Гибридная иерархическая нейронная сеть для хранения знаний технологического процесса механообработки

Тип работы:
Реферат
Предмет:
ТЕХНИЧЕСКИЕ НАУКИ


Узнать стоимость

Детальная информация о работе

Выдержка из работы

УДК 658. 5
В.Д. ДМИТРИЕНКО, д-р техн. наук, проф., НТУ & quot-ХПИ"-,
И.П. ХАВИНА, канд. техн. наук, доц., НТУ & quot-ХПИ"-
ГИБРИДНАЯ ИЕРАРХИЧЕСКАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ
ХРАНЕНИЯ ЗНАНИЙ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
МЕХАНООБРАБОТКИ
Разработана архитектура гибридной иерархической нейронной сети (ГИНС), базирующаяся на нейронных сетях (НС) адаптивной резонансной теории АРТ-1 и их модификациях АРТ-ls и APT-1h и с использованием Н С Хемминга. ГИНС применяется для описания онтологии знаний мультиагентной системы управления машиностроительным предприятием. Ил.: 2. Библиогр.: 10 назв.
Ключевые слова: иерархическая гибридная нейронная сеть, адаптивная резонансная теория, онтология знаний, мультиагентная система.
Постановка проблемы и анализ литературы. Существующие на сегодняшний момент компьютерные системы поддержки принятия решений осуществляют планирование, контроль производства и управление цепочками поставок, определение критических путей, узких мест и рисков сбоев в режиме реального времени, но не могут осуществлять гибкого адаптивного управления производства в целом. В контексте комплексной автоматизации управления сложного производства и выпуска высокотехнологичной продукции все вышеперечисленные задачи взаимосвязаны с высокой степенью знания о продукте [1, 2].
В настоящее время интерес вызывает новый класс систем управления производством — MES (Manufacturing Execution System) -производственные исполнительные системы) [3 — 5], а современным подходом для реализации такой системы является создание мультиагентной системы (МАС) [6 — 8]. Особенностью МАС является отсутствие системы глобального управления, децентрализация данных, реализация вычислений в асинхронном режиме и др. Архитектура мультиагентной системы включает в себя онтологию знаний о предметной области, логику принятия решений по планированию и модуль планирования, обеспечивающий необходимые вычислительные возможности для работы мультиагентной среды [7 — 9].
Для описания знаний, необходимых агентам, входящим в состав МАС, используется онтологический подход, согласно которому знания
© В. Д. Дмитриенко, И. П. Хавина, 2013
отделены от программного кода системы и должны храниться в онтологии, представляющей собой сеть понятий и отношений предметной области [9].
Цель статьи — разработка архитектуры новой гибридной нейронной сети для хранения знаний о технологическом процессе механообработки.
На рис. 1 показаны некоторые объекты и ресурсы, участвующие в процессе изготовления детали.
Выбор инструмента, приспособлений:
Выбор
станка:
Выбор заготовки детали:
Анализ
конфигурации
детали:
Заказ:
Квалитет, точность, шероховатость поверхности, геометрия изделия.
Тип станка, габариты изделия, класс точности, мощность, стоимость операции.
Тип изделия (материал и т. д.), габариты изделия, составные поверхности.
Разбиение на поверхности, выбор базовой поверхности.
Производственный план (вид изделия, шт., сроки выполнения, себестоимость).
Рис. 1. Понятие и детализация заказа
Модель знаний предметной области (онтология) может быть представлена в виде дерева наследования или в виде семантической сети, вершинами которой являются концепты, а ребрами — отношения между концептами [9]. Подобную иерархию можно реализовать с помощью разработанной гибридной иерархической нейронной сети (ГИНС) на базе модулей, содержащих нейронные сети (НС) адаптивной резонансной теории — АРТ-1, и разработанных новых модификациях этой сети — сетях АРТ-^ и АРТ-^ [10], и Н С Хемминга. На рис. 2 показана архитектура ГИНС.
Первые три модуля состоят из сетей АРТ-1у, которые по значениям ширины, длины и высоты изделия производят анализ размеров и конфигурации будущего изделия, выделяя особые признаки, например,
наличие цилиндрических или призматических поверхностей и другие признаки, влияющие на технологический процесс изготовления изделия. Результаты работы поступают на вход четвертого модуля (НС АРТ-1), где определяется вид заготовки.
Пятый модуль является дискретной нейронной сетью АРТ-^, которая по типу обрабатываемой поверхности и виду операции определяет типы станков, которые могут выполнить заданную операцию.
Анализ
конфигурации
Выбор
заготовки
Тип станка * '-Лк-
Типоразмер
станка
Класс
станка
Квалитет
поверхности
АРТ-^ № 8
№ 7

