Расчетная оценка смазочного действия органических компонентов СОТС при лезвийном резании металлов на базе микрокапиллярной модели и нейросетевого программирования

• Автор: Манашов, Андрей Геннадьевич
• Шифр специальности: 05.03.01
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Иваново
• Количество страниц: 185 с. : ил.

Условные обозначения и сокращения
1. Аналитический обзор
1.1. Реализация принципов автоматизации в области применения СОТС в машиностроительном производстве
1.2. Физические аспекты процесса резания с применением СОТС
1.3. Классификация СОТС
1.4. Механизм смазочного действия СОТС
1.4.1. Общие представления о смазочном процессе при резании металлов
1.4.2. Проникновение смазочной среды в зону трения
1.4.3. Капиллярная модель проникновения смазочной среды
1.4.4. Многостадийный характер процесса формирования граничного смазочного слоя при резании
1.5. Основные положения теории нейронных сетей
1.5.1. Биологический нейрон
1.5.2. Структура и свойства искусственного нейрона
1.5.3. Классификация нейронных сетей и их свойства
1.5.4. Обучение нейронных сетей
1.5.5. Алгоритм обратного распространения
1.6. Среда программирования C++ Builder 5
1.7. Выводы по аналитическому обзору. Постановка цели и задач исследования
2. Построение расчетной модели формирования адсорбционного смазочного слоя на основе капиллярного представления
2.1. Аналитическая модель проникновения СОТС
2.2. Построение математического описания адсорбционого смазочного процесса на базе капиллярной модели
2.3. Разработка компьютерной программы по анализу адсорбции и диффузии в смазочном микрокапилляре
2.4. Обсуждение результатов компьютерных расчетов по моделированию адсорбции
3. Расчет энергии адсорбции смазочного материала в трибосистеме с помощью пакета программ НУРЕЛСЕГЕМ
3.1. Оптимизация методом сопряженных градиентов. Алгоритм Полака-Рибьера
3.2. Моделирование поверхности и молекул ПАВ
4. Принципы построения нейронной сети
4.1. Алгоритм обратного распространения применительно к разработанной сети
4.2. Шкалирование данных
5. Реализация нейросетевой программы
6. Эксперимент по обучению нейронной сети
6.1. Сравнение работы нейронной сети с данными многофакторной регрессии
Основные выводы
Литература
Приложения
Условные обозначения и сокращения
ч> АЗ — автоматизированный завод;
АСОР-СОТС — автоматизированная система очистки и регенерации СОТС;
АСТП-СОТС — автоматизированная система технологической подготовки СОТС;
АСУ— автоматизированная система управления;
АСУО-СОТС — автоматизированная система удаления отходов;
АТСС — автоматизация транспортно-складского снабжения;
ГАП — гибкое автоматизированное производство;
ГПС — гибкая производственная сеть;
ИНС — искусственная нейронная сеть;
ИПС— искусственная полносвязная сеть;
НС — нейронная сеть;
ПАВ — поверхностно-активное вещество;
V САР — система автоматического регулирования;
СОТС — смазочно-охлаждающая технологическая среда;
УЧПУ —универсальное числовое программное управление;
ЧПУ — числовое программное управление;
АА — работа внешних сил;
Ь — значение смещения; с — объемная концентрация ПАВ; с0 — концентрация ПАВ во внешней среде; ср — удельная теплоемкость жидкости;
О — коэффициент диффузии;
Е — функция ошибки;
^ /(У — передаточная функция;
— сила давления, вызванная взрывом микрокапли;

Представим некоторые проблемы, решаемые в контексте НС и представляющие интерес для пользователей, занимающихся анализом сложных многофакторных объектов.
Классификагрт образов. Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание человеческих лиц, букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови, медицинская диагностика.
Кластеризация/категоризация. При решении задачи кластеризации, которая известна также как классификация образов «без учителя». В данном случае отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размешает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных.
Аппроксимация функций. Предположим, что имеется обучающая выборка ((х/: у2), (х2, у2)1 "•> (хм, Ун)) (пары данных вход-выход), которая генерируется неизвестной функцией Р(х), искаженной шумом. Задача аппроксимации состоит в нахождении оценки неизвестной функции Р(х). Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.
Предсказание/прогноз. Пусть заданы п дискретных отсчетов {у(1/), у(1г)>—> У(1к)} в последовательные моменты времени 1|, 12 Ь- Задача состоит в предсказании значения у^к+О в некоторый будущий момент времени 4+у. Предсказание/прогноз имеет значительное влияние на принятие решений в бизнесе, науке и технике. Предсказание цен на фондовой бирже и прогноз погоды являются типичными приложениями техники предсказания/прогноза.