlari (SNT) - bu matematik modellar bo'lib, ular bir-biri bilan muayyan tarzda bog'langan sun'iy neyronlarning soddalashtirilgan to'plamidir [2-4].
Ta'mirlash fondi agregatlaridagi nuqsonlarni aniqlash masalasini yechish uchun matematik apparat sifatida sun'iy neyronlar tarmogini tanlash va THMTda ularni ta'mirlash ishlari komplekslari bo'yicha taqsimlash bir qator sabablarga bog'liq.
1. Ta'lim olish va xotirada qolish qobiliyati bilan bir qatorda tarmoq tashkil etadigan sun'iy neyronlarning adaptiv parametrlarini o'zgartirish ushbu masalani hal qilishda yuqori darajadagi aniqlikka erishish mumkin.
2. Nuqsonlarning paydo bo'lishi ehtimolligini hisoblash (ta'mirlash ishlari komplekslari bo'yicha THMT texnologik jarayonlarini tashkil etish va optimallashtirish metodida bajariladi), ta'mirlash ishlari kompleksi bo'yicha agregatlarni optimal taqsimlash uchun statistic ma'lumotlarni to'planib qolmasligini oldini olishda sun'iy neyron tarmog'idan foydalaniladi.
3. Sun'iy neyron tarmoq asosida qurilgan modellarni adekvatligini (yetarliligini) tekshirishda test namunalari yordamida amalga oshiriladi, ular ob'ekt ustida eksperiment o'tkazish vaqtida shakllanadi, bu modellarning yuqori darajadagi ishonchliligini kafolatlaydi va hokazo.
SNT ni qo'llashda birinchi navbatda muayyan vazifa uchun tarmoqni arxitekturasini tanlash masalasi paydo bo'ladi (ularning har birida "yashirin qatlamlar" va "sun'iy neyronlarning" soni).
Sun'iy neyron biologik neyronning soddalashtirilgan faoliyat ko'rsatish tamoyili bo'yicha modellashtirilgan SNT ning tarmogidir. Matematik nuqtayi nazardan, sun'iy neyron yagona argumentdan - kirishdagi barcha signallarning chiziqli kombinatsiyasidan (bu funksiya "faollashtirish funksiyasi" deb ataladi), u orqali neyronning chiqish signali ishlab chiqariladi. Umumiy ko'rinishda, sun'iy neyronning matematik modelidagi summator bo'lib, [2-5]:
n n
C ich = Z X • Wi +X0 • W0 = Z X • Wi ' (6)
i=n i=0
bu yerda: S-neyronning kirish signallarining og'irligi summasi; Xi - neyronning i-kirishidagi qiymati; Wi -i-li sinaps vazni; w-kirishlar soni;
xo va wo -mos ravishda qo'shimcha kirish signalining qiymatlari (Xo=1) va uning vazni. Neyronning chiqish qiymati uning holatining funksiyasidir:
Y = f (S ), (7)
bu yerda: f(S)- faollashtirish funksiyasi.
Neyron tarmog'ining barcha qatlamlari uch guruhga bo'linishi mumkin: -ko'p qatlamli neyron tarmog'idagi neyronlarning birinchi qatlami kirish deyiladi. Unda odatda, hech qanday hisoblash operatsiyalari amalga oshirilmaydi, chunki u ma'lumotlarni (signallarni) olish va undan keyin SNT maxfiy qatlamining kirishiga o'tishga xizmat qiluvchi neyronlardan iborat;
-yashirin (oraliq) qatlamlar asosiy hisoblanadi, chunki ko'pincha SNT tarkibining katta qismini tashkil qiladi. Ularda hisoblashlar (6) va (7) formulalar amalga oshiriladi;
-chiqish qatlami-tarmoq ishi natijasi. Faollashtiruvchi funksiya sifatida sigmoidni tanlash uning abssissaning butun o'qi bo'ylab differensatsiyalanadi va juda oddiy hosilaga ega. Xatolarni teskari tarqatish algoritmidan foydalanganda, bu tarmoqni o'rganish jarayonini tezlashtirishga yordam beradi.
Sigmoidal faollashuv funksiyasida neyronning chiqish qiymati quyidagi ko'rinishga ega
bo'ladi:
Y=f(S)=r^ (8)
1-rasmda sun'iy neyronning modeli grafik jihatdan sxematik tarzda taqdim etiladi, bu yerda kirish signallarining soni Xbilan belgilanadi. Bu yerda ko'pchilik signallar xj, x2 , x3,..., xj tegishli kirishlar bo'yicha (birgalikda X vektori bilan belgilanadi) o'z vaznlariga ega (bu sinoptik aloqa kuchini aks ettiradi va ularning ko'pchiligi W vektori bilan belgilanadi). Signallar va tegishli vaznlarni hosilasi algebraik ravishda kirishlarni yigadigan summar blokga beriladi.
