МЕТОДЫ ИСПОЛЬЗОВАНИЯ САМООРГАНИЗУЮЩИХСЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ КОХОНЕНА И LVQ В ИННОВАЦИОННЫХ ПРОЕКТАХ ЦИФРОВОГО АВИАДВИГАТЕЛЕСТРОИТЕЛЬНОГО ПРОИЗВОДСТВА Текст научной статьи по специальности «Компьютерные и информационные науки»

фазой. Ниже 1.47К присутствует только соразмерная антиферромагнитная фаза с магнитным моментом ионов Рг3+, равным 1.47цв.

Использованные источники:

1. Самсонов Г.В., Марковский А.Ф. Жигач А.Ф. Бор, его соединения и сплавы // Киев: Изд-во АН УССР.- 1960. - 590 с.

2. Bat'ko I., Bat'kova M., Flachbart K., Macko D., Konovalova E. S., Paderno Yu.B. Electrical resistivity of doped EuB6 down to 50 mK // Journal of Magnetism and Magnetic Materials. -1995. - v. 140-144. - p. 1177-1178.

3. Effantin J.M., Rossat-Mignod J., Burlet P., Bartholin H., Kunii S., Kasuya T. Magnetic phase Diagram of CeB6 // Journal of magnetism and magnetic materials. -1985. - v. 47&48. - p. 145-148.

4. Падерно Ю.Б., Шицевалова Н.Ю. Физическая природа аномалий низкотемпературной теплоемкости ЬаВ6 // Бориды. -1990. - Киев. - с.1-15.

5. Matthias В. Т., Geballe Т. Н., Andress К., Gorenzwit E., Hull G. W., Maita J.P. Superconductivity and Antiferromagnetism in Boron-reach Lattices // Science. -1968. - v. 159. - p. 530.

УДК 001.201

Селиванов С.Г., доктор технических наук профессор, преподаватель кафедра «Технология машиностроения»

Шайхулова А. Ф. инженер Федорова Е.А. студент магистры 2 курса кафедра «Технология машиностроения»

Яхин А.И. магистрант

кафедра «Технология машиностроения» ФГБОУВО Уфимский Государственный Технический Университет

Россия, г. Уфа

МЕТОДЫ ИСПОЛЬЗОВАНИЯ САМООРГАНИЗУЮЩИХСЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ КОХОНЕНА И LVQ В ИННОВАЦИОННЫХ ПРОЕКТАХ ЦИФРОВОГО АВИАДВИГАТЕЛЕСТРОИТЕЛЬНОГО ПРОИЗВОДСТВА

Аннотация: Предложены методы применения искусственных нейронных сетей Кохонена и LVQ в реализуемых на практике инновационных проектах цифрового производства деталей авиационных двигателей. Ключевые слова: нейронные сети, инноватика, сеть Кохонена

UDC 001.201

Selivanov S. G., professor, associate professor of technical sciences, lecturer of the chair " Technology of Mechanical Engineering "

FGBOUVO Ufa State Technical University

Ufa

Shaykhulova A.F., engineer

Ufa

Fedorov E.A.

student 2-year masters of the chair "Technology of Mechanical Engineering"

FGBOUVO Ufa State Technical University »

Ufa

Yakhin A.I.

graduate student of the chair "Technology of mechanical engineering"

FGBOUVO Ufa State Technical University

Ufa

METHODS OF USE OF SELF-ORGANIZING ARTIFICIAL NEURAL NETWORKS OF KOHONEN AND LVQ IN INNOVATIVE PROJECTS OF DIGITAL AVIATION-ENGINE-BUILDING PRODUCTION

Annotation: Methods of application of artificial neural networks of Kohonen and LVQ in practical innovative projects of digital production of aircraft engine parts are proposed.

