Рис. 12.10. Х-образная зависимость патентной статистики для сравнения вакуумной химико-термической обработки и ионно-плазменных способов нанесения упрочняющих покрытий
Далее с помощью компьютерного моделирования можно строить графические модели для сопоставительного анализа принципиально различающихся способов нанесения упрочняющих покрытий, например, для ионно-плазменного и вакуумного химико-термического способов нанесения покрытий. Эти два способа являются близкими с точки зрения назначения технологии получения покрытия, но принципиально отличаются методами их нанесения.
Х-образная зависимость (рис. 12.10) развития принципиально различных способов нанесения износостойких покрытий в рассматриваемом случае проиллюстрирована для случая упрочнения режущего инструмента с помощью нанесения покрытия в виде нитрида титана.
Из графика видно, что вакуумная химико-термическая обработка (▫ – знак на рис. 12.10) по критерию толщины износостойкого покрытия с 1975 года начинает существенно превосходить ионно-плазменную технологию (◊
– знак на рис. 12.10) и становится по отношению к ней критической для покрытий большой толщины. При этом признанная в формализованных списках критических технологий ионно-плазменная технология оказывается более предпочтительной только в условиях малых толщин упрочняющих покрытий, например, в случае нанесения многослойных композиционных покрытий. Таким образом, можно говорить о возникновении новой критической технологии для больших толщин упрочняющих покрытий,
301
Раздел 4. ТЕХНОЛОГИИ ИННОВАТИКИ
которой ранее не было в перечне официально признанных кластеров критических технологий.
Лазерные критические технологии. В области раскроя листовых материалов в перечне высоких и критических технологий в настоящее время конкурируют лазерная, гидроабразивная и плазменная резка листовых материалов. Рассмотрим аналогичные по технологическим возможностям и назначению установки для выполнения рассматриваемых способов обработки:
−гидроабразивной резки WJ1630 фирмы Water Jet;
−лазерной резки Raptor 3015 фирмы HACO.
На основании данных изготовителей этих установок можно сравнить рассматриваемые методы обработки не только по производительности, но и по технологическим возможностям раскроя, по толщине разрезаемого листа металла. Для этой цели можно использовать не S-образные кривые, а Х-образные зависимости (только для области пересечений) скорости резки (V) от толщины разрезаемого листа (h). Пример для резки коррозионностойких сталей на основании статистических данных промышленных образцов оборудования, приведен на рис. 12.11.
Рис. 12.11. Х-образная зависимость сравнения критических и высоких технологий по показателю производительности
Из рисунка видно, что для стальных листов толщиной до 16 мм лазерная резка обеспечивает большую скорость реза, чем гидроабразивная, а для толстых листов с толщиной выше 16 мм по производительности выигрывает гидроабразивная резка. Таким образом, формальное отнесение лазерной резки к критическим технологиям не учитывает того обстоятельства, что на данном этапе развития сравниваемых технологий предел технологических возможностей гидроабразивной резки применительно к толстым листам гораздо выше, чем у лазерной резки. Таким образом, для больших толщин реза
302
Глава 12. Критические технологии
критической технологией является не лазерная обработка, которая названа в перечне приоритетных критических технологий, а гидроабразивная резка, которой нет в формализованных списках критических технологий. На основе такого анализа список критических технологий отраслевого уровня можно пополнить технологиями гидроабразивной резки, а для толщин реза более 25 мм – плазменными методами.
***
Рассмотренный выше упрощенный метод определения тенденций развития критических технологий отличает:
−большая достоверность в сравнении с методом Дельфи, так как он основывается не на мнении экспертов, а на данных патентной статистики;
−простота в сравнении с использованием «кроссковариационных функций Парзена»5 и Фурье-анализа, которые требуют применения более сложного математического аппарата по полной статистике S-образных закономерностей развития технологий;
−универсальность – он применим к любым технологиям.
Моделирование с помощью средств искусственного интеллекта.
