Аналіз отриманих результатів

4. Аналіз отриманих результатів

Визначення зносу різця й шорсткості обробленої поверхні за даними АЕ здійснювали за спеціально розробленою методикою із застосуванням штучних нейронних мереж. Методика включала реєстрацію сигналів АЕ із зони різання, виділення обвідної АЕ з первинного сигналу, розкладання її в спектр із застосовуванням згладжування на часовому інтервалі тривалістю 2 сек по методу Блекмана-Харріса, після чого ми отримували 2046 значень амплітуд спектру у смузі частот до 22 кГц. Отриманий спектр зіставлявся за допомогою ШНМ із контрольованими показниками надійності: шорсткістю оброблюваної поверхні заготовки й зносом РІ.

ШНМ можна представити як спрямований граф зі зваженими зв'язками, а вузлами в ньому є штучні нейрони. Нейрон характеризується вектором вагових коефіцієнтів і видом активаційної функції. Вектор вхідних сигналів перемножується з вектором вагових коефіцієнтів w_j та перетворюється відповідно до функції активації – сигмоідальна функція виду f(х) = (1+е^-αx)^–1, де α характеризує «нахил» сигмоіду. Результат роботи ШНМ залежить від вагових коефіцієнтів сінаптичних зв'язків. Процедура визначення цих коефіцієнтів (навчання ШНМ), полягала в пред'явленні ШНМ відомих як вхідних, так і вихідних даних.

«Входи» – конфігурація спектра обвідної сигналу АЕ (тобто значення амплітуд спектра – 2046 значень), режими різання (v, t), процентний вміст кремнію в заготовці. «Виходи» – вимірювані традиційними способами числові значення зносу різця h_з та шорсткості обробленої поверхні Ra, що відповідають поточному «входу». Під час багаторазового навчання (90 ітерацій), ШНМ по внутрішньому алгоритму стабілізувала вагові коефіцієнти при заданій межі помилки 0,5%. Повний час навчання по 228 прикладам склав 1 хв. 18 сек. (на комп'ютері Dell із процесором 1,5 МГц).

Виведене значення виходу нейрона y_j⁽ⁿ⁾ у кожному шарі n має вигляд:

,

де M – число нейронів у шарі n-1, y_i^(n-1) – «вихід» i-го нейрона, w_ij⁽ⁿ⁾ – матриця вагових коефіцієнтів шара n. Відзначимо, що для кожного наступного шару «входами» є «виходи» попереднього шару: y_i^(n-1)=x_ij⁽ⁿ⁾ – i-ий «вхід» нейрона j шару n.

Для оптимізації структури ШНМ були проаналізовані наступні типи мереж: багатошаровий перцептрон зі зворотним поширенням помилки, генералізованний багатошаровий перцептрон, модульний, мережа Джордона-Элмана, рекурентна мережа. Головним обмеженням був час t (не більше 2 сек.) роботи навченої ШНМ по визначенню зносу й шорсткості. Таке обмеження пов'язане з необхідністю забезпечувати періодичність контролю шорсткості й зносу кожні 2 сек. Серед розглянутих мереж найбільшу швидкодію показала ШНМ типу багатошаровий перцептрон зі зворотним поширенням помилки.

Крім типу ШНМ була визначена кількість прихованих шарів та кількість нейронів у кожному шарі. Було встановлено, що ШНМ із одним прихованим шаром не має необхідну точність, а при кількості шарів більше 2-х мережа мала низьку швидкодію. Тому для аналізу сигналів АЕ застосовували ШНМ із двома прихованими шарами. У підсумку була отримана наступна оптимальна структура ШНМ: 2049/20/20/2, тобто 2049 елементів у вхідному шарі, по 20 у прихованих та 2 у вихідному шарі.

На основі розробленої методики оцінки зносу й шорсткості обробленої поверхні по даним АЕ за допомогою системи моніторингу РІ «MNAS-2» була створена навчальна вибірка у вигляді матриці з розмірністю [K, N], що містила необхідні дані для навчання ШНМ, а саме: параметр шорсткості Ra, значення зношування h_З, швидкість v і глибину різання t, відсоток кремнію в силуміні Si і значення амплітуд А спектра сигналу АЕ, отримані для кожного експерименту з точіння.

Відповідно до алгоритму навчання сформовану вибірку застосовували для навчання попередньо оптимізованої ШНМ. Для оцінки точності роботи навченої ШНМ було проведено 16 експериментів, під час яких точили силумінові заготовки та записували сигнали АЕ у пам’ять комп'ютера. У підсумку були сформовані «входи» тестової вибірки для ШНМ. Після кожного експерименту вимірювали знос АТП і шорсткість обробленої поверхні традиційними способами для подальшого порівняння.

У результаті роботи ШНМ на «виході» були отримані значення зносу різця й шорсткості обробленої поверхні. Похибка результатів визначення шорсткості розробленою системою склала ~8% і лежала в межах похибки виміру шорсткості на самому приладі «Surtronic-3». Похибка визначення значень зносу різця до 0,30 мм за допомогою системи «MNAS-2» при різних значеннях швидкості різання v у порівнянні з безпосередніми вимірами на мікроскопі «МБС-10» не перевищувала 6%.

Розроблені методики реєстрації та аналізу сигналів акустичної емісії із зони різання пройшли дослідно-промислову перевірку на Державному підприємстві Міністерства оборони України “Луцький ремонтний завод «Мотор»”. Реалізований в системі «MNAS-2» контроль зносу різця й шорсткості обробленої поверхні при заданих граничних показниках надійності (h_З = 0,30 мм й Ra =1,25 мкм) дозволяє у виробничих умовах вчасно замінити РІ та зменшити кількість браку.

Таким чином, була розроблена методика та створена система для визначення двох з трьох показників надійності різців з НТМ – зносу різця та шорсткості обробленої поверхні. Останній показник надійності – ймовірність руйнування різця, розглянутий у наступному розділі.

Похожие работы

Технологія зміцнення ріжучого інструменту методом іонно-плазмового напилення

75388

8

25

... – 3,5 рази, при чому для раціональності застосування даної технологої зміцнення необхідно, щоб стійкість була підвищена мінімум в 1,4 раза [5]. Тобто застосування методу іонно-плазмового напилення (КІБ) для зміцнення різця відрізного в технології його виробництва дозволить отримати значний економічний ефект. Таблиця 1.2 – Техніко-економічні показники методів зміцнення різальних інструментів ...