Автоматическое обеспечение шероховатости при обработке наружных поверхностей на основе динамического мониторинга

Проблема повышения эффективности машиностроительного производства была и остается одной из самых актуальных проблем развития экономики. Однако важность данной проблемы значительно возросла в связи с ужесточающимся мировым финансовым и экономическим кризисом. В выступлении президента РФ о стратегии развития России до 2020 года [116] отмечается: «.основным путем выхода из сложившейся ситуации является стратегия инновационного развития страны, опирающаяся на наиболее эффективное применение знаний и умений людей для постоянного улучшения технологий, экономических результатов, жизни общества в целом.».

В области машиностроения в свете стратегии развития России до 2020 года, необходимо добиться повышения уровня конкурентоспособности продукции отечественных производителей за счет обеспечения требуемого качества изготавливаемых изделий.

Анализ качества продукции машиностроительного производства показывает, что оно во многом определяется эксплуатационными свойствами входящих в ее состав деталей и узлов. Исследования отечественных и зарубежных ученых показывают, что эксплуатационные свойства машин зависят от целого ряда параметров контактирующих поверхностей деталей и узлов, входящих в состав изделия. К таким параметрам относятся: точность размеров, погрешности формы контактирующих поверхностей, физико-механические параметры поверхностного слоя и т. д. Далеко не последнее место среди этих параметров занимает шероховатость контактирующих поверхностей, т.к. она влияет практически на все основные эксплуатационные свойства изделий (износостойкость, усталостную прочность, коррозионную стойкость и т. д.).

Наибольшее распространение в конструкции машин получили гладкие цилиндрические соединения. Самым распространенным методом их формообразования, как на черновых, так и на чистовых операциях является точение.

Специфика развития машиностроительного производства, заключающаяся в широком внедрении в промышленную практику станков с ЧПУ, остро ставит вопрос об автоматическом контроле качества деталей, в частности шероховатости обрабатываемых поверхностей. До настоящего времени отсутствуют надежные технические решения вопросов контроля шероховатости при обработке на токарных станках с ЧПУ.

Решение данной задачи осложняется нелинейностью, не детерминированностью и нестационарностью условий обработки. Таким образом, для того, чтобы осуществлять автоматическое обеспечение шероховатости поверхности в ходе обработки на станке с ЧПУ, необходимо в первую очередь решить проблему эффективного диагностирования технологической системы, а также выработать подход к управлению технологической системой, основанный на принципе адаптации.

Главным фактором, который влияет на эффективность диагностики является информативность используемых параметров оценки состояния диагностируемого объекта. Применение для этих целей температуры или силы резания зачастую оказывается неприемлемым, малоинформативным и недостаточно адекватным. Использование акустического излучения, которое всегда присуще процессу обработки, в качестве диагностического признака является наиболее перспективным ввиду того, что сигнал виброакустики обладает большой информативностью и является отражением наиболее существенных процессов, протекающих при резании: трения, разрушения и пластической деформации материала в зоне резания, а также функционирования всей технологической системы в целом.

Помимо выбора диагностического признака, необходимо выбрать методологическую концепцию, в рамках которой возможно будет максимально учесть нелинейность, недетерминированность и нестационарность условий обработки. Наиболее приемлемой является синергетическая концепция. Для диагностических целей в рамках синергетической концепции разработан аппарат нелинейной динамики, посредством которого производится оценка состояния динамических систем. Для осуществления адаптивного управления в синергетике применяются искусственные нейронные сети, главными достоинствами которых являются их универсальные аппроксимирующие свойства и способность к обучению под конкретные условия, определяемые внешней средой.

Таким образом, актуальной задачей исследования является создание методики управления качеством процесса точения, инвариантной к различным факторам и обладающей адаптивными свойствами. В связи с этим, в работе исследована и обоснована возможность применения методов фрактальной геометрии для моделирования шероховатости поверхности, рассмотрены вопросы, связанные с применением аппарата нелинейной динамики для оценки состояния технологической системы и проработаны вопросы, связанные с использованием искусственных нейронных сетей для установления взаимосвязи динамических параметров с параметрами качества поверхности.

Цель работы: Автоматическое обеспечение заданной шероховатости поверхности при токарной обработке посредством оценки состояния технологической системы и использования искусственных нейронных сетей.

