Разработка динамического паспорта станка на основе нейросетевого моделирования его рабочего пространства с использованием технологии nVidia CUDA и подходов глубокого обучения

Предложена методика разработки индивидуального динамического паспорта станка, позволяющего в автоматизированном режиме определять оптимальные условия работы и наладки оборудования. Методика базируется на выявлении закономерностей между входными параметрами процесса резания, полученными на основе экспериментальных данных (режим резания, обрабатываемый материал, способ закрепления заготовки, геометрические параметры инструмента и заготовки), и выходными (амплитуда и частота колебаний, фрактальная размерность аттрактора) с использованием нейронной сети, адаптированной под регрессионный анализ. После обучения сети создана регрессионная нейросетевая модель процесса резания, позволяющая моделировать любые сочетания его входных параметров и анализировать значения выходных, тем самым определяя запас и область устойчивости системы в широком диапазоне ее наладки. Полученная нейросетевая модель отражает специфику динамики конкретного оборудования, что обеспечивает высокую производительность обработки без потери качества. Использование алгоритмов параллельных вычислений nVidia CUDA существенно ускоряет процесс обучения нейронной сети, что позволяет применять их в системах оперативной диагностики на производстве.

Литература

[1] Барановский Ю.В., ред. Режимы резания металлов: справочник. Москва, НИИТавтопром, 1995. 456 с.

[2] Кудинов В.А. Динамика станков. Москва, Машиностроение, 1967. 359 с.

[3] Кабалдин Ю.Г., Лаптев И.Л., Шатагин Д.А., Серый С.В. Диагностика динамической устойчивости и износа инструмента в технологических системах на основе искусственного интеллекта с использованием вычислений nVidia CUDA при удаленном доступе. Н. Новгород, Нижегород. гос. тех. ун-т им. Р.Е. Алексеева, 2014. 112 с.

[4] Кабалдин Ю.Г., Биленко С.В., Серый С.В. Управление динамическим качеством металлорежущих систем на основе искусственного интеллекта. Комсомольск-на-Амуре, Комсомольский-на Амуре гос. техн. ун-т, 2004. 240 с.

[5] Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. Москва, МИФИ, 1998. 224 с.

[6] Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н., Миркес Е.М., Новоходько А.Ю., Россиев Д.А., Терехов С.А., Сенашова М.Ю., Царегородцев В.Г. Нейроинформатика. Новосибирск, Наука, 1998. 296 с.

[7] Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. Москва, Мир, 1992. 127 с.

[8] Замятин Н.В., Мединцев Д.В. Методика нейросетевого моделирования сложных систем. Известия Томского политехнического университета, 2006, т. 309, № 8, с. 100–106.

[9] Еремин Д.М., Гарцев И.Б. Искусственные нейронные сети в интеллектуальных системах управления. Москва, Изд-во МИРЭА, 2004. 75 с.

[10] Сигеру Омату, Марзуки Халид, Рубия Юсоф. Нейроуправление и его приложения. Кн. 2. Москва, ИПРЖР, 2000. 272 с.

[11] Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапoт М.Д. Статические и динамические экспертные системы. Москва, Финансы и статистика, 1996. 320 c.

[12] Нейлор К. Как построить свою экспертную систему. Москва, Энергоатомиздат, 1991. 284 с.

[13] Попов Э.В., ред. Искусственный интеллект. В 3-х кн. Кн. 1. Системы общения и экспертные системы: справочник. Москва, Радио и связь, 1990. 464 с.

[14] Поспелов Д.А., ред. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: справочник. Москва, Радио и связь, 1990. 304 с.

[15] Захаров В.Н., Хорошевский В.Ф. Искусственный интеллект. В 3-х кн. Кн. 3. Программные и аппаратные средства: справочник. Москва, Радио и связь, 1990. 304 с.

[16] Лорьер Ж.Л. Системы искусственного интеллекта. Москва, Мир, 1991. 342 с.