Keywords: neural networks, innovation, Kohonen network

Введение

Актуальность. Согласно Указу Президента РФ от 01.12.2016 N 642 "О Стратегии научно-технологического развития Российской Федерации» предусмотрен ( п.20а. ): «Переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам, новым материалам и способам конструирования, создания систем обработки больших объемов данных, машинного обучения и искусственного интеллекта».

Цели и задачи. Технологии цифрового производства - это процессы239 перевода цифрового дизайна в физический объект.

Научная новизна. Научная новизна определяется тем, что цифровое производство основано на интеграции мехатронных технологий, компьютерных систем, которые включают в себя средства численного моделирования, трехмерной (3D) визуализации, инженерного анализа и совместной работы различного оборудования и средств технологического оснащения с программным управлением, которые предназначены для разработки конструкции изделий, технологических процессов их изготовления и оперативного управления производственными процессами. В данной публикации рассмотрены новые методы проектирования цифрового производства на основе определения производственной программы изделий, которые можно поставить на производство в условиях реализации цифровых технологий в условиях функционального моделирования, структурной оптимизации проектных решений с помощью рекуррентных нейронных сетей и построения 3D-моделей производственно-технологических центров цифрового производства.

Практическая полезность. Цифровое производство обеспечивает эффективное формирование пятого технологического уклада, повышение уровня автоматизации, рост производительности труда, гибкости производства, возможности ускоренной постановки на производство инновационной продукции и смены поколений техники и технологий.

1. Основные сведения о проектировании цифрового производства в машиностроении

Инновационное проектирование цифрового производства обычно предусматривает наличие следующих компьютеризированных компонентов:

- интеллектуальной модели (моделей), которая формирует цифровой макет изделия (изделий) для информационного обеспечения всех процессов их изготовления;

- информационных технологий инновационной подготовки производства, которые являются основой конструкторско-технологического обеспечения проектирования и оптимизации всех производственных процессов производства;

- высокоавтоматизированных процессов постановки на производство новых изделий (инновационной продукции) путем организации автономных производств на базе интеллектуальных (использующих средства искусственного интеллекта) моделей и цифровых процессов, в том числе PMIS-систем управления инновационными проектами внедрения цифровых производств;

- систем управления типа DNC (Direct Numerical Control) - это системы, управляющие группой станков от одной ЭВМ, имеющих общую

239 Например, аддитивная технология (Additive manufacturing) - процесс присоединения материала к материалам на основе 3D образцовых данных в противоположность «отнимающим» производственным технологиям по удалению припусков и напусков на обработку.

память для хранения программ, распределяемых по запросам от станков. Такие УЧПУ являются устройствами высшего ранга и служат для организации согласованной работы технологических объектов, включенных в комплекс, например, в ГПС;

-принтеров, или аддитивных станков, если используются аддитивные технологии, которые уже могут печатать объекты габаритами в несколько метров;

- мехатронные станки, промышленные роботы и другие средства технологического оснащения, управляемые от ЭВМ, которые дополняют известные гибкие производственные системы, роботизированные производства и системы интеллектуального производства. В сборочном цифровом производстве могут быть другие компоненты, например, в практике самолетостроения уже введены в эксплуатацию реконфигурируемые програмно-управляемые стенды стыковки, с лазерной системой измерения. Они обеспечивают сборку фюзеляжа современного самолета или вертолета. Отдельные секции фюзеляжа устанавливают на опорные колонны, выравнивают, с помощью лазерной системы измерений и автоматически позиционируют в положение стыковки. Аналогичная технология применяется и для стыковки фюзеляжа с крылом самолета (отделяемой частью крыла - ОЧК).

2.Системотехника проектирования цифровых производств в машиностроении

Для инновационного проектирования цифровых производств авторами данной публикации предложено использовать следующую функциональную модель (рис.1), которая основана на широком использовании средств искусственного интеллекта в виде каскада методов для оптимизации проектирования цифровых производств.

Рис.1. Функциональная модель технологического проектирования цифровых

производств

Рассмотрим более подробно основные методы решения проектных задач в рамках данной функциональной модели.

