автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Автоматизация процедуры классификации деталей в интегрированных САПР с использованием нейронных сетей

Брянский государственный технический университет

На правах рукописи

Жога Владимир Леонидович

Автоматизация процедуры классификации деталей в интегрированных САПР с использованием нейронных сетей

Специальность 05.13.12 - Системы автоматизации проектирования

Автореферат диссертации на соискание учёной степени кандидата технических наук

Брянск 2005

Работа выполнена на кафедре "Компьютерные технологии и системы" Брянского государственного технического университета.

Научный руководитель - Заслуженный деятель науки РФ,

доктор технических наук, профессор В.И.Аверченков

Официальные оппоненты - Заслуженный работник ВШ РФ,

доктор технических наук, профессор Б.М.Бржозовский

Защита состоится "29" ноября 2005 года в 16.00 часов на заседании диссертационного совета К212.021.01 Брянского государственного технического университета по адресу: 241035, г. Брянск, б-р 50 лет Октября, д. 7, Брянский государственный технический университет.

С диссертацией можно ознакомиться в библиотеке Брянского государственного технического университета.

Автореферат разослан "28" октября 2005 года.

Ученый секретарь диссертационного совета,

кандидат технических наук, доцент А.Г.Подвесовский

Ведущее предприятие - ОАО «НИИ Изотерм»

кандидат технических наук, доцент

В.А. Шкаберин

2.ooQ>~4 ZI Zol

IW1SX3

3

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. В настоящее время большое внимание уделяется концепции CALS, предусматривающей информационную поддержку изделия на всех этапах технической подготовки производства. На предприятиях, использующих идеологию CALS, формируется единое интегрированное информационное пространство с использованием систем CAD, САМ, CAE, PDM(PLM) и САПР ТП.

Автоматизация технической подготовки производства является одной из сложных и трудноформализуемых задач. Большое разнообразие конструктивных форм деталей и технических требований к ним и возможность использования различных методов обработки одних и тех же элементов заготовки на разных видах технологического оборудования приводит к многовариантности решений. Поэтому важнейшей задачей при проектировании технологических процессов (ТП) является получение унифицированных ТП. Согласно ЕСТПП обязательным этапом, предшествующим разработке унифицированных ТП, является кодирование и группирование изделий на основе классификации их конструктивных и технологических признаков.

В настоящее время существует большое количество теорий и практически реализованных систем автоматизированного проектирования, которые позволяют решать задачи структурного и параметрического синтеза технологических процессов. Однако вопрос автоматизации процесса классификации и кодирования объектов производства на основе их конструкторско-технологических признаков в существующих системах проработан недостаточно. В большинстве случаев процесс классификации и кодирования информации о детали для автоматизированного технологического проектирования производятся инженером-технологом вручную путем визуального анализа геометрической формы деталей, конструкторско-технологических требований и физико-механических свойств материалов. Это приводит к увеличению сроков технической подготовки производства и становится неэффективным при широкой номенклатуре изготовляемых изделий. Такой подход не вполне удовлетворяет современным требованиям к технологической подготовке производства, особенно при внедрении CALS-технологий в составе CAD-CAM-САЕ-систем (интегрированных САПР).

Проблема автоматизированной классификации и кодирования с использованием современных информационных технологий до сих пор остается нерешенной. В связи с этим, данная работа, направленная на автоматизацию процесса классификации и кодирования объектов производства в интегрированных САПР, является актуальной для решения вопросов комплексной автоматизации конструкторско-технологической подготовки производства.

Целью работы является автоматизация процедуры классификации деталей общемашиностроительного применения в интегриро ванных САПР с

использованием современных методов кластерного анализа и искусственных нейронных сетей.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать общий алгоритм классификации технических объектов с использованием современных методов кластерного анализа и искусственных нейронных сетей.

2. Разработать математическую модель представления технических объектов, отвечающую современным требованиям нейросетевого моделирования.

3. Построить модель нейронной сети для решения задачи классификации, а также разработать алгоритмы ее обучения и применения.

4. Разработать структуру универсального программного комплекса для классификации технических объектов и реализовать основные программные модули в составе интегрированных САПР.

5. Исследовать применение разработанных алгоритмов и программного комплекса для решения задачи конструкторско-технологической классификации деталей на примере класса 71 по классификатору ЕСКД.

Методология и методы исследования. Для исследования и реализации поставленных задач использовались основные научные положения: теории автоматизированного проектирования; технологии машиностроения; теории классификации и кодирования; теории кластерного анализа; теории нейронных сетей; теории реляционных баз данных; при разработке программных модулей использовались методы объектно-ориентированного и структурного программирования.

Научная новизна работы состоит в следующем:

1. Разработана методика и предложен общий алгоритм для кластеризации и классификации технических объектов с использованием современных искусственных нейронных сетей.

2. Разработана общая структура гибридной нейронной сети для выполнения процедуры классификации технических объектов.

3. Предложена математическая модель формализованного описания конструкторско-технологических признаков деталей.

4. Разработана структурная и функциональная схема универсального программного комплекса для автоматизации процесса классификации технических объектов с использованием самоорганизующейся нейронной сети в составе интегрированных САПР.

Основные положения, выносимые на защиту

1. Методика классификации технических объектов с использованием самоорганизующейся нейронной сети.

2. Математическая модель описания конструкторско-технологических признаков деталей.

3. Разработанный программный комплекс для решения задачи конструкторско-технологической классификации деталей на примере класса 71 по , . классификатору ЕСКД.

Практическую Ценность работы составляют:

1. Программные модули обучения сети и классификации объектов с помощью самоорганизующейся нейронной сети.

2. Программный модуль автоматического определения конструкторско-технологических признаков деталей класса 71 на основе их ЗЭ-моделей и 2D-чертежей.

3. Разработанный программный комплекс для автоматизации процесса классификации деталей общемашиностроительного применения класса 71 по классификатору ЕСКД в составе интегрированных САПР.

Реализация результатов работы. Результаты исследований и разработанный программный комплекс нашли применение в учебном процессе Брянского государственного технического университета на кафедре "Компьютерные технологии и системы" при подготовке специалистов по специальности «Системы автоматизированного проектирования».

Апробация работы. Основные научные и практические результаты работы докладывались и обсуждались на международной молодежной научной конференции "XXX Гагаринские чтения" в 2004 г. в г. Москве, на межрегиональной научно-технической конференции "Информационные технологии, энергетика и экономика" в 2004 г. в г Смоленске, на IX всероссийской научно-технической конференции «Новые информационные технологии в научных исследованиях и в образовании» в 2004 г. в г. Рязани и других.

Публикации. По теме диссертации опубликовано 8 печатных работ в виде научных статей и тезисов докладов.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 105 наименований и 13 приложений. Основная часть работы содержит 157 страниц машинописного текста, 53 рисунка и 7 таблиц В приложениях приведены описание конструктивных и технологических признаков деталей по технологическому классификатору деталей; листинги основных программных модулей системы на языках Visual С++ и Visual Basic; примеры заполнения базы данных и результаты работы программного комплекса. Общий объем работы - 176 страниц.

СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность проводимой работы, а также необходимость создания методики и алгоритмов, направленных на автоматизацию процесса классификации деталей в интегрированных САПР, и разработки на их основе математических моделей и программных модулей. Сформулирована цель

работы и задачи, которые необходимо решить для достижения поставленной цели, указана научная новизна работы и приводится краткий обзор структуры работы

В первой главе произведен анализ с\ шествующих методов автоматизации процесса технологической подготовки производства (ТПП). Сделан вывод о том, что блок проектирования технологических процессов (ТП) является центральным, основным звеном всей системы ТПП, а автоматизация проектирования ТП является одной из сложных и трудноформализуемых задач ТПП.

Рассмотрены основные методы автоматизации проектирования ТП. При использовании метода проектирования унифицированных ТП, согласно стандарту ЕС 11111, необходимо предварительное группирование и кодирование деталей по их конструкторско-технологическим признакам. Такое группирование должно производится с учетом максимального числа наиболее существенных признаков, описывающих рассматриваемые объекты.

