Selection of input and output variables for ann based modeling of cutting processes

• Autorzy: Viharos Z.J. , Monostori L. , Markos S.

Warianty tytułu

PL

Wybór zmiennych wejściowych i wyjściowych do opartego na sieciach neuronowych modelowania procesów skrawania

• Konferencja: X Workshop on Supervising and Diagnostics of Machining Systems. Karpacz, Poland, March 21-26,1999. Innovative and integrated manufacturing.
• Języki publikacji: EN

Abstrakty

EN

Modeling of manufacturing operations is an important tool for production planning, optimization and control. Artificial neural networks (ANNs) can handle strong non-linearity, large number of parameters, missing information. Based on their inherent learning capabilities ANNs can adapt themselves to changes of the production environment and can be used also in the case if there is no exact knowledge about the relationships between various parameters of manufacturing. Typical field of ANN based operation modeling is cutting. The relationships of the physical phenomena incorporated into the cutting operation are very complex. In the application of these models several tasks can be determined: e.g. 1/ in the planning phase the surface roughness is predefined and the model is expected to select the cutting parameters and to predict the cutting force, while; 2/ during supervised production the cutting parameters are known and e.g. the cutting force is measured and the produced surface roughness is to be estimated. In the above assignments the operation parameters are the same but the operation model has other variables on the input and on the output sides. In this paper a method is presented to build a general operation model with the requested accuracy. This method incorporates: a/ determination of the number of output variables , b/ determination for every parameter to be input or output. The method is also useful in the case of strong nonlinear relationships. Experiments show the applicability of the approach.

PL

Modelowanie operacji wytwarzania jest ważnym instrumentem dla planowania produkcji, optymalizacji i sterowania. Sieci neuronowe dają sobie radę z silną nieliniowością, dużą liczbą parametrów i brakującymi informacjami. Dzięki właściwym im zdolnością uczenia się sieci neuronowe potrafią przystosować się do zmian w środowisku produkcyjnym i można jej stosować także wtedy, gdy brak jest dokładnej wiedzy o relacjach między różnymi parametrami wytwarzania. Typowa dziedzina zastosowania modelowania opartego na sieciach neuronowych to skrawanie. Relacje między zjawiskami fizycznymi składającymi się na operacje skrawania są bardzo złożone. W zastosowaniu takich modeli można wyróżnić kilka zadań: 1/ na etapie planowania definiuje się wstępnie chropowatość powierzchni, a model wybiera parametry skrawania i przewiduje siłę skrawania; 2/ w czasie nadzorowanej produkcji znane są parametry skrawania i, na przykład mierzona jest siła skrawania oraz szacowana jest uzyskiwana chropowatość powierzchni; W powyższych zadaniach parametry operacji są te same, ale model operacji ma inne zmienne na wejściu, a inne na wyjściu. W referacie przedstawiono metodę konstruowania ogólnego modelu operacji o żądanej dokładności. Metoda obejmuje: a/ wyznaczanie liczby zmiennych wyjściowych; b/ ustalanie w przypadku każdego parametru, czy ma być on wielkością wejściową czy wyjściową. Metoda ta jest także przydatna, gdy występują zależności silnie nieliniowe. Badania doświadczalne wykazują, że prezentowane podejście jest stosowalne.

Słowa kluczowe

EN

neural networks; machine learning; heuristic search; CAD/CAM

• Wydawca: Oficyna Wydawnicza Politechniki Wrocławskiej
• Czasopismo: Prace Naukowe Instytutu Technologii Maszyn i Automatyzacji Politechniki Wrocławskiej. Konferencje
• Rocznik: 1999
• Tom: Vol. 72, nr 33
• Strony: 121--131
• Opis fizyczny: Bibliograf. 18 poz., rys.8

Twórcy

autor

Viharos Z.J.

autor

Monostori L.

autor

Markos S.

• Computer and Automation Research Institute, Hungarian Academy of Sciences, Kende u. 13-17, H-1111, Budapest, Hungary,