Научная новизна состоит в:

— теоретическом и экспериментальном обосновании описания профиля шероховатости поверхности, полученного при чистовой токарной обработке фрактальной самоафинной кривойразработанном алгоритме моделирования фрактальной кривой, описывающей профиль шероховатости поверхности на основе модернизации метода случайных сложений;

— установлении связи динамических параметров технологической системы с параметрами шероховатости поверхности, выявлении наиболее пригодных показателей для управления технологической системой с целью обеспечения требуемой шероховатости поверхности;

— обосновании архитектуры, алгоритма обучения, точности обучения искусственных нейронных сетей, предназначенных для выявления зависимостей между динамическими параметрами технологической системы и параметрами качества обработанной поверхности;

— в разработке системы адаптивного управления, основанной на использовании виброакустического сигнала в качестве диагностирующего признака, фрактальных моделей описания шероховатости поверхности и искусственных нейронных сетей в качестве аппроксиматора.

Практическая ценность работы. Разработанная система адаптивного управления позволяет в режиме реального времени оценивать параметры шероховатости поверхности и вносить оперативную коррекцию в режимы обработки с целью обеспечения заданной величины шероховатости поверхности, а также контролировать состояние инструмента и при необходимости производить его замену. Результаты работы приняты к внедрению на ОАО «Шадринский телефонный завод» и ОАО НПО «Курганприбор».

Апробация работы. Основные результаты работы докладывались на международных конференциях: «Повышение качества продукции и эффективности производства» (Курган, 2006 г.), «XVIII-й интернет-конференции молодых ученых и студентов по проблемам машиностроения» (Москва, 2006), «XIX-й интернет-конференции молодых ученых и студентов по проблемам машиностроения» (Москва, 2007), «Информационно-вычислительные технологии и их приложения» (Пенза, 2008), «Проблемы качества машин и их конкурентоспособности» (Брянск, 2008), «Трубопроводная арматура XXI века: наука, инжиниринг, инновационные технологии» (Курган, 2008), «Новые материалы, неразрушающий контроль и наукоемкие технологии в машиностроении» (Тюмень, 2008), «Современные информационные технологии-2008» (Пенза, 2008), «Наука и устойчивое развитие общества. Наследие В.И.Вернадского» (Тамбов, 2008), «Технологическая системотехника» (Тула, 2008) — На Уральском семинаре по механике и процессам управления «Итоги диссертационных исследований по машиностроению» (Миасс, 2008).

Публикации. По теме диссертации опубликовано 23 печатные работы (в том числе 10 в журналах, входящих в список ВАК).

Положения, выносимые на защиту.

1. Результаты исследований, обосновывающие фрактальность профиля шероховатости поверхности, полученного при токарной обработке.

2. Модель шероховатости поверхности, основанная на модернизированном методе случайных сложений.

3. Результаты экспериментальных и теоретических исследований динамического состояния технологической системы.

4. Доказательство возможности применения аппарата искусственных нейронных сетей для аппроксимации неявных зависимостей между динамическим состоянием технологической системы и параметрами шероховатости поверхности.

5. Методика оценки динамического состояния и управления обрабатывающей технологической системой с целью обеспечения необходимой шероховатости поверхности с использованием фрактальной геометрии, нелинейной динамики и искусственных нейронных сетей.

6. Разработанная система управления, реализованная в виде встраиваемого в систему ЧПУ программного модуля.

1. СОСТОЯНИЕ ВОПРОСА.

4.3. Основные выводы по главе.

1. Полученные зависимости динамических характеристик системы (корреляционной размерности фазового пространства, корреляционной энтропии, и старшего показателя Ляпунова) от ширины фаски износа имеют характерные участки, которые соответствуют зоне приработки, нормального и катастрофического износа;

2. В результате вычисления величины взаимной корреляции между значениями динамических параметров системы и среднеарифметическим отклонением профиля было установлено, что наибольшая корреляция (г = 0.85) наблюдается между значениями корреляционной размерности v и шероховатости, а значит, корреляционную размерность наиболее целесообразно использовать в качестве динамической характеристики для контроля шероховатости поверхности в процессе обработки;

3. Установлено, что значения показателя Ляпунова при фаске износа h3 =0.0.38мм возрастают, при износе h3 =0.3 8. 1.77мм наблюдается незначительное снижение значений показателя, а при износе h3> 1.77мм показатель Ляпунова практически не изменяется (колебания не превышают 0.01%), таким образом, по величине показателя Ляпунова можно судить о степени износа инструмента;

4. Вейвлет-анализ виброакустического сигнала позволил выявить наличие фрактальных компонентов в сигнале виброакустики в частотном диапазоне от 6 до 12 кГц, генерируемым технологической системой, чем подтверждается обоснованность применения аппарата нелинейной динамики для оценки состояния технологической системы с целью обеспечения требуемой шероховатости поверхности.

