Автоматизация и управление технологическими процессами и производствами
Остапчук А.К., кандидат технических наук
Овсянников В.Е., аспирант Рогов Е.Ю., аспирант (Курганский государственный университет)
Комиссаров А.Ю.
(Научно-производственное объединение ««Салют»)
К ВОПРОСУ РАЗРАБОТКИ СИСТЕМЫ УПРАВЛЕНИЯ ШЕРОХОВАТОСТЬЮ ПОВЕРХНОСТИ НА ОСНОВЕ ПОДХОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
TO THE QUESTION of SYSTEM ENGINEERING OF MANAGEMENT OF THE ROUGHNESS THE SURFACE ON THE BASIS OF APPROACHES ARTIFICAL INTELLIGENCE
В данной работе прорабатывается методологический подход к созданию системы управления шероховатостью поверхности на основании применения подходов искусственного интеллекта и методов фрактальной геометрии.
In the given work the methodological approach to creation of a control system by a roughness of a surface on the basis of application of approaches of an artificial intellect and the methods of fractal geometry is studied.
Введение. Специфика развития промышленности характеризуется все большим ужесточением требований к качеству выпускаемой продукции. Одним из факторов, который существенно влияет на качество продукции, являются эксплуатационные свойства машин, которые в свою очередь зависят от целого ряда параметров контактирующих поверхностей деталей и узлов, входящих в состав изделия [3, 4]. Одним из основных параметров контактирующих поверхностей, оказывающим влияние на эксплуатационные свойства является шероховатость сопрягаемых поверхностей, причем в ряде работ [3, 4, 5] доказано, что оптимальных эксплутационных свойств можно добиться при некотором строго нормированном значении шероховатости поверхности. Таким образом, проблема надежного обеспечения шероховатости поверхности является одной из самых актуальных, которые необходимо решить для успешного развития отечественного машиностроительного производства. Одним из решений данной проблемы, учитывая тенденцию все большего внедрения в промышленную практику оборудования с числовым программным управлением, является создание адаптивной системы управления шероховатостью поверхности.
Постановка задачи. Главной задачей работы является разработка модели адаптивной системы управления шероховатостью поверхности. Для решения данной задачи необходимо разработать структурную схему системы управления, выбрать управляющие параметры, определится с источником диагностической информации, и выбрать устройства принятия решений.
Основные результаты работы. Для управления технологическим процессом из большого числа методов, одним из наиболее приемлемых представляется управление с идентификатором. На основании данного метода была разработана структурная схема системы управления, представленная на Рис. 1:
Рис. 1. Структурная схема адаптивной системы управления
В качестве источника диагностической информации в работе используется виброакустическое излучение, генерируемое процессом обработки. В качестве управляющих параметров приняты скорость резания и подача, т.к. именно эти факторы оказывают наибольшее влияние на величину шероховатости обработанной поверхности [3, 4]. При выборе типа устройства принятия решений принималось во внимание то, что процесс резания подвержен влиянию случайных факторов (колебания припуска, твердости заготовки и т.д.), причем влияние это более сильно проявляется на чистовых видах обработки, где главным образом формируется шероховатость поверхности. В этом свете наиболее перспективным представляется использование в качестве устройства принятия решений искусственных нейронных сетей [1, 2, 8, 9], т.к. при их использовании можно добиться высокой точности аппроксимации, а значит и всей системы в целом. На схеме, представленной на Рис. 1 присутствует блок Модель шероховатости поверхности - в качестве модели шероховатости нами используется фрактальная модель [6, 7].
