CC BY
16
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
ПРИМЕНЕНИЕ КАСКАДНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПТИМИЗАЦИИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ
Аннотация: Оптимизация технологических процессов выполнены при использовании систем автоматизации проектирования технологических процессов.
Ключевые слова: каскадные 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
APPLICATION OF CASCADE NEURAL NETWORKS FOR OPTIMIZATION OF TECHNOLOGICAL PROCESSES
Annotation: The optimization of technological processes is carried out using the
systems of automation of design of technological processes.
Key words: cascade neural networks, innovation, technological process.
Введение
В процедуре проектирования новых технологических процессов часто возникает задача выбора наиболее рационального технологического процесса с точки зрения некоторого критерия оптимизации. Решение таких оптимизационных задач становится возможным при использовании систем
автоматизации проектирования технологических процессов (САПР ТП) в АСТПП. Эти системы наряду со значительным сокращением сроков проектирования позволяют существенно повысить качество проектных решений за счет проведения оптимизации на всех этапах технологического проектирования.
I. Применение рекуррентных нейронных сетей для оптимизации технологических процессов.
Различают три вида методов оптимизации новых технологических процессов:
1. Структурную.
2. Параметрическую (одно- и многокритериальную).
3. Структурно-параметрическую.
Для решения оптимизационных задач применяют не только методы однокритериальной, но и многокритериальной оптимизации. При этом многокритериальная структурная оптимизация технологических процессов может быть осуществлена с помощью различных методов математического моделирования [1]: теории статистических решений и теории игр, динамического и линейного программирования, использования экспертных систем, генетических алгоритмов, искусственных нейронных сетей и методов нечеткой логики, а также других методов системотехнического проектирования.
Для обработки любой условно бесконечной последовательности, в которой важно не только содержание, но и порядок следования информация, структуры перцептрона недостаточно. Для решения таких задач разработана рекуррентная нейронная сеть (РНС). В РНС нейроны обмениваются информацией между собой: к новому вектору входящих данных нейрон также получает информацию о предыдущем состоянии сети. Таким образом, в сети реализуется «память», что существенно изменяет характер ее работы и позволяет анализировать последовательности данных, в которых важен порядок значений [2].
II. Использование искусственных нейронных сетей Хопфилда для системного анализа проектных технологических процессов.
Системный подход к решению задач структурной оптимизации проектных технологических процессов и состава парка оборудования для изготовления деталей позволяет выявить значительные резервы интенсификации и повышения эффективности производства. Исходной информацией для решения задачи структурной оптимизации проектного технологического являются следующие данные:
1. Ведомости состава, классификационной структуры и технологической оценки изделий; ведомости деталей (сборочных единиц), проходящих ТПП; ведомости группирования изделий, полученные при выполнении функции АСТПП «Технологический анализ конструкции изделий»;
2. Программа выпуска изделий. В условиях серийного типа производства, являющегося наиболее широко распространенным на предприятиях
машиностроительной промышленности, обычно осуществляют расчет приведенной программы выпуска.
Для структурной оптимизации проектного технологического процесса можно использовать многовариантный сетевой техно- логический граф G(X,D). Вершины такого графа представляют собой множество вариантов технологических операций Х обработки изделий, а его дуги D определяют возможность последовательного выполнения конкретных технологических операций, рис. 1.
Рис. 1. Сетевой многовариантный технологический граф
Out,
Out2
Out„
Рис. 2. Искусственная нейронная сеть Хопфилда : W - множество весовых коэффициентов между точками ветвления (0-й слой) и нейронами (1-й слой) сети; In - множество входных сигналов нейронов сети; Out - множество
выходных сигналов нейронов сети
Любой путь на сетевом технологическом графе, соединяющий исходную и конечную вершину графа представляет собой допустимый маршрут изготовления детали- представителя группы конструктивно и технологически подобных изделий группы. Многовариантность такой математической модели проектного технологического процесса определяется множеством способов получения исходной заготовки изделия, использованием разных методов обработки и моделей технологического оборудования, различным уровнем автоматизации, концентрации и дифференциации операций технологического процесса изготовления деталей. Системный анализ рассмотренной математической модели в виде технологического графа можно осуществить путем использования средств искусственного интеллекта, в частности путем применения искусственной нейронной сети Хопфилда [3].
Для решения задач выбора наиболее предпочтительных решений из множества возможных вариантов теория искусственных нейронных сетей предлагает использовать рекуррентную искусственную сеть Хопфилда, модель которой приведена на рис.2. Здесь 0-й слой состоит из точек ветвления, которые перераспределяют выходные сигналы сети OUT на входы нейронов 1-го слоя. Отличительной особенностью структуры такой сети является наличие обратных связей. Они необходимы для обеспечения циклического функционирования нейронной сети во времени. Циклы вычислений повторяются до момента стабилизации состояния искусственной нейронной сети по параметрам выходных сигналов нейронов. Стабильному состоянию нейронной сети Хопфилда соответствует достижение минимума энергетической функции E нейронной сети. Анализируя типовые модели технологических процессов обработки деталей, можно выделить три основных направления построения технологического процесса:
1) ренновация заводского (базового) технологического процесса, т.е. замена универсальных металлорежущих станков - станками аналогами (с применением дифференциации и концентрации технологических операций);
2) перевод обработки с универсальных станков на станки с ЧПУ, и на обрабатывающие центры отечественного производства (таких как 500U);
3) перевод обработки с универсальных станков на обрабатывающие центры зарубежного производства (Spinner) с максимальной концентрацией операций.
Из теории известно, что полная автоматизация производства не всегда рациональна, так как после достижения какого-то оптимального значения автоматизации ощущается значимый рост капиталовложений при несущественном увеличении объемов производства (рис. 3) [1]. Поэтому для поиска оптимума следует «дополнять» высокопроизводительное многоцелевое мехатронное оборудование универсальными станками.
ЯфГ о
Рис. 3 - Зависимость изменения объема выпуска продукции V и величины капиталовложений К от уровня автоматизации производства а
Решение многокритериальной оптимизационной задачи является актуальной в условиях реального производства и одновременно достаточно сложно реализуемой. Именно поэтому в данной статье для решения задачи многокритериальной оптимизации предлагается использовать каскадную нейронную сеть, которая позволяет частично моделировать мыслительный процесс, и учитывать все необходимые критерии при решении задачи оптимизации технологического процесса изготовления детали. Имея множество способов и последовательностей обработки детали необходимо найти лучший вариант проектного технологического процесса.
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. Расмотренный метод, (рекуррентные нейренные сети Хопфилда), позволяют осуществлять многокритериальную оптимизацию проектных технологических процессов в инновационных проектах технического перевооружения
машиностроительного производства.
Использованные источники:
1. Селиванов С.Г., Гузаиров М.Б., Кутин А.А. Инноватика: учебник для вузов. - 3-е изд., доп. - М.: Машиностроение, 2013. - 640 с.
2. Искусственная нейронная сеть [Электронный ресурс] - URL: http: //www.macЫneleammg.ru/wiki/mdex.php?tiÜe=Нейросети (дата
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-
