Wyniki wyszukiwania - BazTech

1

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

Viharos Z.J., Monostori L., Markos S.

Prace Naukowe Instytutu Technologii Maszyn i Automatyzacji Politechniki Wrocławskiej. Konferencje

|

1999

|

Vol. 72, nr 33

121-131

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.

2

A framework for modelling, monitoring and optimisation of manufacturing processes and process chains by using machine learning and search algorithms

Viharos J., Monostori L., Markos S.

Prace Naukowe Instytutu Górnictwa Politechniki Wrocławskiej. Konferencje

|

1999

|

Vol. 86, nr 24

249-254

EN

The paper present a novel approach for generating multipurpose models of machining operations combining machine learning and search techniques. These models are intended to be applicable at different engineering and management assignments. Simulated annealing search is used for finding the unknown parameters of the models in given situations. It is expected that the developed block-oriented framework will be a valuable tool for modeling monitoring and optimization of manufacturing processes and process chains. The applicability of the proposed solution is illustrated by the results of experimental runs.

3

Dobór wejść i wyjść sieci neuronowych modelujących procesy skrawania

Viharos Z. J., Monostori L., Markos S.

Inżynieria Maszyn

|

1998

|

R. 3, z. 4

97-110

PL

Modelowanie operacji wytwarzania jest ważnym instrumentem dla planowania produkcji, optymalizacji i sterowania. Sieci neuronowe dają sobie radą z silną nieliniowością, dużą liczbą parametrów i brakującymi informacjami. Sieci neuronowe potrafią przystosować się do zmian w środowisku produkcyjnym, dzięki właściwym im zdolnościom uczenia się, więc można je stosować także wtedy, gdy brak jest dokładnej wiedzy o relacjach między różnymi parametrami wytwarzania. Typową dziedziną zastosowania modelowania opartego na sieciach neuronowych jest skrawanie. Relacje między zjawiskami fizycznymi, składającymi się na operację skrawania, są bardzo złożone. W zastosowaniu takich modeli można wyróżnić kilka zadań. Po pierwsze, na etapie planowania definiuje się wstępnie chropowatość powierzchni, a model wybiera parametry skrawania i przewiduje siły skrawania, a po drugie, w czasie nadzorowanej produkcji znane są parametry skrawania i, na przykład, mierzona jest siła skrawania oraz szacowana jest uzyskiwana chropowatość powierzchni. W powyższych zadaniach zbiory parametrów operacji są te same, ale modele sieciowe tych operacji mają różne parametry na wejściach jak i na wyjściach. W artykule przedstawiono metodę konstruowania ogólnego modelu operacji o żądanej dokładności. Metoda obejmuje wyznaczenie liczby zmiennych wyjściowych oraz ustalenie w przypadku każdego parametru, czy ma być on wielkością wejściową czy wyjściową.

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. - 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 - 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: - determination of the number of output variables - determination for every parameter to be input or output.