Компьютерное моделирование технологического процесса восстановления и упрочнения деталей сельскохозяйственной техники на примере МДО (110
..pdf№1-2 |
Известия ОрелГТУ |
АВТОМОБИЛИ, СТРОИТЕЛЬНЫЕ МАШИНЫ, СЕРВИС И РЕМОНТ |
h2, мм
0.04-
Рис. 7а. График поверхности зависимости толщины внутреннего упрочненного слоя от со става электролита I^CKOH. СК^ЮЗ) для сплава АК9М2.
Режимы: Т = 1,5ч, Dt = 20А/дм2
CNa2Si03, Г/Л
1 |
3 |
5 |
7 СКон,г/л |
Рис. 76. Контурный график зависимости толщины внутреннего упрочненного слоя от состава электролита п2(СКон, Скакюз) Для сплава АК9М2.
Режимы: Т = 1,5 ч, Dt = 20 А/дм2
98 |
Строительство. |
|
Транспорт 2004 |
Строительство. Транспорт
Алгоритм обратного распространения реализован в системе Neural Connection 2.0. В данной программе сеть обучается на подмножестве доступных экспериментальных данных, которые изме няют в интересующем диапазоне, и далее тестируется на оставшихся примерах или на тех же дан ных (в нашем случае реализуется именно такой вариант). Нейронная сеть включает сигмоидальную активационную функцию и не имеет входных смещений для прямого распространения.
Мы рассматривали возможность применения нескольких видов нейронных сетей. Наимень шую ошибку при обучении на множестве экспериментальных данных дает нейронная сеть MultiLayer Perseptron. - многослойный персептрон.
Йа рисунке 8а показан внешний вид MLP сети в рабочем окне системы Neural Connection 2.0, которая использовалась для моделирования микротвердости (наплавленный сплав АК9М2).
1 |
2 |
|
3 |
|
|
|
мдт Ж1 |
|
|
|
5>:; = ? |
|
|
• |
> |
АК9М2 |
MLPHITI |
|
Outputi |
|
Рис. 8а. Внешний вид MLP сети, где: |
||
1) входной слой; 2) промежуточный слой; 3) выходной слой |
|||
На рисунке 86 показан внешний вид MLP сети, использованный для моделирования состав |
|||
ляющих толщины упрочненного МДО покрытия. |
-. v |
. "*" "-•""•'*•'-' |
/ - >
ВМСЖ1
=OE==i
и
ъ.-
АКЭН2 |
HLP |
Ы ^ |
|
|
X.ч^N> EE=SEJ 1 |
|
|
ъ.г |
Рис. |
Внешний вид MLP сети, для моделирования составляющих толщины упрочненного |
|
МДО покрытия |
Файл, реализующий алгоритм обратного распространения, состоит из трех частей: 1) вход ной модуль, который считывает структуру сети и данные для моделирования; 2) цикл выполнения алгоритма до получения приемлемой ошибки; 3) модуль оценки, который вычисляет ошибку сети для тестовых данных. *
Входной модуль считывает экспериментальные данные, представленные в виде массива: рис. 9а - для микротвердости, 96 - 9в - для толщины: входные значения и соответствующие отклики. При моделировании микротвердости - 3 входа (столбцы Dt, CNa2si03 и СКон) и 1 выход (столбец Нт); при моделировании толщины - 2 входа (столбцы Dt, Т или СКЙБЮЗ И СКОН) И 3 выхода (столб цы h, hb h2 ). ^
'нивереитвт |
99 |
№1-2 |
Известия ОрелГТУ |
АВТОМОБИЛИ, СТРОИТЕЛЬНЫЕ МАШИНЫ, СЕРВИС И РЕМОНТ |
НЙ Data Viewer - [Input development data]
File Data Field Window
Rial 13
**№Ш |
|
|
|
|
|
|
|
|
|
|||
|
|
|
fit |
|
[•- |
|
|
|
|
|
T |
^.- |
|
|
|
|
Float |
Float |
1 |
Float |
1 |
Float |
|||
|
|
|
|
Dt |
|
Na2Si03 |
|
Ckoh. |
|
Hm |
|
|
r |
-' - |
|
' " • ' ! " |
" " T |
20.0 |
6.0 |
|
|
1.0 |
|
