CC BY
57
ЛИТЕРАТУРА
1. Zarkadas D.M., Sirkar K.K. Polymeric Hollow Fiber Heat Exchangers: An Alternative for Lower Temperature Applications // Ind. Eng. Chem. Res. - 2004. - 43. - P. 8093-8106.
2. Zhang L.-Z. Heat and mass transfer in a cross-flow membrane-based enthalpy exchanger under naturally formed boundary conditions // Int. J. of Heat and Mass Transfer. - 2007. -50. - P. 151-162.
3. Drioli E., Romano M. Progress and New Perspectives on Integrated Membrane Operations for Sustainable Industrial Growth // Ind. Eng. Chem. Res. - 2001. -40. - P. 1277-1300.
4. Hickman H. J. An asymptotic study of the Nusselt-Graetz problem. Part I: Large x behavior. J. Heat Transfer 1974, 96, 354.
Поступила 11.02.09 г.
HEAT EXCHANGE IN HEAT EXCHANGERS WITH POLYMERIC HOLLOW FIBER MEMBRANES
A.A. SKHALYAHOV 1, A.G. VERESCHAGIN 2, VS. KOSACHEV 2, E.P. KOSHEVOY 2
1 Maikop State Technologycal University,
191, May Day st., Maikop, 385000; e-mail: info@mkgtu.ru
2 Kuban State Technologycal University,
2, Moskovskaya st., Krasnodar, 350072; e-mail: intrel@kubstu.ru
Feedback of heat factor, walls including incorporated thermal resistance polymeric hollow fiber not porous membranes are determined. High efficiency polymeric hollow fiber heat exchangers equipments is established.
Key words: polymeric hollow fiber not porous membranes, polymeric heat exchangers, thermal properties.
664.002.(075.8)
ВЫЯВЛЕНИЕ ВЗАИМОСВЯЗЕЙ ПОКАЗАТЕЛЕЙ ИЗНОСОСТОЙКОСТИ ДЕТАЛЕЙ ПИЩЕВЫХ МАШИН МЕТОДОМ НЕЙРОСЕТЕВОГО
ПРОГРАММИРОВАНИЯ
АЛ. МАИТАКОВ
Кемеровский технологический институт пищевой промышленности,
650056, г. Кемерово, Бульвар Строителей, 47; тел.: (3842) 73-42-79, факс: (3842) 53-29-00, электронная почта: may@kemtipp.т
Предложено решение задачи максимального сохранения и восстановления функциональных свойств деталей пищевых машин, подвергающихся различным видам износа. Решение заключается в предварительном определении, системати -зации и идентификации показателей качества функциональных поверхностей для конкретных условий эксплуатации, их взаимосвязей, создании логики построения информационной модели технологического блока методом нейросете -вого программирования. Разработана модель на базе многослойных нейронных сетей, выражающая процесс форми -рования эксплуатационных свойств деталей на примере электромеханической обработки.
Ключевые слова: технологический блок, нейросетевое моде(одвгйаявй^(1уч:ег}е?сйеч8р1,йнк^ачШ;й[зо функциональных Параметры технологических процессов и конст- п°верхн°стей раб°чих °рган°в машин [1].
рукции пищевых машин определяются закономерностями взаимозависимостей между совокупностями воздействий рабочих органов машин и реакциями на эти воздействия пищевых сред. В современных условиях эксплуатации машин для хранения и переработки пищевых продуктов одной из актуальных является задача максимального сохранения и восстановления функциональных свойств деталей, подвергающихся различным видам износа.
Решение этой проблемы заключается в предварительном определении, систематизации и идентификации показателей качества функциональных поверхностей (трибохарактеристик) для конкретных условий эксплуатации, их взаимосвязей, создании логики построения информационной модели технологического блока (ТБ) - совокупности методов обработки поверхностей, оборудования, оснастки, технологических материалов, режимов, метрологического обеспечения,
Формирование информационной модели ТБ предусматривает использование большого количества исходных данных, характеризующих системы среды эксплуатации, конструктивно-технологических трибохарактеристик модулей поверхностей объектов отказов, определение их взаимозависимостей и характера влияния каждого из них на выбор элементов ТБ.
Одним из методов моделирования и создания логики синтеза технологических блоков является использование нейронных сетей [2]. Искусственная нейронная сеть - это устройство параллельных вычислений, состоящее из множества взаимодействующих элементов - нейронов. Каждый нейрон периодически получает сигнал и посылает его другим нейронам. Все нейроны соединены в достаточно большую сеть с управляемым взаимодействием.
При нейросетевом моделировании необходим банк результатов экспериментов с известными входными
Рис. 1
аргументами и выходными факторами, по которым формируется нейронная сеть. Такая сеть приобретает способность строить связи между аргументами и функциями технической системы в виде модели системы. Исходя из этого, можно разработать нейросетевую модель на базе многослойных нейронных сетей [3], выражающую процесс формирования эксплуатационных свойств деталей, например, при электромеханической обработке (ЭМО).
