Применение нейронных сетей для решения задач в машиностроении



Скачать 138,39 Kb.
Дата30.10.2016
Размер138,39 Kb.
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ В МАШИНОСТРОЕНИИ
А. А. Мишенин, асп.

Сумский государственный университет

ВВЕДЕНИЕ


На сегодняшний день можно говорить о стремительном развитии формальной теории нейронных сетей. Разработано огромное количество алгоритмов функционирования и обучения нейронных сетей, ведутся работы по созданию алгоритмов оптимизации их структуры с целью повышения быстродействия, качества результатов, снижения времени обучения. Нейросетевые технологии нашли применение в экономике, медицине, промышленности, многих других областях науки и техники, способны решать практически любые задачи, связанные с моделированием, прогнозированием, оптимизацией [1].

Львиная доля исследований в области нейросетевых технологий приходится на задачи машиностроения. В этой области существует тенденция перехода к производственным модулям с высоким уровнем автоматизации, а это требует все большего и большего количества интеллектуальных саморегулирующихся и самонастраивающихся машин, которые были бы в состоянии обрабатывать широкий диапазон деталей, проводить сборку и наладку различных устройств, оценивать качество продукта при минимальном контроле и помощи со стороны человека-оператора [2].

Проблема заключается в том, что, как правило, производственные процессы характеризуются огромным разнообразием динамически взаимодействующих параметров и обычно слишком сложны для создания адекватных аналитических моделей [3]. К тому же на современном этапе развития производства происходит постоянное усложнение задач, требующих решения, что, во-первых, отнимая значительное время на разработку и проверку аналитических моделей, приводит к увеличению общего времени внедрения новых технологических решений, во-вторых, часто превращает рассматриваемую систему в так называемый «чёрный ящик», т. е. систему, для которой отсутствует аналитическая зависимость между входными и выходными параметрами (откликом) системы.

Следует также отметить, что в некоторых случаях удачные с точки зрения адекватности описываемому процессу аналитические математические модели оказываются несостоятельными из-за высоких требований к вычислительной мощности [4].

В связи с этим всё большее значение приобретают новые альтернативные подходы моделирования производственных процессов с использованием эмпирических моделей (нейронные сети, генетические алгоритмы, эволюционные стратегии, эволюционное программирование, нечеткая логика), в частности, с использованием сетей из нейроподобных элементов. Этот подход предоставляет огромные возможности по созданию моделей, работающих в реальном времени с малыми погрешностями, способных дообучаться в процессе их использования.

Дополнительный толчок развитию прикладного нейрокомпьютинга дало стремительное развитие микроэлектроники, появление нейрокомпьютеров — электронно-вычислительных машин, архитектура которых наилучшим образом приспособлена для решения задач по построению, обучению и использованию нейронных сетей, способных аппаратно реализовывать некоторые элементы многих алгоритмов обучения нейронных сетей.


1 МОДЕЛИРОВАНИЕ И ОПТИМИЗАЦИЯ

Моделирование производственных процессов во многих случаях является базой для построения сложных систем, используемых на различных этапах процесса производства (системы автоматического проектирования, системы автоматического управления, системы диагностики и контроля качества, системы управления организационно-техническими системами и т. п.).

При классическом подходе к построению математических моделей в зависимости от вида и уровня сложности процесса, как правило, используется математический аппарат, базирующийся на алгебраических уравнениях, дифференциальных уравнениях (как простых, так и в частных производных), методах статистического моделирования и т. п. [5]. В случае значительной сложности эти методы, как уже упоминалось выше, не всегда приводят к решению поставленной задачи. Виной тому наличие массы сложно переплетенных между собой факторов, многие из которых носят случайный характер, очень сложные зависимости между входом и выходом системы. В таких условиях, к примеру, в аналитических моделях представляется возможным учесть лишь часть параметров процесса, да и то со значительными упрощениями, а статистические модели, хотя и дают более точный результат, становятся очень громоздкими, неудобными и, что самое важное, очень плохо подходят для поиска оптимальных решений.

В данном случае, удачным решением может стать использование нейросетевых технологий. Нейронная сеть, обладая способностью к накоплению и последующей репрезентации опытного знания, может стать достойной альтернативой полноценной математической модели и быть использованной для поиска оптимальных решений. Безусловно, «знания» нейронной сети, как правило, ограничены интервалом, на котором она обучалась (в случае если тенденции, которые «уловила» сеть не сохраняются на других интервалах), однако и математические модели в большинстве своем имеют множество коэффициентов, определенных только для некоторых интервалов.