3.Применение самоорганизующихся нейронных сетей Кохонена и LVQ в инновационных проектах цифрового производства

На рис.1. предложенной функциональной модели мы видим в первом блоке применение самоорганизующихся нейронных сетей Кохонена для решения задач расчета и обоснования производственной программы технологических комплексов цифрового производства.

После выбора нейронной сети набор данных должен быть разобран на три подмножества: обучение, испытание и валидацию. Обучение нейронной сети предполагает обратное распространение ошибки между выходом модели и целевым значением. Обучение представляет собой итеративный процесс обратного распространения, который требует стратегии, делающей упор на надежность и подтверждение достоверности. Значения (веса) и их смещения

для каждого нейрона предоставляются в процессе обучения. Отчет о валидации должен быть рассмотрен еще до внедрения системы на платформе управления. Этот отчет должен показать совпадение целевой функции управления в фазе с моделью при минимальной погрешности. Большинство программ обучения нейронной сети работают на настольных компьютерах, а основные платформы управления уже имеют весь необходимый набор команд для настройки модели нейронной сети. Там, где это возможно, кодирование нейронов на платформе управления должно быть выполнено в подпрограммах, позволяющих повторное использование кода на будущих моделях. В работающих моделях все входы должны быть проверены на соответствующие качественные показатели и допустимое пространство управления. Если входы находятся вне допустимого пространства управления, то должна предусматриваться альтернативная стратегия управления.

Многослойные нейронные сети прямого распространения, для обучения которых, как правило, применяется алгоритм обратного распространения ошибки, можно охарактеризовать как базовые нейронные сети. Они успешно применяются при решении большого круга задач, но в некоторых областях либо их использование невозможно, либо просто неэффективно из-за очень длительного времени обучения.

Нейронные сети Кохонена — отдельный класс нейронных сетей, используемых для решения различных задач классификации и производных от них.

Основным назначением нейронной сети Кохонена является кластеризация образцов (в данном случае изделий), то есть разделение образцов на группы (кластеры) по тем или иным признакам. Для применения нейронных сетей Кохонена в задачах классификации требуется некоторая формализация. Каждый объект, который требуется классифицировать, представляется в виде некоторого вектора, подающегося на вход нейронной сети. Количество нейронов во входном слое определяется количеством компонентов этого входного вектора. Количество же выходов определяется количеством классов, т.е. если всего М классов, то количество нейронов в выходном слое тоже будет М. Таким образом, каждый нейрон в выходном слое «отвечает» за свой класс. Значения, которые принимают нейроны в выходном слое, отображают насколько вектор классифицируемого объекта на входе близок, по мнению нейронной сети Кохонена, к тому или иному классу. Чем больше «уверенность», что объект принадлежит к тому или иному классу, тем больше значение принимает нейрон соответствующего класса. Иногда применяют специальную функцию активацию, которая делает сумму выходов со всех нейронов равной единице. В таком случае каждый выход можно трактовать, как вероятность того, что объект принадлежит к данному классу.

На выходе при решении задачи кластеризации (классификации и группирования изделий) можно получить определенное количество групп,

при этом должны выполняться следующие условия:

- образцы, относящиеся к одной и той же группе должны быть подобны друг другу в некотором смысле (в данном случае по конструкторско-технологическому коду деталей машиностроения);

- а группы, подобные друг другу, в свою очередь размещаться близко друг к другу с учетом технологических особенностей изготовления анализирумой родукции.

Нейронная сеть Кохонена обучается без учителя и носит название самоорганизующейся карты Кохонена (SOFM — Self-Organizing Feature

По способам настройки входных весов сумматоров и по решаемым задачам различают много разновидностей сетей Кохонена. Наиболее известные из них:

- сети векторного квантования сигналов, тесно связанные с простейшим базовым алгоритмом кластерного анализа (метод динамических ядер или K-средних);

- самоорганизующиеся карты Кохонена (Self-Organising Maps,

SOM)

- сети векторного квантования, обучаемые с учителем (Learning Vector Quantization)

Карты Кохонена имеют набор входных элементов, количество которых совпадает с размерностью подаваемых на вход векторов, и набор выходных элементов, каждый их которых соответствует одному кластеру (группе). Прежде, чем переходить к обсуждению тонкостей обучения сетей Кохонена, давайте разберемся, как вообще сеть должна работать.

