Обоснование возможности применения алгоритма функционирования нейронных сетей в задачах оптимизации процесса восстановления вагонных колесных пар Текст научной статьи по специальности «Механика и машиностроение»

УДК 621.941.1

Р А. Сахаров

Петербургский государственный университет путей сообщения Императора Александра I

ОБОСНОВАНИЕ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ АЛГОРИТМА ФУНКЦИОНИРОВАНИЯ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ ОПТИМИЗАЦИИ ПРОЦЕССА ВОССТАНОВЛЕНИЯ ВАГОННЫХ КОЛЕСНЫХ ПАР

Ввиду недостаточной информации об обрабатываемости профиля поверхности катания вагонных колесных пар актуально решение задачи повышения эффективности процесса резания. Исследованы параметры и режимы резания и их оптимизация на основе алгоритмов функционирования нейронных сетей. В результате обзора возможности применения нейронных сетей в системе управления процессом резания предложен альтернативный метод прогнозирования оптимальных режимов резания на основе алгоритма функционирования нейронной сети.

колесная пара, профиль поверхности катания, оптимизация режимов резания, искусственные нейронные сети.

Введение

Технологический процесс восстановления профиля поверхности катания колес характеризуется нестационарностью тепловой и силовой нагрузок на режущий инструмент, что обусловлено изменением твердости обрабатываемой поверхности колеса и глубины резания. Введение в эксплуатацию железнодорожных колес новых марок сталей с повышенной твердостью из-за недостаточной информации об их обрабатываемости затрудняет решение задачи повышения производительности процесса резания. В связи с этим особую актуальность приобретают вопросы исследования параметров и режимов процесса восстановления профиля поверхности катания колесных пар новых марок колесных сталей и их оптимизации [1] на основе алгоритмов функционирования нейронных сетей.

На сегодняшний день накоплен большой практический опыт в области ремонта железнодорожных колесных пар. Но заметного повышения эффективности обработки не наблюдается. Это связано с экономическими, производственными, технологическими факторами и с ограничением тео-

159

ретического обоснования процесса резания в основном макроуровнем, т. е. механическими моделями взаимодействия твердых тел.

Современная наука уже давно изучает микромир - процессы, протекающие на атомном и внутриатомном уровне материи, исследование и возможность управления которыми открывают новые перспективы для развития науки о резании.

1 Задача оптимизации режимов резания

К перспективным направлениям, обеспечивающим повышение качества и снижение трудоемкости при ремонте деталей, следует отнести проектирование технологических процессов их ремонта на основе принципов оптимизации.

Различают три вида оптимизации - структурную, параметрическую, производственную. Остановимся подробнее на параметрической оптимизации, которая связана с нахождением оптимальных режимов резания по технологическим переходам. В этой задаче в качестве параметров оптимизации обычно рассматриваются параметры режима резания, например, для токарной обработки: скорость резания, продольная подача суппорта и глубина резания [2].

Для оптимизации математическая модель должна иметь следующие элементы:

- целевую функцию;

- критерий (критерии) оптимизации;

- систему ограничений;

- систему уравнений, описывающих объект;

- входные, выходные и внутренние параметры;

- управляемые параметры, выделяющиеся из числа внутренних параметров.

Целевая функция - это аналитическая зависимость между критерием (критериями) оптимальности и подлежащими оптимизации параметрами с указанием направления экстремума.

Отличие понятий «критерий» и «целевая функция» состоит в следующем: целевая функция может включать в себя более одного критерия и для целевой функции всегда обязательно указывается вид экстремума: f (X) ^ max, (f (X) ^ min).

Задача оптимизации разрешима, если выполняются следующие три условия: множество допустимых решений X замкнуто, т. е. предельные точки принадлежат этому множеству, ограничено, целевая функция f (X) непрерывна.

Постановка задачи однопараметрической однокритериальной задачи оптимизации: дан один критерий Y. Процесс описан уравнением, включаю-

160

щим один искомый параметр y = f (X). Имеется система ограничений: X> av a2 < X< b и т. д. Необходимо найти оптимальное значение параметра X=Хопт, обращающее целевую функцию f (X) в максимум или минимум [3].

