CC BY
9
обращения: 30.11.2017)
3. Саймон Хайкин Нейронные сети: полный курс. Neural Networks: A Compre-hensive Foundation., 2-е издание: Пер. с англ. - М.: Издательский дом «Вильямс», 2006 - с. 1104
УДК 001.201
Селиванов С.Г., доктор технических наук профессор, преподаватель кафедра «Технология машиностроения» Поезжалова С.Н., к.техн.н.
преподаватель кафедра «Технология машиностроения»
Федорова Е.А. студент магистры 2 курса кафедра «Технология машиностроения» ФГБОУВО Уфимский Государственный Технический Университет
Россия, г. Уфа
МЕТОДЫ ИСПОЛЬЗОВАНИЯ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ СТРУКТУРНОЙ ОПТИМИЗАЦИИ ПРОЕКТНЫХ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В МАШИНОСТРОЕНИИ
Аннотация: На основе классификации нейронных сетей разработаны методы оптимизации проектных технологических процессов в инновационных проектах технического перевооружения
машиностроительного производства.
Ключевые слова: нейронные сети, инноватика, технологический процесс
Selivanov S. G., professor, associate professor of technical sciences lecturer of the chair " Technology of Mechanical Engineering "
FGBOUVO Ufa State Technical University
Ufa
Poezzhalova S.N., candidate of technical sciences lecturer of the chair "Technology of mechanical engineering"
FGBOUVO Ufa State Technical University
Ufa
Fedorova E.A.
student magistracy of 2 course of the chair "Technology of Mechanical
Engineering"
FGBOUVO Ufa State Technical University
Ufa
METHODS OF USE OF RECURRENT NEURAL NETWORKS FOR STRUCTURAL OPTIMIZATION OF PROJECT TECHNOLOGICAL PROCESSES IN MACHINE-BUILDING
Abstract: Based on the classification of neural networks, methods for optimizing design technological processes in innovative projects for the technical re-
equipment of machine-building production have been developed. Keywords: neural networks, innovation, technologicalprocess
Введение
Актуальность. Указ Президента РФ от 1 декабря 2016 г. № 642 "О Стратегии научно-технологического развития Российской Федерации" определил переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам, новым материалам и способам конструирования, создание систем обработки больших объемов данных, машинного обучения и искусственного интеллекта.
Цели и задачи. Целью данной работы является разработка новых методов структурной оптимизации проектных технологических процессов в машиностроении на основе использования средств искусственного интеллекта в виде рекуррентных нейронных сетей.
Практическая полезность. Разработка ориентирована на проектирование технологических процессов изготовления деталей авиационных двигателей, которые использованы в проектах: комплекса роторов турбин и компрессоров газотурбинных двигателей и производственно-технологического центра для изготовления деталей вертолетных двигателей.
1.ОСНОВНЫЕ СВЕДЕНИЯ О ИСПОЛЬЗОВАНИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАЗРАБОТКИ ТЕХНОЛОГИЧЕСКИХ ИННОВАЦИЙ
Кроме использования генетических алгоритмов и экспертных систем в практике технологического проектирования машиностроительного производства все чаще используют такие средства искусственного интеллекта, как нейронные сети [1,2,3,4].
Основным элементом такой сети является искусственный нейрон (далее нейрон). Нейроны делятся на три типа (рис. 1) в соответствии с функциями, выполняемыми ими в сети. Входные нейроны (нейроны входного слоя) принимают данные из внешней среды и определенным образом распределяют их далее по сети. На промежуточные нейроны (нейроны скрытого слоя) возлагается роль основных участников процесса решения задачи. Выходные же нейроны (нейроны выходного слоя) передают результаты работы сети во внешнюю среду (потребителю).
Нейроны !