Автоматизацию выбора критических технологий при выполнении
опытно-технологических разработок и НИОКР в целях ускорения работ и повышения уровня их достоверности рекомендуется6 осуществлять с использованием средств искусственного интеллекта.
Названные средства предназначены для разработки автоматизированных систем научных исследований как при разработке инновационных проектов техники новых поколений, так
ипри подготовке данных к выполнению инновационных проектов технического перевооружения машиностроительного производства.
Метод искусственного интеллекта для выбора критических технологий рассмотрим на примере нанесения упрочняющих покрытий. В качестве статистической основы для выбора методов нанесения упрочняющих покрытий рекомендуется использовать данные патентной статистики.
5Сахал Д. Технический прогресс: концепции, модели, оценки. М.: Финансы и статистика. 1985. 366 с.
6Селиванов С.Г., Нургалиев А.А. Применение средств искусственного интеллекта и методов нечеткой логики для выбора технологий нанесения покрытий // Технология машино-
строения. 2006. №2. с. 69–72
303
Раздел 4. ТЕХНОЛОГИИ ИННОВАТИКИ
Основой метода в данном случае принята комбинированная математическая модель, которая предусматривает применение искусственных нейронных сетей Розенблатта и моделей системы нечеткой логики. Одной из целей, которую преследуют при разработке искусственных нейронных сетей, является уподобление работы искусственной нейронной сети процессу мышления человека.
Искусственная нейронная сеть представляет собой совокупность элементов (нейронов) с указанием правил их взаимодействия между собой и закона эволюции всей системы во времени7. Структура сети может быть многослойной, иметь обратные связи. Состояние нейрона характеризуется некоторым числом – его выходным сигналом. Каждый нейрон взвешивает значения своих входов и производит над их суммой нелинейное преобразование в соответствии с его активационной функцией. В зависимости от решаемой задачи в качестве функции активации нейронов могут использоваться:
a) пороговая функция (рис. 12.12, а):
−1
при
Sum ≤0,
Out =
1
при
Sum >0,
(12.1)
где Sum – сумма всех сигналов, поступающих на вход нейрона; б) функции, которые являются монотонно возрастающими и имеют отличные от нуля производные на всей области
определения (рис. 12.12, б).
Такие функции можно использовать для решения оптимизационных задач с помощью искусственных нейронных сетей, так как сказанное позволяет нейронной сети выходить из зон притяжения локальных минимумов. Эти функции имеют следующий вид:
а) сигмоидальная (экспоненциальная сигмоида):
Out =
1
−Sum ,
1+e
(12.2)
7 Селиванов С. Г., Иванова М. В. Нейросетевой метод оптимизации технологических процессов в авиадвигателестроении// Вестник УГАТУ, 2002, №5; Введение в искусственные нейронные сети / Анил К. Джейн., Жианчанг Мао, К. М. Моиуддин // Открытые системы, 1997, №4. С.16-24 ; Горбань А. Н. Обучение нейронных сетей. М.: ParaGraph, 1990. 160 с.
304
Глава 12. Критические технологии
б) рациональная сигмоида:
Out =
Sum
,
Sum
+ α
в) гиперболический тангенс:
Sum
Out = th
,
α
где α – некоторая константа.
(12.3)
(12.4)
Рис. 12.12. Активационные функции нейронов
Область значений Out для любого типа зависимости может быть [0,1], (0,1), (–1,1) [–1,1] в зависимости от условий решаемой задачи и постоянных коэффициентов в уравнении активационной функции. Наиболее эффективной активационной функцией является рациональная сигмоида, так как для ее вычисления требуется меньше всего тактов работы процессора.
Все более широкое распространение методов искусственного интеллекта, в том числе искусственных нейронных сетей, для применения в различных областях науки и техники обусловлено возможностью получения адекватных результатов при недостатке входных параметров, что является одним из их основных достоинств.
