CC BY
28
Оригинальная статья / Original article УДК: 621. 757
DOI: 10.21285/1814-3520-2016-48-54
О ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
ДЛЯ ОЦЕНКИ ФОРМЫ ДЕТАЛИ ПРИ АВТОМАТИЧЕСКОМ НАЗНАЧЕНИИ ДОПУСКОВ
1 9 Я
© Д.А. Фарактинов1, Д.А. Журавлев2, А.А. Валов3
Иркутский национальный исследовательский технический университет, 664074, Россия, г. Иркутск, ул. Лермонтова, 83.
Резюме. Цель. Рассмотреть возможный подход к решению задачи автоматического назначения оптимальных допусков, основанный на использовании искусственного интеллекта. Оценить целесообразность использования искусственной нейронной сети (НС) для оценки геометрической формы изделия. Методы. В основе предлагаемого подхода к автоназначению допусков лежит принцип обобщения и анализа базы данных типовых деталей при помощи искусственной НС. Результаты. Описаны основные принципы нового подхода к автоназначению допусков. Разработан метод представления формы детали, описывающий геометрию в виде, пригодном для анализа нейронной сетью. Описана структура НС и алгоритм обучения. Рассмотрены принципы формирования обучающей выборки. Произведено тестирование программной реализации предложенного подхода на примере анализа допуска цилиндричности отверстия детали типа «втулка». Получены результаты тестирования, демонстрирующие высокую точность вычисления допуска. Заключение. Полученные в ходе тестирования результаты позволяют сделать вывод о целесообразности использования НС в качестве инструмента анализа геометрической формы детали.
Ключевые слова: машиностроение, конструкторская подготовка производства, допуски, автоматическое назначение допусков, искусственная нейронная сеть.
Формат цитирования: Фарактинов Д.А., Журавлев Д.А., Валов А.А. О возможности использования искусственного интеллекта для оценки формы детали при автоматическом назначении допусков // Вестник Иркутского государственного технического университета. 2016. № 7. C. 48-54. DOI: 10.21285/1814-3520-2016-48-54
ON POSSIBILITY TO USE ARTIFICIAL INTELLIGENCE FOR PART SHAPE ESTIMATION UNDER AUTOMATIC TOLERANCING
D.A. Faraktinov, D.A. Zhuravlev, A.A. Valov
Irkutsk National Research Technical University, 83, Lermontov St., Irkutsk, 664074, Russia.
Abstract. The purpose of the article is to consider a possible artificial intelligence-based approach to solving the problem of automatic optimum tolerancing as well as to evaluate the feasibility of the artificial neural network (NN) for product geometric shape estimation. Methods. The proposed approach to automatic tolerancing is based on the principle of generalization and analysis of the standard part database using the artificial NN. Results. The basic principles of the new approach to automatic tolerancing are described. The method of part shape representation that describes the geometry in a form suitable for the neural network analysis is developed. The NN structure and the training algorithm are described. The formation principles of the training sample are considered. The software implementation of the proposed approach is tested on the example of the analysis of the hole cylindricity tolerance of the "bushing" type part. Obtained test results demonstrate high precision of tolerance calculation. Conclusion. The test results suggest the feasibility of using the neural network as a tool for the analysis of the geometric shape of the part.
Keywords: mechanical engineering, design preparation of production, tolerances, automatic tolerancing, artificial neural network
Фарактинов Денис Анатольевич, аспирант, e-mail: faradenan@gmail.com Faraktinov Denis, Postgraduate, e-mail: faradenan@gmail.com
2Журавлев Диомид Алексеевич, доктор технических наук, профессор кафедры технологии и оборудования машиностроительных производств, e-mail: V24@istu.edu
Zhuravlev Diomid, Doctor of Engineering, Professor of the Department of Technology and Equipment of Engineering Production, e-mail: V24@istu.edu
3Валов Александр Александрович, старший преподаватель кафедры технологии и оборудования машиностроительных производств, e-mail: aleksandrvalov@gmail.com
Valov Aleksandr, Senior Lecturer of the Department of Technology and Equipment of Engineering Production, e-mail: aleksandrvalov@gmail.com
For citation: Faraktinov D.A., Zhuravlev D.A., Valov A.A. On possibility to use artificial intelligence for part shape estimation under automatic tolerancing. Proceedings of Irkutsk State Technical University. 2016, no. 7, pp. 48-54 (in Russian). DOI: 10.21285/1814-3520-2016-48-54
Введение
При проектировании машиностроительных изделий перед инженером-проектиров-щиком стоит задача назначения необходимых допустимых отклонений, обеспечивающих собираемость конечного изделия и его соответствие проектным эксплуатационным характеристикам. В современном машиностроении эта задача решается при помощи автоматизированных систем размерного анализа.
