108 / 457
Механики XXI веку. №15 2016 г.
108
В современном машиностроении 70 – 80 % объема выпускаемой продукции приходится на
многономенклатурные и мелкосерийные производства. Поэтому становятся актуальными вопросы
обеспечения высокой надежности и быстрой адаптации станков к постоянно изменяющимся режимам
функционирования и номенклатуре изготавливаемых деталей.
Только в комплексе возможно решение этой проблемы, её практическое воплощение в созда-
нии интегрированного автоматизированного (интегрированного программируемого) производства,
характеризующегося в отличие от традиционного рядом специфических особенностей:
- программирование всей функциональной деятельности на базе широкого использования
ЭВМ и микропроцессоров;
- совмещение программного и адаптивного управления для выработки оптимальной стратегии
функционирования;
- наличие высокоточных автоматических измерительных систем и систем диагностирования.
Усложнение этих задач, отсутствие практической возможности подробного изучения процес-
сов в управляемых объектах привело к необходимости создания и использования адаптивных систем,
которые должны способствовать высокому качеству управления при отсутствии априорной инфор-
мации о характеристиках управления объекта, либо в условиях неопределённости [2, 3].
Теория.
Эффект приспосабливаемости к изменениям условий внешней среды в адаптивных
системах достигается за счёт того, что часть функций по получению, обработке и анализу недостаю-
щей информации об управляющем процессе осуществляется не на предварительной стадии, а самой
системой в процессе работы. В зависимости от способов реализации контролируемых изменений в
процессе нормальной эксплуатации системы можно выделить: самонастраивающиеся системы, обу-
чающиеся системы.
Самонастраивающиеся системы (СНС) характеризуются наличием специальных контуров са-
монастройки, система самопроизвольно приближается к определённому эталону, задаваемому мате-
матически в виде критерия качества функционирования.
Самонастраивающиеся системы подразделяются на поисковые и беспоисковые.
Сравнивая поисковые и беспоисковые самонастраивающиеся системы, можно сказать, что для
определения условий оптимума поисковые системы нуждаются в меньшей информации, но обладают
небольшим быстродействием при наличии процесса поиска, а беспоисковые системы при прочих
равных условиях обладают более высоким быстродействием, но требуют более полной информации
об управляемом процессе.
Обучающиеся системы являются наиболее сложным и пока мало изученным классом адап-
тивных систем. Такие системы создаются на основе принципа обучения, заключающегося в посте-
пенном накоплении опыта формирования поведения системы при высокой степени неопределенности
ее исходных состояний, по результатам которого происходит улучшение функционирования систе-
мы. Характер накопления опыта при обучении весьма многообразен, например опыт может быть на-
коплен положительный или отрицательный, систематизированный или случайный, собственный или
привнесённый, имитационный (искусственный) или естественный и т.д. Однако у всех способов на-
копления опыта есть достаточно общая черта - постепенное выделение области знаний из всей сово-
купности незнания. Поэтому в теории обучающихся систем эта особенность нашла отражение в дос-
таточно быстро развивающемся направлении, связанном с созданием автоматических систем класси-
фикации или распознаванием образов.
Объективная сложность обучения, как с поощрением, так и без поощрения заключается в том,
что не всегда классы из близко расположенных друг к другу точек строго отделимы, т.е. возможны
пересечения классов, когда одни и те же точки принадлежат разным классам.
Основной целью является определение наиболее информативного набора диагностирующих
признаков и установление строгой корреляции между состоянием процесса резания и результатами
косвенных измерений [3, 4].
Подавляющее большинство известных моделей построено на основе регрессионных или кор-
реляционных зависимостей, полученных путем статистической обработки экспериментальных дан-
ных.
В любом алгоритме распознавания всегда присутствует процедура сравнения входного сигна-
ла с имеющимися в памяти эталонами.
Вне зависимости от наличия или отсутствия предварительной обработки сигнала (выделение
основных признаков, преобразование в другую форму в новом параметрическом пространстве и т.д.)
сигнал будет представлять собой вектор в каком-либо параметрическом пространстве, и этот вектор