Другим важным отличием данного метода является более высокая производительность вычислений по сравнению с иными методами, например динамического программирования, т.е. наблюдается значительное сокращение времени решения задач за счет максимального распараллеливания вычислительного процесса. Сказанное становится значимым фактором, особенно при решении задач большой размерности на персональных компьютерах.
305
Раздел 4. ТЕХНОЛОГИИ ИННОВАТИКИ
Искусственная нейронная сеть (ИНС) Розенблатта (рис. 12.13) позволяет провести группирование технологий (способов обработки). В рассматриваемом случае – это методы нанесения упрочняющих покрытий по толщине, их материалам и технологическим способам получения на основании информации, содержащейся в патентах.
Х – множество входных сигналов;
Wi – множество весовых коэффициентов взаимосвязей между i-м и (i+1)-м слоями нейронов;
Y – множество выходных сигналов
Рис. 12.13. Искусственная нейронная сеть Розенблатта
Группирование способов обработки позволяет свести все их многообразие к конечному числу групп, для которых могут быть выявлены эмпирические зависимости (взаимосвязи, тренды) развития анализируемых технологий во времени, что необходимо для прогнозирования развития новых способов обработки и выполнения НИОКР или опытно-технологических работ. Назовем такой процесс первичным группированием.
В данном примере в качестве исходного требования принято условное разбиение покрытий по следующим категориям:
−покрытий, работающих в условиях высоких температур. Применение сети Розенблатта, состоящей из 4 слоев (включая 2
скрытых слоя), показало хорошие результаты для всех элементов множества. Количество нейронов второго скрытого слоя принято равным их количеству в первом слое.
306
Глава 12. Критические технологии
Особенностью нейронных сетей Розенблатта является то, что первый слой нейронов не производит вычислений, а только распределяет вектор входных сигналов на нейроны скрытого слоя, т.е. для нейронов входного слоя X=Y. При этом все компоненты множества весовых коэффициентов W1 равны 1. Входными параметрами сети приняты такие признаки как толщина покрытия, материал покрытия и способ обработки.
При наличии в качестве признаков классификации семантических (нечисловых) характеристик при кодировании рекомендуется использовать два подхода:
1)Для каждой из характеристик во входном слое искусственной нейронной сети резервируют число нейронов, равное количеству возможных значений рассматриваемой характеристики. Для конкретного метода с i-м значением характеристики у таких нейронов только входной сигнал хi будет равен 1, а остальные будут нулевыми.
2)Каждой неколичественной характеристике соответствует один нейрон. Единичный отрезок [0,1] разбивается на n – 1 частей, где n – количество возможных значений конкретной характеристики. Каждому значению характеристики ставится в соответствие число в интервале по формуле:
Z i =
i
− 1
n
− 1 ,
(12.5)
где i – индекс возможного значения характеристики Z.
Пример. Если взять в качестве семантической характеристики способа обработки материалы покрытия со значениями: Cu, Al, Fe, Cr… и т.д. до 10 материалов, то значению Cu будет соответствовать i=1, Zi=0; Al – i=2, Zi=1/9; Fe – i=3, Zi=2/9 и т.д.
В рассматриваемом случае нейронам выходного слоя соответствуют искомые группы технологических способов (методов) обработки. Значения выходного сигнала этих нейронов определяют вероятность принадлежности анализируемого способа по заданным признакам к тем или иным группам способов (методов) обработки. В отличие от подхода к проектированию маршрутных технологических
307
Раздел 4. ТЕХНОЛОГИИ ИННОВАТИКИ
процессов8 в данной искусственной нейронной сети выбора технологий семантической характеристике «Группа методов покрытий», соответствует один нейрон, выходные сигналы которого и определяют значение таксона (группы).
Для обучения нейронной сети Розенблатта по правилу обратного распространения9 рекомендуется использовать информацию по эталонным методам обработки, для которых заранее (априори) известна принадлежность к соответствующим группам.
