Штучний інтелект

Анотація: У статті розглянуто питання застосування нейронних мереж до створення системи ідентифікації та управління мобільними верстатами-роботами. Запропоновано новий підхід із застосуванням спектрального аналізу функцій поглинання механізмом верстата-робота збудженої акустичної хвилі з подальшою обробкою інформації на глибоких нейронних мережах каскадної архітектури. Математична модель процесу включає рівняння модифікованих активаційних функцій, що мають складану структуру зв'язків, і відображає взаємозв'язок акустичного спектру і координат актуальної точки об'єкта. Акустичний спектр відгуку, що є сумою збуджених, поглинених і відображених акустичних хвиль, піддається обробці за допомогою глибоких нейронних мереж. Побудована нейромережева еталонна модель, що дозволяє діагностувати поточну характеристику стану об'єктів, таких як конфігурація механізму, його геометричні параметри, динаміка переміщення вузлів.

Ключові слова: акустична діагностика, верстат-робот, нейронні мережі, еталонна модель

Посилання:

1. Isaksen A., Kalsaas B.T. Suppliers and strategies for upgrading in global production networks: the case of a supplier to the global automotive industry in a high-cost location. // European Planning Studies. – 2009. Vol. 17(4). – P. 569-585.
2. Dreval' A., Vasilev V., Vinogradov D., Malkov O. Measuring Diagnostic Stand for Experimental Researches in Technology Machining. // Nauka i Obrazovanie. –2014. – No 12. – P. 22-58.
3. High precision parallel robots for micro-factory applications / Clavel R. and others // Colloquium. –2005. – P. 85–296.
4. Бушуев В.В. Механизмы параллельной структуры в машиностроении / В.В. Бушуев, И.Г. Хольшев // СТИН. – 2001. – No1. С. 3 - 8.
5. Гаврилов В.А., Кольцов А.Г., Шамутдинов А.Х. Классификация механизмов для технологических машин с параллельной кинематикой // СТИН. – 2005. – No 9. – С. 28−31.
6. Кузнєцов Ю.М., Крижанівський В.А., Скляров Р.А. Сучасний стан, прогнозування і перспективи розвитку верстатів з паралельною кінематикою //Виснік ЖДТУ. – 2005. – No1. – С. 332-333.
7. Kruglov I.A. Neural networks modeling of multivariable vector functions in ill-posed approximation problems / I.A. Kruglov, O.A. Mishulina // Journal of Computer and System Sciences International. – 2013. – Vol. 52, No. 4. – P. 503-518.
8. Yusimit Z., Yoandrys M., Arlys L., Roberto B. Influence of the cutting parameters on flank wear of coated inserts during turning of AISI 316L // Enfoqute. – 2015. – No 6. – P.13-24.
9. Вороненко В.П., Рязанов Д.Ю. Повышение эффективности изготовления деталей типа тел вращения при нейросетевом управлении // Журнал «Технология Машиностроения». – 2010. – No3. – С. 49-52.
10. Кириченко А.М. Проведення до зони обробки жорсткості та податливості обладнання з механізмами паралельної структури / А.М. Кириченко // Вісник Національного технічного університету Україні „Київський політехнічний інститут”. Серія „Машинобудування”. – 2010. – No59. – С. 205-210.
11. Глушко Е.А., Радченко С.Г. Устойчивое моделирование технологических процессов и систем // Вісник Національного технічного університету України КПІ. Серія „Машинобудування”. – 2010. – No58. – С. 12-17.
12. Kovalevskyy S.V. Acoustic Monitoring with Neural Network Diagnostics / S.V. Kovalevskyy, O.S. Kovalevska // American Journal of Neural Networks and Applications. – 2015. – Vol. 1, No. 2. – P. 39-42. – doi: 10.11648/j.ajnna.20150102.12
13. Size control products using spectrum of natural vibrations and neural networks machining / S.V. Kovalevskyy, P Dašić, I.N. Starodubcev, O.S. Kovalevska // Вісник Донбаської державної машинобудівної академії. – 2012. – No 2 (27). – С. 38–43.