ISBN 966-7851-19-2 Надійність інструменту та оптимізація технологічних систем. №14 2003.

Расчитанные по формулам (5,6) значения скорости и величины де-

формации приведены в таблице для ряда значений ∆S .

S

По кривым упрочнения находим сопротивление для различных тем- пературно-скоростных условий деформирования. Например, для приве-

денного в таблице 1 ряда отношений ∆S для стали 25 при 900°С [7, рис.

S

21] величина сопротивления деформации будет соответственно 9,6; 10,2; 11,5; 12,8; 13,8 кг/мм2.

Таблица 1– Сопротивление для различных температурно-скоростных условий деформирования

Относительная глубина	0,025	0,050	0,075	0,100	0,125
проникновения пуансона, ∆S
S
Эквивалентная величина	0,057	0,115	0,184	0,253	0,293
деформации по формуле (5)
Эквивалентная величина скорости	2,13	2,20	2,25	2,32	2,38
деформации по формуле (6)

Выводы

1.Область пластического течения при резке распространяется на всю толщину разделяемого листа (сляба). Линия разделения является границей между двумя областями пластической деформации.

2.Построенное по результатам эксперимента поле линий скольжения представлено системой жестких клиньев, при помощи которой предложена формула ддя определения удельной силы резки.

3.Путем осреднения величины деформации в пределах области пластической деформации при резке даны эквивалентные меры для подсчета величины и скорости деформации, позволяющие найти истинное сопротивление срезу.

Литература

1 Лисин А.Г. Напряжения н деформации по пояску смятия и влияние их на стойкость штампов разделительных операций.. «Оборудование и технология штамповки», № 51, Челябинск, 1969.

2 Крылов Н.И,, Третьяков Е.К., Непериин Р.И. Анализ разрезания заготовки на ножницах. В сб, «Пластическое :течение металлов». М., «Наука», 1968.

3 Кучер Н.П. Построение поля напряжений при резке и вырубке-пробивке в штампах.. «Самолетостроение и техника воздушного флота», вып..7, 1966.

4 Сторожев М.В., Попов Е.А. Теория обработки металлов давлением. М., «Машиносгроение», I971.

5 Суяров Д.И. Механика пластической среды. Красноярск, 1976.

6 Полухин П.И., Гун Г.Я., Галкин A.М. Сопротивление пластической деформации металлов и сплавов. Справочник, М., «Металлургия», 1976.

145

ISBN 966-7851-19-2 Надійність інструменту та оптимізація технологічних систем. №14 2003.

УДК 658.51:004.73

Ковалевская Е.С.

ДГМА, г. Краматорск, Украина

ПРОЕКТИРОВАНИЕ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ С ИСПОЛЬЗОВАНИЕМ СЕТЕЙ С ОДНОРОДНОЙ СТРУКТУРОЙ

In article questions of increase of efficiency of use of the process equipment are considered at group processing details. The technique of optimization of modes of cutting is examined at group processing and reduction of the cost price. Opportunities of application of a package of applied programs EXCEL are offered.

Введение

В настоящее время в мире развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (НС). Актуальность исследований в этом направлении подтверждается массой различных применений НС. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью НС можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту. Широкий круг задач, решаемый НС, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные НС, функционирующие по различным алгоритмам.

Общие положения

Под искусственной нейронной сетью понимается некоторое вычислительное устройство обработки информации, состоящее из большого числа параллельно работающих простых процессорных элементов – нейронов, связанных между собой линиями передачи информации – связями или синапсами. У нейронной сети выделена группа связей, по которым она получает информацию из внешнего мира, и группа выходных связей, с которых снимаются выдаваемые сетью сигналы. Нейронные сети применяются для решения различных задач классификации и прогнозирования. Нейронная сеть обучается решению задачи на основании некоторой обучающей выборки – "задачника", состоящего из набора пар "вход–требуемый выход", и далее способна решать примеры, не входящие в обучающую выборку [3,4].

Прототипом для создания нейрона послужил биологический нейрон головного мозга. Биологический нейрон имеет тело, совокупность отростков - дендридов, по которым в нейрон поступают входные сигна-

146

ISBN 966-7851-19-2 Надійність інструменту та оптимізація технологічних систем. №14 2003.

лы, и отросток - аксон, передающий выходной сигнал нейрона другим

клеткам.

Среди всего множества нейросетевых архитектур можно выделить две базовых архитектуры – слоистые и полносвязные сети.

Слоистые сети: нейроны расположены в несколько слоев (рис.1.2). Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам второго слоя. Далее сра-

батывает второй слой и т.д. до k-го слоя, который выдает выходные сигналы. Если не оговорено противное, то каждый выходной сигнал i-го слоя подается на вход всех нейронов i+1-го. Число нейронов в каждом слое может быть любым и никак заранее не связано с количеством нейронов в других слоях. Стандартный способ подачи входных сигналов: каждый нейрон первого слоя получает все входные сигналы. Особое распространение получили трехслойные сети, в которых каждый слой имеет свое наименование: первый – входной, второй – скрытый, третий

– выходной.

Полносвязные сети: имеют один слой нейронов; каждый нейрон передает свой выходной сигнал остальным нейронам, включая самого себя. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети. Все входные сигналы подаются всем нейронам.

Методика моделирования технологических процессов

Целью исследования в данной работе являются разработка и исследования применения метода нейронных сетей к решению задачи технологического обеспечения изготовления машиностроительных изделий.

Известные математические зависимости, применяемые в технологии машиностроения, не отражают качественные переходы, а применение новых материалов или обеспечение новых требований по качеству обработки требуют достаточно масштабных и затратных по времени экспериментальных исследований.

Для решения этой задачи было использовано моделирование на основе сетей с однородной структурой. Моделирование позволяет не только обеспечить системность исследований но и выявить оптимальные условия при наличии критериев оптимальности. (рисунок 1).

В качестве объекта исследования выбраны тела вращения. Построена информационная модель, которая накапливает доступные данные об объекте (по операциям технологического процесса, по режимам обработки, по параметрам применяемого инструмента, по размерам обрабатываемой поверхности). Для этого использованы справочные данные, которые представлены в виде нейросетевой модели, где входами являются исходные значения, а выходами информация из таблиц. С помощью нейросети можно сформировать совокупность уравнений с высокой точностью запоминающих табличные данные.

147