Проанализированы исследования российских ученых в области автоматизации процессов классификации и кодировании. В частности в этой области проводили исследования: В.И.Аверченков, Г.К.Горанский, Н.М.Капустин, С.П.Митрофанов, В.В.Павлов, В.П.Смоленцев, Ю.М.Соломенцев, А.П.Соколовский, В.Г.Логашев, В.Д.Цветков и др. На основании этих работ сделан вывод о необходимости разработки метода автоматизированной классификации деталей, при которой роль пользователя определяется лишь функцией контроля.

Рассмотрено формальное описание процесса классификации технических объектов, а также проведен анализ существующих методов решения поставленной задачи. Сделан вывод о том, что решить задачу классификации деталей в интегрированных САПР позволяют новые информационные технологии, основанные на методах кластерного анализа с использованием современных искусственных нейронных сетей.

На основании анализа работ российских ученых, таких как Ю.Г.Кабалдин, В.М.Давыдов, А.Н.Горбань, В.Д.Цыганков и др., сделан вывод о перспективах использования нейронных сетей для решения поставленной задачи. Преимущество использования нейросетей в том, что результат нейросетевой кластеризации объектов просты в понимании, наглядны и выразительны. Они позволяют перейти от интуитивных методов анализа выборки технических объектов к использованию строгого математического алгоритма. Предлагаемый подход может быть ориентирован на создание нейронных моделей анализа технических объектов на стадии их проектирования в производственном процессе. Для классификации деталей нейронная сеть обучается важнейшим их признакам, таким как геометрическая форма, относительное расположение важнейших элементов и т.д. В процессе обучения выделяются признаки, отличающие объекты друг от друга, которые и составляют базу для принятия решений об отнесении объектов к соответствующим классам.

Важнейшее свойство нейронных сетей, свидетельствующее об их широких прикладных возможностях, состоит в параллельной обработке информации одновременно всеми нейронами. Другое, не менее важное, свойство нейронной сети

состоит в способности к обучению и обобщению полученных знаний. Обученная на ограниченном множестве обучающих выборок, она обобщает накопленную информацию и вырабатывает ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения.

Проведен анализ существующих моделей нейронных сетей для решения поставленной задачи и обоснован выбор нейронной сети с самоорганизацией на основе конкуренции, использующие алгоритм обучения без учителя, для решения задачи конструкторско-технологической классификации объектов производства.

Вторая глава посвящена разработке общей методики и алгоритмов кластерного анализа технических объектов с использованием нейронной сети.

В качестве объекта исследования в рамках данной работы рассматривается процесс автоматизации конструкторско-технологической классификации деталей машиностроения, представляемых в виде ЗО-модели и 21) чертежа. Для детальной проработки взаимодействия и структуры модулей автоматизированной системы исследование проводилось на примере классификации деталей общемашиностроительного применения типа «тела вращения» (класс 71 по классификатору ЕСКД).

На основе использования самоорганизующихся нейронных сетей была разработана общая методика и универсальный алгоритм кластеризации технических объектов (рис. 1).

1 Построение информационной модели выбранной предметной области

2 Выделение основных классификационных признаков объекта, формирование базы данных и знаний

3 Формирование общей структуры нейросети

4 Первоначальное обучение нейросети на объектах известных классов

5 Классификация объектов с использованием нейросети

6 Представление классификационной структуры предметной области

Рис. 1. Общая методика кластеризации объектов

На первом этапе строится информационная модель выбранной предметной области. Определяются понятия объекта, признака, класса и кластера применительно к решаемой задаче.

В качестве объектов служат детали общемашиностроительного назначения, признаки - всевозможные параметры этих деталей, класс - группа деталей обладающих одинаковыми признаками, кластер - некоторая область в пространстве признаков, которая относит объект к определенному классу.

Формально рассматриваемую модель детали можно представить следующим образом:

П, = {Р„...,Р„...,Р„}, (1)

где Я, - наименования признаков, расположенных в порядке их важности и подчиненности, N - число признаков. Для выполнения процедуры кластеризации рассматриваемую совокупность всех объектов разбиваем на к классов, каждому из которых соответствует свой кластер.

На втором этапе определяются основные признаки, по которым будет выполняться кластеризация. Чем больше признаков будет выделено, тем более точно будет выполнена кластеризация объектов.

Все классификационные признаки разделяются на два вида: основные и дополнительные. К основным признакам деталей общемашиностроительно! о назначения относятся: форма детали, наличие осей и плоскостей симметрии, различные характеристики геометрического характера. К дополнительным признакам относятся: соотношение размеров, наибольшие габаритный размеры, масса, механические свойства детали, материал детали, качество поверхности, и т.д.

Информацию об объектах представляем в виде набора векторов конструкторско-технологических признаков, как наиболее полно и достоверно отвечающее требованиям нейросетевого моделирования. Строится матрица деталь-признак [/х /]. В транспонированном виде ее можно записать.

«м «12 •

«2, «22 " " «2/

А = ■

«/2 •

вл

где / - число строк, соответствующее числу деталей; / — число столбцов, соответствующее числу признаков. Элементами матрицы являются кодовые значения конструктивно-технологических признаков для каждой детали

Третий этап необходим для построения общей структуры нейронной сети. На данном этапе определяется модель нейронной сети, способ ее обучения, общая структура сети, тип входных и выходных сигналов.

Входной слой - слой нейронов, на который подаются входные сигналы В качестве входных сигналов используются значения конструктивных и технологических признаков деталей. Нейроны выходного слоя соответствуют кластерам. В выходном слое необходимо создать такое количество нейронов, которое будет соответствовать количеству предполагаемых классов. Из теории нейронных сетей известно, что для корректной работы сети с самоорганизацией необходимо выделить заведомо большее количество нейронов. Т.к. от количества нейронов выходного слоя зависит скорость работы системы, количество нейронов не должно быть слишком большим. Рекомендуется выделять примерно по 10

нейронов на каждый из предполагаемых классов. Детали имеют множество схожих признаков, относящих их к одним и тем же классам. Поэтому необходимо создать дополнительно один промежуточный слой для группировки подобных признаков.

Таким образом, была получена гибридная нейронная сеть, которая объединяет в себе двухслойный перселтрон (I слой), выполняющий функции препроцессора, и сеть с самоорганизацией (И слой) в качестве постпроцессора (рис.2). Выходы двухслойного персептрона используются в качестве входов самоорганизующегося слоя. На практике гибридная сеть, как правило, более эффективна, чем одиночная сеть с самоорганизацией и самостоятельный многослойный персеПтрон.

- нейроны, классифицирующие по конструктивным признакам

- нейроны, классифицирующие по размерным характеристикам ^^ - нейроны, классифицирующие по технологическим признакам

Рис. 2. Гибридная нейронная сеть для классификации деталей

Выходной слой сети разделен на несколько областей, каждая из которых определяет свою часть конструкторско-технологического кода детали: конструкторская, размерная и технологическая. При этом нейронные связи сети созданы таким образом, что входные сигналы строго соответствуют своей области в выходном слое.

Четвертый этап необходим для подготовки нейронной сети к работе. На данном этапе выполняется первоначальное обучение сети на объектах заранее известных классов. Для нейронной сети, выполняющей процедуру кластерного анализа, выбран метод обучения без учителя, так называемый алгоритм WTA (англ.: Winner Takes All - победитель получает все). В соответствии с ним после предъявления ' входного вектора рассчитывается активность каждого нейрона выходного слоя. Победителем признается нейрон с самым сильным выходным сигналом.

На пятом этапе выполняется непосредственно классификация объектов нейросетью. На входы нейронной сети подаются значения признаков выбранного объекта. Нейросеть обрабатывает эти сигналы, после чего в выходном слое определяется нейрон-победитель. Каждый нейрон выходного слоя соответствует кластеру. На стадии обучения сети кластеры ставятся в соответствие различным классам. Таким образом, зная кластер, к которому сеть отнесла объект, можно определить его класс.

