Выбор способа восстановления ресурса деталей сельскохозяйственных машин информационно-аналитическим способом

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

ФГОУ ВПО «Кемеровский государственный сельскохозяйственный институт»

Выбор способа восстановления ресурса деталей сельскохозяйственных машин информационно-аналитическим способом

Черныш А.П.

Параметры технологических процессов и конструкций сельскохозяйственных машин определяются закономерностями взаимозависимостей между совокупностями воздействий рабочих органов этих машин и реакциями на эти воздействия абразивных и агрессивных сред эксплуатации. В современных условиях эксплуатации сельскохозяйственных машин одной из актуальных является задача максимального сохранения и восстановления функциональных свойств деталей, подвергающихся различным видам износа.

Решение этой проблемы заключается в предварительном определении, систематизации и идентификации показателей качества функциональных поверхностей (трибохарактеристик) для конкретных условий эксплуатации, их взаимосвязей, создании логики построения информационной модели технологического блока (ТБ).

Формирование информационной модели ТБ предусматривает использование большого количества исходных данных, характеризующих системы среды эксплуатации, конструктивно-технологических трибохарактеристик модулей поверхностей объектов отказов, определение их взаимозависимостей и характера влияния каждого из них на выбор элементов ТБ.

Одним из методов моделирования и создания логики синтеза технологических блоков является использование нейронных сетей [2]. Искусственная нейронная сеть - это устройство параллельных вычислений, состоящее из множества взаимодействующих элементов - нейронов. Каждый нейрон периодически получает сигнал и посылает их другим нейронам. Все нейроны соединены в достаточно большую сеть с управляемым взаимодействием. При нейросетевом моделировании необходим банк результатов экспериментов с известными входными аргументами и выходными факторами, по которым формируется нейронная сеть. Такая сеть приобретает способность строить связи между аргументами и функциями технической системы в виде модели системы. Исходя из этого, можно разработать нейросетевую модель на базе многослойных нейронных сетей [2], выражающую процесс формирования эксплуатационных свойств деталей, например, при электромеханической обработке (ЭМО) [1].

Архитектура многослойной нейронной сети должна отвечать следующим требованиям:

каждый физический вход Хn должен быть соединен только с одним нейроном входного слоя;

выход каждого нейрона любого из интерфейсных слоев m подается на каждый нейрон слоя m +1;

- выход каждого нейрона из общих скрытых слоев должен быть соединен только с одним нейроном верхнего слоя.

Архитектура нейронной сети, разработанная на базе нейросети Хемминга, представлена на рисунке 1.

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Рис. 1 - Архитектура многослойной нейронной сети

В качестве входов X рассматриваются режимы ЭМО (плотность тока, давление ролика-инструмента на обрабатываемую поверхность детали, скорость обработки, длительность импульсов тока, длительность пауз тока); параметр шероховатости упрочненной поверхности, условия трения и изнашивания (давление в зоне контакта сопряженных деталей, скорость их относительного скольжения). В качестве выходных факторов Y рассматриваются микротвердость упрочненной поверхности, скорость изнашивания трущихся деталей.

Функционирование многослойной нейронной сети осуществляется следующим образом. Нейроны каждого слоя m выполняют взвешенное суммирование элементов входных сигналов. К сумме элементов входных сигналов, умноженных на соответствующие синаптические веса, прибавляется смещение нейрона [2]:

, (1)

где S - выход сумматора; W- вес связи; Y- выход нейрона; b - смещение нейрона;

i - номер нейрона; im = 1, 2,...Nm (Nm - число нейронов в слое); m - номер слоя, m = 1,2,...L (L - число слоев).

Над результатом суммирования (1) выполняется нелинейное преобразование - функция активации (передаточная функция). Значение функции активации есть выход нейрона:

yim = f (Sim) (2)

Оценив необходимое число синаптических весов, можно рассчитать число нейронов в скрытых слоях:

Nm = Nw/(Nx+Ny) (3)

Число скрытых слоев устанавливается, исходя из условия достижения минимальной суммарной ошибки при обучении сети. Обучение нейронной сети производится методом обратного распространения ошибки, представляющим собой повторяемый шагающий алгоритм обучения, который используется для минимизации среднеквадратичного отклонения текущих выходов нейронов и общего выхода многослойных нейронных сетей.