А 1Г 1
Входные Промежуточные Выходные
ЭуойнйД слой Скрытый ело-Д Эы^однви спай
Рис.1 - Типы нейронов в зависимости от их функции в сети В зависимости от механизма обработки получаемых данных можно выделить целый ряд математических моделей нейронов (см. рис. 2). Существует две группы моделей нейронов, которые принадлежат, соответственно, двум типам сетей: классическим и нечетким. Каждая из моделей нейронов обладает рядом присущих ей свойств, однако имеются и общие черты, к которым можно отнести наличие входного и выходного сигналов, а также блока их обработки. Для решения конкретной задачи существует ряд наиболее предпочтительных моделей нейронов. Модель нейрона Мак Каллока-Питса, сигмоидальный нейрон и нейрон типа "адалайн" имеют схожие структуры и отличаются лишь видами функций активации (реакции нейрона на входящий сигнал). Вышеприведенные модели нейронов могут обучаться только с учителем, то есть требуют наличия входного и выходного векторов (значений). Так как функция активации нейрона Мак Каллока-Питса дискретна (выходной сигнал может принимать только два значения - 0 или 1), то невозможно проследить за изменением значения выхода. Достижение необходимого результата в некоторых задачах может оказаться невозможным. В этом случае более предпочтительной может являться сигмоидальная модель нейрона. Модели нейронов типа "инстар" и "оутстар Гроссберга" дополняют друг друга и отличаются от вышеуказанных трех типов нейронов тем, что могут обучаться и без учителя (имея только входной вектор)
Рис.2 - Виды математических моделей нейронов Нейроны типа WTA (от англ. -"победитель получает всё") чаще всего используются в задачах классификации и распознавания данных и образов. Они, как и модели нейронов Гроссберга, в процессе обучения также не нуждаются в учителе. Однако существенным недостатком нейронов этого типа является значительно возрастающая погрешность распознавания данных вследствие наличия мертвых нейронов, которые не смогли выжить в конкурентной борьбе. Модель нейрона Хебба схожа с моделью нейрона обычной формы (вход - блок обработки - выход). Может обучаться как с учителем, так и без него. Особенностью данной модели является то, что вес связи нейрона изменяется пропорционально произведению его входного и выходного сигналов. В стохастической модели выходное значение нейрона зависит еще и от некоторой случайной переменной, лежащей в интервале (0,1), что позволяет при подборе весов снизить до минимума среднеквадратичную погрешность. Модели нейронов нечетких сетей применяются главным образом для аппроксимации с произвольной точностью любой нелинейной функции многих переменных и используются там, где входные данные ненадежны и слабо формализованы. Одна и та же модель нейрона в разных сетях может иметь разные функции активации (рис.
Однако это высказывание справедливо не для всех типов нейронов. Так, например, персептрон может иметь только пороговую функцию активации (функция единичного скачка). Несмотря на все многообразие функций активации, наиболее распространенной является нелинейная функция активации с насыщением (сигмоидальная функция). Необходимо так же отметить, что нейроны входного слоя имеют тождественные функции активации, что позволяет им распределять полученные сигналы нейронам скрытого слоя без изменений.
Рис.3 - Функции активации нейронов Совокупности нейронов образуют нейронные сети (НС). НС различаются по архитектуре (рис. 4), по типу входящих в нее нейронов (см. рис. 5), по типу обрабатываемых ею сигналов (см. рис. 6), по типу смены состояния нейронов в момент времени (см. рис. 7). НС различаются так же топологией (см. рис. 8-10). Отметим, что статическими и динамическими НС являются однонаправленные и рекуррентные НС соответственно. Одним из отрицательных качеств динамических НС является их возможная неустойчивость при работе. Однородность НС (использование однотипных нейронов с единой функцией активации) в различных задачах по-разному влияет на производительность и скорость обучения НС.
Рис.4- Обобщенная классификация нейронных сетей с точки зрения их
архитектуры
Не останавливаясь подробно на гомогенных (однородных), гетерогенных (разнородных), бинарных (логических 0 и 1) и аналоговых, синхронных и асинхронных, полно связных и слабо связных ( с локальными связями), однослойных и многослойных, гибридных и других архитектурных особенностях построения искусственных нейронных сетей отметим, что в инновационных технологических проектах для структурной оптимизации проектных технологических процессов наиболее широкое распространение нашли рекуррентные (слоисто-циклические, слоисто-полносвязные, полносвязно-слоистые) и частично-рекуррентные ( SRN - сеть Элмана и сеть Джордана), а при использовании каскадного метода управления технологической подготовкой реконструкции производства - каскадные
нейронные сети.
Главная особенность применения нейроматематематики и использования рекуррентных нейронных сетей для определения Парето-оптимальных проектно-технологических решений в технологической части инновационных проектов технического перевооружения
машиностроительного производства заключается в обучении нейронных сетей: с учителем (алгоритм обратного распространения ошибок) и без учителя. Обучение без учителя является более предпочтительной моделью обучения, она не нуждается в целевом векторе для выходов сети и, следовательно, не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т. е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы.