8.7 |
|
|
. 2 |
:T |
20.0 |
6.0 |
|
|
3.0 |
|
9.09 |
|
||
ш |
|
|
3 |
T |
20.0 |
6.0 |
|
|
5.0 |
|
8 2 |
|
|
|
|
|
|
|
|
||||||
? " |
• |
- |
4 |
T |
20.0 |
6.0 |
|
|
7.0 |
|
r.o |
|
|
|
|
|
|
|
|
|
|
|
|||
p. |
• |
|
5 |
T |
20.0 |
2.0 |
|
|
3.0 |
|
9.7 |
|
V |
|
|
6 |
T |
20.0 |
6.0 |
|
|
3.0 |
|
9.09 |
|
": |
|
|
7 |
T |
20.0 |
10.0 |
|
|
3.0 |
|
8.2 |
|
|
|
8 |
T |
20.0 |
14.0 |
|
|
3.0 |
|
7.35 |
|
|
fi "' • |
|
|
9 |
T |
20.0 |
18.0 |
|
|
3.0 |
|
5.9 |
|
• ; . " . . |
|
|
10 |
T |
10.0 |
6.0 |
|
|
3.0 |
|
8.1 |
|
|
|
|
|
|
|
|
||||||
3V |
|
|
11 |
T |
15.0 |
6.0 |
|
|
3.0 |
|
8.75 |
|
|
|
12 |
T |
20.0 |
6.0 |
|
|
3.0 |
|
9.0 |
|
|
& • |
|
|
|
|
|
|
||||||
r, |
|
|
13 |
T |
25.0 |
6.0 |
|
|
3.0 |
|
9.3 |
r j |
|
|
|
|
|
|
|||||||
¥ • • . |
|
1 4 |
T |
30.0 |
6.0 |
|
|
3.0 |
|
9.4 |
||
? Ready |
|
|
|
|
|
|
г |
;row'i *";": |
||||
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
Рис. 9а. Массив входных экспериментальных данных для микротвердости |
|
|
||||||
|
|
|
|
Hm(Dt, CNa2Si03, Скон) на примере сплава АК9М2 где: |
|
|
|
|||||
|
|
|
|
1-3 входных столбца Dt, CNa2Si03 и Скон; |
Т - 1 столбец обучения Нт |
|
|
|||||
1 » ' Data Viewer - [Input development data |
|
|
|
|
•mmmmmi.inixi |
|||||||
r;№ |
Data |
|
Field Window |
|
|
|
|
|
|
|
|
f Qji^lHl |
Float |
1 |
Float |
1 |
Float |
| T |
|
||
|
|
|
Dt |
|
T |
|
h |
|
|
|
|
1 |
T |
10.0 |
|
1.5 |
|
0.045 |
|
|
|
2 |
T |
1S.0 |
|
1.5 |
|
0.004 |
|
|
|
3 |
T |
20.0 |
|
1.5 |
|
0.11 |
|
fP |
|
4 |
T |
25.0 |
|
1.5 |
|
0.131 |
|
l?.:''' |
|
5 |
T |
30 J |
|
1.5 |
|
0.145 |
|
Щ- |
|
6 |
T |
20.0 |
|
0.5 |
|
0.05 |
|
|
|
7 |
T |
20.0 |
|
1.0 |
|
0.061 |
s |
. , ••• |
' • |
8 |
LJ_ |
20.0 |
|
1.5 |
|
0.106 |
|
I; |
. |
9 |
T |
20.0 |
|
2.0 |
|
0.133 |
|
£- |
|
m |
T |
20.0 |
|
2.5 |
|
0.149 |
|
- |
|
i i . |
T |
20.0 |
|
3.0 |
|
0.155 |
|
peady
Float |
T |
Float |
| T |
|
hi |
|
h2 |
|
|
|
0.02 |
|
0.011 |
|
|
0.042 |
|
0.024 |
|
|
0.052 |
|
0.033 |
|
|
0.058 |
|
0.037 |
|
|
0.06 |
|
0.04 |
|
|
0.017 |
|
0.015 |
: |
|
0.038 |
|
0.026 |
|
|
0.052 |
|
0.036 |
|
|
0.064 |
|
0.038 |
] |
|
0.079 |
|
0.04 |
|
|
0.08 |
|
0.039 |
•i4 |
|
Г |
ДОШЛ |
7Щ |
Рис. 96. Массив входных экспериментальных данных для толщин h^hi h2(Dt, T), где: 1-2 входных столбца Dt и Т; Т - 3 столбца обучения h, h^ h2
Программа генерирует случайные значения весов связей между нейронами для подготовки обучения. Обучение по алгоритму обратного распространения ошибки заканчивается при дости жении заранее заданного критерия. Цикл состоит из вложенных внутренних циклов, которые про веряют один образ в единицу времени. Внутренний цикл состоит из четырех последовательных функций. Первая вычисляет выход сети из текущего набора весов и отдельный входной образ. Ос тальные функции вычисляют и реализуют необходимые коррекции весов для каждого нейрона с использованием обратного распространения. После обучения программа оценивает характеристи ки сети по тестовым данным, подавая входные образы тестовых данных и вычисляя соответст вующий выход. Вычисляется экспериментальная ошибка тестовых данных, которая затем записы вается в выходной файл.