Обучение искусственной нейронной сети Розенблатта означает минимизацию некоторого функционала несоответствия (ошибки) между выходными сигналами сети и сигналами, которые требуется получить. После обучения искусственная нейронная сеть Розенблатта способна определять наиболее предпочтительное разбиение способов получения покрытий на группы по заданным выше признакам.
В обучающей выборке необходимо иметь приблизительно одинаковое количество представителей всех групп. Объем обучающей выборки определяют в зависимости от конкретных условий группирования: чем больше ее объем, тем более адекватные реальной ситуации результаты будут получены при группировании. Обучающая выборка должна быть непротиворечива, т.е. в ней не должны присутствовать данные, у которых одинаковы входные сигналы и разные выходные. От этого зависит успешность обучения искусственной нейронной сети и адекватность результатов практике.
Для анализа адекватности модели рекомендуется формировать тестирующую выборку способов, для которых известна их принадлежность к группам методов покрытий. По результатам группирования покрытий тестирующей выборки с помощью обученной искусственной нейронной сети Розенблатта осуществляется проверка адекватности выбранной модели при проверке соответствия выходных сигналов искусственной нейронной сети заданным. Обычно размер тестирующей выборки в три-четыре раза меньше обучающей. ЭВМ на основе рассмотренного метода решения задачи (применения программы искусственного интеллекта) использует базу данных входных параметров способов обработки для
8Селиванов С. Г., Иванова М. В. Нейросетевой метод оптимизации технологических процессов в авиадвигателестроении // Вестник УГАТУ. 2002. №5.
9Горбань А. Н. Обучение нейронных сетей. М.: ParaGraph, 1990. 160 с.
308
Глава 12. Критические технологии
распределения их по группам. Она создает базу данных выходных параметров сети, содержащую разгруппированные способы нанесения покрытий. В базу данных выходных параметров сети входят: индекс группы способа покрытия, толщина покрытия, номер патента, индекс материала покрытия и вида обработки.
***
Справочные данные. Определение тенденций развития технологий по данным патентной статистики с использованием средств искусственного интеллекта. Применение технологического прогнозирования на основе рекомендованного метода искусственного интеллекта позволяет выявить возможности развития различных технологий нанесения покрытий и определить наиболее рациональные пути развития технологий. С помощью описанного выше метода был произведен анализ технологий – способов нанесения упрочняющих покрытий, получаемых в процессе гальванической, химико-термической и ионно-плазменной обработки. Тренды (тенденции, зависимости) развития критических технологий, которые получены путем анализа российской патентной статистики, показаны на рис. 12.14.
Тренды, полученные с помощью искусственной нейронной сети Розенблатта, структура и свойства которой описаны выше, рекомендуется использовать для выбора технологии нанесения покрытий в рамках следующих этапов схемы выполнения расчетов (рис.12.15).
На первом этапе происходит первичное группирование способов (технологий) с использованием искусственной нейронной сети. На следующем II этапе на входы искусственной нейронной сети подаются не известные, а заданные (требуемые) пользователем параметры (толщина, материал и технологический способ покрытия) – назовем такой процесс вторичным группированием. Полученная на выходе сети наиболее подходящая группа может содержать большое количество методов (способов обработки). Третий этап – это вычленение наиболее рациональной технологии из выделенной группы.
309
Раздел 4. ТЕХНОЛОГИИ ИННОВАТИКИ
Рис. 12.14. Эмпирические зависимости патентной статистики для различных способов получения покрытий из нескольких материалов
Рис. 12.15. Модель подсистемы нейросетевой САПР для выбора технологических способов (методов) нанесения покрытия
При решении рассматриваемой задачи следует учесть, что в патенте описание способов может содержать как численные (например, толщина покрытия h=100 мкм), так и словесные характеристики, например: «большая твердость», «средняя адгезия», «максимальная фреттинг-стойкость» и т.д.,
