CC BY
22
Прогноз остаточного ресурса инструмента по модели из [2] указал время непрерывной работы инструмента ТОТ1 = 31,75 ч, а прогноз по модели (11) дал время непрерывной работы инструмента ТОТ2 = 47,74 ч, что гораздо точнее первого прогноза.
Список литературы
1. Ядыкин Е.А., Гапошкин В.В. Прогностика постепенных отказов инструмента; под ред. Е.А. Ядыкина. Тула: Изд-во ТулГУ, 2003. 138 с.
2. Ядыкин Е.А. Вероятностно - временная модель технологической операции формирования одноимённого параметра предмета обработки // Механика деформируемого твёрдого тела и обработка металлов давлением. Тула, 2001. С. 210 -219.
E.A. Jadykin
MATHEMATICAL MODEL OF OPERATION OF THE EXTRACT TAKING
INTO ACCOUNT CHANGE OF THE POPULA TIONMEAN OF THE FORMED PARAMETER OF THE SUBJECT OF PROCESSING ON THE PREVIOUS OPERA TION
The mathematical model of technological operation of formation of the parametre of a subject of processing with the same name in the integrated form and in increments taking into account change of a population mean of the formed parametre on the previous operation is developed at a constancy of an average quadratic deviation.
Key words: mathematical model, technological operation, the tool, a residual resource.
Получено 14.12.11
УДК 621.9.047.7
А.Б. Орлов, д-р техн. наук, проф., сИеИопп@та11 .ги (Россия, Тула, ТулГУ)
ЭКСПЕРТНЫЕ И НЕЙРОСЕТЕВЫЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ АНОМАЛЬНЫХ ЯВЛЕНИЙ ПРОЦЕССОВ МЕХАНИЧЕСКОЙ И ЭЛЕКТРОТЕХНОЛОГИЧЕСКОЙ ОБРАБОТКИ
Рассмотрены возможности использования алгоритмов экспертных систем и нейросетевых моделей для прогнозирования аномалий различных методов обработки. Предложено при реализации систем прогнозирования аномалий использовать параметрическое самообучение.
Ключевые слова: механическая обработка, электротехнология, аномалии процессов, экспертные системы, нейросетевые модели .
На современном этапе развития систем числового программного управления оборудованием для механической и электротехнологической
обработки материалов, которые обладают мощными вычислительными возможностями и высоким быстродействием, открываются новые перспективы реализации достаточно сложных алгоритмов прогнозирования возникновения аномалий этих процессов еще до их появления. При этом возникает задача определения возможности аномалии при появлении ее предпосылок. Для обнаружения этих предпосылок можно использовать принципы, использованные в рассмотренной ранее самообучающейся системе многофакторной оценки опасности возникновения аномальных явлений процесса обработки, базирующейся на алгоритмах экспертных систем [1]. Подобная система может быть использована как при электротехнологических процессах обработки, где она может быть наиболее эффективна вследствие их стохастического характера, так и при механической обработке, например, для борьбы с автоколебаниями.
Однако практически для любой аномалии процесса обработки имеет место сложность априорной оценки информативности параметров с точки зрения ее прогнозирования. Поэтому целесообразно построить критериальные зависимости для прогнозирования аномалии с обеспечением возможности их оперативной коррекции, то есть система прогнозирования аномалий должна строиться на принципах самообучения. При этом в качестве способа самообучения в простейшем случае может быть выбрано параметрическое самообучение.
Рассмотрим множество входных контролируемых параметров Ц1,Ц2,иэ,...,и7 как множество фазовых состояний, изменение которых может свидетельствовать о возможности наступления аномалии. Этими параметрами могут быть как характеристики некоторой обработанной эталонной детали (шероховатость, точность, размеры ), так и характеристики процесса (потребляемая из сети мощность, амплитудно-частотные характеристики колебаний системы и так далее, ток, спектры и т.д.). Поскольку система параметрически самообучающаяся, количество параметров может быть выбрано с запасом, а в процессе работы система выберет из них наиболее информативные. Выходом системы должны явиться подпрограммы реакции на возникновение предпосылок аномалий-отказов Щ,Ж2,Щ,...,Жм. В зависимости от параметров Ц^Ц2,из,...,Ц/ вычисляются критерии оценки опасности возникновения аномалий
К , К , К ,..., К , которые являются аддитивными критериями и для
а.1 а2 аз а$ некоторых ситуаций типа 5 имеют следующий вид:
Каз = а1/1 (Ц) + а2 /2 Ц) +... + а/// (Ц/), где выполняется условие
/
а1 + а2 +... + а/ = ^а^ .
I=1
Функция fi (Ui) имеет вид
fi (Ui ) = ~—i— - для параметров (факторов), увеличение которых
Ui 'max
сигнализирует о повышении опасности возникновения аномалии; / ч Ui - Ui
fi (Ui) = —max--для параметров (факторов), уменьшение кото-
Ui
рых сигнализирует о повышении опасности возникновения аномалии; где Uimax - максимальное значение параметра.
