CC BY
3
Секция
«АВТОМАТИКА И ЭЛЕКТРОНИКА»
УДК 681.5
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ
УПРАВЛЕНИЯ СТАНКАМИ С ЧИСЛОВЫМ ПРОГРАММНЫМ УПРАВЛЕНИЕМ
*
Д. А. Аксенов , А. В Мясников, Д. В. Власов Научный руководитель - В.Г. Сидоров
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газеты «Красноярский рабочий», 31
*Е-шаИ: aksenov.dmitriy.2017@mail.ru
Рассмотрены преимущества нейронной сети перед традиционными системами управления, а также применение систем искусственного интеллекта на токарных станках с ЧПУ.
Ключевые слова: нейронные сети, программное управление, искусственный интеллект.
USE OF NEURAL NETWORKS TO INCREASE THE EFFICIENCY OF CONTROL OF MACHINES WITH NUMERIC PROGRAM CONTROL
D. A. Aksenov*, D. V. Vlasov, A. V Myasnikov. Scientific Supervisor - V.G. Sidorov
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation *Е-mail: aksenov.dmitriy.2017@mail.ru
The advantages of a neural network over traditional control systems are considered, as well as the use of artificial intelligence systems on CNC lathes.
Keywords: neural networks, program control, artificial intelligence.
В современном мире с увеличением рыночной конкуренции компании всё чаще поднимают вопрос повышения качества, простоты и надёжности обработки деталей на станках с числовым программным управлением (ЧПУ), не увеличивая при этом стоимости её обработки. Поскольку предприятиям необходимо обеспечить соответствие ISO, ГОСТ и иным стандартам, а повышать качество без увеличения затрат является трудно достижимой задачей, то были разработаны новые автоматизированные системы. С недавнего времени данные системы массово внедряются в России и позволяют, прилагая меньше усилий, получать аналогичный, а в иных случаях и превосходящий по качеству результат.
На сегодняшний день производительность обработки изготавливаемых предприятием деталей повышается методами адаптивного оптимального управления. Чтобы применить эти методы потребовалась разработка новых математических моделей. Однако, следует учитывать, что если всё же удастся создать такую модель, которая будет отражать связь между выходом и входом системы, то в большинстве случаев она попросту не применима для управления станками. Практически применимыми являются модели, имеющие низкую чувствительность по параметрам, чего сложно добиться для нелинейных систем [2, 3].
Актуальные проблемы авиации и космонавтики - 2021. Том 2
Известно, что самое большое применение получили статистические модели, поскольку они позволяют проводить проверку на адекватность с помощью исследования частотных характеристик, используя спектральный анализ. Конечно, данная система не лишена недостатков, одними из которых являются: отсутствие физического смысла у оперируемых переменных и параметров, а также недостаточная точность.
Адаптивное управление — объединение методов, позволяющих обобщать системы управления, способные изменять параметры регулятора или его структуру, в зависимости от внешних возмущений, изменения параметров объекта управления, возмущений, действующих на объект управления. Его основой являются математические модели, описывающие физические процессы и явления [1, 6]. Подобная модель и используется в совокупности с нейронной сетью для управления ЧПУ станками, о которой и пойдёт речь ниже.
Известно, что самым важным показателем качества детали, изготавливаемой на токарных станках с ЧПУ, безусловно будет обеспечение минимально возможного отклонения от геометрической формы, изготавливаемой необходимой нам заготовки по длине обработки.
Для обеспечения данного показателя на нужном уровне не так давно в ход был пущен такой способ регулирования, как нейрорегулирование. Данный способ позволяют воплотить любой, необходимый для процесса, нелинейный алгоритм управления в жизнь, при не столь точном описании объекта управления [4].
После выявления нескольких трудно решаемых проблем, о которых сказано выше, настало время поговорить о нейронной сети в целом. В качестве основного направления усовершенствования процесса обработки на станках с числовым программным управлением выступает внедрение систем искусственного интеллекта. В роли элементов искусственного интеллекта предпочтительней всего становятся нейронные сети. В современном мире нейронные сети решают бесчисленное количество задач, однако в основном они применяются для прогнозирования, управления, оптимизации [5].
Основой нейронной сети является искусственный нейрон, имитирующий свойства биологического. На вход искусственного нейрона поступает некоторое множество сигналов, каждый с которых является выходом другого нейрона. Данная система возникла благодаря желанию учёных воссоздать способность биологической системы обучаться, моделируя низкокорневую структуру мозга. Именно поэтому в основе нейросетей лежит элемент, который имитирует биологический нейрон.
