Автоматизация технологического и организационного управления в литейном производстве на основе интеллектуализации синтеза (1024677), страница 5

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 5)

Решение задач синтеза и анализа ТП на основе разработки и использования АСС нечеткой логики обусловлено сложностью квалиметрии данных, характеризующих ТП производства отливок, и возможностью формирования экспертных знаний о ТП в лингвистической форме.

В табл. 3 приведены примеры формирования исходных данных для решения задачи анализа ТП ЛПД отливок, указанных выше.

Таблица 3.

Примеры исходных данных

Данные		Единица измерения	Диапазон значений
D	Вид дефекта отливки	Кодовое обозначение	0,15 - 0,55
Tme	Температура металла	Град. С	702,3 - 710,9
Tf	Температура пресс-формы	Град. С	202,7 - 208,6
Spit	Площадь питателя	мм2	14,3 - 17,19
tvyd	Время выдержки	с	8,69 - 10,78

На рис. 10 приведены результаты решения задачи формирования параметров ТП ЛПД с применением АСС, разработанной в среде ППП Matlab.

Для условного дефекта отливки "Норма" (D = 0,25 - отливка отвечает всем требованиям качества), запрашиваемого пользователем (а), сформированы четкие параметры ТП ЛПД (б).

По значениям параметров ТП ЛПД (б) сформировано значение кода условного дефекта отливки "Норма" (D = 0,25 - отливка отвечает всем требованиям качества). При этом учтена целевая установка пользователя вида (площадь питателя S_pit не меняется).

а) б)

Рис. 10. Результаты решения задачи

5. Интеллектуализация синтеза и анализа автоматических

литейных линий

Интеллектуализация синтеза и анализа АЛЛ включает исследования на примере рольганговых АЛЛ, разработку и реализацию на указанной основе алгоритмов синтеза и анализа СКС АЛЛ и их параметров, при различных уровнях детализации линий. Синтез и анализ СКС АЛЛ включает:

1. Разработку на заданном уровне детализации АЛЛ не­большого числа вариантов СКС АЛЛ, входящих в n – мерное двоичное пространство возможных решений, формируемое по числу элементов кортежа М(y), и составляющих цепь из n + 1 элементов, отличающихся в одной координате (рис. 11).

Рис. 11. Представление цепи вариантов АЛЛ в трехмерном двоичном

пространстве на уровне структурных описаний

2. Формирование унифицированной элементной базы (УЭБ). В цепи вариантов СКС АЛЛ первый и последний коды явля­ются противопо-ложными и элементы цепи включают значения всех структурных пере­менных. Состав множества Е можно представить в виде ряда струк­турных модулей:

, (12)

где Е₀ - ОСМ для заданного пространства вариантов;

- структурный модуль, соответствующий значению j структур­ной переменной x_i.

Поскольку любой структурный модуль из Е представляет собой опреде-ленного вида конструкцию, то для каждого Е₀ и

, (13)

где G₀ - графическое изображение ОСМ;

- графическое изображение, структурного моду­ля, соответствующего некоторой структурной переменной . Уровень детализации графических изображений структурных модулей зависит от принятого графического изображения СКС АЛЛ и предъявляемых к нему требований.

Формирование УЭБ для синтеза АЛЛ реализуется посредством декомпо-зиции вариантов СКС АЛЛ, вошедших в цепь, до уровня структурных модулей с применением алгоритма, включающего основные процедуры:

- выделение ОСМ G₀ путем преобразования

, (14)

где - графическое изображение варианта СКС АЛЛ;

- выделение структурных модулей соответствующих структурным переменным :

, (15)

. (16)

Выражения (15) и (16) определяют реализацию поиска раз­ности между кор-

тежами, характеризующими графическое изображение вариантов СКС АЛЛ, каждого элемента цепи и сле­дующего за ним смежного элемента в этой цепи при всех указанных значениях k в прямом и обратном порядках. На рис. 12 приведен пример УЭБ.

Особенностью приведенного метода формирования УЭБ СКС АЛЛ является функциональная и геометрическая согласованность и стыкуемость агрегатов, так как они выделены из законченных планировок АЛЛ, т. е. обладают необходимыми системными признаками.