При подаче какого-либо вектора на вход сеть должна определить, к какому из кластеров этот вектор ближе всего. В качестве критерия близости может быть выбран критерий минимальности квадрата евклидова расстояния. Рассмотрим входной вектор как точку в n-мерном пространстве (n — количество координат вектора, это число равно числу входных нейронов). Тогда требуется вычислить расстояние между этой точкой и центрами разных кластеров и определить, расстояние до какого из кластеров окажется минимальным. Тогда этот кластер (и соответствующий ему выходной нейрон) объявляется победителем.

А какая же точка является центром кластера и какие у нее координаты в этом пространстве? Координатами центра кластера являются величины весов всех связей, которые приходят к данному выходному нейрону от входных элементов. Поскольку каждый выходной нейрон (кластер) соединен с каждым входным нейроном, то мы получаем, n связей, то есть n координат для точки, соответствующей центру кластера.

Задача векторного квантования состоит, по своему существу, в наилучшей аппроксимации всей совокупности векторов данных кодовыми векторами. Самоорганизующиеся карты Кохонена также аппроксимируют данные, однако при наличии дополнительной структуры в совокупности кодовых

векторов (англ. codebook). Предполагается, что априори задана некоторая симметричная таблица «мер соседства» (или «мер близости») деталей и сборочных единиц изделий.

Самоорганизующиеся карты Кохонена таким образом служат, в первую очередь, для визуализации и первоначального («разведывательного») анализа данных для классификации и группирования изделий (кластеризации объектов). Каждая точка данных отображается соответствующим кодовым вектором из решетки. Так получают представление данных на плоскости карту данных»). На этой карте возможно отображение многих слоев: количество данных, попадающих в узлы (то есть «плотность данных»), различные функции данных и так далее.

Основой для проектирования серийного машиностроительного производства, в том числе и цифрового производства серийных типов, чаще всего является:

- ведомость производственной программы, которую рассчитывают по результатам кластеризации - классификации и группирования деталей (изделий) и

- проектные (перспективные, директивные) технологические процессы изготовления деталей и сборочных единиц (изделий).

При наличии большой номенклатуры изделий, схожих по конструктивно -технологическим признакам в серийных типах производства нет необходимости в проектах разрабатывать все технологические процессы на все изделия производственной программы. В этом случае расчеты принято вести по приведенной программе на основании проектного технологического процесса изготовления изделия-представителя.

Для разработки ведомости приведенной производственной программы необходимо всю номенклатуру деталей кодировать по конструкторскому и технологическому кодам (рис.2) и классифицировать в целях определения групп или типов изделий, сходных по конструкции и технологии изготовления. В каждой группе выделяют изделие-представитель, по которому выполняют все последующие проектные расчеты.

Рис.2. Интерфейс для классификации и группирования изделий

Для решения задач кластеризации (классификации и группирования) можно использовать различные искусственные нейронные сети, например, Розенблатта, LVQ, РЫЫ, Кохонена.

Искусственная нейронная сеть Кохонена представляет собой двухслойную сеть, каждый нейрон первого (распределительного) слоя в которой соединен со всеми нейронами второго (выходного) слоя, которые расположены в виде двумерной решетки. Нейроны выходного слоя называются кластерными элементами, их количество определяет максимальное количество групп, на которые система может разделить входные данные кодирования (рис. 3). Увеличивая количество нейронов второго слоя можно увеличивать детализацию результатов процесса кластеризации._

Рис.3. График, иллюстрирующий распределение деталей по кластерам в результате обучения нейронной сети Кохонена

Достоверность полученных результатов может быть дополнительно обоснована, например, с помощью алгоритма К-средних (K-means), статистического иерархического кластерного анализа с помощью программного пакета SPSS и статистических данных по характеристикам классифицируемых деталей.