На заключительном шестом этапе представляется полученная в процессе кластеризации структура предметной области в виде набора классов и признаков, характеризующих эти классы.

Приведено описание математической модели самоорганизующейся нейронной сети для решения поставленной задачи.

Каждый нейрон самоорганизующегося слоя соединен со всеми компонентами N-мерного входного вектора х так, как это показано на рис. 2. Веса синаптических связей нейронов образуют вектор:

^ =К1'н',:'".,и>((У1г, (3)

где w,j - вес связи /'-го нейрона и у'-го входа, Л' - общее количество входов. Входные вектора получаем следующим образом:

-0.5, (4)

max р, '

I 1

где Xj - входной сигнал, Pj - значение /-го признака детали, N - общее количество признаков (соответствует количество входов). При использовании данной зависимости все входные сигналы будут лежать в интервале [-0.5;0.5].

После нормализации входных векторов при активации сети вектором х в конкурентной борьбе побеждает тот нейрон, веса которого в наименьшей степени отличаются от соответствующих компонентов этого вектора. Для и>-го нейрона-победителя выполняется отношение:

d(x,wK) = mnd(x,w(5)

где d(x, w) обозначает расстояние (в смысле выбранной метрики) между векторами х и н>, а я - количество нейронов. Нейрон-победитель и все нейроны, лежащие в пределах его окрестности, подвергаются адаптации, в ходе которой их векторы весов изменяются в направлении вектора х по правилу Кохонена.

и-((Л + 1)=н.,(А).5ДА)|Л~н-,(Л)1 (6)

для / 6 S„(k), где S,(k)- коэффициент обучения i-го нейрона из окрестности S„(k) в /t-й момент времени. Значение ô,(k) уменьшается с увеличением расстояния между

1-м нейроном и победителем. Веса нейронов, находящимися за пределами Б „(к), не изменяются. Размер окрестности и коэффициенты обучения нейронов являются функциями, значения которых уменьшаются с течением времени.

Процесс самоорганизации предполагает определение победителя каждого этапа, т.е. нейрона с наименьшим расстоянием. В работе используется евклидово расстояние, которое определяется по формуле:

; (7)

" №

Целью обучения сети с самоорганизацией на основе конкуренции нейронов считается такое упорядочение нейронов (подбор значений их весов), которое минимизирует значение ожидаемого искажения, оцениваемого погрешностью аппроксимации входного вектора х, значениями весов нейрона-победителя в конкурентной борьбе. При р входных векторах и применение евклидового расстояния эта погрешность, называемая также погрешностью квантования, выражается в виде:

И*» ~ , (8)

где и^у - это вес нейрона-победителя при предъявлении вектора х-,. Предложенный алгоритм обучения сетей с самоорганизацией на основе конкуренции в общем случае выглядит следующим образом:

1. Инициализировать веса и», случайными значениями.

2. Задать значения входных сигналов (/>/,.

3. Получить нормализованные входные сигналы х, по формуле (4).

4. Вычислить расстояние до всех нейронов самоорганизующегося слоя сети. Расстояния от входного сигнала до каждого нейрона определяется по формуле (7).

5. Найти нейрон - победитель, т.е. найти нейрон}, для которого расстояние £>у наименьшее.

6. Выполнить адаптацию, т.е. подстроить веса нейрона-победителя и его соседей по формуле (6).

7. Рассчитать погрешность квантования по формуле (8).

8. Перейти к шагу 2 пока погрешность квантования не перестанет уменьшаться.

9. Выбрать следующий объект для обучения сети и перейти к шагу 2, иначе завершить обучение.

В настоящее время используется нечеткий подход при построении нейронных сетей. Такие сети называются нечеткими нейронными сетями, и их характерной особенностью является возможность нечеткой интерпретации сигнала. Преимуществом использования такой сети является возможность определения степеней принадлежности классифицируемого объекта к различным классам. Допустим, что в сети существует К нечетких нейронов с центрами в точках с, (г=1, 2,..., К). Подаваемый на вход сети вектор х^ будет принадлежать к различным группам, представляемым центрами с„ в степени иц. Чем выше степень принадлежности, тем более точно определен нейрон-победитель.

Степень принадлежности щ в данной работе рассчитывается по формуле:

„ -1 ^"О

М; — --------(0\

тах</( у,н»,)' у '

1 </5/1 '

и эту степень можно интерпретировать как вероятность принадлежности классифицируемого объекта к соответствующему классу.

При таком подходе нейрон-победитель определяется как нейрон известного кластера с максимальной степенью тах «,-.

Если тах И/> 75% - класс определен верно;

75% > тах и,> 50% - вероятность точного определения мала; тах и/ <50% - класс определен неверно.

Малое значение степени принадлежности говорит о том, что объект принадлежит классу, неизвестному системе. Поэтому в данном случае необходимо определить новый класс и обучить нейронную сеть на его распознавание.

В главе представлены разработанные алгоритмы обучения сети и алгоритм классификации технических объектов.

Приведено подробное описание конструктивных и технологических признаков деталей класса 71 по классификатору ЕСКД. На основании этого разработан математический аппарат для определения конструкторско-технологических признаков ЗЭ моделей и 2Э-чертежей, созданных в современных САПР.

Для выбранного класса деталей было выделено 12 конструктивных признаков и 15 технологических признаков, с помощью которых можно наиболее полно описать любую деталь из данного класса и произвести ее классификацию.

Модель детали описывается следующим образом:

М=<Р,П,Т,К>, (10)

где М - модель детали; Р - размерные характеристики детали; П - множество конструктивных признаков; Т - множество технологических признаков; К - код детали по классификатору.

Размерные характеристики детали представляются в виде:

Рг<НД,ДД,ДЦО>, (П)

где ИД - наибольший наружный диаметр; ДД - длина детали; ДЦО - диаметр центрального отверстия.

Конструктивные признаки детали описываются набором:

Пг=<Д, НП, С, ЗУ, ИР, ЦО, РО, ФО, ПТ, ПП, Ш,0>, (12)

где Д - отношение длины к диаметру детали; НП - вид наружной поверхности; С -ступени на наружной поверхности; ЗУ - наличие закрытых уступов; НР - наружная резьба; ЦО - вид центрального отверстия; РО - резьба в центральном отверстии; ФО - форма центрального отверстия; ПТ - кольцевые пазы на торцах; ПП - пазы на наружной поверхности; Ш - шлицы на наружной поверхности; О - отверстия вне оси детали.

Технологические признаки описываются набором:

Тг=<ГМ, МИ, ВЗ, КВ, ПШ, ТТ, ТО, МД, ДО, СТ, УГМ, ХТ, Б, ДХ, ПД>, (13) где ГМ - группа материала; МИ - метод изготовления; ВЗ - вид исходной заготовки; КВ - квалитет, ПШ - параметр шероховатости; ТТ - технологические требования; ТО - метод термической обработки; МД - масса детали, ДО - вид

дополнительной обработки; СТ - степень точности; УГМ - уточненная rpjnna материала; XT - характеристика толщины; S - площадь формирования; ДХ -дополнительная характеристика; ПД - группа, вид, толщина и поверхность покрытия детали.

Для получения признаков использовалась методика, основанная на декомпозиции геометрической модели детали на конструкторско-технологические элементы (КТЭ).

Третья глава посвящена разработке информационного обеспечения и универсального программного комплекса для классификации технических объектов с использованием самоорганизующейся нейронной сети.

Определены основные требования к программному комплексу. Выбрано программное техническое и лингвистическое обеспечение. В качестве лингвистического обеспечения была использована среда программирования Visual С++ 6.0.

Предложена структура базы данных системы для хранения модели конструкторско-технологических свойств детали, всех параметров нейронной сети и дополнительной информации. База данных была реализована в СУБД реляционного типа Microsoft Access 2000.

При программировании использовался объектно-ориентированный подход для представления нейронной сети Разработаны соответствующие объекты типа нейрон, слой, сеть.