В некоторых современных системах автоматизированного проектирования (САПР) помимо возможности проверки собираемости изделия в зависимости от назначенного допуска предусмотрена возможность автоматического нанесения допусков на деталь. Но назначение оптимальных допусков является более сложной задачей, чем оценка собираемости, поскольку при назначении допуска должны учитываться многие параметры, характеризующие деталь. В связи с этим в САПР используются упрощенные подходы к автоматическому назначению допусков. Так, подход, используемый в системе SolidWorks, предусматривает автоназначение, соответствующее типу поверхности допуска, в зависимости только от линейного размера конструктивного элемента [ 1]. При этом базы, требуемые для назначения допусков расположения и формы, назначаются пользователем самостоятельно.
Данная статья описывает возможный подход к решению задачи автоматического назначения допусков, основанный на использовании искусственного интеллекта.
В машинах количество деталей исчисляется сотнями и тысячами. Но, несмотря на различное конструктивное оформление и назначение машин, большинство деталей в них являются типовыми [2].
В основе предлагаемого подхода к автоназначению допусков лежит принцип обобщения и анализа базы данных типовых деталей. Предусматривается опериро-
вание такими данными о типовых деталях, как назначение, форма, размер, допуски, материал и условия эксплуатации. Иными словами, концепция разрабатываемой методики предусматривает возможность после однократного анализа упомянутого набора характеристик некоторого количества однотипных деталей выдать заключение о требуемой величине и типе допуска конкретной поверхности детали, ранее не анализируемой системой.
Совместно с рассматриваемой методикой автоназначения допусков возможно использование системы размерного анализа ГеПАРД [3] в качестве дополнительного программного модуля. Общая логическая схема работы системы представлена на рис. 1.
Система ГеПАРД позволяет проводить пространственный размерный анализ сборок с учетом всех видов трехмерных допусков, предусмотренных международными стандартами4,5. Совместное использование обоих средств анализа дает возможность выполнять проверку собираемости изделия с учетом автоматически назначенных допусков.
В рамках данной публикации описывается только одна из составляющих совокупности средств анализа, предусматриваемых разрабатываемой методикой, - использование информации, описывающей геометрическую форму детали. Анализ и систематизация геометрической формы типовых деталей сводится к выявлению закономерностей в зависимостях значений допуска одной из поверхностей от общей геометрической формы. Для решения этой задачи предлагается использование искусственного интеллекта (ИИ), в частности,
4 ASME. Dimensioning and Tolerancing, ASME Y14.5-2009. New York: The American Society of Mechanical Engineers, 2009. 214 p.
5 ISO 1101: 2012. Geometrical product specifications (GPS) - Geometrical tolerancing - tolerances of form, orientation, location and run-out. Geneva: International Organization for Standardization, 2012. 103 p._
Рис. 1. Положение системы автоназначения допусков в общем процессе размерного анализа Fig. 1. Position of the automatic tolerancing system in the overall process of the dimensional analysis
База типовых деталей /
Standard pari database
Параметры деталей /
Part parameters
t
Анализ и систеиятитигя f Analysts and sysle/natization
Система автоназначения допусков I Automatic tolerancing system
Расчет допуска I Tolerance catoJabon
Параметры двталм ! Pad parameters
Tan v ]иа«ен|де допуска I Tc«erarce type and vabe
Анализ новой детали / Nbw pert апЫузя
Проверка допуска / Tiïerance checking
Система ГеПАРД I GePARD system
искусственной многослойной нейронной сети (НС).
Механизм использования НС предусматривает первоначальное ее обучение, осуществляемое с помощью алгоритма обратного распространения. В данном случае целесообразно использовать обучение сети «с учителем» [4]. Для обучения сети необходима некоторая обучающая выборка [5], в качестве которой используется специальным образом сформированная база данных, содержащая пригодное для распознавания НС геометрическое описание деталей.
Для геометрического описания детали используется специально разработанный тип представления. С его помощью геометрия описывается относительно заданной точки O, пространственное положение которой соответствует центру масс тела, образованного анализируемой поверхностью. Деталь характеризуется п наборами параметров у а и р. Для этого берется п случайных точек, расположенных на поверхности детали. Для каждой случайной точки Mn вычисляется нормаль Ln к поверхности, длина радиус-вектора рп от точки O до точки M, угол а/1 между нормалью в точке Ln и вектором N, а также, угол уп между
радиус-вектором рп и вектором N. Положение вектора N определяется типом поверхности. Для поверхностей вращения вектор будет коллинеарен оси, для плоских поверхностей - коллинеарен нормали. Ориентация вектора N определяется положением центра масс всей детали K таким образом, что векторы N и OK сонаправлены, либо образуют острый угол. Назначение допусков других типов требует иного подхода, в рамках данной статьи не рассматриваемого (рис. 2).