Рис. 2. Гибридная иерархическая нейронная сеть
Шестой модуль является дискретной нейронной сетью АРТ-1 А, где по габаритам заготовки и типам станков, полученным на предыдущем шаге, определяется подмножество станков, которые подходят для обработки поверхностей изделия с заданными габаритными размерами. В качестве модуля применяется дискретная нейронная сеть АРТ-1А, которая производит анализ с помощью параметра сходства как на основе единичных, так и на основе нулевых данных и позволяет получать множество решений [10]. Результатом работы шестого модуля будет
множество кодов станков, на которые можно установить заготовку с заданными размерами.
Седьмой модуль — дискретная нейронная сеть АРТ-1^. Она определяет подмножество станков, обеспечивающих заданную точность обработки. Входными данными седьмого модуля являются выходные данные предыдущего модуля и данные о точности обработки поверхности.
Восьмой модуль — нейронная сеть Хемминга, определяет станок, обеспечивающий минимальную стоимость операции.
Выводы. Таким образом, с помощью ГИПС осуществляется выбор оборудования с соблюдением всех организационных и технологических ограничений для изготовления изделий методами лезвийной обработки. ГИПС может применяться для описания и хранения знаний MАС управления машиностроительным предприятием.
Список литературы: 1. Грабченко A.I. Робочі процеси високих технологій у
машинобудуванні / A.I. Грабченко, М. В. Верезуб, Ю. М. Внуков та ін. — Житомир: ЖДТУ, 2003. — 455 с. 2. Erdelyi F. Advanced simulation of NC turning operations / F. Erdelyi, O. Hornyak. — Production Systems and Information Engineering, Miskolc. — 2003. — V. 1. — P. 4153. 3. Бесекерский B.A. Теория систем автоматического управления / B.A. Бесекерский, Е. П. Полов. — СПб.: «Профессия», — 2003. — 752 с. 4. Трубицын A. Па стыке экономики и технологии / A. Трубицын. — PC WEEK/RE. — 2005. — № 4. — С. 25−27. 5. Bartholomew D. MES provides vital link / D. Bartholomew // Industry Week. — 2001. — N° 5. — P. 55. б. DenkenaB. Intelligent software agents as a basis for collaborative manufacturing systems / B. Denkena, A. Battino, P.O. Woelk. — Intelligent Production Machines and Systems, First I*PROMS Virtual Conference 4−15 July 2005. Amsterdam, Elsevier, 2005. — P. 17−22. 7. Vokrinek J. Simulation of manufacturing processes using multi-agent technology / J. Vokrinek, D. Pavlicek, R. Smerak. -Intelligent Production Machines and Systems, First I*PROMS Virtual Conference 4−15 July 2005. Amsterdam, Elsevier, 2005. — Р. 461−466. S. Fox M.S. Agent-Oriented Supply-Chain Management / M.S. Fox, M. Barbuceanu, R. Teigen // Flexible Manufacturing Systems. — 2000. — V. 12. -Р. 165−188. 9. Иващенко A.B. Mультиагентная технология управления мобильными ресурсами в режиме реального времени / A.B. Иващенко, A.H. Лада, Е. В. Симонова, П. О. Скобелев. — Самара: ПГУТИ, — 2011. — 177 с. 10. Дмитриенко В. Д. Mоделирование технологических процессов механообработки методами искусственного интеллекта: монография / В. Д. Дмитриенко, И. П. Хавина, В. Л. Хавин, Н. В. Верезуб. — Х.: ПТУ & quot-ХПИ"-, -2009. — 260 с.
Поступила в редакцию 20. 04. 2013 После доработки 03. 06. 2013
УДК 658. 5
Гібридна ієрархічна нейронна мережа для зберігання знань технологічного процесу механообробки / Дмитрієнко В.Д., Хавіна І.П. // Вісник ПТУ & quot-ХПІ"-. Тематичний випуск: Інформатика та моделювання. — Харків: ПТУ & quot-ХПІ"-. — 2013. — № 39 (1012). — С. 68 -72.
Розроблена архітектура гібридної ієрархічної нейронної мережі ^HM), що базується на нейронних мережах ^M) адаптивної резонансної теорії АРТ-1 та їх модифікаціях АРТ-ls і АРТ-Щ та НM Хеммінга. THM застосовується для опису онтології знань мультиагентної системи управління машинобудівним підприємством. Іл.: 2. Бібліогр. :
10 назв.
Ключові слова: гібридна ієрархічна нейронна мережа, адаптивна резонансна теорія, онтологія знань, мультиагентна система.
UDC 658. 5
Hybrid hierarchical neural network for storing knowledge of the process cutting / Dmitrienko V.D., Шута I.P. // Herald of the National Technical University & quot-KhPI"-. Subject issue: Information Science and Modelling. — Kharkov: NTU & quot-KhPI"-. — 2013. — №. 39 (1012). -P. 68 — 72.
The architecture of the hybrid hierarchical neural network (HHNN) based on neural networks (NN) adaptive resonance theory ART-1, and their versions of ART-1h and ART-1s with NN Hemming. HHNN is used to describe the ontology knowledge multi-agent system control machinery manufacturer. Figs.: 2. Refs.: 10 titles.
Keywords: hybrid hierarchical neural network, adaptive resonance theory, the ontology of knowledge, multi-agent system.

ПоказатьСвернуть
Заполнить форму текущей работой