Разработана структурная и функциональная схемы программного комплекса Структурная схема данного программного комплекса представлена на рис. 3

Разработанный программный комплекс имеет следующие функциональные характеристики:

• поддержка операции импорта деталей из существующих САПР в виде 2Е)-чертежа и ЗО-модели посредством формата передачи данных IGES;

• автоматическое определение конструкторских и технологических признаков деталей и их хранение в наглядной и удобной для классификации форме;

• нейронная сеть системы инвариантна по отношению к виду технических объектов, подаваемых на ее входы, что обеспечивает универсальность системы, т.е. возможность работы с объектами различных типов;

• поддержка широкого набора базовых операций работы с нейронной сетью, таких как настройка сети, редактирование ее структуры, задание параметров ее функционирования и обучения и другие;

• поддержка двух режимов работы: автоматического, когда система выполняет все процедуры самостоятельно, и полуавтоматического, когда на некоторых этапах решения задачи требуется вмешательство пользователя;

• возможность хранения и многократного использования обученной нейронной сети.

САБ САПР ТП

>писание техническс объекта (2®, ЗО)

¡О) ё

Модуль описания объектов

База данных (БД)

Модуль формирования и ведения БД

Код технического объекта

Модуль интерпретации полученных результатов

Модуль описания предметной

области

---

I

- N

—

Ядро системы

СНейросеть

I

Модуль классификации объектов

Модуль обучения нейросети

Модуль формирования и управления НС

Интерфейсы ядра

Интерфейсы системы

Рис. 3. Структурная схема ПК

Приведено описание принципа работы программного комплекса, а также описание и порядок работы входящих в него модулей.

Основой созданного программного комплекса является универсальное ядро, которое включает в себя нейросеть и модули ее обработки. Ядро не привязано к конкретной предметной области и может работать с любыми объектами, поданными на входы нейросети. Модуль формирования и управления НС отвечает за создание сети, изменение ее структуры и взаимосвязей между слоями и нейронами, а также за корректную работу нейронной сети. Модуль обучения нейросети отвечает за первоначальное обучение сети, а также за обучение сети в процессе ее функционирования. Данный модуль выполняет постройку весов синапсов на основании поданных на вход сигналов по формуле (6). Модуль классификации выполняет непосредственно отнесение объекта к одному из классов по результатам работы сети.Для корректной работы ядра необходимо описание предметной области во внешней оболочке. Это выполняет одноименный модуль, в котором выполняется

настройка программного комплекса и ее ядра для работы с конкретным видом технических объектов. Здесь определяются сами объекты, их классификационные признаки, а также понятия классов для данной группы объектов. Вся информация об объектах и классах хранится в базе данных в виде таблиц. БД также содержит детальную информацию об обученной нейронной сети. Модуль формирования и ведения БД отвечает за работу с записями в таблицах базы данных.

Информация об объектах поступает из внешней автоматизированной системы в виде ЗО модели и 20 чертежа. В качестве такой системы может выступать одна из существующих САПР. Информация о техническом объекте поступает в систему в формате ЮЕБ. Эта информация обрабатывается модулем описания объекта. Данный модуль извлекает необходимую для классификации информацию и передает ее в базу данных для дальнейшей обработки.

Из БД информация поступает в ядро системы. На основании этой информации нейронная сеть обучается и выполняет классификацию объектов. Результаты работы нейросетевого ядра передаются в модуль интерпретации полученных результатов. Данный модуль необходим для представления полученной в процессе кластеризации структуры предметной области в виде набора классов и признаков, а также для передачи полученной информации в другие системы, для ее дальнейшей обработки.

Порядок работы модулей системы представлен на рис. 4.

1. Настройка системы

Модуль описания предметной области

Модуль формирования и управления НС

Модуль формирования и ведения БД

2. Получение признаков ТО

Модуль описания объектов

3. Классификация объектов

Модуль обучения нейросети

Модуль классификации объектов

Рис. 4. Порядок работы модулей системы

Работа модулей системы разбита на 3 основных этапа: настройка системы, получение признаков деталей и классификация. Первый этап подготовительный, он необходим для предварительной настройки системы и определения основных параметров классификации и обучения. На втором этапе задействован лишь один модуль, который служит для получения признаков деталей и заполнения БД. На

третьем этапе работает ядро программного комплекса, производится обучение нейронной сети и классификация деталей по полученным признакам..

В рамках созданного программного комплекса реализовано 2 взаимосвязанных интерфейса: интерфейс ядра и интерфейс системы.

Интерфейс ядра представляет собой стандартное 32-разрядное приложение Windows и включает в себя все модули ядра программного комплекса. Интерфейс системы представляет собой приложение MS Access, предназначенное для работы со структурой базы данных, описания объектов и интерпретации полученных результатов (рис. 5).

риюм»^______~__"__! нл !

Рис. 5. Интерфейс системы

В четвертой главе показаны пути использования разработанного программного комплекса для классификации деталей общемашиностроительного применения по классификатору ЕСКД.

Рассмотрена следующая схема проектирования унифицированных технологических процессов: модель детали —► конструкторско-технологический код —► унифицированный технологический процесс (УТП) (рис. 6).

На основании построенной в САО-системе модели детали (ЗО и 2ТУ) формируется ее конструкторско-технологический код, по которому на последующем этапе формируется унифицированный технологический процесс.

Рамки данной работы ограничены получением конструкторско-технологического кода детали на основании анализа ее ЗО-модели и 20-чер гежа.

Классификация

CAD

Код детали

САПР ТП

УТЛ

Рис. 6. Схема проектирования УТП: Д - модель детали (Ю, 30); УТП - унифицированный

технологический процесс.

Рассмотрен пример получения кода деталей класса 71 по их 2D чертежам и ЗО-моделям, созданным в современных САПР. В работе ЗО-модели и 20-чертежи деталей создавались с помощью САПР "T-Flex" и "Autodesk Inventor".

Программа была использована для автоматического определения конструкторско-технологического кода деталей при проектировании гидроцилиндров общего назначения на ОАО «Людиновский агрегатный завод».

Рассмотрен пример настройки системы для работы с деталями - «тела вращения» класса 71 Для настройки системы выполняются:

- определение количества и типа классификационных признаков;

- настройка базы данных и процедуры автоматического распознавания;

- изменение структуры нейронной сети.

Показаны 2 способа обучения нейронной сети: с использованием разработанных ЗО-моделей прототипов классов и с вводом прототипов вручную. В первом случае создаются простейшие ЗО-модели деталей-представителей классов и автоматически загружаются в систему для ее обучения. Во втором случае 3D-модели не создаются, а все классы для обучения описываются вручную в диалоговом режиме.

Показана работа с настроенной и обученной системой на примере деталей гидроцилиндра. Работа выполняется по следующему алгоритму:

1. В CAD-системе, поддерживающей формат IGES, разрабатывается ЗО-модель и 20-чертеж новой детали.

2. ЗО-модель детали сохраняется в формате IGES, после чего выполненяется распознавание ее конструкторско-технологических элементов (КТЭ). Полученная информация о КТЭ детали сохраняется в промежуточной БД в формате *.DBF.

3. В приложении Access создается новый объект и загружается информация о КТЭ детали и ее изображение. Запускается процедура распознавания конструкторско-технологических признаков детали. Вид загруженной и распознанной детали представлен на рис. 5.

4. В приложении NeuroKlaster загружается обученная нейронная сеть или выполняется обучение новой сети.

5. Запускается модуль классификации детали. Система определяет вероятности принадлежности детали к существующим классам, после чего выбирается класс с наибольшей вероятностью либо создается новый класс (рис. 7).

Представленная для примера деталь «вал» была распознана с вероятностью 79% и отнесена к классу 715711, что полностью соответствует ее коду по классификатору ЕСКД.

Определение класса объекта

О&ьт т Ш-эш припал*.кит ^лзссч '/1574 V с ьерсягностью 78.824.