5. РАЗРАБОТКА МОДЕЛИ СИСТЕМЫ УПРАВЛЕНИЯ НА ОСНОВЕ ИСКУСТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ.

5.1. Выбор управляющих параметров процесса точения.

Для того чтобы осуществлять управление технологическим процессом разработан целый ряд методов [59,71], однако одним из наиболее приемлемых методов является адаптивное управление с идентификатором [59]. Отличительной чертой данного метода является наличие идентификатора, на вход которого подается информация о текущих значениях выходного параметра, а также возмущающего и управляющего воздействий, с выхода идентификатора поступает корректирующие воздействие, в соответствии, с текущим значением которого может быть выбрано управляющее воздействие. Однако процесс резания характеризуется множеством параметров, большинство из них практически не поддается управлению именно в ходе обработки (твердость и прочность обрабатываемого материала, геометрия инструмента и т. д.). Таким образом, первым этапом в разработке системы управления является выбор управляющих параметров процесса точения.

Основными требованиями, предъявляемыми к таким параметрам являются возможность их регулирования в ходе процесса обработки и значимость влияния данных факторов на величину шероховатости поверхности. В качестве параметров, которые удовлетворяют первому требованию можно выделить частоту вращения шпинделя станка (которая определяет скорость резания) и подачу. Глубина резания не удовлетворяет первому требованию ввиду того, что колебания припуска носят случайный характер, а значит регулировать эти колебания достаточно сложно. Что касается второго требования к управляющим параметрам процесса точения, то в работе [48] было доказано, что наиболее значимое влияние на величину шероховатости поверхности в ходе токарной обработки оказывают подача, износ инструмента и скорость резания. Определение степени влияния параметров процесса точения на величину шероховатости поверхности в работе [48] производилось посредством расчета уровня статистической значимости факторов эксперимента, построенного на основании сверхнасыщенных планов [8,22,30].

Таким образом, в качестве управляющих параметров процесса точения в работе приняты скорость резания, продольная подача и износ инструмента.

5.2. Разработка общей структуры системы управления.

Определившись с выбором управляющих параметров процесса точения, можно непосредственно приступить к разработке общей структурной схемы системы управления. С учетом того, что предполагается осуществлять управление с идентификатором, схему системы управления можно представить следующим образом [60,61]:

Входные параметры модели шероховатости.

Рис. 5.1. Структурная схема системы адаптивного управления процессом точения с целью обеспечения требуемой шероховатости.

В качестве источника диагностической информации в работе используется виброакустическое излучение, генерируемое процессом обработки и регистрируемое преобразователем вибраций. Система адаптивного управления состоит из пяти основных блоков: Бл1 — фрактальная модель шероховатости поверхности, Бл2 — расчет режимов резания, БлЗ — построение модели шероховатости поверхности по сигналам виброакустики, Бл4 — блок принятия решений 1 и Бл5 — блок принятия решений 2.

Блок фрактальная модель шероховатости поверхности (ФМТТТП) предназначен для построения модели шероховатости поверхности, которая является моделью для управления процессом точения. Методика построения ФМШП заключается в следующем:

— задаются требуемые численные значения параметров шероховатости (Ra, Sm), исходя из служебного назначения детали и требований чертежа;

— по заданным значениям параметров шероховатости вычисляются исходные данные, необходимые для построения модели шероховатости (а, Н) и строится ФМТТТП по разработанному в работе алгоритму;

Блок расчет режимов резания предназначен для определения режимов обработки — продольной подачи S, мм. об и скорости резания (V, м. мин) по заданным параметрам шероховатости поверхности Ra, Sm.

Блоки построение модели шероховатости поверхности по сигналам виброакустики и блок принятия решений 2 позволяют оценивать шероховатость поверхности в процессе обработки. Делается это следующим образом: по сигналу, поступающему с преобразователя вибраций строится ФМШП, далее вычисляются отклонения между действительной и эталонной ФМШП — dRa, dSm. По вычисленным значениям dRa, dSm определяются корректирующее воздействие dS, dn, где п — частота вращения шпинделя, после чего производится корректировка процесса резания при помощи корректора 2.