100 |
Строительство. |
|
Транспорт 2004 |
Строительство. Транспорт
Щ Data Viewei - [Input development data] |
|
|
|
|
|
|
|
шш |
||||
|
|
|
|
|
|
|
|
|||||
,;ile |
Data Field |
Window |
|
|
|
|
|
|
|
|
* |
|
ВШМ |
|
|
|
|
|
|
|
|
|
|||
Float |
I |
Float |
I |
• Float |
T |
Float |
T |
Float |
| T |
|||
|
|
|||||||||||
< • - |
-,- |
Ckoh |
|
CNa2Si03 |
h |
|
hi |
|
h2 |
|
||
1 T |
1.0 |
|
2.0 |
|
0.054 |
|
0.037 |
|
0.027 |
|||
|
2 |
t |
1.0 |
|
6.0 |
|
0.069 |
|
0.045 |
|
0.026 |
|
|
3 |
T |
1.0 |
|
10.0 |
|
0.081 |
|
0.056 |
|
0.022 |
|
|
4 |
T |
1.0 |
|
14.0 |
|
0.1 |
|
0.068 |
|
0.015 |
|
|
5 |
T |
1.0 |
|
18.0 |
|
0.116 |
|
0.07 |
|
0.012 |
|
|
6 |
T: |
3.0 |
|
2.0 |
|
0.062 |
|
0.046 |
|
0.039 |
|
|
7 |
<& |
3.0 |
|
6.0 |
|
0.078 |
|
0.055 |
|
0.034 |
|
|
8 |
f |
3.0 |
|
10.0 |
|
0.095 |
|
0.067 |
|
0.025 |
|
|
9 |
* |
3.0 |
|
14.0 |
|
0.115 |
|
0.081 |
|
0.014 |
|
|
10 |
m |
3.0 |
|
18.0 |
|
0.129 |
|
0.086 |
|
0.007 |
|
|
П |
T |
5.0 |
|
2.0 |
|
0.075 |
|
0.051 |
|
0.045 |
|
|
12 |
T |
5.0 |
|
6.0 |
|
0.089 |
|
0.058 |
|
0.037 |
|
|
13 |
T |
5.0 |
|
10.0 |
|
0.11 |
|
0.068 |
|
0.026 |
|
|
14 |
I; |
5.0 |
|
14.0 |
|
0.129 |
|
0.082 |
|
0.014 |
|
|
15 |
'ТГ |
5.0 |
|
18.0 |
|
0.144 |
|
0.086 |
|
0.003 |
|
|
16 |
T |
7.0 |
|
2.0 |
|
0.07 |
|
0.048 |
|
0.041 |
|
|
17 |
'Tft |
7.0 |
|
6.0 |
|
0.084 |
|
0.056 |
|
0.035 |
|
|
18 |
:f. |
7.0 |
|
10.0 |
|
0.105 |
|
0.065 |
|
0.024 |
|
|
19 |
T |
7.0 |
|
14.0 |
|
0.122 |
|
0.075 |
|
0.013 |
|
|
20 |
T |
7.0 |
|
18.0 |
|
0.138 |
|
0.075 |
|
0.0 -1 |
i |
NUM, |
Рис. 9в. Массив входных экспериментальных данных для толщин |
|
h h|,h2(CK0H, CNa2Si03) на примере сплава АК9М2 где: |
|
I - 2 входных столбца СКон и Сыа2зюз; Т - 3 столбца обучения h, hi_ h2 |
|
На рисунках 10а и 106 - 10в показаны окна вывода, в которых дополнительно к столбцам данных добавлены столбцы значений Нт_ или столбцы значений h, hb h2 рассчитанные с помощью нейронной сети. Даже визуально можно наблюдать высокую точность совпадения данных экспе римента с расчетными значениями Hm, h, hb Иг.