Объект [Вал] лринмлежит классу 716711' Объект [Вея] принадлежит класса 71572? Объект (Вея) принадлежит классу 718521' Объект [Вал] принадлежит классу 715731 Объект (Вал] принадлежит классу 71371? Объект [Вал] принадлежит классу 71471? Объект [Вал] принадлежит классу '71365Т Объект [Вал] принаолежит классу 713311' Объект [Вал] принадлежит классу 714641' Объект ¡Вал] принаолежит классу '71564? Объект [Вал] принадлежит классу 713341'

с вероятностью 6&23% с вероятностью 55 482 с вероятностью 55 352 с вероятностью 55 352 с вероятностью 52 642 с вероятностью 42 982 с вероятностью 42 322 с вероятностью 36 472 с вероятностью 35 81 2 с вероятностью 33 242 с вероятностью 33 242

Создать новый класс

ОК

Cancel

Рис. 7. Окно выбора класса детали

Таким образом, разработанная система является законченной программой, которая может быть использована в производственных условиях и в учебных целях.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Разработана общая методология автоматической классификации деталей общемашиностроительного применения в интегрированных САПР с использованием современных методов кластерного анализа и нейронных сетей, что позволило создать универсальный программный комплекс классификации деталей.

2. Предложен способ описания деталей в виде матрицы конструкторско-технологических признаков, как наиболее полно и достоверно отвечающий требованиям нейросетевого моделирования, что позволило применить нейронные сети для решения задачи классификации деталей.

3. Разработана модель и общая структура гибридной нейронной сети для выполнения процедуры кластеризации технических объектов, а также построены математические модели функционирования и обучения предлагаемой нейронной сети. На основании этих моделей был написан программный код с использованием современных языков программирования.

4. Разработана структура базы данных системы, позволяющая хранить информацию о классификационных признаках деталей, состоянии обученной нейронной сети, параметрах настройки системы и результатах процесса классификации.

5. Разработаны структурная и функциональная схемы универсального программного комплекса для автоматизации процедуры классификации технических объектов с использованием самоорганизующейся нейронной сети, а

также ряд алгоритмов, реализующих теоретические изыскания, проводимые в рамках диссертационного исследования.

6. Разработан программный комплекс для автоматического определения конструкторско-технологического кода деталей общемашиностроительного применения по классификатору ЕСКД в составе интегрированной САПР. Работа программного комплекса протестирована на ряде деталей класса 71 - «тела вращения», что говорит об успешном достижении поставленных целей диссертационного исследования.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1 Жога ВЛ. Автоматизация процедур классификации деталей общемашиностроительного применения с использованием нейросетевых методов. - Молодежная научно-техническая конференция вузов приграничных регионов славянских государств, 28-29 окт. 2003 г, г.Брянск материалы конф. / Подред O.A. Горленко. - Брянск: БГТУ, 2003. - с. 139-141. 2. Жога ВЛ. Алгоритм кластеризации технических объектов с использованием нейронных сетей. - Информационные технологии, энергетика и экономика // Межрегиональная научно-техническая конференция студентов и аспирантов: Материалы докладов в 4-х т. Смоленск: филиал ГОУ ВПО МЭИ(ТУ) в г.Смоленске. 2004. TI. подсекция I. -с. 28-31.

3 Аверченков В.И., Жога ВЛ. Автоматизация процедур кластеризации технических объекгои на основе использования самоорганизующихся нейронных сетей. - Вестник Брянскою государственного технического университета. 2004. №2 (2). - с. 124-132.

4. Жога ВЛ. Алгоритм кластеризации технических объектов с использованием нейросетсй -Новые информационные технологии в научных исследованиях и в образовании // IX Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов Тезисы докладов. Рязань: Рязанская государственная радиотехническая академия, 2004 - с 2-3

5. Аверченков В.И., Жога ВЛ. Автоматизация процедуры конструкторско-технологической классификации деталей с использованием нейронных сетей. - Труды научно-практической конференции «Практика и перспективы применения ИПИ-технологий в производстве» Ульяновск: УГУ, 2004 - с.83-87.

6. Жога ВЛ. Кластеризация технических объектов с использованием нейросети // XXX ГАГАРИНСКИЕ ЧТЕНИЯ. Тезисы докладов международной молодежной конференции Москва. 6-10 апреля 2004 г. - М.: МАТИ - РГТУ им. К.Э. Циолковского, 2004. - Т.З, с.23.

7. Аверченко» В.И., Жога ВЛ. Автоматизация процедур кластеризации технических объектов на основе использования самоорганизующейся нейронной сети. - Вестник компьютерных и информационных технологий. 2005. №6 (12). - с.2-7.

8. Жога ВЛ. Автоматизация процесса конструкторско-технологической классификации деталей с использованием нейронных сетей. - Информационные технологии в управлении и моделировании: сб. докл. международной науч.-технич. интернет-конференции. - Белгород: Изд-во БГТУ им. В.Г.Шухова, 2005. - с.72-73.

9. Аверченков В.И., Жога ВЛ. Применение самоорганизующихся нейронных сетей для автоматизации процедуры кластеризации / Сборник материалов III Международной научно-технической конференции «Проблемы проектирования и производства радиоэлектронных средств». В 2-х томах. Том 1. - Новополоцк: ПГУ, 2004 г. - с. 23-24.

¿1582

РНБ Русский фонд

2006-4 22202

Жога Владимир Леонидович Автоматизация процедуры классификации деталей в интегрированных САПР с использованием нейронных сетей Автореферат

Лицензия №020381 от 24.04.97. Подписано в печать 26.10.2005. Формат 60x84 1/16 Бумага типографическая №2. Офсетная печать. Печ. л. 1 Уч. изд. л., 1. Т. 100 ~>кз Заказ 570. Бесплатно.

Брянский государственный технический университет, 241035, г Брянск, б-р. 50 чет Октября, д. 7.

Лаборатория оперативной полиграфии БГТУ, у 7 Институтская, 16.

ВВЕДЕНИЕ.

ГЛАВА 1. СОВРЕМЕННЫЕ МЕТОДЫ И СРЕДСТВА ДЛЯ РЕШЕНИЯ ЗАДАЧ И АВТОМАТИЗАЦИ И П РОЦЕДУ РЫ КОНСТРУ КТОРСКО-ТЕХНОЛОГИЧЕСКОЙ КЛАССИФИКАЦИИ ДЕТАЛЕЙ В ИНТЕГРИРОВАННЫХ САПР.

1.1. Роль конструкторско-технологической классификации в процессе автоматизации технологической подготовки производства.

1.2. Методы автоматизации конструкторско-технологической классификации технических объектов.,.

1.3. Формализованное описание и постановка задачи кластерного анализа технических объектов.

1.4. Теоретические основы кластерного анализа технических объектов

1.5. Применение нейронных сетей для решения задачи кластеризации технических объектов.

1.6. Модели нейронных сетей для решения задачи кластерного анализа

1.7. Выводы по главе. Цель и задачи диссертационной работы.

ГЛАВА 2. ОБОСНОВАНИЕ И РАЗРАБОТКА ОБЩЕЙ МЕТОДИКИ И АЛГОРИТМОВ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ КЛАСТЕРНОГО АНАЛИЗА ТЕХНИЧЕСКИХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ.

2.1. Обоснование выбора и анализ свойств объекта исследования.

2.2. Разработка методики кластеризации технических объектов с использованием нейронной сети.

2.3. Построение математической модели самоорганизующейся нейронной сети для выполнения кластеризации технических объектов

2.4. Разработка алгоритма обучения самоорганизующейся нейронной сети.

2.5. Разработка алгоритма классификации технических объектов с использованием самоорганизующейся нейронной сети.

2.6. Определение конструкторско-технологических признаков деталей

2.7. Выводы ко второй главе.

ГЛАВА 3. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА КЛАССИФИКАЦИИ ДЕТАЛЕЙ С ИСПОЛЬЗОВАНИЕМ САМООРГАНИЗУЮЩЕЙСЯ НЕЙРОННОЙ СЕТИ.

3.1. Построение структуры автоматизированной системы кластеризации технических объектов с использованием самоорганизующейся • ЛГ нейронной сети.

