Использование нейронных сетей для моделирования процесса резания, страница 6

 

Рис. 3.12 – Погрешность результата, полученного с помощью двухслойных  нейронных сетей с количеством нейронов в первом слое равным 10, во втором - n, обученных на 120 обучающих парах

 

Рис. 3.13 – Погрешность результата, полученного с помощью двухслойных  нейронных сетей с количеством нейронов в первом слое равным 20, во втором - n, обученных на 120 обучающих парах

АНАЛИЗ РЕЗУЛЬТАТОВ И ВЫВОДЫ

В результате проведенной работы, была исследована способность нейронных сетей различной структуры описывать данные, полученные с помощью математической модели процесса нестационарного резания, с целью использования нейронной сети для значительного снижения затрат времени на расчеты. Исследование проводилось для интервала изменения толщины среза  от 0 до 14 и переднего угла   -0.2618 до 0.4363. Было проведено ряд опытов и опробованы одно- и двухслойные нейронные сети различной структуры. В результате было выяснено, что двухслойные нейронные сети дают немного лучший результат. Причем, несмотря на то, что время необходимое для одного прохода по двухслойной нейронной сети (при обучении) значительно больше, чем время прохода по однослойной сети, двухслойные сети в среднем обучаются за меньшее количество шагов. Следует отметить, что количество нейронов во втором слое (если оно>1) в среднем не оказывает влияния на погрешность вычислений. Также, для двух исследованных вариантов структуры первого слоя (10 и 20 нейронов), не было обнаружено разницы в точности вычислений. Поэтому, рекомендуется использовать двухслойную нейронную сеть с 10 нейронами в первом скрытом слое и двумя нейронами во втором скрытом слое. Как показали проведенные опыты, для данного интервала значений толщины среза и переднего угла, для обучения такой сети достаточно использовать 600 обучающих пар, увеличение их количества ведет к несущественному улучшению точности результата.

ЛИТЕРАТУРА

1.  Анил К. Джей Введение в искусственные нейронные сети.// Открытые системы №04/97

2.  Роберт Хехт-Нильсен Нейрокомпьютинг: история, состояние, перспективы// Открытые системы №04-05/98

3.  Джеффри Е. Хинтон. Как обучаются нейронные сети.// В мире науки - 1992 - N 11 - N 12 - C. 103-107.

4.  С.Короткий, Нейронные сети: алгоритм обратного распространения.

5.  Соколов Е.Н., Вайтнявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру.- М.: Наука, 1989.  283 c.

6.  Суворов  С.В.,  Матихина Н.Ю.  Программное моделирование нейроподобных  структур.//Распределенная  обработка  информации.- Улан-Уде, 1989, - C. 28.

7.  Zaloha V. A., Krivoruchko D. V. Prediction of the Tool-Workpiece Interaction Force in Machining Operations with Small Undeformed Chip Thickness//Lucrarile Stiintifice Ale Simpozionului International "Universitaria ROPET 2001": Inginerie Mecanica. -Petrosani: Unerversity of Petrosani, 2001. -Т.  2. -C.  159- 164

8.  Liao T.W., and Chen I.J. ”Manufacturing Process Modeling and Optimization Based on Multi-Layer Perceptron Network ”ASME Journal of Manufacturing Science and Engineering, Vol.120,1998, pp.109-119

9.  Monostori, L., and Barschdorff,D.,” Artificial Neural Networks in Intelligent Manufacturing, ”Robotics & Computer-Integrated Manufacturing.Vol.9 #6, 1992, pp.412-436.

10. Rogwolda S., and Dornfeld D.A., “Learning and Optimization of Machining Operations Using Computing Abilities of Neural Networks”, IEEE Trans on Systems, Man, and Cybernetics, Vol.19, #2, 1989, pp.299-314.

11. Sathyanarayanan, G., Lin, I. J., and Chen, M.K.,” Neural Network Modeling,” Int. I. Prod. Res.,Vol.30,#10,1992,pp.2421-2438.

12. Present Situation and future Trends in Modeling of Machining Operations: Progress Report of the CIRP Working Group Modeling of Machinery Operations// Annals of CIRP.-1998, Vol.47.-#2.-pp. 587-626.