3. Синтез СКС АЛЛ реализуется в нейросетевом базисе с применением СНС и включает процедуры:

3.1. Множество СКС АЛЛ {P}, представляется как совокупность причинно-следственных отношений {X} и {Y}, где

. (17)

При этом , (18)

где: {R} – обобщенный информационный массив;

N - число наблюдаемых ситуаций;

Рис. 12. Пример формирования УЭБ

X - вектор входных параметров;

Y - вектор выходных параметров.

Множество {P_i}, представляется множеством прецедентов, опи-санных векторами X, Y, аккумулирующими предшествующий опыт эксплуа-тации объекта исследования F в течение периода Ω.

3.2. Определение параметров нейросетевой модели F({w}, {b}, V, {r}, f), где V – число слоев нейронной сети, {w} – множество значений весовых коэффициентов синаптических связей между нейронами смежных слоев, {b} – множество значений смещений нейронов, {r} – множество, определяющее число нейронов в слое, f – функция активации нейронов.

3.3. Отображение множества векторов {X_i}, входных параметров в элементы множества выходных параметров {Y_j}, путем обучения НС.

3.4. Определение множества векторов {Y_j}, характеризующих проектное решение.

На рис. 13, 14 приведены примеры результатов решения задач синтеза СКС АЛЛ по требуемым показателям качества АЛЛ и по значениям параметров отливок с применением УЭБ на уровне условных планировок.

4. Оптимизация СКС АЛЛ реализуется с использованием ДНС и включает процедуру обучения ДНС - расчет весовых коэффициентов нейронов на основе исходной информации (эталонов СКС АЛЛ), каждый из

которых при этом является точкой из конечного множества равновесных точек, характеризующих минимум энергии ДНС. Предъявляемый на вход

сети входной вектор варианта объекта проектирования "сходится" к одному

из запомненных эталонов, решая при этом задачу поиска оптимального решения - некоторого локального минимума энергетической функции, соответствующего наиболее подходящему эталону.

Рис. 13. Результаты решения задачи синтеза СКС АЛЛ

Рис. 14. Результаты решения задачи синтеза СКС АЛЛ

Разработанный метод является основой решения задач формирования оптимальных решений СКС АЛЛ для ТП производства отливок в ПГФ.

В табл. 4 приведен пример решения задачи оптимизации СКС АЛЛ. Значения активности нейронов на выходе сформированы в соответствии с пороговой функцией активации y_j = sgn(S_j) = -1, если S_j < 0, 1, если S_j > 0, прежнее значение, если S_j = 0.

Таблица 4.

Результат решения задачи оптимизации

Совершенствование метода реализовано на основе активизации свойств ассоциативной памяти ДНС. При этом использована ДНС Коско, позволяю-щая решать задачи оптимизации по ассоциируемым образцам, в качестве которых могут быть выбраны конкретные классы отливок. В качестве ассоциаций конкретным классам отливок могут назначаться образцы СКС АЛЛ, реализуемые на них ТП и отдельные параметры. Данный метод впервые позволяет решать задачи формирования оптимальных решений по типу "отливка – ТП", "отливка – СКС АЛЛ" и другие. Функционирование сети основано на циклическом перемещении сигналов от нейронов – источников и обратно до достижения состояния равновесия при минимуме энергии сети. Функция активации нейронов, в основном, имеет пороговый биполярный характер со значениями ±1.

Входные обучающие последовательности определены в виде множества из m биполярных пар {(a_i, b_i)}, где a_i = [a_i1, a_i2,…,a_in], b_i = [b_i1, b_i2,…,b_ip]. Этому множеству сопоставляется множество биполярных пар {(x_i, y_i)}, где x_i - биполярное представление a_i, y_i - биполярное представление b_i.

На основе разработанного метода решены задачи ассоциированного формирования оптимальных СКС АЛЛ и реализуемых на них ТП. В табл. 5, 6 приведен пример реализации ассоциативного формирования СКС АЛЛ для

Характеристики

Список файлов диссертации