3.5. Принципы функционирования программного комплекса и описание работы входящих в него модулей.

3.5.1. Настройка системы.

3.5.2. Определение признаков деталей.

3.5.3. Обучение нейросети и классификация.

3.6. Выводы к третьей главе.

ГЛАВА 4. ИСПОЛЬЗОВАНИЕ РАЗРАБОТАННОЙ МЕТОДИКИ И АЛГОРИМА КЛАСТЕРНОГО АНАЛИЗА ДЛЯ КЛАССИФИКАЦИИ

ДЕТАЛЕЙ ОБЩЕМАШИНОСТРОИТЕЛЬНОГО ПРИМЕНЕНИЯ.

4.1. Применение программного комплекса при решении задачи конструкторско-технологической классификации деталей в интегрированной САПР.

4.2. Оценка технико-экономической эффективности использования результатов исследования.

4.3. Выводы к четвертой главе.;.

В настоящее время большое внимание уделяется концепции CALS, предусматривающей информационную поддержку изделия на всех этапах технической подготовки производства. На предприятиях, использующих идеологию CALS, формируется единое интегрированное информационное пространство с использованием систем CAD, САМ, CAE, PDM(PLM) и САПР ТП.

Автоматизация технической подготовки производства является одной из сложных и трудноформализуемых задач. Большое разнообразие конструктивных форм деталей и технических требований к ним и возможность использования различных методов обработки одних и тех же элементов заготовки на разных видах технологического оборудования приводит к многовариантности решений. Поэтому важнейшей задачей при проектировании технологических процессов (ТП) является получение унифицированных ТП. Согласно единой системы технологической г подготовки производства (ЕСТПП) обязательным этапом, предшествующим разработке унифицированных ТП, является кодирование и группирование изделий на основе классификации их конструктивных и технологических признаков [28].

Существует большое количество теорий и практически реализованных систем автоматизированного проектирования, которые позволяют решать задачи структурного и параметрического синтеза технологических процессов. Однако вопрос автоматизации процесса классификации и кодирования объектов производства на основе их конструкторско-технологических признаков проработан недостаточно. В большинстве случаев процесс классификации и кодирования информации о детали для автоматизированного технологического проектирования производятся инженером-технологом вручную путем визуального анализа геометрической формы деталей, конструкторско-технологических требований и физикомеханических свойств материалов [33]. Это приводит к увеличению сроков технической подготовки производства и становится неэффективным при широкой номенклатуре изготовляемых изделий. Такой подход не вполне удовлетворяет современным требованиям к технологической подготовке производства, особенно при внедрении CALS-технологий в составе CAD-САМ-САЕ-систем (интегрированных САПР).

Проблема автоматизированной классификации и кодирования с использованием современных информационных технологий до сих пор остается нерешенной. В связи с этим, данная работа, направленная на автоматизацию процесса классификации и кодирования объектов производства в интегрированных САПР является актуальной для решения вопросов комплексной автоматизации конструкторско-техно логической подготовки производства.

Целью работы является автоматизация процедуры классификации деталей общемашиностроительного применения в интегрированных САПР с использованием современных методов кластерного анализа и искусственных нейронных сетей.

Методология и методы исследования. При выполнении исследований и решении поставленных задач использовались основные научные положения: теории автоматизированного проектирования; технологии машиностроения; теории классификации и кодирования; теории кластерного анализа; теории нейронных сетей; теории реляционных баз данных; при разработке программных модулей использовались методы объектно-ориентированного и структурного программирования.

Научная новизна работы состоит в следующем:

1. Разработана методика и предложен общий алгоритм для классификации деталей общемашиностроительного применения с использованием современных искусственных нейронных сетей.

2. Разработана общая структура гибридной нейронной сети для выполнения процедуры конструкторско-технологической классификации деталей.

3. Предложена математическая модель формализованного описания конструктивных и технологических признаков деталей.

4. Разработана структурная и функциональная схема программного комплекса для автоматизации процесса классификации деталей с использованием самоорганизующейся нейронной сети в составе интегрированных САПР.

Практическую ценность работы составляют:

1. Программные модули обучения сети и классификации объектов с помощью самоорганизующейся нейронной сети.

2. Программный модуль автоматического определения конструкторско-технологических признаков деталей класса 71 на основе их ЗБ-моделей и 2D-чертежей.

3. Разработанный программный комплекс для автоматизации процесса классификации деталей общемашиностроительного применения класса 71 по классификатору ЕСКД в составе интегрированных САПР.

Цель и поставленные задачи определили следующую структуру работы:

В первой главе рассматривается роль и место конструкторско-технологической классификации объектов в процессе автоматизации технологической подготовки производства. Дается формальное описание процесса классификации технических объектов.

Проводится анализ существующих методов решения поставленной задачи, и на его основании делается вывод об актуальности проблемы автоматизации процесса классификации и кодирования.

Приводится обоснование использования методов кластерного анализа, как одного из самых эффективных способов классификации технических объектов. Из всего множества алгоритмов кластерного анализа для' решения задачи конструкторско-технологической классификации технических объектов наилучшим образом подходит алгоритм, основанный на использовании современных искусственных нейронных сетей. Проводится анализ существующих моделей нейронных сетей, для решения поставленной задачи и обосновывается выбор нейронной сети с самоорганизацией на основе конкуренции, использующие алгоритм обучения без учителя, для решения задачи конструкторско-технологической классификации объектов производства.

Вторая глава посвящена разработке общей методики и алгоритмов кластерного анализа технических объектов с использованием нейронной сети.

Предложена общая методика классификации деталей с использованием нейронных сетей и обобщенный алгоритм классификации по их конструкторско-технологическим признакам.

Приводится подробное описание конструктивных и технологических признаков деталей класса 71 по ЕСКД. Описан математический аппарат для определения конструктивных и технологических признаков 3D моделей и 2Э-чертежей, созданных в современных САПР (на примере деталей класса 71).

Предложена общая структура нейронной сети для выполнения классификации технических объектов.

Приводится описание математической модели самоорганизующейся нейронной сети для решения поставленной задачи, а также разработанные алгоритмы обучения сети и алгоритм классификации технических объектов.

Третья глава посвящена разработке информационного обеспечения и программного комплекса автоматизированной системы классификации деталей с использованием самоорганизующейся нейронной сети.

Определены основные требования к программному комплексу. Разработана общая структура комплекса, выбрано программное техническое и лингвистическое обеспечение. В качестве лингвистического обеспечения была использована среда программирования Visual С++ 6.0.

Предложена структура базы данных системы для хранения конструкторско-технологической модели детали, всех параметров нейронной сети и дополнительной информации. База данных реализована в СУБД реляционного типа Microsoft Access 2000.

Приводится описание принципа работы программного комплекса "NeuroKlaster", а также описание и порядок работы входящих в него модулей.

В четвертой главе показаны пути использования разработанного программного комплекса для классификации деталей общемашиностроительного применения.

Рассмотрен пример использования программного комплекса для классификации деталей гидроцилиндра по их ЗЭ-моделям, созданных в современных САПР "T-Flex" и "Autodesk Inventor".

Произведен примерный расчет экономической эффективности использования разработанного программного комплекса.

4.3. Выводы к четвертой главе

1. Рассмотрен пример использования программного комплекса NeuroKlaster для решения задачи конструкторско-технологической классификации деталей общемашиностроительного применения, что показало его успешное функционирование.

2. Показано успешное применение программного комплекса для классификации деталей гидроцилиндра общего назначения в условиях ОАО «Агрегатный завод».

3. Произведен примерный расчет экономической эффективности использования разработанной системы.

145

ЗАКЛЮЧЕНИЕ

В результате анализа проблемы и проведенных в работе исследований по автоматизации конструкторско-технологической классификации деталей была разработана общая методика классификации технических объектов на примере общемашиностроительных деталей с использованием современных методов кластерного анализа и нейронных сетей, которая была реализована в программном комплексе "NeuroKlaster", что является достижением основной цели работы.

