Журнал "Литейное производство" № 1 - 2013

В статье приведены обобщенные данные об использовании нейросетевых методов для формирования проектных и управленческих решений в литейном производстве, отличающихся высокими функциональными возможностями и простотой использования.

Интенсификация развития литейного производства требует широкого применения технологических процессов и автоматического оборудования, отличающихся более высокими технико-экономическими показателями, малыми сроками проектирования и изготовления, учитывающих конкретные условия производства и обеспечивающих высокое качество производимой продукции.

Предъявляемые требования диктуют необходимость поиска новых методов формирования проектных и управленческих решений, что определяется существующей практикой их использования на базе традиционных подходов к выработке формализованных представлений

исследуемых объектов и процессов. Особенно это относится к литейному производству, которое характеризуется сложностью описания трудноформализуемых факторов, необходимостью учета скрытых закономерностей функционирования, а также наличием большого числа взаимодействующих между собой факторов в процессе производства отливок и работы оборудования, применяемых материалов в различных агрегатных состояниях и физико-химических процессов их обработки.

Альтернатива существующим подходам к решению задач формирования проектных и управленческих решений – применение нейросетевых методов, основу которых составляют искусственные статические и динамические нейронные сети (НС), сформированные на принципах строения мозга человека и являющиеся параллельными вычислительными структурами, не требующими программирования при функционировании [1…3].

Использование НС-методов базируется на возможности самообучения НС на примерах известных вариантов исследуемых объектов и процессов, формируемых пользователем, и построении их адекватных нейросетевых математических моделей (ММ). Особенность такого подхода в том, что, в принципе, не требуется знание закономерностей, описывающих анализируемые процессы и объекты.

Основа обучения НС включает формирование по специальному алгоритму модифицированной синаптической (связывающей значения параметров) матрицы, содержащей «образы» обучения в виде матричного представления параметров исследуемых объектов и процессов, модифицированных коэффициентами весомости, которые НС рассчитывает самостоятельно на основе обучающих последовательностей. Результат обучения НС – возможность генерации сетью выходных значений, минимально отличающихся от контрольных [1 …3].

Функционирование НС сводится к формированию выходных значений факторов на основе входных последовательностей данных. В качестве как входных, так и выходных данных могут использоваться числовые, логические и текстовые данные.

Непрерывное совершенствование НС-методов обработки данных свидетельствует о перспективности этого направления, которое обусловлено преимуществами:

• высоким качеством НС-моделей, поскольку НС нелинейные по природе и представляют собой исключительно мощный аппарат моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, что весьма востребовано в современных условиях;
• простотой их использования, поскольку отсутствует необходимость строгой адекватной формализации решаемой задачи, при возможности формирования многомерных ММ, что значительно повышает их функциональность;
• возможностью формирования и изучения нетривиальных ММ работы оборудования и техпроцессов, в частности, включающих скрытые, ранее не изученные закономерности;
• возможностью параллельной обработки данных;
• высокой скоростью получения результата при эмуляции на ПЭВМ.>

Использование НС в литейном производстве может включать решение следующих основных задач [3].

1. Анализ свойств объектов литейного производства на основе решения задач их формализованной кластеризации и классификации.
2. Разработка проектных решений технологических процессов и оборудования.
3. Формирование адекватных формализованных описаний объектов и процессов.
4. Оперативно-технологическое управление и диагностика качества отливок.
5. Оптимизация конструкторских и технологических решений.
6. Прогнозирование состояний оборудования и технологических процессов.
7. Оптимизация планирования и управления производством.

Решение задачи 1 базируется на использовании НС Кохонена, отличающихся возможностями:

• описания данных; сети Кохонена позволяют хранить информацию о данных в компактной форме, точно описывающих объекты;
• формирования правил отнесения анализируемого объекта к соответствующему классу по совокупности его свойств;
• прогнозирования состояний объекта исследования посредством формирования системы вариативных значений данных по принципу «что – если»;
• выявления новизны объекта исследования в случае невозможности его отнесения к соответствующему классу.

Задачи 2…4 решаются с применением статических НС, отличающихся возможностями, при соответствующем их обучении, формирования, с минимальными временными затратами, формализованных описаний объектов исследования, адекватных показателей качества процессов литья, проектных решений, максимально отвечающих конкретным условиям производства.

Задачи 5…7 решаются на основе применения динамических НС, включающих возможности формирования решений при постановке в соответствие исследуемым параметрам технологических процессов и оборудования энергетических свойств сети.

Автор уверен, что дальнейшее развитие процессов применения НС-методов в литейном производстве – основа повышения качества отливок и эффективности проектных и управленческих решений.

Список литературы

1. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия - Телеком, 2001. – 382 с.
2. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика,2002. – 344 с.
3. Блинников А.Е. Метод оперативно-технологического управления качеством отливок с применением нейронных сетей // Литейное производство. – 2007. – №2. – С. 20–22.

Сведения об авторе

Блинников Александр Евгеньевич – доцент кафедры прикладной информатики Орловского филиала Финуниверситета при правительстве РФ.