Решение рассмотренной задачи позволяет определить ведомость производственной программы и обоснованно приступать к разработке проектных технологических процессов, определению парка техноло-гического оборудования и разработке чертежей технологических планировок оборудования цифрового производства.

В качестве альтернативного сети Кохонена варианта рассмотрим метод определения производственной программы с помощью нейронной сети LVQ. Для расчета ведомости производственной программы, которая наряду с проектным технологическим процессом, является основанием для определения парка технологического оборудования и последующего выполнения чертежа планировки в данном исследовании применена нейронная LVQ-сеть искусственного интеллекта. Она основана на обучающемся векторном квантовании (LVQ — Learning Vector Quantization) и представляет собой обучающийся слой Кохонена. Для построения LVQ-сети задается количество кластеров (нейронов) n, количество классов m и принадлежность каждого кластера определенному классу. В процессе обучения LVQ-сети веса нейронов настраиваются с учетом принадлежности обучающих примеров и кластеров одному классу. Обученная LVQ-сеть производит кластеризацию входных векторов (номенклатуры изделий) с учетом известных классификаторов деталей Единой системы конструкторской документации и дополнительного технологического кода деталей, определяемого по методике Единой системы технологической подготовки производства.

В данной работе рассмотрен случай группирования деталей авиационной техники. Объектами кластеризации являются детали, входящие в состав роторов турбин и компрессоров авиационных двигателей. Все рассматриваемые детали являясь телами вращения (относятся к 71 и 72 классам классификатора ЕСКД) В табл.1 представлены результаты работы искусственной нейронной сети LVQ в виде номенклатуры деталей для проектирования цифрового производства на авиадвигателестроительном предприятии.

Архитектура LVQ-сети, предназначенной для классификации и группирования изделий при формировании ведомости производственной программы показана на рис.4.

