«Автоматизация и информатизация ТЭК»

Апробация универсального вычислительного экспресс-метода разработки нейросетевой модели процесса обработки меди на вертикальном фрезерном станке

УДК: 004.855.5:004.942
DOI: -

Авторы:

¹ Казанский национальный исследовательский технологический университет, Казань, Россия
² Казанский инновационный университет, Казань, Россия

Ключевые слова: моделирование, медь, фрезерный станок, нейросетевые модели, вычислительный экспресс-метод, топливно-энергетический комплекс, энергоэффективность

Аннотация:

Статья посвящена апробации универсального вычислительного экспресс-метода для разработки нейросетевой модели процесса обработки меди на вертикальном фрезерном станке. Основное внимание уделяется применению современных информационных технологий, в частности искусственных нейронных сетей (ИНС), для моделирования сложных систем, оптимизации механической обработки материалов в целях повышения энергоэффективности производственных процессов в топливно-энергетическом комплексе (ТЭК). Современные технологии обеспечивают оптимизацию энергопотребления и затрат на обработку материалов, применяемых в оборудовании ТЭК, таких как медь. Разработана нейросетевая модель, позволяющая прогнозировать значения выходного параметра (силы тяги) с относительной ошибкой прогнозирования, не превышающей 7,7 %. Методология включает создание базы знаний, разработку и обучение однотипно-универсальной нейронной сети в среде разработки NeuroShell, а также тестирование модели. В ходе исследования была подтверждена высокая значимость входных характеристик, таких как частота вращения шпинделя, подача, шероховатость поверхности, время обработки, овальность, для точности прогнозирования выходного параметра. Упомянутое подтверждает возможность использования ИНС для оптимизации энергетически затратных процессов. Это неотъемлемая задача ТЭК. Оптимизация позволяет повышать точность обработки, снижать затраты на производство, что немаловажно для увеличения эффективности ТЭК в России. В частности, результаты также показывают перспективность применения нейросетевого моделирования для решения задач, связанных с процессом обработки меди на вертикальном фрезерном станке, что имеет практическое значение для материаловедения и производства различных материалов.

Список литературы:

1. Мухутдинов А.Р., Марченко Г.Н., Вахидова З.Р. Нейросетевое моделирование и оптимизация сложных процессов и наукоемкого теплоэнергетического оборудования: моногр. – Казань: Казан. гос. энергет. ун-т, 2011. – 296 с.
2. Мухутдинов А.Р., Ефимов М.Г., Вахидова З.Р. Нейросетевое моделирование процесса нагрева битуминозного пласта и исследование влияния различных факторов // Автоматизация и информатизация ТЭК. – 2022. – № 9(590). – С. 13–17. – DOI: 10.33285/2782-604X-2022-9(590)-13-17
3. Мухутдинов А.Р., Ефимов М.Г. Универсальные вычислительные экспресс-методы для создания искусственной нейронной сети сложного объекта и инновационного программного модуля на ее основе: моногр. – Казань: КНИТУ, 2022. – 164 с.
4. Овсянников И.В., Овсянников А.В., Никоненок В.Г. Современные информационные технологии в математическом моделировании // Auditorium. – 2023. – № 2(38). – С. 8–13.
5. Sarker I.H. AI-Based Modeling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems // SN Computer Science. – 2022. – Vol. 3. – Article No. 158. – DOI: 10.1007/s42979-022-01043-x
6. Zhou Cong. Integration of modern technologies in higher education on the example of artificial intelligence use // Education and Information Technologies. – 2022. – Vol. 28. – P. 3893–3910. – DOI: 10.1007/s10639-022-11309-9
7. ANN Approach for Modelling Parameters in Drilling Operation / T.D.B. Kannan, G.R. Kannan, M. Umar, S.A. Kumar // Indian J. of Science and Technology. – 2015. – Vol. 8, Issue 22. – DOI: 10.17485/ijst/2015/v8i22/79097
8. Application of Genetic Algorithm Technique for Machining Parameters Optimization in Drilling of Stainless Steel / T.D.B. Kannan, B.S. Kumar, G.R. Kannan [et al.] // Mechanics and Mechanical Engineering. – 2019. – Vol. 23, Issue 1. – P. 271–276. – DOI: 10.2478/mme-2019-0036
9. Multi-Objective Optimization of Metal Removal Rate, Dimensional and Profile Accuracy during Drilling of ASTM A516 (Grade70) Steel / S.V. Kumar, R. Rekha, M.G. Rajan [et al.] // Key Engineering Materials. – 2022. – Vol. 933. – P. 97–106. – DOI: 10.4028/p-19hm0h
10. Application of Artificial Neural Network Modeling for Machining Parameters Optimization in Drilling Operation / T.D.B. Kannan, G.R. Kannan, B.S. Kumar, N. Baskar // Procedia Materials Science. – 2014. – Vol. 5. – P. 2242–2249. – DOI: 10.1016/j.mspro.2014.07.433
11. Arafat M., Sjafrizal T., Anugraha R.A. An artificial neural network approach to predict energy consumption and surface roughness of a natural material // SN Applied Sciences. – 2020. – Vol. 2, Issue 7. – Article No. 1174. – DOI: 10.1007/s42452-020-2987-6
12. Луэ Ху Дыл, Волков В.Ю. Метод определения степени влияния входных воздействий на выходные параметры многосвязного объекта управления // Изв. ТулГУ. Технические науки. – 2013. – № 10. – С. 277–282.