Примером, показательным для данного рода задач является моделирование процессов обработки материалов, в частности процессов резания. Эти процессы характеризуется большой сложностью, достаточно большим количеством переменных и констант, определенных не для всех возможных обрабатывающих систем. Их аналитические модели можно построить, как правило, только при значительном упрощении [4], как следствие, они носят в основном оценочный характер. Различные стороны этого вопроса рассматриваются в работах [3,4,6-11]. Здесь нейронная сеть, призванная служить в качестве модели процесса, обучается на основе данных реального или численного эксперимента. Полученная нейросетевая модель в дальнейшем используется, например, для выбора оптимальных параметров [12, 13], выбора инструмента для обработки материала в зависимости от некоторых начальных условий [10], управления процессами в реальном времени, других целей. Немалый интерес представляет работа [11], посвященная нейросетевому моделированию производственных процессов при неполных исходных данных. Здесь рассматривается алгоритм обучения нейронной сети в случаях, когда в некоторых входных и/или выходных векторах отсутствует часть элементов. Этот алгоритм в дальнейшем проходит проверку при моделировании процесса резания.
2 ПРОГНОЗИРОВАНИЕ

Поскольку прогнозирование поведения отдельных параметров или процесса в целом основывается на моделировании процесса (или только отдельных его параметров), то в данном случае от моделирования наследуются уже упомянутые недостатки применения классических методов.

Прогнозирование на основе нейронных сетей на сегодняшний день очень популярно в экономике. В случае машиностроения, с использованием нейронных сетей можно построить модели, максимально адекватные реальности, с помощью которых даже без глубокого понимания всех нюансов взаимодействия переменных и констант, характеризующих процесс, а также влияния различных факторов, часто носящих случайный характер, можно с достаточно высокой точностью спрогнозировать поведение отдельных параметров и процесса в целом.

Это может быть полезным, скажем, при планировании производственного цикла, построении систем управления производственными процессами, систем диагностики и контроля качества.

В качестве примера можно привести работу по прогнозированию качества термообработки сталей и сплавов [14] или работу по прогнозированию ресурса металлорежущего инструмента [15].
3 ПРОЕКТИРОВАНИЕ АСУ

В отличие от других объектов машиностроения, которые обычно представляют собой отдельные устройства, автоматизированная система управления является комбинацией различных устройств, выполняющих некоторые действия по управлению заданным объектом. При этом крайне важны такие процедуры, как анализ устойчивости, качества и точности АСУ, синтез регуляторов, построение математических моделей объектов управления и некоторых частей самой АСУ, математическое моделирование, сборка и стыковка отдельных конструктивных узлов [16].

Классические методы построения автоматизированных систем управления технологическими процессами базируются на аппарате интегро-дифференциального исчисления. В этом случае АСУ строится на основе формализованных знаний человека об объекте управления. Другой вариант — это построение систем управления, использующих свойственные человеку приемы мышления, частным случаем которых являются нейросети [17].

Использование нейрокомпьютеров при построении АСУ связано, в первую очередь, с их способностью справляться с неопределенностью протекания технологических процессов, возможностью создания моделей объектов с высокой степенью идентичности реальности, необходимостью осуществления эффективного управления в реальном масштабе времени.

В состав АСУ нейронная сеть может входить в виде нейроконтроллера или нейроэмулятора, имитирующего поведение объекта управления в целом или описывающего только некоторые параметры, характеризующие состояние объекта [18].

В качестве примеров успешного применения нейронных сетей в данной области можно привести работу по управлению сложными процессами и объектами в условиях информационной неопределенности [19], управлению электроприводами [19], системой стабилизации мощности резания пилой горячей резки сортового проката [20], приводами рабочей клети прокатного стана [21], процессами механообработки [22], робототехническими системами [23].