Рис.4 - Архитектура LVQ-сети

Таблица 1

-технологическим кодом

ex №1

1 Цапфа 392 171 Титаноеый сплав Цапфа 713 2 6 1

2 Диск р.к. №2 41В 133,5 Титаноеый сплав Диск 71 3 2 2 1

Дефлектор 434,5 33 Жаропрочный сплаЕ Диск 71 3 3 1 3

4 Вал ЗВ7 29В Жаропрочный сплаЕ Труба 71 2 3 5 1

6 Труба 169,3 467 Жаропрочный сталь Труба 71541 2

7 Груз балансировочный 4S 16 Жаропрочный сталь Сектор кольца 7124 3 2

В Лабиринт 44В. В 33 Жаропрочный сталь Диск 71 3 3 2 1

9 Диск 6,7, ступеней КВД 477 121 Жаропрочный сплае Диск 71 3 3 1 1

10 Корпус 2ВЗ 75 Нержаеегсщая сталь Корпус 71 5 1 2 1

11 Вал КВД 362 500 Жаропрочный сталь Труба 71 2 1 5 1

12 Груз балансировочный 25 7 Нержаеегсщая сталь Сектор кольца 7114 3 2

13 Барабан 1-3 ст. КВД 487 1В7 ТитаноЕый сплав Барабан 71 2 2 1 1

16 Лабиринт верхний КВД 227 22,5 Жаропрочный сталь Лабиринт 71 3 1 2 1

17 Барабан 1-2 ст. КНД 491 364,5 ТитаноЕый сплав Барабан 71 2 3 1 1

18 Фланец 2 ступени КНД 475 56,61 ТитаноЕый сплав Фланец 714 4 1 1

20 Барабан 4-6 ст. КВД 492,8 344 ТитаноЕый сплав Барабан 71 2 2 1 1

21 Вилка 27 55 Жаропрочный сталь Вилка 71 5 2 4 1

23 Вал 85,8 498,5 ТитаноЕый сплав Труба 71 5 4 1 1

24 Кок 157 65 ТитаноЕый сплав Кок 71 3 1 2 2

25 Диск 3 ст. КНД 518 259,2 ТитаноЕый сплав Диск 71 3 3 1 3

es №2

26 Вал средний 128 682 Жаропрочный сталь Труба 711 3 5 2

27 Вал передний 128 326,5 Жаропрочная сталь Труба 711 3 5 1

28 Вал прогле1«уточный 185 1595 Жаростойкий сплав Труба 71 2 3 5 1

25 Груз балансировочный 35 6 Жаропрочный сталь Сектор кольца 7114 3 2

30 Полуглуфта 515 200 Жаростойкая сталь Полуглуфта 7111 5 3

31 ДискТВД 595 88 Жаропрочный сплае Диск 71 3 3 1 2

32 ДискТВД 595 124 Гранульный жаропрочный сплав Диск 71 3 3 1 2

33 Диск 1 5D4 199,5 Жаропрочный сплаЕ Диск 71 3 2 1 2

34 Диск 1 ст. 795 99 Жаропрочный сплаЕ Диск 71 3 2 1 2

36 Носок ТВД 295 146,5 Жаропрочный сплаЕ Носок 71 3 3 5 1

37 Носок ТНД 282,8 192,5 Жаропрочный сплаЕ Носок 71 3 3 5 2

ЗВ Пластина 27 42, В Жаропрочный сплаЕ Сектор кольца 71 1 4 3 2

39 ДискТВД 595 SB Жаропрочный сплаЕ Диск 71 3 3 1 2

39 ДискТВД 595 SB Жаропрочный сплаЕ Диск 71 3 3 1 1

29 Груз балансировочный 35 6 Жаропрочный сталь Сектор кольца 71 1 4 3 3

38 Пластина 27 42, В Жаропрочный сплаЕ Сектор кольца 7134 3 2

Рассмотрим подробно работу искусственной нейронной сети LVQ в системе MatLab при решении задачи кластеризации деталей авиационных двигателей (табл. 1).

Решение поставленной задачи в пакете MatLab может быть выполнено двумя способами: вводом массива исходных данных и команд вручную через рабочее окно MatLab, либо используя встроенный графический интерфейс нейронных сетей nntool .

В данной работе рассмотрена реализация LVQ-сети, состоящая из двух слоев: конкурирующего и линейного. Конкурирующий слой выполняет кластеризацию векторов, а линейный слой соотносит кластеры с целевыми классами, заданными пользователем. В результате сеть производит классификацию и группирование номенклатуры изделий для формирования ведомости производственной программы. Такой подход реализован в Neural Поскольку заранее известно, как кластеры первого слоя соотносятея с целевыми классами второго слоя , та это позволяет заранее задать элементы матрицы весов LW21. Однако чтобы найти правильный кластер для каждого вектора обучающего множества, необходимо выполнить процедуру обучения сети (рис.5) .

Рис. 5 - Структура и процесс обучения искусственной нейронной сети LVQ

После процедуры обучения можно посмотреть результаты работы нейронной сети.

График распределения входных данных (деталей) на кластеры (рис. 6). Топология сетки равна 10 на 10, то есть используется 10 центров кластеризации с общим числом нейронов равным 100. Распределение деталей по группам приведено в табл. 2. Максимальное число сгруппированных входных данных - 12 деталей.