Архитектура многослойной нейронной сети должна отвечать следующим требованиям:
каждый физический вход Хп должен быть соединен только с одним нейроном входного слоя;
выход каждого нейрона любого из интерфейсных слоев т подается на каждый нейрон слоя т + 1;
выход каждого нейрона из общих скрытых слоев должен быть соединен только с одним нейроном верхнего слоя.
Архитектура нейронной сети, разработанная на базе нейросети Хемминга [3], представлена на рис. 1.
В качестве входов X рассматриваются режимы ЭМО (плотность тока], давление ролика-инструмента на обрабатываемую поверхность детали р, скорость обработки Уо, длительность импульсов тока 4, длительность пауз тока ґп); параметр шероховатости упрочненной поверхности Яа, условия трения и изнашивания (давление в зоне контакта сопряженных деталей q, скорость их относительного скольжения у). В качестве выходных факторов У рассматриваются микротвердость упрочненной поверхности НУ, скорость изнашивания трущихся деталей Л.
Функционирование многослойной нейронной сети осуществляется следующим образом. Нейроны каждого слоя т выполняют взвешенное суммирование элементов входных сигналов. К сумме элементов входных сигналов, умноженных на соответствующие синаптические веса (синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характе-
ризующее силу связи - вес синапса), прибавляется смещение нейрона:
5 іт ^ [Жіт; і (т #1) Уі(т #1)
]- Ь.
(1)
где 5 - выход сумматора; Ж - вес связи; У - выход нейрона; Ь - сме -щение нейрона; і - номер нейрона; іт = 1, 2, N (Мт - число нейро -нов в слое); т - номер слоя, т = 1, 2, Ь (Ь - число слоев).
Над результатом суммирования (1) выполняется нелинейное преобразование - функция активации (передаточная функция). Значение функции активации есть выход нейрона:
Уіт = / (5іт ).
(2)
Оценив необходимое число синаптических весов, можно рассчитать число нейронов в скрытых слоях
Мт = /(М $ Ыу ).
(3)
Число скрытых слоев устанавливается исходя из условия достижения минимальной суммарной ошибки при обучении сети.
Обучение нейронной сети производится методом обратного распространения ошибки, представляющим собой повторяемый шагающий алгоритм обучения, который используется для минимизации среднеквадратичного отклонения текущих выходов нейронов и общего выхода многослойных нейронных сетей.
Алгоритм обратного распространения ошибки используется в многослойных нейронных сетях с последовательными связями для их обучения и состоит из следующих этапов:
1. Инициализация сети. Весам связей и смещениям нейронов присваиваются малые случайные значения из диапазонов ^тт, ^тах] и [Ь%пт ; Ьтж] соответственно.
2. Определение элементов обучающей выборки X Хь Х2, ..., Хи) - У (Уь,У2, ..., Ук) («вход-известный выход»).
Рис. 2
3. Масштабирование входных и выходных данных. Выполняется для того, чтобы представить все элементы входного и выходного сигналов числами одного типа данных (двоичными, целыми или действительными) из одного диапазона их изменений. Для этого выбирается общий диапазон изменения элементов входного и выходного сигналов, для каждого элемента сигнала определяется его диапазон, и выполняется линейное преобразование данного элемента таким образом, чтобы в результате его значения принадлежали общему диапазону.
4. Вычисление текущих выходных значений нейронов yim в соответствии со схемой функционирования многослойной нейронной сети.
5. Настройка синаптических весов. Для настройки весов используется алгоритм, который сначала применяется к нейронам сети верхнего слоя, а затем проходит в сеть в обратном направлении до нижнего слоя. Синаптические веса настраиваются в соответствии с формулой
Wim; i (m- 1) (* +1) = Wim;i(m— 1) (t )+ rg im yi (m #1) , (4)
где Wim.i (m-1) - весовой коэффициент связи нейронов i слоев m и (m - 1) в момент времени t и (t + 1); r - шаг обучения; y (т-1) - выход нейрона i слоя (m - 1); gm - значение ошибки для нейрона i слоя m.
Для верхнего слоя:
g = У- (1-У- )(d — У■ ), (5)
im im im im im
где dim - требуемый выход нейрона im.
Для остальных слоев:
gim yi (m — 1) (1 yi (m — 1) ) S (g nmWim;i (m — 1) ), (6)
где gnm - значение ошибки для нейрона Nm.
Внешние смещения нейронов bim настраиваются аналогичным образом.
6. Определение суммарной ошибки. Если условие eS < le не выполняется, т. е. суммарная ошибка больше заданной, то процедура обучения повторяется с шага 1. В противном случае - переход к следующему шагу обучения.
7. Организация модели универсальной памяти. Нейронная сеть в процессе обучения приобретает спо-
собность строить ассоциации между входным сигналом Х и выходным Y Размерности входного и выходного векторов, как правило, различаются. В большинстве задач dmX > d^Y.
После окончания обучения производится тестирование обученной нейронной сети с целью определения погрешности расчетов при ее функционировании. При неудовлетворительных результатах производится дообучение сети.
