Автоматизация технологического и организационного управления в литейном производстве на основе интеллектуализации синтеза (1024677), страница 6
Текст из файла (страница 6)
конструктивных и технологических параметров отливок, указанных в полях 1-15. Различные значения энергии стабилизации сети позволяют реализовать процедуры выбора лучших вариантов СКС АЛЛ, соответствующих мини-мальной энергии сети. При предъявлении сети образца, не входящего в
Таблица 5.
Исходные данные задачи ассоциативного выбора СКС АЛЛ
| № п.п. | Масса отл., кг | Ср.толщ.ст., мм | Технологичность | Способ подвода металла | |||||||
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | |
| <10 | 10-35 | >35 | <10 | 10-15 | >15 | Хорошая | Плохая | Сверху | В разъем | Снизу | |
| 1 2 3 4 5 6 | -1 | 1 | -1 | -1 | 1 | -1 | 1 | -1 | 1 | -1 | -1 |
| 1 | -1 | -1 | -1 | 1 | -1 | 1 | -1 | -1 | 1 | -1 | |
| 1 | -1 | -1 | 1 | -1 | -1 | -1 | 1 | -1 | -1 | 1 | |
| -1 | -1 | 1 | -1 | -1 | 1 | -1 | 1 | -1 | 1 | -1 | |
| -1 | 1 | -1 | -1 | -1 | 1 | 1 | -1 | 1 | -1 | -1 | |
| -1 | 1 | -1 | -1 | -1 | 1 | 1 | -1 | -1 | 1 | -1 | |
Продолжение таблицы 5.
Исходные данные задачи ассоциативного выбора СКС АЛЛ
| № п.п | Метод уплотнения | Ассоциируемый | |||
| 12 | 13 | 14 | 15 | образец | |
| Встряхив. | Прессов. | Встр. + Пр. | Вибр.+Пресс. | СКС АЛЛ | |
| 1 2 3 4 5 6 | 1 | -1 | -1 | -1 | 1 1-1 -1 |
| 1 | -1 | -1 | -1 | -1 1 -1 1 | |
| -1 | -1 | 1 | -1 | 1 -1 1 1 | |
| -1 | -1 | -1 | 1 | -1 1 1 1 | |
| 1 | -1 | -1 | -1 | 1 1 -1 -1 | |
| -1 | 1 | -1 | -1 | 1 1 1-1 | |
Таблица 6.
Результаты решения задачи
| Предъявленный образец конструктивных и технологических параметров отливок | Енерг. стабил. ДНС | Значение активности нейронов, соответствующих структурным переменным СКС АЛЛ | |||||||
| 1 | 2 | 3 | 4 | ||||||
| S1 | Sgn (S1) | S2 | Sgn (S2) | S3 | Sgn (S3) | S4 | Sgn (S4) | ||
| -1 1-1-11-11-1 1-1-1-1-1-11 1-1-1-11-11-1-1 1-1-1-11-1 1-1-1 -11-1-11-1-11-11-1-1 -11-1-1-1 11-1-11-1-1-1-11 -1 1-1-1-1 1 1-1-11-1-1-11-1 -1 1-1-1-1 1 1-1-11-1-11-1-1 | -80 -60 -72 -68 -130 -74 | 8 -8 12 -20 26 14 | 1 -1 1 -1 1 1 | 22 22 -22 10 40 36 | 1 1 -1 1 1 1 | -32 -24 20 20 -28 0 | -1 -1 1 1 -1 1 | -18 6 18 18 -36 -24 | -1 1 1 1 -1 -1 |
обучающие последовательности, ДНС формирует ответ, соответствующий ближайшему образцу, входящему в обучающее множество. Соответствие выбранного образца входному проверяется возможностью его отнесения к кластеру входного образца с применением НС Кохонена.
На основе применения ДНС разработан метод решения задач структурной и параметрической оптимизации СКС АЛЛ, в том числе и NP-полных. Данные задачи актуальны для синтеза СКС АЛЛ с применением УЭБ, с учетом вариативности технологических агрегатов, входящих в состав структурных модулей.
Вводится сеть нейронов размерностью n × m × Np, в которой в качестве функции активации нейронов принята сигмоидная функция
, (19)
где λ – параметр сигмоиды;
Uijk – комбинированный ввод нейрона;
V – выходное напряжение нейрона, Vijk = φ(Uijk);
- коэффициент синаптических связей между нейронами ijk и μνχ;
Iijk – смещение, прикладываемое к нейрону ijk;
Np – число путей между элементами пары aibj.
Возбужденное состояние нейрона Vijk → 1 в такой сети соответствует факту выбора для рассмотрения k – го значения оптимизируемого параметра между ai и bj состояниями Pijk↔Vijk, 
,
, k=Np(aibj). При этом нейрону с максимальным уровнем возбуждения соответствует минимальное значение оптимизируемого параметра.
Минимизировалось время выполнения совокупности операций цикла ТП производства отливок на АЛЛ. На рис. 15 приведен фрагмент взвешенного орграфа состояний анализируемого процесса, где состояния 1 – начальное, 2 – заполнено формовочной смесью, 4 – уплотнено, 3 – форма собрана.
Таблица 7.
Исходные данные
| Пары и критерии | Технологические операции и их продолжительность, с. | |||||
| Заполнение формовочн. смесью | Уплотн. полуформ | Сборка форм | ||||
| ai bj | 121 | 122 | 241 | 242 | 341 | 342 |
| tijk | 28 | 18 | 9 | 14 | 33 | 35 |
Рис. 15. Граф состояний
В табл. 7 приведены значения исходных данных. В табл. 8 приведены значения выходных напряжений нейронов. Большее напряжение нейронов, соответствует меньшему значению минимизируемого параметра для каждой пары.
Таблица 8.
Значения выходных напряжений нейронов
| 121 | 122 | 241 | 242 | 341 | 342 | |
| Uijk | -28 | -18 | -9,00001245 | -14,0019 | -33 | -35 |
| Vijk | 6,91E-13 | 1,52E-08 | 0,000123393 | 8,3E-07 | 4,66E-15 | 6,31E-16 |
5. Прогнозирование состояний АЛЛ реализовано на основе использования ДНС. Отображение множества причин 
в множество следствий 
реализуется путем обучения ДНС по данным протокола испытаний R и подачи на ее вход вектора = (
, 
, 
), что приведет к изменению энергетической функции ДНС, соответствующей этому вектору, в котором 
- искомый прогноз технического состояния анализируемой АЛЛ в наблюдаемой ситуации.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
