Автоматизация проектирования маршрутного технологического процесса на основе использования типовых решений

Многообразие геометрических форм заготовок и готовых деталей, отображаемое в геометрическом описании объекта, значительно затрудняет формализацию и последующую автоматизацию технологического проектирования. Одним из способов решения этой проблемы является классификация деталей по геометрическим и технологическим признакам, на основе которой могут быть реализованы стандартные или типовые методы решения технологических задач.

Группирование деталей и его автоматизация

При использовании группового метода необходимо выявить конструктивные и технологические особенности объекта производства, определить его принадлежность к соответствующей группе объектов и тем самым подобрать эффективные методы получения технологического процесса изготовления изделия. Это показывает, что одной из первоначальных задач, определяющих возможности использования данного метода, является предварительное группирование деталей.

Такое группирование должно производиться с учетом максимального числа наиболее существенных признаков, описывающих конструктивно-технологические объекты (КТО). В качестве классификационных признаков для деталей общемашиностроительного применения приняты следующие

134 характеристики: геометрическая форма детали, конструктивная характеристика отдельных элементов детали, взаимное расположение элементов детали, параметрический признак, наименование детали и ее функция.

Геометрическая форма детали является наиболее объективным и стабильным признаком при ее описании. Она характеризует непосредственно деталь независимо от сс функции. Важным показателем при решении технологических задач является параметрический признак. Так, при разделении деталей «тела вращения» в зависимости от отношений длины L к диаметру D выделяются «длинные» (валы, оси, стержни), «средние» (втулки, цилиндры) и «короткие» (диски, кольца, фланцы и др.) детали. В большинстве случаев группирование производится либо вручную путем визуального анализа геометрической формы деталей, либо по деталям определенного класса, например «тела вращения» и т.п. Такие подходы малоэффективны в условиях пополнения номенклатуры изготовляемых деталей.

Целью группирования КТО является разработка единого унифицированного технологического процесса для объектов разных типов.

Решить задачу автоматизированного группирования КТО и соответственно для каждой группы сформированать комплексную деталь позволяют новые информационные технологии, основанные на использовании генетических алгоритмов и нейронных сетей (НС).

Широкий круг задач, решаемый НС, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждает разрабатывать специализированные НС, функционирующие по различным алгоритмам. Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами.

Во-первых, основу каждой НС составляют относительно простые, в большинстве случаев однотипные элементы (ячейки)-нейроны (рис. 25). Нейрон состоит из элементов трех типов. Элементы нейрона - умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характеризующее силу связи, -вес синапса. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента - выхода сумматора. Эта функция называется "функция активации" или "передаточная функция" нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента. Аксон - выходная связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или се весом vv„ который по физическому смыслу эквивалентен электрической проводимости.

Искусственный нейрон

Рис. 25. Искусственный нейрон

Математическая модель нейрона

п

S = Yxi'wi+b- (40)

i=i

Выход нейрона есть функция его состояния

У=Ж (41)

где .V - результат суммирования (sum); х, - компонент входного вектора (входной сигнал), (i=l,2,...N); vv, - вес синапса (weight), b - значение смещения (bias); f - нелинейное преобразование (функция активации); у - выходной сигнал нейрона; п - число входов нейрона.

Нелинейная функция f называется активационной и может иметь различный вид, как показано на рис.26. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид (т.е. функция S-образного вида),

/(*) =

  • 1________
  • 1 + е’®
  • (42)

При уменьшении а сигмоид становится более пологим, в пределе при а=0 вырождается в горизонтальную линию на уровне 0,5, при увеличении а сигмоид приближается по внешнему виду к функции единичного скачка с порогом Т в точке х=0. Из выражения для сигмоида очевидно, что выходное значение нейрона лежит в диапазоне [0,1].

Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими.

Функции состояния нейрона

Рис.26. Функции состояния нейрона: а - единичный скачок; б - линейный порог (гистерезис); в - сигмоид - гиперболический тангенс; г - сигмоид -формула (42)

В качестве примера простейшей НС может быть представлен 3-нейронный перцептрон (рис. 27), т.е. такая сеть, нейроны которой имеют активационную функцию в виде единичного скачка .

На п входов поступают некие сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала у, = f _ 4=1

Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемой, на которых обычно реализуется НС. Структура НС выбирается в соответствии с особенностями и сложностью задачи. Для решения некоторых отдельных

х

X, х2

х3

Однослойный перцептрон

Рис.27. Однослойный перцептрон

типов задач уже существуют оптимальные на сегодняшний день конфигурации.

Для автоматизированного группирования КТО и формирования комплексной детали необходимо, чтобы информационные конструкторско-технологические модели группируемых объектов были приведены к единому шаблону. Вычисления в нейронных сетях существенно отличаются от традиционных. В силу высокой распараллеленное™ их можно рассматривать как коллективное явление. В нейронной сети нет локальных областей, в которых запоминается конкретная информация. Вся информация запоминается всей сетью. При автоматическом группировании КТО необходимо отметить, что (число и свойства) мощность вектора параметров группируемых объектов не лимитирована. При описании каждого из объектов в этот вектор включаются габаритные размеры, материал, максимальная точность на размеры, допуски на форму и расположения поверхностей, а также геометрическая форма, размеры, точность и шероховатость конструкторско-технологических элементов, технологические возможности оборудования, методы обеспечения качества и т.п. В зависимости от сложности КТО, числа размерных характеристик, которыми обладают элементы этих объектов, а также числа объектов в классе мощность входного вектора параметров группируемых объектов может варьироваться.

При автоматическом группировании целесообразнее всего использовать искусственную нейронную сеть Кохонсна, функцией активации каждого нейрона которой является SOFTMAX-функция

(44)

Алгоритм Кохонена дает возможность строить нейронную сеть для разделения векторов входных сигналов на подгруппы. Сеть состоит из М нейронов, образующих прямоугольную решетку на

Общий вид сети Кохонена

Рис.28. Общий вид сети Кохонена

плоскости (рис. 28). Элементы входных сигналов подаются на входы всех нейронов сети. В процессе работы алгоритма настраиваются синаптические веса нейронов.

Входные сигналы векторы действительных чисел последовательно предъявляются сети. Желаемые выходные сигналы не определяются. После того как было предъявлено достаточное

число входных векторов, определяются синаптические веса сети. Кроме того, веса организуются так, что топологически близкие узлы чувствительны к похожим внешним воздействиям (входным сигналам).

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ   След >