Физическим смыслом критерия является вероятность возникновения аномалии через определенный промежуток времени или при обработке следующей детали.
Сущность параметрического самообучения заключается в изменении значения весовых коэффициентов при возникновении аномалий или их предпосылок. С этой целью значения функции fi (Ui) в течение ряда циклов запоминаются в области буферной памяти. В случае возникновения аномалии некоторого типа s или ее предпосылок устанавливается соответствующий критерий Ka = 1 и производится перераспределение весовых коэффициентов на основе следующего алгоритма.
1. Фиксируется значение функции fi (Ui )a - для обработки, в которой возникла аномалия.
2. Из буферной памяти вызываются значения fi (Ui) для более ранней обработки, сохраняющиеся в буферной памяти.
3. Вычисляются приращения, имеющие место в процессе нарастания опасности аномалии-отказа:
л, 1 f (Ui )a - f (Ui ) Dfi =1 +-^-.
4. Вычисляются новые значения весовых коэффициентов по формуле вычисления апостериорной вероятности Байеса:
ai Dfi
= -.
X ai Df i=1
Применение данной зависимости особенно целесообразно для обработки ответственных деталей, так как она весьма чувствительна к изменениям значений критериев, но в то же время может выдавать ложные прогнозы отказа.
5. Для повышения чувствительности в процессе работы системы может осуществляться коррекция предельных значений критериев по зависимости
Ч,ред = кэ [«1/1 (иХ) + а2/2(и2)+... + а1/1 (С/7)],
где - коэффициент запаса.
На современном технологическом оборудовании, оснащенном системами ЧПУ на основе персональных компьютеров, рассмотренные выше алгоритмы должны реализовываться непосредственно в их программном обеспечении. Подобное функциональное насыщение систем управления не приведет к их существенному удорожанию, но может заметно снизить возможность появления брака в результате аномалии.
Другим возможным способом прогнозирования аномалий различных процессов обработки является использование нейросетевых моделей, которые получили в настоящее время весьма широкое распространение [2]. Эта модель также позволяет осуществлять уточнение весовых коэффициентов в выражениях для критерия оценки опасности возникновения аномалии. Подобная нейросетевая модель прогнозирования аномалий процессов механической или электротехнологической обработки представлена на рисунке.
С математической точки зрения нейронная сеть представляет собой многослойную структуру, состоящую из однотипных процессорных элементов - нейронов. Нейроны, связанные между собой различной топологией соединений, группируются в слои, среди которых выделяются входной и выходной слои. В нейронных сетях, применяемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах модели, а выходной слой формирует прогнозируемый критерий. Данная модель представляет собой многослойный персептрон с аналоговыми линейными сигналами на выходе аксонов. Весовые коэффициенты здесь выступают в качестве синаптических весов. Предложенная нейросетевая модель может быть использована для прогнозирования ано-
малий процессов обработки и также является самообучающейся системой. При программировании систем ЧПУ для каждой аномалии процесса необходимо предусматривать свою подпрограмму реакции на аномалию, которая будет либо прерывать обработку, либо изменять ее параметры таким образом, чтобы устранить возможность развития аномалии.
Список литературы
1. Орлов А.Б., Русаков О.Л. Использование алгоритмов экспертных систем управления для оперативного прогнозирования аномалий процесса электрохимической размерной обработки // Автоматизированные станочные системы и роботизация производства. Тула: ТулГУ, 1994. С. 43-47.
2. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 400 с.
A.B. Orlov
EXPERT AND NEURAL NETWORK ABNORMAL PHENOMENA PREDICTION SYSTEMS FOR MECHANICAL AND ELECTROTECHNOLOGY PROCESSES
The possibilities of using the algorithms of expert systems and neural network models to predict the anomalies of different processing methods are considered. In the implementation offorecasting anomalies systems is proposed. Use parametric self study.
Key words: machining, electrotechnology, abnormal processes, expert systems, neural network models.
Получено 20.12.11
УДК 539.214
В.Д. Кухарь, д-р техн. наук., проф., зав. кафедрой, проректор (4872)35-18-32, [email protected] (Россия, Тула, ТулГУ), Е. М. Селедкин, д-р техн. наук., проф., (4872)35-18-32, [email protected] (Россия, Тула, ТулГУ), А.Е. Киреева, канд. техн. наук, доц., (4872)35-18-32, [email protected] (Россия, Тула, ТулГУ)
СИЛОВЫЕ РЕЖИМЫ ОСАДКИ КВАДРАТНОЙ ТОНКОЛИСТОВОЙ ЗАГОТОВКИ
Представлены исследования процесса осадки тонкослойной квадратной в плане пластины, выполненной из различных материалов. Проводилось сравнение полученных экспериментальных результатов с помощью метода конечных элементов.
Ключевые слова: метод конечных элементов, обработка металлов давлением, осадка, пластина, напряжения, трение, изотропный материал, силовые режимы.
Рассмотрим процесс осадки квадратной в плане заготовки между шероховатыми плитами. Принимаем материал заготовки изотропным, на
146