Такого рода автоматизированные системы управления способны реализовывать практически любые управленческие функции в случаях, где использование традиционных регуляторов малоэффективно из-за сложности объекта управления. Как следствие, в большинстве случаев такой подход к увеличению эффективности управления технологическими процессами приводит к улучшению качества производимой продукции, снижению её себестоимости, уменьшению количества брака, ускорению производственного цикла, часто делает возможным автоматизировать производственные модули, автоматизация которых на основе традиционных подходов невозможна или крайне затруднена.
4 ДИАГНОСТИКА И КОНТРОЛЬ КАЧЕСТВА

На сегодняшний день большое количество работ по использованию нейронных сетей посвящено созданию диагностических программных и аппаратных средств, а также средств автоматического контроля качества. Такие системы являются очень важной составляющей производства, т. к. их присутствие очень желательно даже при минимальном уровне автоматизации [2]. Как и во многих других случаях, из-за комплексного влияния на процесс массы факторов, в большинстве случаев не представляется возможным на основе традиционных подходов создать модель, которая, рассматривая взаимодействие этих факторов, учитывала бы степень влияния каждого из них на качество технологического процесса и конечного продукта. В то же время просто модель перехода от некоторого диагностического канала к прогнозированию показателя качества не дает приемлемой точности [24].

Работы в этом направлении ведутся довольно активно. Так в работе [25] нейронная сеть используется для мониторинга и контроля процесса высокочастотной закалки, в работе [26] предпринимается попытка генерирования многоцелевой модели циклов технологической обработки материалов для последующего её использования с целью контроля качества, в работе [22] описывается подход к прогнозированию качества термообработки сталей и сплавов. В работе [27] нейронные сети используются в системе диагностики процесса резания, включая состояние всех элементов станка, путем оценки частот диагностического сигнала.
5 СОЗДАНИЕ ТЕХНОЛОГИЧЕСКИХ СПРАВОЧНИКОВ И ИНФОРМАЦИОННО-СОВЕТУЮЩИХ СИСТЕМ

Перспективной задачей является разработка технологических справочников и советчиков машиностроителя. На сегодняшний день используются справочные базы в виде набора табличных данных. На их основе с использованием нейронных сетей можно получить аппроксимирующую поверхность возможных справочных значений в некотором n-мерном пространстве. Такая поверхность может не только содержать информацию о состояниях объекта, но и описывать его качественные переходы.

Также полезной будет система-советчик машиностроителя, которая, оценивая исходные данные, предлагала бы возможный вариант решения поставленной задачи. Обладая базой данных значительного объема, такая система будет способна находить подходящие решения, прийти к которым человек даже обладающий значительным опытом вряд ли смог бы без изучения соответствующей литературы, проведения дополнительных исследований и т. п.

Одним из примеров может служить комплекс работ, проводимых в данной области в Сумском государственном университете на кафедре металлорежущих станков и инструментов. Здесь разрабатывается нейроматематическая модель, способная заменить справочные базы, используемые для выбора оптимальных режимов резания.


6 РАЗРАБОТКА САПР

Важным и интересным направлением является разработка с использованием искусственных нейронных сетей интеллектуальных САПР. В таких системах, как правило, проводятся сложные вычисления, обработка больного количества информации. Вследствие этого, такого рода системы требуют мощных средств обработки геометрической информации и экспертных знаний. Это определяет направление их дальнейшего развития как интегрированных интеллектуальных систем с переходом к новейшим технологиям мультиагентных систем распределенного интеллекта [16], в том числе с использованием сетей из нейроподобных элементов.

Средства САПР должны быть развиты достаточно хорошо для того, чтобы пользователь был в состоянии самостоятельно, без дорогостоящей помощи программистов, строить системы, используя личные знания и накопленный опыт. [16]

Здесь нейросетевые технологии могут быть полезными при создании набора базовых программных моделей-блоков, наделенных определенными свойствами соответствующими некоторым реальным процессам или явлениям, для дальнейшего их комбинирования в более сложных системах. Причем, самая сложная часть такой САПР — сама среда взаимодействия таких блоков также может быть построена на основе нейронных сетей.


7 ИНТЕЛЛЕКТУАЛЬНЫЕ ТРЕНАЖЕРЫ

Множество упомянутых преимуществ нейросетевых технологий предоставляет массу возможностей для работы по созданию интеллектуальных тренажеров — систем эмулирования реальных объектов и процессов, которые можно использовать для приобретения навыков работы на производстве.

Такие системы в состоянии в реальном времени очень «внимательно» контролировать соответствие выполняемых пользователем действий, установленным нормам, сообщать об ошибках и огрехах, и, при наличии соответствующей базы знаний, консультировать обучаемого и проводить его аттестацию. Это во многих случаях может значительно снизить стоимость обучения, одновременно увеличив как качество, так и скорость обучения. Кроме того, представляется возможным моделировать различные критические ситуации, обучение поведению в которых обычно сводится только к теоретическим знаниям.