Summalashtirish natijasida olingan qiymatlar faollashtirish funksiyasining argumentidir, u chiqish qiymatlarini Y ning hosil qiladi. Xext-Nilsenning nazariy ishlanmalaridan kelib chiqqan holda yashirin qatlamlarning optimal miqdori, shuningdek amaliy tahlildan turli
tasniflash vazifalari uchun SNTning qo'llanilishi, tarmoqni loyihalashda ikki maxfiy qatlamdan foydalanish ko'pincha maqsadga muvofiq emas degan xulosaga kelish mumkin.
1-rasm. SunMy neyron modeli
Arnold-Kolmogorov-Xext-Nilsen teoremasining natijasi bo'lgan (8) va (9) formulalar bo'yicha yashirin qatlam uchun kerakli neyronlarning sonini hisoblash mumkin. Dastlab, zarur miqdordagi sinaptik aloqa miqdori baholanadi [2, 3, 7]:
N
1 + log2 Q
< N < N =
Q
— +1 v N
• ( Nx + Ny +1) + Ny,
(9)
bu yerda: N^-chiqish qatlamining neyronlari soni; g-ta'limni tanlash qiymatlari soni; Nw - sinaptik tarozilarning zaruriy soni; Nx - kirish qatlamining neyronlari soni. Shundan so'ng, yashirin qatlamdagi neyronlarning soni quyidagi formula bo'yiha aniqlanadi [1,3]:
N
L =-, (10)
N +Ny v 7
Biroq, bunday yondashuv bilan SNT ni qurish amaliyoti shuni ko'rsatadiki, yashirin qatlamdagi neyronlarning soni qo'yilgan topshiriqga maqbul tanlangan ekanligini ta'kidlash mumkin emas, bundan tashqari, odatda natijada L qiymati yotgan intervalning ko'lami katta bo'ladi. Shuning uchun, Arnold-Kolmogorov-Xext-Nilsen teoremasining natijasi faqat yashirin qatlamda neyronlarning (R) qiymatining yuqori chegarasini aniqlash uchun ishlatiladi. Formulada (9) intervalning pastki chegarasini tashlab, qolgan yuqori chegaraga Nw ni tenglashtirib va formula (10) ni (9) ga qo'yub, quyidagiga ega bo'lamiz:
Ny {Q +1](N^ + Ny +1) + Ny
R =-VN-J--, (11)
Nx+Ny V '
Keyinchalik, R yuqori chegara sifatida ishlatiladi, u neyronlar soni optimal qiymatga yetguncha o'sib boradi. SNT asosida modellarni yaratish tajribasi shuni ko'rsatadiki ko'p hollarda olingan R chegarasidan tashqari yashirin qatlamdagi neyronlar maqsadga muvofiq emas.
Yuqoridagilardan kelib chiqib korxonada tashkil etilgan avtomobil agregatlarining texnik holati bo'yicha markazlashtirilgan ta'mirlash vaqtida yuzaga kelishi mumkin bo'lgan ishlab chiqarish vaziyatlarini tahlil qilish agregatlardagi nuqsonlarni aniqlash va ularni TIK ga
taqsimlash xatolarining kamayishida ichki ishlab chiqarish yo'qotishlarini kamaytirishga erishish haqida xulosa qilish mumkin. THMT da ta'mirlashning texnologik yo'nalishlari bo'yicha agregatlarning kamchiliklarini aniqlash va ularni taqsimlashda xatolarni kamaytirish muammosini hal qilish uchun matematik qurilma sifatida SNT ni tanlash ushbu matematik qurilmaning natijalarni o'rganish, tahlil qilish va natijalarni yodda saqlash qobiliyatiga, shuningdek, muammoni hal qilish uchun yuqori moslashishga va boshqalarga asoslanish lozim.
ADABIYOTLAR
1. Попцов, В.В. Применение технологий централизованного ремонта агрегатов автомобилей по техническому состоянию в условиях мелкосерийного производства. Дисс. ... канд. техн. наук / Попцов Виктор Вадимович. -Тюмень, 2002.
2. Круглов, В.В. Искусственные нейронные сети. Теория и практика. науч. изд. / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком, 2002. - 382 с.
3. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений/ А.Б. Барский. - М.: Финансы и статистика, 2004. - 176 с.
4. Круглов, В.В. Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голунов. - М.: Физматлит, 2001. - 221 с.
5. Стариков, А. Применение нейронных сетей для задач классификации /А. Стариков //Официальный сайт компании "BaseGroup"- Режим доступа: http://www.basegroup.ru/library/analysis/neural/classification/, свободный.
6. Усков, А.А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика/ А.А. Усков, А.В. Кузьмин. - М.: Горячая линия -Телеком, 2004. - 144 с.
7. Некипелов, Н. Метод сопряженных градиентов - математический аппарат/Н. Некипелов // Официальный сайт компании "BaseGroup" - Режим доступа:http://www.basegroup.ru/library/analysis/neural/conjugate/, свободный