Преимуществами нейронной сети перед традиционными системами управления являются:
1. Нелинейные функции активации в нейросетях позволяют реализовать задачи с существенными нелинейностями;
2. Нейронные сети можно обучить практическим любым функциям, что влияет на объем предоставленных данных и выбор правильной нейронной модели.
3. Нейронная сеть самообучаема. Это позволяет нам обеспечить функцию управлению в условиях существенных нелинейностей;
4. Благодаря параллельности нейронных сетей перед нами открываются высокие производительные возможности;
5. Помимо прочего параллельная обработка позволяет сети не выходить из состояния работоспособности даже при повреждении части элементов сети [8-10].
Отличительной чертой нейросети является её универсальность. Применяя данную технологию, мы можем не тратить усилия на создание точной математической модели, создавая только модель управления по поставленным перед нами условиям. В связи с этим предпочтительнее использовать нейросеть, помогающую нам в моделирования всего процесса фрезерования, а также для описания нелинейной зависимости между силой резания и параметрами обработки.
Еще одним преимуществом нейронной сети является выбор между автоматическим получением необходимых данных, используя лазерные измерительные приборы и ручным
(Секция «Автоматика и электроника»
вводом данных. После получения необходимой информации сеть начинает отслеживать её и самостоятельно принимать решение о настройке станка, для введения различного рода коррекции при обработке детали.
Ознакомившись со всеми преимуществами нейронной сети возникает логичный вопрос: «Почему нейронную сеть не используют повсеместно?» Одной из основных причин является нехватка программистов, спрос на которых по всему миру превышает предложение. Российских специалистов всеми правдами и неправдами завлекают на запад, предлагая высокую заработную плату. В России такое могут позволить только крупные корпорации, на фоне которых средний и малый бизнес не конкурентоспособны.
Обучают нейронные сети, используя множество различных алгоритмов основанных на скорости сходимости, использования памяти и т.п. В случае обучения НС для управления станками с ЧПУ используется функция Левенберга-Марквардта [7]. Также важно знать, что количество узлов скрытого слоя нейронов оказывает огромное влияние на производительность нейронной сети, поскольку излишнее количество узлов порождает ошибки во время обучающего этапа нейронной сети, а недостаточное их количество -увеличение количества отказов сети.
Таким образом, внедрение нейронных сетей кардинально повышает производительность станка с ЧПУ, благодаря её многозадачности, повышенной надёжности, самообучаемости, а также повышению точности обработки изделия, изменяя траекторию и положение режущей кромки инструмента. Основываясь на данных, представленных выше можно заключить, что нейронные сети являются наиболее перспективными при управлении станков с числовым программным обеспечением.
Библиографические ссылки
1. Сигеру Омату. Нейроуправление и его приложения. М.: ИПРЖР, 2000. Кн. 2. 272 с.
2. А.В. Шаламов, П.Г. Мазеин. Нейронные сети как новый подход к управлению технологическим оборудованием. Известия Челяб. Науч. центра, вып. 1 (18), 2003. С. 60-64.
3. Н.С. Мальцева. Особенности управления процессом коммутации в многокаскадной коммутационной системе с параллельным поиском каналов связи. АГТУ, Вестник АГТУ, 2007. Том 6. - С.190-193.
4. Н.С. Мальцева, Е.А. Барабанова. Имитационное моделирование коммутационных систем. Вестник АГТУ. № 1. - Астрахань: Изд-во АГТУ. - 2009.- С. 146-150.
5. В.И. Комашинский, Д.А. Смирнов. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия - Телеком, 2003. - 94 с.
6. А. П. Никишечкин. Повышение качества процесса адаптации при изменении технологических параметров с помощью аппарата нейронных сетей: Дис. канд. техн. наук: 05.13.06. Москва, 2002. - 110 с.: ил.
7. В.П. Вороненко, Д.Ю. Рязанов, С.С. Горский. Повышение эффективности изготовления деталей типа тел вращения при нейросетевом управлении. - Журнал "Технология Машиностроения" №3. 2010. С.49-52.
8. L.A. DobrzaËski, K. Golombek, J. Kopac and M. Sokovic, "Effect of depositing the hard surface coatings on properties of the selected cemented carbides and tool cermets", J. Mater, Process, Technol, 2004, pp. 157-158, pp. 304-311.
9. X.-F. Yao, X.-Q Yao and L. Can, "Control Evolution and Case Study for Uncertain Machining Process", Journal of basic science and engineering, vol. 18, no. 1, 2010, pp. 177-186.
10. X.-Y. Lai, B.-Y Ye and C.-Y Yan, "Adaptive fuzzy control of milling process based on fieldbus", Journal of South China University of Technology (Natural Science Edition), vol. 33, no. 5, 2005, pp. 7-10.
© Аксенов Д.А., Власов Д. В., Мясников А. В., 2021