Таким образом, модель процесса МДО реализуется в виде обученной нейронной сети, т.е. в виде численного алгоритма. Для прогнозирования эксплуатационных характеристик упрочненной поверхности детали достаточно использовать только прямой проход по предварительно настроен ной сети.
Нейросетевая модель микродугового оксидирования, полученная на основе эксперименталь ных данных, отображает сложные физико-химические связи процесса.
И нейросетевая модель, и полиномиальная модель предсказывают технологические характе ристики упрочнения алюминиевых деталей с/х техники, восстановленных наплавкой,, методом МДО с экспериментальной ошибкой а, которая является квадратным корнем сумм квадратов ос татков для каждого отклика (SR). SR вычисляется по следующей формуле:
SR=*> = N-1 |
2>,-Я) |
(4) |
|
1 |
N |
Л \2 |
|
где N - число экспериментов, у, - измеренная величина каждого отклика, yt |
- соответствующая ве |
личина, предсказанная с помощью модели.
Сравнение двух методов моделирования по критерию точности проводилось между квадра тичными полиномами и моделью на основе оптимизированной нейронной сети, обученной по 14 экспериментальным данным. В таблицах 1 - 3 приведены экспериментальные ошибки для квадра тичной модели поверхности отклика (CTRSM) И для нейросетевой модели (crNN). Результаты также
•101
№1-2 |
Известия ОрелГТУ |
АВТОМОБИЛИ, СТРОИТЕЛЬНЫЕ МАШИНЫ, СЕРВИС И РЕМОНТ |
представлены на графиках (рис. 11-12), которые описывают способность прогнозирования рас сматриваемых моделей в зависимости от реального выхода. На данных рисунках точный прогноз модели лежит на диагональной линии, тогда как разброс данных показывает экспериментальную ошибку.
г*** |
• |
Float |
I |
Float |
I |
Float |
[ I |
Float |
T |
. Float |
M |
Float |
JO |
|
|
|
|
||||||||||||
|
|
Dt |
|
Na2Si03 |
Ckoh |
|
Hm |
|
MTargetl |
Output! |
|
|
||
|
1 |
X |
20.0 |
|
6.0 |
|
1.0 |
|
8.7 |
|
8.7 |
8.697922 |
•J, |
|
|
2 |
X |
20.0 |
|
6.0 |
|
3.0 |
|
9.09 |
|
9.09 |
9.054645 |
||
|
3 |
X |
20.0 |
|
6.0 |
|
5.0 |
|
8.2 |
|
8.2 |
8.200069 |
|
|
|
,4.. |
X |
20.0 |
|
6.0 |
|
7.0 |
|
7.0 |
|
7.0 |
6.997605 |
|
|
|
5 |
X |
20.0 |
|
2.0 |
|
3.0 |
|
9.7 |
|
9.7 |
9.693543 |
|
|
|
6 |
X |
20.0 |
|
6.0 |
|
3.0 |
|
9.09 |
|
9.09 |
9.054645 |
|
|
|
7 |
X |
20.0 |
|
10.0 |
|
3.0 |
|
8.2 |
|
8.2 |
8.196527 |
|
|
|
8 |
X |
20.0 |
|
14.0 |
|
3.0 |
|
7.35 |
|
7.35 |
7.347038 |
|
|
|
9 |
X |
20.0 |
|
18.0 |
|
3.0 |
|
5.9 |
|
5.9 |
5.903664 |
|
|
|
10 |
X |
10.0 |
|
6.0 |
|
3.0 |
|
8.1 |
|
8.1 |
8.098066 |
|
|
|
11 |
X |
15.0 |
|
6.0 |
|
3.0 |
|
B.75 |
|
8.75 |
8.776161 |
|
|
|
12 |
X |
20.0 |
|
6.0 |
|
3.0 |
|
9.0 |
|
9.0 |
9.054645 |
|
|
|
13 |
X |
25.0 |
|
6.0 |
|
3.0 |
|
9.3 |
|
9.3 |