Блок принятия решений 1 позволяет оценивать износ инструмента в ходе обработки. Работа данной части системы производится по следующей схеме: по сигналу виброакустики, поступающему с преобразователя вибраций вычисляется мощность виброакустического сигнала и старший показатель Ляпунова А, по значениям, которых оценивается износ инструмента.

Для эффективного функционирования разрабатываемой адаптивной системы управления по сигналам виброакустики необходимо выбрать такой методологический аппарат, на основании которого было бы возможно разработать устройства принятия решений так, чтобы точность получаемых результатов была максимальной, с учетом стохастичности самого процесса механической обработки. Одним из самых эффективных решений в этой области является применение искусственных нейронных сетей (ИНС) [1,82,84,97], основные преимущества которых описаны в пункте 1.4 настоящей работы.

ИНС называется вычислительная структура, моделирующая способ работы человеческого мозга, состоящая из набора нейронов, соединенных между собой синаптическими связями. Нейрон [4,39,44,82,84] представляет собой единицу обработки информации в нейронной сети, блок-схема нейрона представлена на рис. 5.2:

5.3. Разработка устройств принятия решений.

5.3.1. Выбор архитектуры ИНС в контексте решаемой задачи. С.

Порог Иг.

Функция актибации.

Входные сигналы.

Выходной сигнал ук.

N w синоптические беса.

Рис. 5.2. Блок-схема искусственного нейрона.

Синапсы [4,39,44,82,84] или связи, каждая из которых характеризуется своим весом. В частности сигнал xj на входе синапса j, связанного с нейроном к, умножается на вес сощ. Синаптические веса искусственных нейронов могут иметь как положительные, так и отрицательные значения.

Сумматор [482,84] складывает входные сигналы, взвешенные относительно синапсов нейрона.

Функция активации [44,82,84] ограничивает амплитуду выходного сигнала нейрона. Обычно нормализованный диапазон амплитуд выхода нейрона лежит в пределе [0,1] или [-1,1]. В модель нейрона рис. 5.2 включен пороговый элемент bk, который производит увеличение или уменьшение входного сигнала, подаваемого на функцию активации.

Математически функционирование искусственного неровна можно представить следующим образом [4,84]: т uk = хх/ j=1.

Ук=Фк+ьк) где хт, уь — входные и выходные сигналыcofon — синаптические веса нейрона ки к — линейная комбинация входных воздействий- <�р — функция активации;

Нейроны в рамках ИНС составляют определенную архитектуру. В общем случае выделяют три фундаментальных класса нейросетевых архитектур [18,84,106]:

1. Однослойные сети прямого распространения — в данной архитектуре нейросети существует входной слой узлов источника, информация от которого передается на выходной слой. Передача информации с входного на выходной слой в данной архитектуре нейросети не предусматривается;

2. Многослойные сети прямого распространения — данная архитектура нейросетей предполагает наличие помимо входного и выходного слоев.

119 включение в нейронную сеть еще одного или нескольких скрытых слоев, узлы которых называются скрытыми нейронами. Функция скрытых слоев заключается в посредничестве между внешними входными сигналами и выходом нейросети. Передача информации с входного на выходной слой в данной архитектуре нейросети также не предусмотрена;

3. Рекуррентные сети — данная архитектура нейронной сети отличается от сетей прямого распространения наличием, по крайней мере, одной обратной связи. Рекуррентная нейронная сеть может, как иметь, так и не иметь скрытые слои. Наличие обратной связи влияет на способность таких сетей к обучению и их производительность, значительно повышая данные характеристики ИНС [84].

Для успешного решения поставленных задач исследования, необходимо чтобы разработанная система управления обеспечивала бы максимально возможную точность. Таким образом, в качестве устройства принятия решений наиболее целесообразно использовать многослойную рекуррентную ИНС, т.к. именно данная архитектура обеспечивает максимальную точность.

5.3.2. Выбор алгоритма обучения ИНС в контексте решаемой задачи.

Одним из самых важных свойств ИНС является их способность к обучению. Обучение — процесс, в котором свободные параметры ИНС настраиваются посредством моделирования среды, в которую эта ИНС встроена. Наиболее широко сегодня применяются два типа обучения ИНС: обучение, основанное на коррекции ошибок и конкурентное обучение [1,18,84,106].