При математической постановке задачи параметрической оптимизации режимов резания требуется определить множество переменных X = [X X] процесса резания так, чтобы при заданных условиях P = [P Pn] - мно-

жество характеристик обрабатываемого материала и режущего инструмента) обеспечить оптимальное значение целевой функции Y = f (X ..., X^ P1, ..., Pn) при выполнении заданных ограничений.

В качестве искомых переменных X принимают режимы резания: скорость резания v (м/мин); минутная подача S (мм/мин) или за один оборот S (об/мин); глубина резания t (мм); а также параметры режущего инструмента: углы режущей части инструмента, радиус закругления режущей кромки r, марка инструментального материала.

В качестве заданных условий P принимают характеристики обрабатываемого и инструментального материала: условный предел текучести о0 модуль сдвига обрабатываемого материала G, модули упругости обрабатываемого и инструментального материалов E и E коэффициенты Пуассона ^ и ^2, коэффициенты трения ^3 и соответственно и пр.

В качестве критериев оптимальности используют экономические, технологические и физические показатели.

К экономическим показателям относятся цеховая и технологическая себестоимость, производительность.

К технологическим критериям относят: точность обработки, период стойкости режущего инструмента, относительный износ инструмента по отношению к объему удаляемого материала.

Физические критерии: удельная энергоемкость процесса резания, ко -торая используется при черновой обработке; отношение скрытой энергии деформирования в поверхностном слое заготовки к минутному съему материала, который используется при чистовой обработке.

К ограничениям относят следующие:

- определяющие диапазон изменения режимов резания в соответствии с возможностями оборудования и величиной снимаемого припуска;

- дискретности переменных (v, S, t) при использовании станков;

- по мощности оборудования при черновой обработке

N (x p) < N„,x;

- по подаче S при чистовой обработке

R (p, S, v) < Ra;

161

- ограничения по стойкости инструмента Тзад

Т (X, Р) < Тзад‘

Задача оптимизации в полной мере может быть решена только на основе автоматического проектирования ТП методом многоуровневого синтеза. Однако существующие эмпирические зависимости для расчета параметров режимов резания не могут быть использованы для постановок и разработки алгоритмов задач автоматизированного проектирования, т. к. процесс резания никогда не рассматривался с позиций системной обработки и преобразования информации. Поэтому проблема автоматизированного проектирования для оптимизации технологических процессов резания продолжает сохранять свою актуальность и в настоящее время [2].

2 Возможности применения алгоритма функционирования нейронных сетей в системе управления процессом резания

В современных условиях создания новых технологий, материалов и повсеместной автоматизации проблема повышения качества обработки колесных пар занимает особое место ввиду многообразия и сложности неизученных зависимостей процесса резания новых материалов и внедряемых технологий в систему станков с ЧПУ Это создает необходимость в создании алгоритмов АСУ непрерывного отслеживания и гашения возникающих в процессе обработки различного рода возмущений.

В настоящее время это обстоятельство меняется, и все большее применение в разработке АСУ находят алгоритмы, основанные на искусственном интеллекте (ИИ). Широкое применение нейронных сетей (НС) в оптимизации обусловлено прежде всего их способностью обучаться решению задач, для которых у человека не существует формализованных, быстрых или работающих с приемлемой точностью алгоритмов решения. Наиболее перспективным направлением является использование АСУ на основе алгоритма функционирования НС с использованием массовой параллельной обработки большого объема информации и способностью к самообучению по примерам обучающей выборки [3].

В работе [4] представлен обширный обзор современного состояния проблемы о применении НС в системах мониторинга процессов механической обработки и состояния режущего инструмента. В. А. Залога приводит данные своего исследования (табл. 1), которые показывают, что для процесса точения используют в основном «нейронные сети обратного распространения», т. е. нейронные сети с обратной связью. Также автор отмечает: несмотря на то, что объем исследований в этой области за последние годы

162

ТАБЛИЦА 1. Обзор применения НС в задачах диагностики состояния и износа режущего инструмента

Автор Год Процесс Вид НС Точность результатов Исходный сигнал

C. Sanjay, M. L. Neema, C. W. Chin 2005 Сверление Сеть обратного распространения (BP) - Силы резания

T. Ozel, Y. Karpat 2005 Точение Сеть обратного распространения (BP) - Силы резания

S. S. Panda, A. K. Singh и др. 2006 Сверление Сеть обратного распространения (BP) 92,5 % Силы резания

А. Antic, J. Hodolic, M. Sokovic 2006 Точение Сеть обратного распространения (BP) - Силы резания