Рис. 2. Схема представления геометрии Fig. 2. A diagram of geometry representation
Количественно точки распределяются по всем поверхностям детали (за исключением поверхности с допуском, поскольку предлагаемый метод подразумевает выявление влияния на допуск не формы целевой поверхности, а общей формы детали) пропорционально отношению площади каждой отдельной поверхности к общей площади всех поверхностей детали.
Для работы с НС все исходные данные должны быть представлены в диапазоне от 0 до 1 включительно, что обусловлено спецификой входного интерфейса нейронной сети. Поэтому углы уп и ап представляются таким образом, что значениям 0п и п соответствуют 0 и 1. Для углов, больших чем п, значение берется как разность между 2п и углом. Поскольку при работе с НС оперирование абсолютными значениями линейных размеров невозможно, длина вектора рп должна быть выражена относительно длины наибольшего из найденных радиус-векторов (ртах). Длина вектора ртах принимается за 1. Длины остальных радиус-векторов рассчитываются по формуле
Рп =
(1)
Рассмотрим работу метода на примере анализа допуска цилиндричности отверстия детали типа «втулка» (рис. 3).
Рис. 3. Втулка с допустимыми отклонениями Fig. 3. A bushing with permissible variations
На рис. 4 изображены вычисленные нормали в случайных, распределенных по всем поверхностям детали точках, а также радиус-векторы, используемые для представления геометрии детали при анализе допуска Ai.
Такой подход дает возможность представить геометрию любой детали независимо от ее пространственного расположения, ориентации, размера и формы. Фактически, такое представление геометрии является двухмерным, поскольку для описания положения каждого из векторов используется только один угол. Графиче-
Рис. 4. Представление геометрии для Л1 Fig. 4. Geometry representation for Л1
р
п
Р
а б
Рис. 5. Графическое изображение входных данных для нейронной сети Fig. 5. Graphic representation of neural network input data
ское представление формы детали, используемое для анализа допуска Л1 в том виде, в котором она непосредственно обрабатывается НС, изображено на рис. 5, а. Описанная модель представления геометрии формируется для каждой поверхности детали, на который необходимо назначить допуск. Для допуска Л2 графическое изображение геометрии представлено на рис. 5, б.
Для анализа геометрии используется трехслойная НС (рис. 6). Такая структура сети считается универсальной [0] и содержит один скрытый слой, что является оптимальным для решения многих задач. Входной слой сети содержит 3п нейронов. На нейроны входного слоя (¡1, ¡2, 1з, ■■■, 1п) подаются данные в последовательности а1, у1, р1, а2, у2, р2, ■■■, ап, уп, р'п. Причем для корректной реакции НС на входные данные наборы значений ап , уп, р'п. упорядочиваются по возрастанию длины радиус-вектора рп.
Скрытый слой НС состоит из п нейронов, а выходной слой О - из одного.
Поскольку сеть обучается «с учителем», в процессе обучения на нейрон выходного слоя подается значение допуска Л, выраженное как отношение Л к длине вектора ртах:_
А' =
А
(2)
Рис. 6. Схема входных и выходных данных нейронной сети Fig. 6. A diagram of neural network input and output data
По описанному методу НС обучается отдельно для каждого допуска каждой детали. Обучение проводится до тех пор, пока не будет достигнуто требуемое для конкретного случая значения точности. Результатом расчета при помощи обученной НС будет значение допуска, также выраженное по отношению к длине вектора pmax. То есть, для получения абсолютного значения допуска необходимо воспользоваться формулой
А =
(3)
p
Обучающая выборка, содержащая геометрическое описание деталей необходимого вида, формируется из базы данных уже изготовленных типовых деталей, используемых на конкретном предприятии, так как в реальном производстве при назначении допусков чаще всего руководствуются действующими на предприятии ОСТ, СТП и другими нормативно-техническими документами.
Для составления выборки необходимы модели деталей с параметрическим представлением геометрии и уже назначенными допустимыми отклонениями. Такое представление деталей используется в САПР. Преобразование геометрии изделия из параметрического вида в вид, необходимый для работы с системой размерного анализа на основе искусственного интеллекта, можно производить средствами САПР, используя специально разработанные модули, либо средствами системы ГеПАРД. Преимущество первого варианта заключается в возможности использования функционала графического и математического ядер САПР посредством интерфейсов прикладного программирования (API), что дает возможность использования встроенных вычислительных функций и прямого доступа к геометрической информации. Второй вариант предусматривает использование обменного формата STEP6. Такой подход является более универсальным, однако в этом случае все вычисления будут происходить на стороне системы ГеПАРД, что потребует реализации дополнительных алгоритмов.