Основные научные и практические результаты работы докладывались и обсуждались на молодежной научно-технической конференции вузов приграничных регионов славянских государств в 2003 г. в г. Брянске, на международной молодежной научной конференции "XXX Гагаринские чтения" в 2004 г. в г. Москве, на научно-практической конференции «Практика и перспективы применения ИПИ-технологий в производстве» в 2004 г. в г. Ульяновске, на межрегиональной научно-технической: конференции студентов и аспирантов "Информационные технологии, энергетика и экономика" в 2004 г. в г. Смоленске, на IX Всероссийской научно-технической конференции «Новые информационные технологии в научных исследованиях и в образовании» в 2004 г. в г. Рязани, на международной научно-технической интернет-конференции

Информационные технологии в управлении и моделировании» в 2005 г. в г. Белгороде.

Диссертационная работа выполнена на кафедре "Компьютерные технологии и системы" Брянского государственного технического университета. Результаты работы используются при подготовке специалистов по специальности САПР в БГТУ.

При выполнении работы были получены следующие основные выводы и результаты:

1. Разработана общая методология автоматической классификации деталей общемашиностроительного применения по их конструкторско-технологическим признакам с использованием современных методов кластерного анализа и нейронных сетей, что позволило создать программный

4 комплекс классификации деталей.

2. Предложен способ описания деталей в виде матрицы конструкторско-технологических признаков, как наиболее полно и достоверно отвечающий требованиям нейросетевого моделирования, что позволило применить нейронные сети для решения задачи классификации деталей.

3. Разработана модель и общая структура гибридной нейронной сети для выполнения процедуры кластеризации технических объектов, а также построены математические модели функционирования и обучения предлагаемой нейронной сети. На основании этих моделей был написан программный код с использованием современных языков программирования.

4. Разработана структура базы данных системы, позволяющая хранить информацию о конструкторско-технологических признаках деталей, состоянии обученной нейронной сети, параметрах настройки системы и результатах процесса классификации.

5. Разработана структурная и функциональная схема программного комплекса для автоматизации процедуры классификации технических объектов с использованием самоорганизующейся нейронной сети, а также ряд алгоритмов, реализующих теоретические изыскания, проводимые в 4 рамках диссертационного исследования.

6. Разработан программный комплекс "NeuroKlaster" для автоматического определения конструкторско-технологического кода деталей общемашиностроительного применения по классификатору ЕСКД. Работа программного комплекса протестирована на ряде деталей класса 71 -«тела вращения», что говорит об успешном достижении поставленных целей диссертационного исследования.

147

1. Аверченков В.И., Жога B.JI. Автоматизация процедур кластеризации технических объектов на основе использования самоорганизующейся нейронной сети. — Вестник компьютерных и информационных технологий. 2005. №6 (12). с.2-7.

2. Аверченков В.И., Камаев В.А. Основы построения САПР. — Волгоград: ВПИ, 1984.-120 с.

3. Аверченков В.И., Каштальян И.А., Пархутик A.IE САПР технологических процессов, приспособлений и режущих инчтрументов. Минск.: Высш. шк., 1993 - 288 с.

4. Автоматизация разработки и выполнения конструкторской документации, под ред. Романычевой Э.Т. М.: Высш. шк., 1990. - 173 с.

5. Автоматизированная система проектирования технологических процессов механического производства. В.М. Зарубин, Н.М. Капустин, В.В. Павлов. М.: Машиностроение, 1979. - 247с.

6. Автоматизированное проектирование и производство в машиностроении / Соломенцев Ю.М., Митрофанов В.Г., Прохров А.Ф. и др. М.: Машиностроение, 1986. - 256 с.

7. Ален И. Голуб С и С++. Правила программирования. М.: БИНОМ. -272 с.

8. Боннер Р.Е. Некоторые методы классификации // Автоматический анализ изображений.- М.: Мир, 1969.- С. 205-234.

9. Борн Г. Форматы данных: графика, текст, базы данных, электронные таблицы: Пер. с нем. Киев: Bhv, 1995.- 472 с.

10. Буч Г. Объектно-ориентированное проектирование с примерами применения. М.: Конкорд 1992. - 519 с.

11. Буч Г. Объектно-ориентированный анализ и проектирование с примерами на С ++ (второе издание) / Перевод с английского под редакцией И. Романовского и Ф. Андреева. Опубликовано на web-сервере www.helloworld.ru.

12. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384 с.

13. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб пособие для вузов / Общ. ред. А.И. Галушкина. М.: ИПРЖР, 2000. - 416 с.

14. Галушкин А.И. Теория нейронных сетей. Кн. 1. М.: ИПРЖР, 2000. -416с.

15. Гардан И., Люка М. Машинная графика и автоматизированное конструирование: Пер. с Франц. М.: Мир, 1987. - 272 с.

16. Гилев С.Е., Миркес Е.М. Обучение нейронных сетей // Эволюционное моделирование и кинетика. Новосибирск: Наука, 1992.- с. 9-23.

17. Горанский Г.К. Автоматизированные системы технологической подготовки производства в машиностроении. — М.: Машиностроение, 1976.-239 с.

18. Горанский Г.К., Бендерева Э.И. Технологическое проектирование в комплексных автоматизированных системах подготовки производства. -М.: Машиностроение, 1981. 456 с.

19. Горанский Г.К., Кочуров В.А. и др. Автоматизированные системы технологической подготовки производства в машиностроении. — М.: Машиностроение, 1976. 240 с.

20. Горбань А.Н. Алгоритмы и программы быстрого обучения нейронных сетей. // Эволюционное моделирование и кинетика. Новосибирск: Наука, 1992.-с. 36-39.

21. Горбань А.Н. Решение задач нейронными сетями / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. 182 с.

22. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. -М.: Наука, 1996. 276 с.

23. ГОСТ 14.301-83 Общие правила разработки технологических процессов.

24. ГОСТ 14.303-73 Правила разработки и применения типовых технологических процессов.

25. ГОСТ 14.316-75 Правила разработки групповых технологических процессов.

26. ГОСТ 14.409-75 Единая система технологической подготовки производства. Требования к информационно-поисковым системам технологического назначения.

27. ГОСТ 2.201-80. ЕСКД. Обозначение изделий и конструкторских документов.

28. Давыдов В.М., Кабалдин Ю.Г. Концептуально проектирование мехатронных модулей механобработки. Владивосток: Дальнаука, 2003. -251 с.

29. Диалоговое проектирование технологических процессов/ Н.М. Капустин, В.В. Павлов, JI.A. Козлов и др. М.: Машиностроение, 1983. -255 с. ил.

30. Дорофеюк А.А. Алгоритмы автоматической классификации (обзор). -Автоматика и телемеханика, 1971, № 12.-е. 78-113.

31. Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977. - 249 с.

32. Бвгеньев Г.Б. Системология инженерных знаний. М.: Изд-во МГЬУ им. Н.Э. Баумана, 2001.-376 с.

33. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение влэкономике и бизнесе. М.-.МИФИ, 1998. - 218 с.

34. Жога ВЛ. Кластеризация технических объектов с использованием нейросети // XXX ГАГАРИНСКИЕ ЧТЕНИЯ. Тезисы докладовмеждународной молодежной конференции. Москва, 6-10 апреля 2004 г.- М.: МАТИ- РГТУ им. К.Э. Циолковского, 2004. Т.З, с.23.

35. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики.- М.: Наука, 1978, вып. 33.- с. 5-68.

36. Иванова Г.С., Ничушкина Т.Н., Пугачев Е.К. Объектно-ориентированное программирование. М.: Издательство МГТУ им. Баумана, 2001. - 320с.

37. Искусственный интеллект: Применение в интегрированных производственных системах / Под. ред. Э. Кьюсиака; Пер. с англ. М.: Машиностроение, 1991. - 544 с.

38. Казенное Г.Г., Соколов А.Г. Основы построения САПР и АСТПП. М.: Высш. Шк., 1989. - 200 с.

39. Капустин Н.М. Автоматизация машиностроения. М.: Высш. Шк., 2003.- 223 с.