12 28.6% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 1 4.8% 0 0.0% 0 14.3% 60.0% 40 ОХ

0 0.0% 6 4.8% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 100% 0.0%

2 4.8% 0 0.0% 0 0 0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0.0% 100%

3 14.3% 0 0.0% 7 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 1 4.8% 0 0.0% 0.0% 100%

0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0 0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% NaN% NaN*

0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 1 4.8% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 100% 0.0%

0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 1 4.8% 0 0.0% 0 0.0% 0 0.0% 100% 0.0%

0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% NaN% NaNX

0 0.0% 0 0.0% 1 4.8% 1 4.8% 1 4.8% 0 0.0% 0 0.0% 0 0.0% 0 0 0% 0 0.0% 0.0% 100%

0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% NaN% NaNX

60.0% 40.0% 100% 0.0% 0.0% 100% 0.0% 100% 0.0% 100% 100% 0.0% 100% 0.0% 0.0% 100% 0.0% 100% 0.0% 100% 42.9% 57.1%

1 2 3 4 5 G 7 8 9 10

Target Class

Рис. 6-а - График, показывающий распределение деталей по кластерам

(группам)

Training Confirlion Ммпх

ш 0 oos 0 oos 0 oos 0 00% 0 0 0% 0 0.0% 1 48% 0 oos 0 14 3% 40 0%

0 0 0°» 6. 4-esi 0 oos 0 00% 0 0 0% 0 0 0% 0 oo% 0 0 0% 0 00% 0 0 0% o'o%

2 4 8S 0 0 OS ш 0 oos 0 oos 0 O.OS 0 00% 0 00* • oos 0 oos 100S

3 14 3% 0 00% 7 OOS lb 0 oos 0 oos 0 00% 0 00% 1 4SS 0 00% Л Л*- 100H

0 0 0», 0 oos 0 0 04 0 0 0% Ш 0 0 0% 6 00% 0 0 0% 0 0 0% 0 00%

0 oos 0 oos 0 oos 0 oos j 0«» i - Ш 0 oos О 0 0% 0 oos 0 o.os oos

0 oo'; 0 oos 0 oos 0 oos A 00% 0 oos ГИ 1 rss 1 0 00*. 0 00% 0 00% 00%

0 oos 0 oos 0 oos 0 oos 0 oc% 0 0 0% 0 0 0% ЁШ 0 0 0% 0 00% Italr*»

0 oos 0 oos 1 4 8% 1 4 8S f 45S 0 oos 0 00% 0 oos :'o. 1 и 0 00% Г DU ioos

0 oos 0 oos 0 00% 0 0 0% 0 OCr% 0 oos 0 00% 0 0 0% 0 0 0% 0 0'0%; 1Ы<%

60 OS 40 OS oos 0 0% toos oos toos ioô% oos 0 0% 100% 100% 0 OS 100% 42. УЧ S/.1S

12Î4$$789 10

Target Class

Рис. 6-б - График, показывающий распределение полученных кластеров на

отдельные подклассы.

Эти детали имеют разные конструктивные, но схожие технологические признаки, поэтому для этих деталей будет целесообразно применить типовые, групповые и модульные технологические процессы их обработки на последующих этапах инновационного проектирования цифрового производства (рис.1).

Заключение

Разработанная функциональная модель проектирования цифрового производства позволяет широко использовать искусственные нейронные сети для моделирования и оптимизации проектно-технологических решений в инновационных проектах.

Установлено, что для классификации и группирования деталей авиационных двигателей, для разработки ведомости производственной программы и проектирования технологических комплексов цифрового производства наиболее предпочтительны искусственные нейронные сети Кохонена и LVQ. Практическое применение предложенных методов в проектах: производственно-технологического центра изготовления деталей вертолетных двигателей и комплекса производства роторов турбин и компрессоров подтвердило правомерность полученных результатов

Использованные источники: Уоссермен Ф., "Нейрокомпьютерная техника" , М.: Мир, 1992

2. Kohonen Т, "Self-Organizing Maps", Springer, 1995.

3. Kohonen T., "Self-Organizing Maps"(2-nd edition), Springer, 1997. Инновационное проектирование цифрового производства в машиностроении // С.Г.Селиванов, А.Ф.Шайхулова, С.Н.Поезжалова, А.И.Яхин. -Москва: изд. «Инновационное машиностроение». 2016. - 256с.