Тогда подбор весовых коэффициентов (в этом и заключается суть обучения) осуществляется по соответствующим стратегиям обучения с использованием определенных алгоритмов (эвристических и градиентных- алгоритм наискорейшего спуска, алгоритм переменной метрики, алгоритм Левенберга-Марквардта, алгоритм сопряженных градиентов).
Рассмотрим более подробно применение искусственных нейронных сетей Элмана и Джордана для структурной оптимизации проектных технологических процессов в инновационных проектах технического перевооружения машиностроительного производства.
2. ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ЭЛМАНА ДЛЯ РАЗРАБОТКИ ТЕХНОЛОГИЧЕСКИХ ИННОВАЦИЙ Проектная технология - это в данном случае комплект проектной технологической документации, который предназначен для применения при проектировании нового производства (строительства нового или расширения действующего предприятия) или реконструкции (технической реконструкции) и технического перевооружения действующего предприятия. Базовые рабочие технологические процессы, т.е. технологические процессы, выполняемые по рабочей технологической и (или) конструкторской документации, в ходе реконструкции и (или) технического перевооружения должны пересматриваться и замещаться новыми, более прогрессивными технологиями.
Понятия проектный и перспективный технологический процесс весьма близки друг другу. Перспективная технология при этом внедряется без указания способа или метода реализации нововведения, а проектная технология - с указанием метода внедрения посредством разработки и осуществления технологической части проектов нового строительства, расширения, реконструкции и технического перевооружения. Новые технологические процессы (высокие и критические технологии,
перспективные и директивные технологические процессы), разрабатываемые и внедряемые в рамках инновационных проектов, также можно называть проектными.
Главное, что отличает директивные и перспективные технологические процессы, заключается в том, что экономический эффект от применения директивных технологических процессов, чаще всего направленных на повышение конкурентоспособности (качества продукции), проявляется главным образом в сфере эксплуатации изделия и в увеличении объемов продаж новой конструкции с улучшенными качественными свойствами. У перспективных технологических процессов экономический эффект проявляется от ресурсосбережения в первую очередь в сфере производства изделия и увеличения объема продаж от снижения цены изделия. Математическое моделирование проектных технологических процессов предусматривает оптимизацию проектно-технологических решений, например, с использованием теории графов и специальных методов оптимизации:
- линейного и/или динамического программирования;
- теории игр и/или теории статистических решений;
- рекуррентных искусственных нейронных сетей (Элмана, Джордана, каскадных нейронных сетей, сети Хопфилда);
- генетических алгоритмов и т.д.
выполнения' технологи чес койоЛерадии; 1ая жоследовательностьчйыполнениялЗГ! юркций (марШрутный^ехнологический проц Каждый полный путь^натаком^многовариаитном технологическом графе от исходной ШррюиР IIо^íтрзйHlзршзaн)щбйар0^Ilноло(оеrвраJГlоиI)ехнpklíDlерч^aуíог(j-й варграфа дшншешчискошшрвд
выполнения задан^иреIЧTíртf;жомекн^еI((гин^чк0хвврнlíBC свойств) различными технико-экономическими показателями:
- технологической себестоимостью, штучным временем,
надежностью использованного оборудования, процентом выхода годной продукции, уровнем автоматизации, уровнем производительности и
- другими показателями.
Выбор новых вариантов технологических операций (это - вершины на рис.5) для построения сетевого графа и дальнейшей оптимизации перспективных технологических процессов основывается на использовании в такой матема-
тической модели:
1. Новых высокоэффективных методов обработки;
2. Новых высокоэффективных средств технологического оснащения операций технологических процессов,
В результате построения такого многовариантного технологического графа (см. рис.5) можно с помощью ЭВМ получить многие миллионы вариантов технологических процессов, среди которых необходимо найти оптимальные как по одному (например, минимуму затрат), так и по многим критериям (Парето-оптимальные решения многокритериальной оптимизации технологических процессов).