9.267387 |
4 |
|
|
14 |
X |
30.0 I |
|
6.0 |
|
3.0 |
|
9.4 |
|
9.4 |
9.437876 |
||
Ready |
|
|
|
|
|
|
|
|
• |
Г |
№ Ш " |
'" |
|
|
Рис. 10а. Окно выходных данных для микротвердости на примере сплава АК9М2, где: О - столбец рассчитанных сетью значений Hm
№:•• |
' |
1 |
X |
|
|
2 |
X |
|
|
3 |
X |
|
|
4 |
X |
|
|
5 |
X |
|
|
6 |
X |
|
|
7 |
X |
|
|
« X |
|
|
|
9 |
X |
|
|
10 |
X |
|
|
11 |
X |
'12 X
13 X
14 X
15 X 1Б X
17 X
18 X
19 X
20 X
. « • (
•щ**
Float |
(M |
Float |
|M |
Float |
| M |
Float |
| 0 |
Float |
! О |
|
Float |
| О |
U |
h_experiment |
h1_experlment |
h2_experimer»t |
Qutputji |
Outputxh1 |
|
Oi)tput_h2 |
|
||||||
|
0.054 |
|
0.037 |
|
0.027 |
0.054166 |
0.036736 |
|
0.028609 |
|
|||
|
0.0Б9 |
|
0.045 |
|
0.026 |
0.0Б8303 |
0.046004 |
|
0.024799 |
|
|||
|
0.081 |
|
0.056 |
|
0.022 |
0.082881 |
0.055386 |
|
0.020717 |
|
|||
|
0.1 |
|
0.06В |
|
0.015 |
0.097728 |
0.064727 |
|
0.016225 |
|
|||
|
0.11Б |
|
0.07 |
|
0.012 |
0.112752 |
0.073854 |
|
0.01121 |
|
|||
|
0.062 |
|
0.046 |
|
0.039 |
0.062278 |
0.045731 |
|
0.03939Б |
|
|||
|
0.078 |
|
0.055 |
|
0.034 |
0.0В0692 |
0.056758 |
|
0.032361 |
|
|||
|
0.095 |
|
0.067 |
|
0.025 |
0.098978 |
0.067299 |
|
0.024698 |
|
|||
|
0.115 |
|
0.081 |
|
0.014 |
0.116883 |
0.077192 |
|
0.016474 |
|
|||
|
0.129 |
|
0.08Б |
|
0.007 |
0.134167 |
0.086323 |
|
0.007822 |
• |
|||
|
0.075 |
|
0.051 |
|
0.045 |
0.068257 |
0.049983 |
|
0.045732 |
||||
|
0.009 |
|
0.058 |
|
0.037 |
0.087771 |
0.060237 |
|
0.035469 |
|
|||
|
0.11 |
|
0.068 |
|
0.026 |
0.106874 |
0.069917 |
|
0.024742 |
|
|||
|
0.129 |
|
0.082 |
|
0.014 |
0.125276 |
0.078947 |
|
0.013838 |
|
|||
|
0.144 |
|
0.0В6 |
|
0.003 |
0.142722 |
0.087275 |
|
0.003046 |
|
|||
|
0.07 |
|
0.048 |
|
0.041 |
0.071938 |
0.048353 |
|
0.044291 |
|
|||
|
0.084 |
|
0.056 |
|
0.035 |
0.0В8997 |
0.05632 |
|
0.033414 |
|
|||
|
0.105 |
|
0.065 |
|
0.024 |
0.105643 |
0.0Б4019 |
|
0.022547 |
|
|||
|
0.122 |
|
0.075 |
|
0.013 |
|
0.1217 |
0.071425 |
|
0.011914 |
|
||
|
0.138 |
|
0.075 |
1 |
0.0 |
0.137021 |
0.078513 |
|
0.001699 |
|
|||
|
|
|
|
|
|
|
|
|
: |
;NUM |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 106. Окно выходных данных для толщины слоев h, hb h2(Dt, T), где:
О - З столбца рассчитанных сетью значений h, hb h2 |
i |
|
102 |
Строительство. |
|
Транспорт 2004 |
Строительство. Транспорт
Im'DataVi ewer - {Uutput |
data] |
|
|
|
|
|
|
|
|
•pHMHHJnlxi |
||||
•£iie',:-Siew: Ёа'а'' Rejd |
Window |
|
|
|
|
|
|
|
|
|
|
' • \ |
||
• \ |
|
|
Float |
\M |
Float |
| M |
Float |
| M |
Float |
| 0 |
Float • • | О |
F|oat |
0 |
a |
|
, h |
experiment |
h1_experiment |
h2_experiment |
outputjr |
|
Ogtpjitjll |
,;, ©trtpntjiz |
|
|||||
