Интеллектуальная система управления процессом механообработки с оперативным использованием нечеткой нейросетевой модели знаний

• Автор: Гончарова, Светлана Геннадьевна
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Уфа
• Количество страниц: 207 с. : ил

ОГЛАВЛЕНИЕ

ОСНОВНЫЕ СОКРАЩЕНИЯ, ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ

ОСНОВНЫЕ УСЛОВНЫЕ ОБОЗНАЧЕНИЯ, ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ

ВВЕДЕНИЕ
ГЛАВА 1. АНАЛИЗ ВОПРОСОВ УПРАВЛЕНИЯ ПРОЦЕССОМ ОБРАБОТКИ ДЕТАЛЕЙ НА МЕТАЛЛОРЕЖУЩИХ СТАНКАХ С ЧПУ

1.1. Пути повышения эффективности механообработки

1.2. Содержательная постановка задачи управления

процессом резания

1.3. Проблемы математического описания процесса резания

1.4. Проблемы управления процессом резания

1.5. Требования к модели процесса резания и системе управления процессом резания
1.6. Выводы и результаты по главе
ГЛАВА 2. ФОРМАЛЬНОЕ ПРЕДСТАВЛЕНИЕ ЗНАНИЙ
О ПРОЦЕССЕ РЕЗАНИЯ
2.1. Выбор методов формального представления знаний
о процессе резания
2.2. Структура модели знаний о процессе резания
2.3. Структура функций принадлежности нечетких множеств
и нечетких отношений
2.4. Выполнение нечетких операций
2.5. Учет взаимодействий неопределенностей факторов
процесса резания
2.6. Основные выводы и результаты по главе
ГЛАВА 3. ОБУЧЕНИЕ (ИДЕНТИФИКАЦИЯ) МОДЕЛИ
ЗНАНИЙ ОПР
3.1. Обучение как процесс наполнения базы знаний знаниями о ПР
3.2. Синтез структуры блока обучения (идентификации) модели ПР
3.3. Построение нечетких множеств
3.3.1. Анализ существующих методов построения
нечетких множеств
3.3.2. Методика построения нечетких множеств
3.3.3. Алгоритм построения нечетких множеств
3.4. Построение нечетких отношений
3.4.1. Анализ методов построения нечетких отношений
3.4.2. Методика построения нечетких отношений
3.4.3. Алгоритм построения нечетких отношений
3.5. Определение параметров, учитывающих
взаимодействие неопределенностей факторов ПР
3.6. Формирование обучающих выборок
3.7. Алгоритм формирования оптимальной архитектуры НС
3.8. Выводы и результаты по главе
ГЛАВА 4. ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА УПРАВЛЕНИЯ ПРОЦЕССОМ РЕЗАНИЯ МЕТАЛЛОВ
4.1. Анализ методов управления в условиях нечеткой информации. Математическая постановка
задачи управления ПР
4.2. Оперативное вычисление значений функций ограничений
4.3. Проверка выполнения условий ограничений
4.4. Формирование управляющих воздействий ПР
4.5. Устойчивость системы управления ПР
4.6. Выводы и результаты по главе
ГЛАВА 5. ТЕХНИЧЕСКАЯ РЕАЛИЗАЦИЯ И
ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ РАБОТЫ
СИСТЕМЫ УПРАВЛЕНИЯ ПР
5.1. Имитационное моделирование работы системы управления ПР

5.2. Оценка и сравнительная характеристика
результатов имитационного моделирования
5.3. Выбор и обоснование технических средств
для реализации интеллектуальной системы управления ПР
5.4. Организация взаимосвязи алгоритмов работы
интеллектуальной системы управления с базовым ПМО УЧПУ
5.5. Выводы и результаты по главе
ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ

где А - среднее арифметическое результатов измерений, г7(А)- среднеквадратическое отклонение,
XI - 1-й результат наблюдения, п - количество наблюдений.
Однако, кроме проблемы суммирования погрешностей, существует также проблема их разделения на случайную и систематическую составляющие. В работе [77] предлагаются методы разделения погрешностей деталей, обработанных на токарных автоматах, и оценки этих погрешностей с помощью корреляционных функций. Однако применимость таких методов оценки погрешности ограничивается наличием оборудования со специальными средствами слежения за размерами деталей, наличием копиров и других эталонов деталей.
Как известно [24, 94], ограничениями на применимость статистических методов являются массовость проводимых экспериментов, повторяемость условий экспериментов, статистическая устойчивость. На примере оценки погрешностей обработки деталей и износа режущего инструмента видно, что эти ограничения выполняются далеко не для всех факторов ПР. Кроме того, тенденция развития современных производств как единичных и мелкосерийных, особенностями которых является многономенклатурность изделий, не допускает большого числа экспериментов на этапе технологической подготовке производства из-за высокой себестоимости деталей. В связи с этим отмечается существенный дефицит статистического материала, что делает неприменимыми статистические методы для математического представления целевых функций и ограничений.
В таких случаях наиболее эффективными могут оказаться информационные методы оценки погрешности.