109 / 457
Современные технологии и автоматизация в машиностроении
109
сравнивается с векторами, используемыми на стадии обучения. Именно эту операцию и выполняет
большинство нейросетевых моделей.
Одним из приложений теории распознавания образов является распознавание параметров ка-
чества обработки детали на металлорежущем станке по виду спектра входного виброакустического
сигнала.
При построении системы мониторинга, основанного на применении математического аппара-
та нейронных сетей [5, 6, 7]:
- исследование методов ввода, обработки и анализа акустических сигналов при помощи ком-
пьютера;
- изучение специфики акустических сигналов, полученных через аналого-цифровой преобра-
зователь (АЦП) от пьезодатчика, установленного на металлорежущем станке, определение характер-
ных свойств и построение на основе этих знаний модели распознавания параметров качества обра-
ботки детали;
- решение проблем, возникающих при практическом применении нейросетевых алгоритмов.
Манипулируя этими различными видами, можно получить, в конечном итоге, НС с оптималь-
ными свойствами и параметрами.
Технологическое металлорежущее оборудование с системных позиций представляется в виде
сложных технических систем и, не смотря на наличие многочисленных работ в области теоретиче-
ского моделирования и экспериментальных исследований станков, априорное прогнозирование его
текущего состояния практически невозможно. Поэтому приходится только констатировать качество
готовых деталей после обработки. Практически все серийное технологическое оборудование обеспе-
чено лишь локальными связями, что обусловливает низкую «управляемость» и «наблюдаемость» по
выходным критериям. Главная обратная связь по выходным параметрам практически реализуется в
редких случаях [2, 4].
Косвенная оценка технологического процесса приобретает огромное значение, поскольку она
является практически единственной информационной базой автоматизированной подналадки обору-
дования в процессе его эксплуатации с изменяющимися воздействиями и параметрами.
Обращение к системе, обеспеченной искусственным интеллектом, связано с «нечеткостью»
рассматриваемых объектов. При этом нечеткость образов, представлений и понятий человека вводит-
ся в формальные модели различными способами.
На уровне ввода/вывода происходит выделение из сигнала знакомых системе образцов и
представление их одним нейроном. Как при обучении, так и при распознавании входные векторы яв-
ляются нечеткими, т.е. имеется небольшой разброс векторов, принадлежащих к одному классу. В
связи с этим нейросеть, осуществляющая эту операцию, должна обладать определенной способно-
стью к статистическому усреднению [7, 8].
Обобщающая способность сети встречного распространения позволяет получать правильный
выход при управлении технологическими системами металлообработки даже при приложении вход-
ного вектора, который является неполным или слегка неверным. Так же сеть обладает замечательным
свойством - успешно обрабатывать зашумленную, искаженную или частично поврежденную инфор-
мацию [5 – 7].
После того как определена общая структура сети, необходимо уточнить ее параметры. К па-
раметрам сети относятся количество нейронов входа и выхода, число нейронов слоев Кохонена и
Гроссберга, а также величины синаптических связей.
Автор сети встречного распространения (ВР) Р. Хехт-Нильсен [9, 10] удачно объединил в од-
ной архитектуре преимущества возможности обобщения сети Т. Кохонена и простоту обучения вы-
ходной звезды Д. Гроссберга, вследствие чего сеть ВР получила свойства, которых нет ни у одной из
них в отдельности. Сеть ВР работает с двоичными векторами, состоящими из нулей и единиц, или
непрерывными. В результате обучения входные векторы ассоциируются с выходными и, когда сеть
обучена, подача входных образов приводит к получению выходных. Правильный выход может быть
получен и тогда, когда вход является неполным или несколько неверным. Гиперповерхность, полу-
чаемая в результате функционирования сети ВР, вследствие принципа непрерывности, дает возмож-
ность осуществлять прогнозирование. Естественно, что внутри гиперпараллелепипеда обучающих
образов прогнозирование будет более точным, а при решении задачи экстраполяции ошибка будет
значительно больше.
Сеть ВР состоит из двух слоев нейронов (Рис. 1) - слоя Кохонена и слоя Гроссберга. В режиме
функционирования (распознавания) нейроны слоя Кохонена работают по принципу Победитель-
Забирает-Все, определяя кластер, к которому принадлежит входной образ. Затем выходная звезда