Для использования сетей Джордана или Элмана в задаче многокритериальной оптимизации необходимо произвести линейную свёртку входных параметров - критериев оптимизации (привести входные параметры к безразмерной величине по условиям применения методов многокритериальной оптимизации). В качестве входных параметров численной оценки перспективного технологического процесса можно использовать 4 критерия: затраты, время изготовления детали, фондоемкость (капиталовложения в запасы оборудования, технологической оснастки и площади) - это минимизируемые критерии, а также максимальный коэффициент использования материала в перспективном технологическом процессе изготовления изделия. Для других условий проектирования перечень показателей ресурсосбережения может быть расширен. Для реализации метода линейной свертки необходимо [5] установить для уравнений (1,2) веса приоритетности критериев в интервале от 0 до 1:
S" -S" )
г" _ V min/
^ ~(sк -S" )'
к \ max min/
Г
где - величина k-го критерия, приведенная к относительному
безразмерному виду;
- зsачение k-го критерия " ^ I1, m\
S min ^^минимальное и максимальное из всех возможных значений k-го критерия.
где а- весовые коэффициенты:, которые определяют значимость
соответствующего критерия среди рассматриваемого множества. Общая сумма весовых коэффициентов должна быть равна 1. Таким образом, входные значения для нейронной сети определяются с учетом формул (1,2) и подаются в скрытый слой, где находятся контекстные нейроны (нейроны, содержащие копию значений активации скрытых нейронов для предыдущего временного отсчета) с обратными связями [6]. После прохождения по скрытому слою преобразованные значения подаются на выходной слой. Затем можно оценивать результат - полученный путь
(маршрут) технологического процесса изготовления, например, детали (план обработки или маршрутную карту проектного технологического процесса). Полученная последовательность Парето-оптимальных (по выбранным критериям) технологических операций представляется в виде цифр, которые соответствуют номерам вершин многовариантного графа технологических процессов (рис.5).
Применение рекуррентных нейронных сетей позволяет не только сокращать трудоемкость работ в АСТПП по технологической подготовке производства новой конкурентоспособной продукции, но также позволяет находить оптимальные решения при разработке комплектов технологической документации (рис.6, рис.7). Сказанное является весьма важным свойством интеллектуализации инновационной подготовки производства в машиностроении.
Рис.6- Интерфейс программного продукта по оптимизации технологических процессов с помощью искусственной нейронной сети
Элмана
Рис. 7 - 3D-график зависимости трудоемкости (Т), затрат(С) и рисков(^) при оптимизации проектного технологического процесса изготовления «стоек»
камер сгорания авиационных двигателей ЗАКЛЮЧЕНИЕ
Наиболее прогрессивным направлением работ по инновационному проектированию в настоящее время является интеллектуализация процессов управления развитием проектных (в том числе перспективных и директивных) технологических процессов на основе применения современных средств искусственного интеллекта. Эти методы дополняют известные разработки по использованию методов линейного и динамического программирования, теории игр и теории статистических решений для оптимизации проектно-технологических разработок. Многокритериальную структурную оптимизацию проектных технологических процессов рекомендуется осуществлять с помощью рекуррентных искусственных нейронных сетей. Разработанные методы, в которых использованы рекуррентные (Хопфилда) и частично-рекуррентные нейронные сети Элмана и Джордана, позволяют осуществлять многокритериальную оптимизацию проектных технологических процессов в инновационных проектах технического перевооружения
машиностроительного производства.
Использованные источники:
1. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.-М.: Горячая линия - Те- леком, 2002.
2. Осовский С. Нейронные сети для обработки информации. - М.: Финансы и статистика, 2004.
3. Калан Р. Основные концепции нейронных сетей. -М.: дом "Вильямс", 2003.
4. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейронные сети управления. -М.: Высшая школа, 2002.
5. Шипачев В. С. Высшая математика: учеб. для вузов. 4-е изд. М.: Высшая школа.1998.479 с.
6. Дьяконов В. П., Круглов В. В. MATLAB 6.5 SP1/7/7 SP2+Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. М.: СОЛОН-ПРЕСС, 2006. 456 с.
7. Селиванов С.Г., Гузаиров М.Б. Системотехника инновационной подготовки производства в машиностроении. -М.: Машиностроение. 2012. -568с.
УДК 001.201
Федорова Е.А. студент магистратуры 2 курса кафедра «Технология машиностроения» ФГБОУВО Уфимский Государственный Технический Университет
Россия, г. Уфа
СЕМЬ ИНСТРУМЕНТОВ КАЧЕСТВА
Аннотация: даже высококвалифицированный персонал игнорирует идею