Одним из вариантов использования нейронных сетей является их применение в универсальных системах, которые могли бы накапливать навыки и знания опытного человека-оператора для последующего их использования при моделировании процессов, построении САПР, АСУ или передачи другому человеку посредством интеллектуальных тренажеров.

Таким образом, в одной системе можно накапливать опыт отдельных людей, рабочих групп, структурных подразделений, целых предприятий и отраслей.

ЗАКЛЮЧЕНИЕ


Как показал обзор существующих в рассматриваемой области работ, большинство из них посвящено моделированию, оптимизации и прогнозированию производственных процессов, довольно большое количество — построению АСУ, САПР, систем диагностики и контроля качества. В тоже время такие области, как разработка с использованием нейронных сетей интеллектуальных тренажеров, технологических справочников, информационно-советующих систем, систем накопления опыта остаются недостаточно хорошо изученными. Однако применение нейронных сетей в этих областях не менее перспективно.

Нейронные сети дают универсальный способ решения многих нестандартных задач, способны уловить сложные нелинейные зависимости, самосовершенствоваться, обучаясь в процессе использования. Использование построенных на их основе систем эффективно, сравнительно просто и дешево. Поэтому не удивительно то, что растущий интерес к этой технологии привел к значительному расширению сферы её использования, появлению множества различных подходов, алгоритмов обучения, программных продуктов, вариантов применения.



Что касается машиностроения, то использование этой технологии в столь наукоёмкой и многогранной области предоставляет огромные возможности для поиска эффективных решений самых различных задач, многие из которых ранее не имели решения с удовлетворительной точностью. Наиболее важные и распространенные из их числа были описаны в данной статье. Вместе с тем дальнейшее развитие «интеллектуального» производства ставит всё больше вопросов, ответ на которые может быть найден специалистами в области нейросетевых технологий.

SUMMARY



The lion’s share of the investigations concerned neural network technology falls on manufacture tasks. There is a tendency towards switching to highly automated cells in this field. It requires volume of intelligent machines. In this connection, approaches to manufacture processes modelling based on empirical models, in particular neural networks, gain more and more importance. This approach provides with a great scope for creating models that are able to work with low errors in real time, and are capable of self-training while being utilized.

СПИСОК ЛИТЕРАТУРЫ





  1. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. - М., 1992.

  2. Adlemo A., Andréasson S.-A., Balanced automation in flexible manufacturing systems, International Journal of Studies in Informatics and Control. - Vol. 5, No. 2, June 1996, Р. 179-187.

  3. Liao T. W., Chen L. J. Manufacturing Process Modeling and Optimization Based on Multi-Layer Perceptron Network // Journal of Manufacturing Science and Engineering. – 1998. – Vol. 120. – P. 109-119.

  4. Залога В. А., Криворучко Д. В., Мишенин А. А. Выбор оптимальной структуры нейронной сети для решения задач теории резания// Резание и инструмент в технологических системах: Межд. научн. техн. сборник. –Х.: НТУ «ХПИ», 2002. –Вып. 63. –С. 65-71.

  5. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев. – Х.: ОСНОВА, 1997 г. – 112 с.

  6. Viharos Zs. J., Monostori L, A general, ANN-based cutting model and its application in different phases of manufacturing; MicroCAD ’99, International Conf. on Computer Research; University of Miskolc, Hungary, 24-25 February 1999, P. 123-129.

  7. Viharos Zs. J., Monostori L., Automatic input-output configuration of ANN-based process models and its application in machining, Book: Lecture Notes of Artificial Intelligence - Multiple Approaches to Intelligent Systems, Conference, Cairo, Egypt, May 31-June 3, 1999, Springer Computer Science Book, Springer-Verlag Heidelberg, P. 659-668.

  8. Ko J. K., Cho D. W., Adaptive Modelling of the Milling Process and Application of a Neural Network for Tool Wear Monitoring// The International Journal of Advanced Manufacturing Technology. – 1996. – No.12 – P. 5-13.

  9. Viharos Zs. J. Solutions of various assignments in different levels of machining using a general ANN-based process model // MOSYCUT - Model-based monitoring systems for cutting tools and processes, MOSYCUT Workshop-Ljubljana. – 1998. - P. 65-72.

  10. Dini G., A neural approach to the automated selection of tools in turning// Proc. of 2nd AITEM Conf. – Padova. – 1995. - P. 1-10.