40. Капустин Н.М. Разработка технологических процессов обработки' деталей на станках с помощью ЭВМ. М.: Машиностроение, 1976. — 288с.

41. Капустин Н.М., Павлов В.В., Козлов JI.A. и др. Диалоговое проектирование технологических процессов. М.: Машиностроение, 1983 -255 с.

42. Калачев О.Н. Основы САПР в технологии машиностроения: Учебное пособие. — Ярославль, Яросл. политехи, ин-т, 1993. — 180 с.

43. Классификатор ЕСКД. Иллюстрированный определитель деталей. Классы 71, 72,73, 74, 75, 76. М.: Ихд-во стандартов, 1991. - 438 с.

44. Классификатор ЕСКД. Класс 71. (ред. Пателеева Т.В.) М.: Изд. Стандартов, 1986. - 104 с.

45. Коннэл Дж. Visual Basic 6. в программирование баз данных: Пер. с англ.- М.: ДМК, 2000. 720 е.: ил.

46. Конструкторско-технологическое обеспечение качества деталей машин / Пономарев В.П., Батов А.С., Захаров А.В. и др. М.: Машиностроение, 1984.- 184 с.

47. Корсаков B.C., Капустин Н.М., Темпельгоф К.Х., Лихтенберг X.

48. Автоматизация проектирования технологических процессов в машиностроении. М.: Машиностроение, 1985. - 304 с.

49. Корячко В.П. Теоретические основы САПР. — М.: Энергоатомиздат, 1987.-400 с.

50. Круглое В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети". Физматлит, 2001. — 224 с.

51. Лихачев А.А. Автоматическая подготовка производства М.: Изд-во МАИ, 1993.- 256 с.

52. Льюииг Л. Идентификация систем. Теория для пользователя: Пер. с англ. / Под ред. Я.З. Цыпкина. М.: Наука. Гл. ред. физ.-мат. лит., 1991. -432 с.

53. Мейер Д. Теория реляционных баз данных. М.: Мир, 1987. - 608 с.

54. Митрофанов В.Г., Калачев О.Н, Схиртладзе A.F., Басин A.M. САПР в технологии машиностроения. Учеб. Пособие. Ярославль: Изд-во Яросла. Гос. Тех.ун-та, 1995. - 298 с.

55. Митрофанов СЛ. Групповая технология машиностроительного производства. В 2-х т. Л. Машиностроение, 1983. - 376 с.

56. Митрофанов С.П. Научная организация машиностроительного производства. 2-е изд. - Л.: Машиностроение, 1976. - 712 с.

57. Митрофанов С.П., Куликов Д.Д., Миляев О.Н., Падун Б.С. Технологическая подготовка гибких производственных систем. -Л.Машиностроение, 1987. 364 с.

58. Моисеева Н.К. Функционально-стоимостной анализ в машиностроении. М.: Машиностроение, 1987. - 320 с.

59. Нейроинформатика / А.Н. Горбань, B.JI. Дунин-Барковский, А.Н. Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296 с.

60. Нейроматематика. Кн. 6: Учеб. пособие для вузов / Агеев А.Д., Балухто А.Н., Бычков А.В. и др.; Общая ред. А.И. Галушкина. М.: ИПРЖР, 2002.-448 е.: ил. (Нейрокомпьютеры и их применение).

61. Новиков Ф.А., Яценко А.Д. Microsoft® Office 2000 в целом. СПб.: БХВ - Санкт-Петербург, 1999. - 728с., ил.

62. Норенков И.П. Основы автоматизированного проектирования. М.: Издательство МГТУ им. Н.Э. Баумана., 2002 г. - 336 с.

63. Основы автоматизации технологического проектирования: Учеб. Пособие / Хмеловский Г.Л., Кроль О.С., Сурнин Ю.М. К.: УМК ВО, 1989. - 189 с.

64. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д.Рудинского. -М.: Финансы и статистика, 2002.- 344 с.:ил.

65. Павлов В.В. Типовые математические модели в САПР 11 111. М.: Мосстанкин, 1989. - 75с.

66. Петкевич А.В., Хамец Н.И. Feature-технологии: состояние и перспективы // Автоматизация проектирования. 2000. № 1-2. — с. 17-26.

67. Применение вычислительных машин для группирования деталей / С.П. Митрофанов, В.Г. Логашев. Машиностроитель, 1965, №6. - с. 4-7.

68. Применение ЭВМ в технологической подготовке серийного производства / Митрофанов С.П., Гульнов Ю.А., Куликов Д.Д. М.: Машиностроение, 1981. - 287 с.

69. Р 50-54-93-88. Классификация, разработка и применение технологических процессов.

70. Рязанцев А.Н., Жолобов А.А. Автоматизация проектирования технологических процессов. Сб. задач: Учебн. пособие. Мн.: ММИ, 1997.- 126 с.

71. Соломенцев Ю.М. Конструкторско-технологическая информатика и автоматизация производства. М.: "Станкин", 1992. - 127с.

72. Соломенцев Ю.М., Рыбаков А.В. Компьютерная подготовка производства. Автоматизация проектирования, 1997, №1. - с. 31-35.

73. Старостин В.Г., Лелюхин В.Е. Автоматизация проектирования процессов механической обработки деталей: Учебн. Пособие. -Владивосток: Изд-во дальневосточного университета, 1984. 124 с.

74. Страуструп Б. Язык программирования С++, 3-е изд. / Пер. с англ. -СПб; М.: «Невский диалект» «Издательство БИНОМ», 1999.-991 с.

75. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. 182 с.

76. Технологический классификатор деталей машиностроения и приборостроения. М.: Изд. стандартов, 1987. — 255 с.

77. Технология автоматизированного машиностроения: Специальная часть / А.А. Жлобов, В.Т. Высоцкий, В.А. Лукашенко и др.; Под ред. А.А. Жолобова. Мн.: Дизайн ПРО, 1997. - 384 с.

78. Технология машиностроения: Сборник задач и упражнений: Учеб. пособие / В.И. Аверченков и др.; Под общ. ред. В.И. Аверченкова и Е.А. Польского. 2-е изд., перераб. и доп. - М.: ИНФРА-М, 2005. - 288 с.

79. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика / Пер. с англ. -М.: Мир, 1992.-212 с.

80. Фролов А.А., Муравьев И.П. Информационные характеристики нейронных сетей. М.: Наука, 1988. — 160 с.

81. Хейфец М.Л. Математическое моделирование технологически процессов. Новополоцк: ПТУ, 1999. - 104 с.

82. Цветков В.Д. Система автоматизации проектирования технологических процессов. М.: Машиностроение, 1972. 240 с.

83. Цветков В.Д. Системно-структурное моделирование и автоматизация проектирования технологических процессов. Минск: Наука и техника, 1979. - 264 с.

84. Цыганков В.Д. Нейрокопьютер и его применение- М.: "Сол Систем", 1993.

85. Цыпкин ЯЗ. Информационная теория идентификации. ОД.: Наука. Физматлит, 1995. — 336 с.

86. Чикало О. CASE-методология разработки программного обеспечения // PC WEEK, 1996, №21. с. 21-24.

87. Ширяев Н. CALS, PDM, PLM, далее везде. // САПР и Графика. -2003. -№3

88. Шпур Г., Краузе Ф. Автоматизированное проектирование в машиностроении: Пер. с нем. М.: Машиностроение, 1988. - 648 с.

89. Энгельке У.Д. Как интегрировать САПР и АСТПП. М.: Машиностроение, 1990. - 320 с.

90. Яблочников Е.И., Маслов Ю.В. Автоматизация ТПП в машиностроении / Учебное пособие. СПб.: СПбГИТМО (ТУ), 2003. -104 с.

91. Kohonen Т. "Self-organization and Associative Memory", Berlin:, Springer-Verlag, 1989.

92. Laakko T. Incremental feature modeling: methodology for integrating features and solid models. Dr. tech. Thesis, Helsinki University of Technology, 1993. 84 p.