Обученная нейронная сеть, успешно прошедшая тестирование, является готовой нейросетевой моделью, настроенной на решение конкретной задачи и входящей в состав интегрированной системы, содержащей, кроме того, модуль подготовки данных; модуль определения параметров нейронной сети; модуль, выполняющий обучение; модуль тестирования и модуль выделения нейросети. Подготовка данных осуществляется с помощью встроенных таблиц. Число общих скрытых слоев не превышает 10, число нейронов в слое - не более 100, число входов и выходов - не более 100.
Алгоритм проведения исследований на нейросете -вой модели представляется в следующем виде:
локализация задачи, определение числа входов и выходов;
подготовка результатов исследований в виде таблиц данных;
уточнение архитектуры нейронной сети, числа скрытых слоев, числа нейронов в слоях;
обучение нейронной сети;
тестирование сети, определение ошибки при тестировании;
испытание на нейросетевой модели.
Обученная нейронная сеть использована для расче -та ожидаемой скорости изнашивания криволинейных поверхностей трения вдоль их образующих. Результаты расчета и тестирования для электромеханического упрочнения эксцентрика (сталь 45) (рис. 2) при k = const (k - коэффициент упрочнения - отношение конечной твердости рассматриваемой поверхности к исходной твердости) и при k = f (a) (a - угол контакта эксцентрика) представлены соответственно в табл. 1 и 2.
Таблица 1
Номер опыта a с Трение Скорость изнашивания It, мкм /ч
МПа v, м/с I, э ItP e, %
1 5 0,003 - - 1,01 0,82 20,0
2 15 0,008 1,9 0,12 1,42 1,63 12,5
3 30 0,016 1,73 0,25 2,80 3,01 7,1
4 45 0,023 1,41 0,36 4,23 3,82 9,5
5 65 0,030 0,85 0,46 2,56 2,77 8,0
6 85 0,033 0,17 0,52 1,12 0,93 18,2
Но- мер опы- та a Режимы упрочнения Трение Скорость изнашивания It, мкм/ч
Л А/мм2 ,с q МПа v, м/с It э It р е, %
1 5 - - 2,0 0,04 1,40 1,26 10,0
2 15 625 0,008 1,9 0,12 1,55 1,35 12,9
3 30 875 0,016 1,73 0,25 1,65 1,46 11,5
4 45 1000 0,023 1,41 0,36 1,75 1,59 9,1
5 65 825 0,030 0,85 0,46 1,70 1,53 10,0
6 85 500 0,033 0,17 0,52 1,48 1,48 4,5
Примечание: давление р = 6,5 МПа; время импульса ,и = 1,2 с; вре-
J 2 /—
А V
7 М \
, 4/ г N*
20
40
60
80
100
Примечание: плотность тока у = 875 А/мм ; давление р = 6,5 МПа; время импульса ^ = 1,2 с; время паузы ?п = 0,02 с; Ка = 0,86 мкм.
Таблица 2
мя паузы tn = 0,02 с; Ra = 0,86 мкм.
Сравнение результатов расчета скорости изнашивания эксцентрика на нейросетевой модели (кривая 1) с экспериментальными данными (кривая 2) при к = const и при к = f (a) представлено на рис. 3 (а и б соответственно).
Результаты испытаний на нейросетевой модели показывают коррелированную связь между расчетными и экспериментальными данными, что подтверждает адекватность модели.
Таким образом, предложенная и реализованная концепция представления объектов восстановления и
Рис. 3
упрочнения в виде модулей поверхностей позволила осуществить их системную унификацию, создать элементную базу для технологического обеспечения качества восстановления и повышения ресурса деталей пищевых машин.
ЛИТЕРАТУРА
1. Коган Б.И., Черныш А.П. Информационная модель технологических ремонтных блоков // Ремонт, восстановление, мо -дернизация. - 2007. - № 5. - С. 43-47.
2. Уоссерман Ф. Нейрокомпьютерная техника. - М.: Мир, 1992. - 225 с.
3. Горбань А.Н. Обучение нейронных сетей. - М.: СП Па -раграф, 1990. - 54 с.
Поступила 22.08.08 г.
METHOD OF REVELING CORRELATIONS OF WEAR-RESISTANCE INDEXES FOR FOOD PRODUCTION MACHINES DETAILS BY MEANS OF THE NEURAL NETWORKS PROGRAMMING
A.L. MAYTAKOV
Kemerovo Institute of Food Science and Technology,
47, Stroiteley boul., Kemerovo, 650056; ph.: (3842) 73-42-79, fax: (3842) 53-29-00, e-mail: may@kemtipp.ru
The solution of the problem of maximum preserving and reconstruction the functional properties of elements of food machines subjected to various kinds of wear is offered. The solution is in the preliminary determination, systematization and identification of the quality indices of the functional surfaces for the specific performance conditions, their correlations, in the creation of logic of the information model formation of the technological block by means of the neural networks programming. The model has been developed on the basis of multi-layer neuronets. It represents the formation process of performance attributes of elements in the electromechanical treatment.
Key words: technological block, neural networks programming, neuronets learning.