T |
X |
|
|
0.045 |
|
0.02 |
|
0.011 |
0.04452 |
0.02194 |
0.010697 |
|
• • .-• |
|
2 |
X |
|
|
0.084 |
|
0.042 |
|
0.024 |
0.082137 |
0.04038 |
0.024499 |
|
i |
|
3 |
X |
|
|
0.11 |
|
0.052 |
|
0.033 |
0.107797 |
0.052399 |
0.033963 |
|
||
|
|
|
|
|
|
|||||||||
4 |
X |
|
|
0.131 |
|
0.058 |
|
0.037 |
0.12939 |
0.058579 |
0.03792 |
|
|
|
S |
X |
|
|
0.145 |
|
0.06 |
|
0.04 |
0.14423 |
0.0Б1411 |
0.039628 |
|
|
|
6 |
X |
|
|
0.05 |
|
0.017 |
|
0.015 |
0.049873 |
0.015823 |
0.014906 |
|
|
|
7 |
X |
|
|
0.081 |
|
0.038 |
|
0.026 |
0.084946 |
0.037268 |
0.026682 |
|
|
|
8 |
X |
|
|
0.106 |
|
0.052 |
|
0.036 |
0.107797 |
0.052399 |
0.033963 |
|
|
|
9 |
X |
|
|
0.133 |
|
0.064 |
|
0.038 |
0.132376 |
0.065105 |
0.037669 |
|
|
|
TO |
X |
|
|
0.149 |
|
0.079 |
|
0.04 |
0.151129 |
0.075331 |
0.03945 |
|
~1 |
|
11 |
X |
|
|
0.155 |
|
0.08 |
|
0.039 |
0.154803 |
0.081368 |
0 039626 |
• |
||
.<:! |
|
|
|
|
|
I |
|
|
|
|
|
|
|
|
iReady |
* ч » |
«b*ki.«v.Luw.£uit-!йм1— i i V -Wir' jr-tirr?*H*ArW>.H -rwi i -^.-fa? |
|
|
АйЛ,л - -«ad1.", ЛФ№~Л.- |
Рис. 1 Ов. Окно выходных данных для толщины слоев h, hi, h2 (Скон,Сыа2зюз), где: О - З столбца рассчитанных сетью значений h, hi, h2
Для каждого из трех откликов нейронные сети проявляют более высокую точность. Это можно объяснить тем фактом, что полиномиальные модели основаны на спорном априорном до пущении о квадратичном поведении системы. Построение полиномиальной модели начинается с предположения, что квадратичные функции адекватно описывают изменение откликов в зависимо сти от трех входных технологических параметров, и затем выполняется подгонка коэффициентов для полиномов с помощью регрессионного анализа. Однако начальное предположение о квадра тичном поведении скорее субъективно и может оказаться ошибочным. В нашем случае квадратич ные полиномы достаточно аккуратно представляют реальные отношения между входами и откли ками, поэтому уменьшение среднеквадратичной ошибки при переходе к нейросетевой модели VSi и r(Vsi) незначительно.
Таблица 1
Результаты сравнения рассчитанной микротвердости (Нт) полиномиальной (RSM) и нейросетевой (NN) моделей процесса микродугового оксидирования
|
|
|
|
Время |
|
|
Время |
|
Экспериментальная ошибка модели |
построения |
прогноза по |
||||
|
|
|
Уменьшение |
модели', сек |
модели', сек |
||
|
2 |
„2 |
TRSM |
TNN |
tRSM |
tNN |
|
|
aRSM |
a NN |
ошибки, % |
||||
АК9М2 |
0,0083 |
0,0006 |
92,77 |
|
|
|
|
АК5 |
0,0205 |
0,0012 |
94,15 |
60 |
1000 |
0.1 |
0.1 |
АМгб |
0,0312 |
0,0006 |
98,08 |
|
|
|
|
Примечание - здесь и далее в таблицах время построения и прогноза указаны для IBMсовместимого компьютера с процессором Pentium III и тактовой частотой 800 МГц.