Поскольку разработанный метод нацелен на выявление закономерностей в зависимости значения допуска одной из поверхностей от общей геометрической формы детали, тестирование метода сводится к установлению факта способности или неспособности НС эти закономерности выявлять. Для установления этого факта
6 ISO 10303-21:2002. Industrial automation systems and integration. Product data representation and exchange. Part 21: Implementation methods: Clear text encoding of the exchange structure. Geneva: International Organization for Standardization, 2002. 72 p.
ISSN 1814-3520
тестирование программной реализации методики проводилось на выборке из сгенерированных деталей. Детали были построены по такому принципу, что в процессе генерации их форма и значение назначенного допуска изменялись по заданному закону.
Максимальное значение точности, которого удалось достичь в процессе тестирования, - 83%. Результаты были получены на обучающей выборке деталей объемом 105 при 105 циклах обучения и количестве точек, используемых для описания геометрической формы М, равном 100. Значение точности вычислено как процентное соотношение вычисленного с помощью НС значения допуска к допуску, вычисленному при генерации детали, в среднем на 1000 деталей, не применяемых в обучении. Дальнейшее увеличение количества итераций обучения не приводит к существенному уменьшению ошибки.
Выводы
Исходя из полученных в ходе тестирования результатов можно сделать вывод о целесообразности использования НС в качестве инструмента анализа геометрической формы детали. В целом применение НС возможно для успешного решения поставленной задачи, а также других схожих задач, таких как автоназначение конструкторских баз для допусков расположения. Однако объем обучающей выборки, требуемый для достижения необходимой точности анализа в условиях использования методики на реальном производстве, может оказаться неприемлемо большим.
Очевидно, что использования одной только информации о геометрической форме детали для вычисления допуска недостаточно. Но в совокупности с другими данными о детали ее значимость весьма существенна. Методика анализа других необходимых для вычисления допусков, характеристик деталей и их взаимосвязи, как и вопрос объема обучающей выборки, требует дальнейшего изучения и развития данного направления.
1. Справка по SOLIDWORKS // SolidWorksWebHelp [Электронный ресурс]. http://help.solidworks.com (10.04.2016).
2. Никифоров А.Д. Взаимозаменяемость, стандартизация и технические измерения. М.: Высш. шк., 2000. 356 с.
3. Журавлев Д.А., Шабалин А.В. Методика пространственного размерного анализа в системе Ге-
ий список
ПАРД // Вестник ИрГТУ. 2015. № 8 (103). C. 58-65.
4. Джонс М.Т. Программирование искусственного интеллекта в приложениях. М.: ДМК Пресс, 2004. 312 с.
5. Laurene V. Fausett - Fundamentals of Neural Networks: Architectures, Algorithms and Applications: 1st (first) Edition. New Delhi: A-Z Books, 2004. 480 p.
References
1. SolidWorksWebHelp. Available at: http://help.solidworks.com (accessed 10 April 2016).
2. Nikiforov A.D. Vzaimozamenyaemost', standartizatsi-ya i tekhnicheskie izmereniya [Interchangeability, standardization and engineering measurements]. Moscow, Vysshaya shkola Publ., 2000. 356 p.
3. Zhuravlev D.A., Shabalin A.V. Metodika pros-transtvennogo razmernogo analiza v sisteme GePARD [Methods of spatial dimensional analysis in GePARD system] Vestnik IrGTU [Proceedings of Irkutsk State
Technical University]. 2015, no. 8 (103), pp. 58-65 (in Russian).
4. Dzhons M.T. Programmirovanie iskusstvennogo in-tellekta v prilozheniyakh [Programming of artificial intelligence in applications]. Moscow, DMK Press Publ., 2004, 312 p. (in Russian).
5. Laurene V. Fausett - Fundamentals of Neural Networks: Architectures, Algorithms and Applications: 1st (first) Edition. New Delhi: A-Z Books, 2004. 480 p.
Критерии авторства
Авторы равнозначно проанализировали данные о процедурах построения оптимальных алгоритмов, провели обобщение и написали рукопись. Фарактинов Д.А. несет ответственность за плагиат.
Authorship criteria
The authors have equal participation in the analysis of the data on the procedures of building optimal algorithms, generalized the material and wrote the article. Faraktinov D.A. bears the responsibility for avoiding plagiarism.
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов.
Conflict of interests
The authors declare that there is no conflict of interests regarding the publication of this article.
Статья поступила 28.04.2016 г.
The article was received on 28 April 2016