K. Patra, S. K. Pal, K. Bhattacharyya 2007 Сверление Сеть обратного распространения (BP) - Вихревые токи двигателя

S. S. Panda 2007 Сверление Сеть обратного распространения (BP) - Силы резания, вибрация

N. Ghosha, Y. B. Ravi, K. Patra и др. 2007 Фрезерование Сеть обратного распространения (BP) - Силы резания, вибрация, звуковое давление

X. Wang, Y. Huang и др. 2008 Точение Гибридная НС, обучающаяся по расширенному алгоритму Калмана - -

S. S. Panda, D. Chakraborty, S. K. Pal 2008 Сверление Сеть обратного распространения (BP) и радиальная базисная сеть (RBFN) - Силы резания

M. Malekiana, S. S. Parka, Martin B. G. Jun 2009 Фрезерование Адаптивная нейронечеткая система (ANFIS) - Силы резания, АЭ

163

Окончание табл. 1

Автор Год Процесс Вид НС Точность результатов Исходный сигнал

S. Garg, K. Patra, V Khetrapal, S. K. Pal и др. 2010 Сверление Радиальная базисная сеть (RBFN) - Силы резания

K. Patra, S. K. Pal, K. Bhattacharyya 2010 Сверление Нечеткая радиальная базисная сеть (FRBF) - Вибрация

S. M. Ali, N. R. Dhar 2010 Точение Сеть обратного распространения (BP) 99 % Силы резания

F. Basciftci, H. Seker 2010 Точение Сеть обратного распространения (BP) 100 % Силы резания

значительно увеличился, остается актуальным вопрос создания эффективной системы диагностики и управления процессом резания, обеспечивающей требуемое качество, высокую производительность и минимальные затраты на обработку деталей машин на металлорежущих станках.

3 Моделирование процесса резания на основе алгоритма функционирования нейронной сети

Искусственная нейронная сеть - это электронная модель нейронной структуры мозга, которая учится главным образом на опыте. Это, согласно [5], «громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающий экспериментальные знания и предоставляющий их для последующей обработки» (рис. 1).

Одним из основных направлений применения НС в задачах механической обработки является моделирование процесса. В [7] указывается на применение НС при оптимизации режимов резания, кроме того, функция цели процесса резания совпадает со схемой работы НС. Для построения модели оптимизации резания нужно использовать все существующие входные параметры, при этом нет возможности уменьшить их количество за счет малозначимых параметров. Такая модель будет применима только при условии упрощений и ограничений. Поэтому целесообразно разбить модель на под-

164

x

w

Y

Y1

Y2

Y3

Рис. 1. Схематичное представление однослойной нейронной сети:

[x,, xn] - множество входных параметров; [w,,, wn3] - синаптические веса

входных параметров; [1, 2, 3] - слой, состоящий из трех нейронов;

[Y Y Y3] - выходные параметры

Нейронные сети

Сети прямого распределения

Реккурентные

сети

Однослойный перцептрон Много слойный перцептрон Сети РБФ Соревновательные сети Сеть Кохенона Сеть Хопфилда Модули АРТ

Рис. 2. Классификация нейронных сетей [6]

модели и исследовать зависимости режимов резания по каждому критерию отдельно.

Таким образом, на сегодняшний день алгоритмы работы НС смогут найти реальное применение в системах адаптивного оптимального управления. Они строятся на основе выбранного критерия качества металлообработки, а также ограничений, в пределах которых использование данного критерия имеет смысл; конкретных методов оптимизации работы, технических средств оптимизации и их размещения на тех или иных иерархических уровнях системы (рис. 3).

Как видно из рисунка 3, блок оптимизации получает входные данные путем идентификации параметров процесса резания как прямыми, так и кос -венными измерениями. Наибольшее распространение получили косвенные методы измерения ввиду их простоты установки в системе станка по срав-

165

Рис. 3. Место системы адаптивного оптимального управления в системе ЧПУ станка

нению с прямыми методами. Эффективность диагностики и оптимизации процесса резания целиком и полностью определяется информативностью используемых параметров. Входными параметрами для НС могут быть также сигналы и их свойства. Сигналы могут характеризоваться электрическими переменными, скоростью их изменения, а также связанной с ними энергией и мощностью.