Учитывая вышесказанное, структурную схему системы управления Рис. 1 можно представить следующим образом:
Рис. 2. Структурная схема адаптивной системы управления на основе искусственного интеллекта
Работа системы происходит следующим образом: по заданным чертежом параметрам шероховатости посредством искусственной нейронной сети (ИНС1) вычисляются входные параметры фрактальной модели шероховатости поверхности (ФМШП) [6, 7]. Далее при помощи ИНС2 определяются режимы резания, обеспечивающие заданную шероховатость и начинается обработка. Источником диагностической информации является виброакустический сигнал, который поступает с преобразователя вибраций, далее по сигналам виброакустики при помощи ИНС3 вычисляются входные параметры модели шероховатости, и строится действительная ФМШП. После этого вычисляется отклонение между действительной и эталонной ФМШП - dRa и dSm, далее по значениям dRa и dSm при помощи ИНС4 определяется корректирующее воздействие dS или dn, где п - частота вращения шпинделя, после чего производится корректировка процесса резания.
Последним аспектом, который необходимо затронуть является вопрос самой структуры используемых в работе ИНС. В данной работе были использованы многослойные ИНС (пер-септроны) [1, 2, 8, 9], т.к. их использование позволяет получать высокую точность вычислений и реализация их программным способом наиболее проста. В качестве обучающего алгоритма нами использовался алгоритм обратного распространения ошибки [1, 2, 8, 9], на основании которого была разработана прикладная программа «Построение многослойной нейро-сети у1.0». Результаты обучения ИНС представлены в таблице 1:
Таблица 1
Параметры ИНС
ИНС Число слоев нейросети Число нейронов в слое Средняя ошибка обучения, %
Входной 2
ИНС1 3 Скрытый 15 5
Выходной 2
Входной 2
ИНС2 3 Скрытый 15 5
Выходной 2
Входной 2
ИНС3 3 Скрытый 17 5
Выходной 2
Входной 2
ИНС4 3 Скрытый 20 5
Выходной 2
Число нейронов во входном и выходном слоях принято согласно рекомендаций [8, 9] равным числу входов и выходов нейросети.
Заключение. Полученная модель системы позволяет получать результаты с погрешностью 5%, при необходимости точность работы можно увеличить простым повторным обучением ИНС.
ЛИТЕРАТУРА
1. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений / А.Б. Барский. - М.: Финансы и статистика, 2004. - 176 с. ил.
2. Берлинбит М.Б. Нейронные сети: учебное пособие / М.Б. Берлинбит. - М.: МИРОС и ВЗМШ РАО, 1993. - 96 с. ил.
3. Елизаветин М.А., Сатель Э.А. Технологические способы повышения долговечности машин / М.А. Елизаветин, Э.А. Сатель. - М., «Машиностроение», 1969. - 400 с.
4. Качество машин: Справочник. В 2 т. Т 1 / А.Г. Суслов, Э.Д. Браун, Н.А. Виткевич и др. -М.: Машиностроение, 1995. - 256 с.: ил.
5. Остапчук А.К., Овсянников В.Е., Рогов Е.Ю. К вопросу создания системы управления качеством поверхностного слоя. // Трубопроводная арматура XXI века: наука, инжиниринг, инновационная технология: Материалы 1-ой научно-технической конференции. - Курган: КГУ, 2008 г. - с. 269-273.
6. Остапчук А.К., Овсянников В.Е., Рогов Е.Ю. Моделирование кривой методом случайных сложений V 1.0. - М.: ВНТИЦ, 2008. - № 50200800790.
7. Остапчук А.К., Овсянников В.Е., Рогов Е.Ю. Моделирование профиля шероховатости поверхности методами фрактальной геометрии. // Сборник статей VIII междунар. научно-техн. конф. Информационные технологии и их приложения. Пенза: МНИЦ, 2008. - с. 58-62.
8. Терехов В.А. Нейросетевые системы управления: Учеб. Пособие для вузов / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. - М.: Высш. Шк. 2002. - 183 с. ил.
9. Хайкин С. Нейронные сети полный курс, 2-е издание.: Пер. с англ. / С. Хайкин. - М.: Издательский дом «Вильямс», 2006. - 1104 с. ил.
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.