Нейросетевые модели могут применяться для более эффективного прогнозирования поведе ния сложных систем и с небольшим количеством экспериментальных данных. Это можно объяс нить тем, что в сетях с обратным распространением веса связей от входного к промежуточному слою совместно используются всеми выходами. Таким образом, сеть требует меньше весов (т.е. меньше экспериментов) для выполнения точного преобразования в задачах множества поверхно стей по сравнению с полиномиальными методами.
103
№1-2 |
Известия ОрелГТУ |
АВТОМОБИЛИ, СТРОИТЕЛЬНЫЕ МАШИНЫ, СЕРВИС И РЕМОНТ |
Таблица 2
Результаты сравнения рассчитанной толщины слоев hj(Dt, T) и h2(Dt, T) полиномиальной (RSM) и нейросетевои (NN) моделей процесса микродугового оксидирования
|
|
|
|
|
|
|
|
|
|
Время |
Время |
||
|
|
Экспериментальная ошибка модели |
|
построения |
прогноза по |
||||||||
|
|
|
|
|
|
|
|
|
|
модели, сек |
модели, сек |
||
|
|
„2 |
|
2 |
|
Уменьшение |
|
TRSM |
TNN |
tRSM |
tNN |
||
|
|
°RSM |
°NN |
ошибки, % |
|
||||||||
АК9М2 |
h, |
3,4-Ю-6 |
2,7-10'6 |
|
20,59 |
|
|
|
|
|
|||
h2 |
i,o-io-fi |
7,7-Ю-7 |
|
23,00 |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|||||||
АК5 |
h, |
1,2-ia* |
1,9-10"7 |
|
84,17 |
|
60 |
1000 |
0,1 |
0,1 |
|||
h |
4,0-10'7 |
7,8-1(Г9 |
|
98,05 |
|
||||||||
|
|
|
|
|
|
|
|||||||
АМгб |
h, |
7,0- Ю-7 |
5,4-Ю-7 |
|
22,86 |
|
|
|
|
|
|||
h2 |
2,6-10* |
9,1-10"7 |
|
65,00 |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|||||||
|
Результаты |
сравнения рассчитанной |
толщины |
слоев hi(CKOH, CNa^SiOj) |
Таблица 3 |
||||||||
|
|
||||||||||||
|
и h2(CKOH, CNa2SiOs) полиномиальной |
(RSM) и нейросетевои |
(NN) |
моделей |
|
||||||||
|
|
|
|
процесса |
микродугового |
оксидирования |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
Время |
Время |
||
|
|
Экспериментальная ошибка модели |
|
построения |
прогноза по |
||||||||
|
|
|
|
|
|
Уменьшение |
|
модели,сек |
модели,сек |
||||
|
|
2 |
|
rr2 |
|
|
TRSM |
TNN |
tRSM |
^NN |
|||
|
h, |
a RSM |
°NN |
|
ошибки, % |
|
|||||||
АК9М2 |
6,2-10"6 |
4,8-10"6 |
|
22,58 |
|
|
|
|
|
|
|||
h2 |
4,2-10"6 |
2,2-10"6 |
|
47,62 |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
||||||
АК5 |
hi |
5,9-10^ |
4,97-10"6 |
|
15,76 |
|
|
60 |
1000 |
0,1 |
0,1 |
||
h2 |
3,3-10^ |
2,2-10~6 |
|
33,33 |
|
|
|||||||
|
|
|
|
|
|
|
|
||||||
АМгб |
h, |
5,8-10* |
2,3-10"6 |
|
60,34 |
|
|
|
|
|
|
||
h2 |
4,0-Iff* |
3,3-10"6 |
|
17,50 |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
||||||
|
|
|
9.5 |
|
|
|
|
|
|
~$£. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
9 |
|
|
|
|
|
|
-— |
|
|
|
|
|
|
8.5 |
|
|
|
|
|
|
|
|
|
|
|
|
са |
8 |
|
|
• |
&F* |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
s |
7.5 |
|
|
|
|
|
|
|
|
|
|
|
|
U |
|
|
•игС |
|
|
|
|
|
|
|
|
|
|
|
7 |
|
|
|
|
|
|
|
|
|
|
|
|
|
/1 |
|
|
|
|
|
|
|
|
|
|
|
|
о |
6.56 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
6.5 |
7 |
7.5 |
8 |
8.5 |
9 |
9.5 |
|
|
|
|
|
X |
|
Предсказанное значение Нт', ГПа |
|
|
|
|
RSM model
оооNN model 0-0 line
Рис. 11. Оценка адекватности нейросетевои модели зависимости микротвердости "Нт" от режимов МДО Нт(СКон,CNa2si03, Dt) по остаткам для сплава АК9М2. Режимы: Т = 1,5 ч.