  11. Zs., Monostori L., Vincze T. Training and application of artificial neural networks with incomplete data // http://www.sztaki.hu/~viharos/homepage/Publications/2002_SPRINGER_ISAI_IEAofAIE /IEA_AIE_2002_VZS_ML_FINAL.htm

  12. Choi, G. H.; Lee, K.D.; Chang, N.; Kim, S.G. Optimization of the process parameters of injection molding with neural network application in a process simulation environment. // CIRP Annals. – 1994. - Vol. 43/1, P. 449-452.

  13. Viharos Zs., Monostori L. A General, Ann-Based Cutting Model And Its Application In Different Phases Of Manufacturing // MicroCAD ’99, International Conf. On Computer Research; University of Miskolc, Hungary, 24-25 February 1999, pp. 123-129.

  14. Медведев В. В., Ковалевская Е. С. Нейросетевое прогнозирование качества термообработки сталей и сплавов // Международная научная конференция «Нейросетевые технологии и их применение». – Краматорск: Донбасская государственная машиностроительная академия, 2002.

  15. Залога В. О., Любчак В. О., Криворучко Д. В., Мiшенiн А. А. Застосування нейромереж для прогнозування ресурсу металорiзального iнструменту // Четверта всеукраїнська студентська наукова конференція з прикладної математики та інформатики. – Львів: Львівський національний університет імені І. Франка. – 2001. – С. 96.

  16. Евгенев Г. Б. Систематология инженерных знаний. – М.: Издательство МГТУ имени Н. Э. Баумана, 2001. – 373 с.

  17. Ямпольський Л. С., Лавров О. А. Штучний iнтелект у плануваннi та управлiннi виробництвом: Пiдручник. – К.: Вища шк., 1995. – 255 с.

  18. Бенамеур Л. Нейромережеві методи і засоби ідентифікації та прогнозування процесів управління в умовах невизначеності: 05.13.03 / Інститут проблем моделювання в енергетиці. – Київ, 2002.

  19. Клепиков В. Б., Сергеев С. А., Махотило К. В., Обруч И. В. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами // Электротехника. – 1999. - №5. – С. 2-6.

  20. Закутный А.С., Коцюбинский В.С., Лушев С.В. Система стабилизации мощности резания пилы горячей резки сортового проката // Международная научная конференция «Нейросетевые технологии и их применение». – Краматорск: Донбасская государственная машиностроительная академия, 2002.

  21. Еременко Ю. И., Дудников В. А. Интеллектуализация систем управления приводами рабочей сети прокатного стана // Международная научная конференция «Нейросетевые технологии и их применение». – Краматорск: Донбасская государственная машиностроительная академия, 2002.

  22. Гончарова С. Г. Интеллектуальная система управления процессом механообработки с оперативным использованием нечеткой нейросетевой модели знаний: Автореф. дис...канд. техн. наук.: 05.13.06 / Уфим. гос. авиацион.-техн. ун-т. – Уфа, 2001.

  23. Богданов А. А. Параллельные модели и нейросетевые алгоритмы управления робототехническими системами: Автореф. дис... канд. техн. наук.: 05.13.14 / Балтийский государственный технический университет. – 1998.

  24. Медведев В. В., Ковалевская Е. С. Нейросетевое моделирование как парадигма описания качественных преобразований в технологических процессах // Международная научная конференция «Нейросетевые технологии и их применение». – Краматорск: Донбасская государственная машиностроительная академия, 2002.

  25. Stich T. J., Spoerre J. K., Velasco T. The Application of Artificial Neural Networks to Monitoring and Control of an Induction Hardening Process // Journal of Industrial Technology. – 2000. – Vol. 16, No. 1. – Р. 1-11.

  26. Viharos Zs., Monostori L. Intelligent, Quality-Oriented Supervisory Control of Manufacturing Process and Process Chains // Intelligent, quality-oriented supervisory control of manufacturing processes and process chains; DYCOMANS Workshop, Bled-Slovenia, 12-14 May, 1999, Slovenia, Р. 129-134.

  27. Медведев В. В., Ковалевский С. В., Применение нейросетей при оценке информативности частот диагностического сигнала // Вестник СумГУ. – 2002. - №2. – С. 74-79.

    Поступила в редакцию 27 октября 2003 года.


Поделитесь с Вашими друзьями:


База данных защищена авторским правом ©grazit.ru 2017
обратиться к администрации

    Главная страница