Процесс обучения ИНС посредством коррекции ошибок можно представить следующей схемой [82,84]:

Рис. 5.3. Обучение ИНС, основанное на коррекции ошибок.

Обучение производится по следующей схеме: на ИНС поступает входной сигнал далее формируется ответ ИНС в виде выходного с сигнала у (п), который в свою очередь сравнивается с желаемым выходным сигналом d (n). В результате получаем сигнал ошибки: е (и) = d (n) — y (ri) у где п — дискретное время или номер шага итеративного процесса настройки синапсов ИНС.

После формирования сигнала ошибки инициализируется механизм управления, цель которого заключается в применении последовательности корректировок синаптических весов нейронов ИНС. Вычисления повторяются до тех пор, пока ошибка не станет меньше требуемой.

На описанном выше принципе обучения построен один из самых распространенных и широко применяемых алгоритмов обучения ИНС — алгоритм обратного распространения ошибки [82].

Конкурентное обучение строится на принципе WTA (Winner Takes All) [18,106]. Концепция WTA состоит в следующем: на вход ИНС подается сигнал, после его обработки выбирается из всех нейронов выходного слоя нейрон с максимальным выходом (нейрон победитель), далее значение его выхода повышается до максимума (обычно единица), а значение других нейронов выходного слоя приравниваются к нулю. Таким образом, на выходе получается вектор с единицей для соответствующего класса и с нулями для всех остальных: о о о о.

Входной слои Победитель Рис. 5.4. Принцип WTA.

В соответствии с этим смысл конкурентного обучения заключается в том, что регулируются веса синаптических связей лишь нейрона-победителя, остальные же веса остаются без изменения.

Многочисленными исследованиями [1,82,84,109] установлено, что конкурентное обучение позволяет получать большую скорость обучения ИНС, однако точность результатов ниже, чем у сетей, обученных по методу коррекции ошибок. С другой стороны способность к обучению ИНС, построенных на основе метода коррекции ошибок меньше, нежели сетей конкурентного обучения.

Для того чтобы выбрать тип обучения ИНС, необходимо определиться с режимом работы ИНС в рамках разрабатываемой системы. Потенциально режимов работы может быть два:

1. ИНС в рамках системы предварительно обучается, а в процессе работы самой системы управления обучение больше не производится. Корректировка точности работы системы производится в тестовом режиме;

2. Предусматривается возможность адаптивного обучения ИНС под изменяющиеся условия, определяемые внешней средой, В данном случае необходимо обеспечить максимальную скорость обучения ИНС, т.к. предполагается производить обучение ИНС в реальном времени.

Естественно, что если выбрать режим работы по первой схеме, то здесь необходимо обеспечить наибольшую точность получаемых результатов, и значит более предпочтительно обучение, основанное на коррекции ошибок. Если же.

122 предполагается использовать второй режим работы, то конкурентное обучение использовать более целесообразно.

В нашем случае более целесообразно, чтобы система работала в первом режиме, т.к. точность получаемых результатов имеет первостепенное значение, а сам по себе процесс переналадки все равно предусматривается.

С учетом выбранного типа устройств принятия решений схему системы управления рис. 5.1 можно представить следующим образом:

Входные параметры модели шероховатости.

Рис, 5.5. Структурная схема системы адаптивного управления процессом точения с целью обеспечения требуемой шероховатости.

5.3.3. Разработка структурных схем ИНС системы адаптивного управления.

Следующим шагом в разработке системы адаптивного управления является разработка структурных схем ИНС, входящих в состав искомой системы, которая.

123 заключается в выборе входов и выходов ИНС. В системе имеется 4 нейросетевых элемента:

1. ИНС1 по заданным параметрам шероховатости вычисляет необходимые режимы резания, т. е. данная ИНС два входа (Ra, Sm) и два выхода — по параметрам шероховатости ИНС 1 вычисляет значения продольной подачи и скорости резания, по значению скорости резания через диаметр обработки вычисляется число оборотов шпинделя, необходимые для обеспечения требуемых параметров микрогеометрии:

Рис. 5.6. Структурная схема ИНС 1.

2. ИНС2 по значениям мощности вибросигнала SW и корреляционной размерности и, вычисленной по вибросигналу рассчитывает входные параметры реальной ФМШП. Таким образом, ИНС2 также имеет два входа (SW, v) и два выхода (cr, Н):

Рис. 5.7. Структурная схема ИНС2.