104 |
Строительство. |
|
Транспорт 2004 |
Строительство. Транспорт
|
i |
0.08 |
1 |
|
tS
|
0.07 |
|
|
|
|
|
|
|
|
X |
0.06 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X |
|
|
|
|
|
|
|
|
|
о |
0.05 |
|
|
|
|
|
|
|
|
з- |
|
|
|
|
|
|
|
|
|
X |
|
|
|
|
|
|
|
|
|
о |
0.04 |
|
|
|
|
|
|
|
|
о |
|
|
|
|
|
|
|
|
|
S |
|
|
|
|
|
|
|
|
|
U |
0.03 |
|
|
|
|
|
|
|
|
Iса |
|
|
|
|
|
|
|
i |
|
ю |
0.02 |
|
|
|
|
|
|
1 |
i |
|
^ |
|
! |
1 |
1 |
! |
! |
||
|
^0.01 |
|
|
i |
|||||
|
0.02 |
0.03 |
0.04 |
0.05 |
0.06 |
0.07 |
0.08 |
0.09 |
Предсказанное значение hi', мм
++RSM model
OOONN model 0-0 line
Рис. 12. Оценка адекватности нейросетевой модели зависимости толщины внешнего упрочненного слоя от режимов МДО: плотности тока и времени оксидирования hi(Dt,T) по остаткам.
Электролит: СКОн=3г/л, CNa2si03 =6г/л сплав "АК9М2":
0.04
2 |
0.035 |
|
Я |
||
j=f |
i |
|
s |
||
J < |
||
s |
0.03 |
|
5 |
|
|
X |
|
|
fo |
|
|
<u |
0.025 |
|
О |
||
s |
|
|
»g |
0.02 |
|
|
0.015 |
+ s&+
|
/ |
1 |
|
|
|
|
|
0.0] |
.01 |
0.015 |
0.02 |
0.025 |
0.03 |
0.035 |
0.04 |
|
|
|
Предсказанное значение hi', мм |
|
|
RSM model
OOONN model 0-0 line
Рис. 13. Оценка адекватности нейросетевой модели зависимости толщины внутреннего упрочненного слоя от режимов МДО: плотности тока и времени оксидирования h2(Dt,T)
по остаткам. Электролит: СКон =3г/л, CNa2si03 =6г/л сплав "АК9М2":
Толщина внешнего упрочненного слоя h l ,мм
Предсказанное значение hi '. им
+-Н- RSM model
ОООNN model line 0-0
Рис. 14. Оценка адекватности нейросетевой модели зависимости толщины внешнего упрочненного слоя от состава электролита МДО: концентрации щелочи и жидкого стекла Ь(Скон9 CNa2Si03) по остаткам.
Режимы: Т = 1,5ч, Dt = 20 А/дм2 сплав "АК9М2":
В современном технологическом оборудовании количество факторов, влияющих на выход процесса, больше количества рассматриваемых параметров. Так, например, для управления про цессом МДО необходимо учитывать такие факторы, как межэлектродное расстояние, температура электролита и электродов, предыдущие этапы обработки детали. Для адекватного моделирования большого количества переменных требуется большое количество экспериментов, которое обходит ся чрезмерно дорого в материальном и временном отношении. В этих целях удобнее использовать процесс моделирования с использованием нейронных сетей.
УДК 631.3-6
Докт. техн. наук, проф. А.Н. Новиков, канд. техн. наукА.А. Жосан, асп. С.Н. Доскач (Орловский государственный технический университет)
Р.оссия, г. Орел
МЕСТО АВТОТРАНСПОРТНОГО КОМПЛЕКСА В ЭКОЛОГИЧЕСКОЙ ПРОБЛЕМЕ
Автотранспортный комплекс является одним из основных загрязнителей окружающей среды. Выбросы вредных веществ от него попадают в атмосферу, в водный бассейн и почву, кроме того, он является источником производственных отходов, транспортного шума.
106 |
Строительство. |
|
Транспорт 2004 |