Алгоритм обратного распространения ошибки используется в многослойных нейронных сетях с последовательными связями для их обучения.

После окончания обучения производится тестирование обученной нейронной сети с целью определения погрешности расчетов при ее функционировании. При неудовлетворительных результатах производится дообучение сети.

Обученная нейронная сеть, успешно прошедшая тестирование, является готовой нейросетевой моделью, настроенной на решение конкретной задачи и входящей в состав интегрированной системы, содержащей, кроме того, модуль подготовки данных; модуль определения параметров нейронной сети; модуль, выполняющий обучение; модуль тестирования и модуль выделения нейросети. Подготовка данных осуществляется с помощью встроенных таблиц. Число общих скрытых слоев не превышает 10, число нейронов в слое - не более 100, число входов и выходов - не более 100.

Алгоритм проведения исследований на нейросетевой модели представляется в следующем виде:

Локализация задачи, определение числа входов и выходов.

Подготовка результатов исследований в виде таблиц данных.

3. Уточнение архитектуры нейронной сети, числа скрытых слоев, числа нейронов в слоях.

Обучение нейронной сети.

Тестирование сети, определение ошибки при тестировании.

Испытание на нейросетевой модели.

Обученная нейронная сеть была использована для расчета ожидаемой скорости изнашивания криволинейных поверхностей трения вдоль их образующих. Результаты расчета и тестирования для электромеханического упрочнения вала-эксцентрика при k=const и при ki=f() представлены в таблицах 1 и 2.

Сравнение результатов расчета скорости изнашивания эксцентрика на нейросетевой модели с экспериментальными данными при k=const и при ki=f() представлено на рисунках 1 и 2 соответственно.

Таблица 1 - Расчет и тестирование ожидаемой скорости изнашивания эксцентрика вала при k=const

Примечание: плотность тока j = 875 А/мм2 ; давление р = 6,5 МПа, время импульса tи = 1,2 с, время паузы tп = 0,02 с, Ra = 0,86 мкм.

Таблица 2 - Расчет и тестирование ожидаемой скорости изнашивания эксцентрика вала при k=f(б)

Примечание: давление р = 6,5 МПа, время импульса tи = 1,2 с, время паузы tп = 0,02 с, Ra = 0,86 мкм.

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Рис. 2 - Сравнение результатов скорости изнашивания вала-эксцентрика при k=const:

1 - нейросетевое моделирование; 2 - экспериментальные данные.

Рис. 3 - Сравнение результатов скорости изнашивания вала-эксцентрика при k=f(б):

1 - нейросетевое моделирование; 2 - экспериментальные данные.

нейронный сеть изнашивание вал

Выводы

Результаты испытаний на нейросетевой модели показывают коррелированную связь между расчетными и экспериментальными данными, что подтверждает адекватность модели.

Таким образом, предложенная и реализованная концепция представления объектов восстановления и упрочнения в виде модулей поверхностей позволила осуществить их системную унификацию, создать элементную базу для технологического обеспечения качества восстановления и повышения ресурса деталей сельскохозяйственных машин.

Список использованной литературы

Аскинази Б. М. Упрочнение и восстановление деталей электромеханической обработкой. - М.: Машиностроение, 1989. - 200 с.

Горбань А.Н. Обучение нейтронных сетей. - М.: СП Параграф, 1990. - 54 с.

Коган Б.И. Информационная модель технологических ремонтных блоко / Б.И. Коган, А.П. Черныш // Ремонт, восстановление, модернизация.- 2007. - № 5. - С. 43-47.

Пат. 2333088 RU, МПК С2 В23Р 6/00. Способ формирования технологического ремонтного блока / Б.И. Коган, А.П. Черныш, (RU). - № 2006129964/02; Заявл. 18.08.2006; Опубл. 27.02.08, Бюл. № 25.

Размещено на Allbest.ru