3. При помощи ИНСЗ производится оценка степени износа инструментапо параметрам вибросигнала поступающего с преобразователя вибраций оценивается величина износа режущего инструмента (A3). ИНСЗ имеет два входа (5и>Д) и один выход (Л3):

Рис. 5.8. Структурная схема ИНСЗ.

4. ИНС4 по значениям отклонений между реальной и эталонной ФМШП (dRa, dSm) вычисляет величину корректировки режимов резания (dS, dn), которую необходимо внести для обеспечения заданных параметров шероховатости. ИНС4 имеет два входа и два выхода: dSm.

Рис. 5.9. Структурная схема ИНС4.

5.3.4. Обучение ИНС системы адаптивного управления.

Перед тем как непосредственно приступить к обучению ИНС, необходимо предварительно выбрать количество слоев нейронов и количество нейронов в слоях. Согласно рекомендаций [82] для всех ИНС принимаем 3 слоя нейроноввходной, выходной и скрытый. Количество нейронов во входном и выходном слоях принимаем равным количеству входов и выходов ИНС. Что касается количества нейронов в скрытом слое, то оно будет подбираться эмпирическим путем, критерием адекватности будет служить точность, которую выдает ИНС.

Как следует из пункта 5.3.2, обучение ИНС предполагается производить с использованием алгоритма обратного распространения ошибки. Для обучения ИНС в программной среде Borland Delphi 7.0 была разработана прикладная программа «Построение многослойной нейронной сети v. 1.0».

При обучении ИНС величина допустимой средней ошибки обучения нейросети была принята 5%, т.к. такая точность вполне удовлетворительна для технических расчетов и рекомендуется целым рядом специалистов в области применения искусственного интеллекта [82,84], Принципиально, параметры точности ИНС можно увеличивать и дальше, просто снизив при этом величину средней ошибки обучения, однако при неоправданном снижении величины средней ошибки обучения время обучения ИНС резко возрастет.

Результаты обучения ИНС приведены в таблице 5.1:

ЗАКЛЮЧЕНИЕ

.

На основании результатов теоретических и экспериментальных исследований, выполненных в работе, формулируются следующие выводы:

1. Доказано, что профиль шероховатости поверхности достаточно точно описывается фрактальной самоафинной кривой, следовательно, для построения его математической модели целесообразно использовать методы фрактальной геометрии. В результате анализа методов моделирования фрактальных самоафинных объектов было установлено, что наилучшие результаты дает метод случайных сложений. Разработанная на основе модернизации классического алгоритма метода случайных сложений фрактальная модель шероховатости поверхности, позволяет моделировать шероховатость с погрешностью Амод <10%.

2. В результате проведенных экспериментальных исследований было установлено, что технологическая система генерирует вибросигнал частотой от 0 до 20 кГц. Наиболее чувствительной полосой к изменению режимов резания при чистовой токарной обработке, является полоса от 6 до 12 кГц.

3. Проведенные исследования показали, что использование методов нелинейной динамики является оправданным для оценки состояния технологической системы с целью обеспечения требуемой шероховатости поверхности. Расчеты величины взаимной корреляции позволили выявить динамические параметры, наиболее пригодные для оценки шероховатости поверхности. Результаты вейвлет-анализа позволили выявить наличие фрактальных компонентов в исследуемом сигнале, что подтверждает применимость методов нелинейной динамики для оценки состояния технологической системы.

4. Разработанная система позволяет:

— назначать технологические режимы резания по величине заданных параметров шероховатости;

— посредством оценки динамического состояния технологической системы осуществлять автоматический контроль шероховатости поверхности в ходе механической обработки;

— производить автоматический контроль состояния режущего инструмента.

5. Обоснована целесообразность применения в качестве устройства принятия решений рекуррентных искусственных нейронных сетей, обучаемых при помощи метода коррекции ошибок.

6. Разработан программный комплекс, реализующий систему адаптивного управления, который позволяет оценивать шероховатость поверхности и вносить оперативную коррекцию в процесс обработки в режиме реального времени.

7. Разработанная система позволяет снизить величину брака, связанного с поломкой инструмента и невыполнением требований по шероховатости поверхности на 15%, а также получить годовой экономический эффект более 93 000 руб на один станок.