Наукові основи визначення залежностей теорії різання в алгоритмах при реалізації нейронних мереж процесів формоутворення

Abstract

Наукові основи визначення залежностей теорії різання є складною структурною системою яка супроводжувається безліччю різних фізичних явищ. До них відносяться такі як пластичні деформації, тертя, вібрації, теплові, хімічні та ін, які визначаються, в основному верстатом, інструментом, оброблюваним матеріалом. Великою мірою ефективність процесу різання залежить від управління цим процесом. Останнім часом для управління технологічними процесами використовуються штучні нейронні мережі (ШНМ) і являють математичну модель з її програмним або апаратним втіленням. Ці моделі не що інше як залежність між досліджуваними вхідними факторами та вихідними параметрами. Вони придатні лише управління процесами в аналізованому діапазоні змінних і розкриває сутності «чорного ящика» тобто. явищ їх супроводжуючих. Створення нейронних мереж на основі явищ, що супроводжують аналізований технологічний процес, відкриває широкі можливості оптимального управління його параметрами з подальшою корекцією системи. Такий підхід значно підвищить точність управління, скоротить витрати на навчання та реалізацію управління. Створення таких ШНМ на прикладі процесу різання є актуальною проблемою та її вирішення має велике практичне значення.

The scientific basis of determining the dependencies of cutting theory is a complex structural system that is accompanied by many different physical phenomena. These include plastic deformations, friction, vibrations, thermal, chemical, etc., which are mainly determined by the machine tool, the tool, and the material being processed. To a large extent, the efficiency of the cutting process depends on the management of this process. Recently, artificial neural networks (ANNs) are used to control technological processes and represent a mathematical model with its software or hardware implementation. These models are nothing more than the dependence between the studied input factors and output parameters. They are suitable only for managing processes in the analyzed range of variables and reveal the essence of the "black box", i.e. phenomena accompanying them. The creation of neural networks based on the phenomena accompanying the analyzed technological process opens up wide opportunities for optimal management of its parameters with further correction of the system. This approach will significantly increase the accuracy of management, reduce costs for training and implementation of management. The creation of such ANNs on the example of the cutting process is an actual problem and its solution is of great practical importance.