В последние годы большое внимание привлекает перспектива акустической диагностики процесса резания. Высокая помехозащищенность акустических сигналов из зоны резания в области частот, превышающих частоты от шумов работающих агрегатов станка, обеспечивает получение надежной информации о таких важнейших параметрах обработки, как износ инструмента, качество поверхностного слоя детали, оптимальность режима резания. Диагностика состояния и износа режущего инструмента по акустическому сигналу является актуальной задачей, позволяющей уточнить зависимости периода стойкости резца от подачи и скорости резания.

Поэтому входными данными для проектируемой НС (рис. 4) в блоке оптимизации будут наиболее информативные параметры режима резания: v, vmax - соответственно реальная скорость вращения заготовки и максимально допустимая скорость вращения, мм/мин; S, Smax - реальная подача и максимально допустимая, мм/мин; t - глубина резания (не меняется в процессе), мм; A - частота акустического сигнала, кГц; HB - твердость материала за-

166

v

опт

S

опт

Рис. 4. Схематичное представление НС для оптимизации процесса резания

готовки; d - диаметр по кругу катания вагонных колесных пар, мм; с - постоянная величина для определенной группы обрабатываемых материалов; к - коэффициент, зависящий от свойств обрабатываемого материала, режущей части инструмента и типа СОЖ.

Стойкость режущего инструмента определяется по эмпирической зависимости [8]:

318 с к

vtxsyd ’

(1)

где m, х, у, - показатели степеней, зависящие от свойств инструмента и условий резания, коэффициенты зависят главным образом от НВ и могут быть учтены в синаптических весах НС.

Тогда целевая функция будет иметь следующий вид:

Y = f (v, S, A, HB, d, с, к).

(2)

Для реализации системы прогнозирования параметров режима резания на основе алгоритма функционирования НС можно использовать систему математического моделирования MatLab ввиду простоты и оптимальной проработанности программного обеспечения (рис. 5), [9].

167

Рис. 5. Пример моделирования системы функционирования НС станка с ЧПУ

в среде MatLab/Simulink

Заключение

Использование алгоритма функционирования нейронных сетей при исследовании процесса металлообработки обусловлено развитием компьютерных технологий и автоматизации технологических операций.

Функции цели процесса резания и алгоритмы функционирования НС сходны по своему строению. Однако эффективность применения алгоритмов функционирования НС пока остается не до конца изученной и требует дальнейшего исследования.

Целесообразно применение алгоритмов функционирования НС в системах адаптивного оптимального управления за счет повышения качества косвенных измерений параметров ТП.

Библиографический список

1. Оптимизация процесса восстановления профиля поверхности катания вагонных колесных пар : дис. ... канд. тех. наук / А. А. Шубин. - Л. : ЛИИЖТ, 1986. - 124 с.

2. Компьютерное моделирование в машиностроении. - Режим доступа: http://www. arctic-cooler.com/comptechnology122.htm.

168

3. Компьютерное моделирование и оптимизация процессов резания : учеб. пособие / С. И. Пестрецов. - Тамбов : Изд-во Тамбовского гос. техн. ун-та, 2009. - 104 с.

4. Диагностика процессов механической обработки с применением искусственных нейронных сетей : состояние вопроса / В. А. Залога, А. В. Гонщик, Р Н. Зинченко // Вестник СумДУ Сер. «Технические науки». - 2012. - № 2. - С. 128-137.

5. Нейронные сети: полный курс / С. Хайкин ; пер. с англ. - 2-е изд. - М. : Вильямс, 2006. - 1104 с.

6. Формирование элементов системы управления сетью передачи данных с применением аппарата нейронных сетей / А. К. Канаев, М. А. Камынина, Е. В. Опарин // Бюллетень результатов научных исследований. - 2012. - Вып. 3 (2). - С. 47-55.

7. Cus, F., Zuperl, U. (2006). Approach to optimization of cutting conditions by using artificial neural networks. Journal of Materials Processing Technology, 173 (30), 281-290.

8. Комплексные способы эффективной обработки резанием / Ю. М. Ермаков. -М. : Машиностроение, 2005. - 272 с.

9. Demuth, H., Beale, M. (2000). Neural Network Toolbox. For Use with MATLAB, The MathWorks Inc.

© Сахаров Р. А., 2014

169