автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Повышение производительности процесса резания на основе адаптивной системы с применением аппарата искусственных нейронных сетей

На правах рукописи

ЩЕРБАКОВ МИХАИЛ ЕВГЕНЬЕВИЧ

ПОВЫШЕНИЕ ПРОИЗВОДИТЕЛЬНОСТИ ПРОЦЕССА РЕЗАНИЯ НА ОСНОВЕ АДАПТИВНОЙ СИСТЕМЫ С ПРИМЕНЕНИЕМ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Специальность 05 13 06 «Автоматизация и управление

технологическими процессами и производствами (технические системы)»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва 2007

003161365

Работа выполнена в ГОУ ВПО Московском государственном технологическом университете «СТАНКИН»

Научный руководитель - доктор технических наук,

Официальные оппоненты

Ведущая организация

профессор Сосонкин Владимир Лазаревич!

доктор технических наук,

доцент Мартинов Георги Мартинов

доктор технических наук,

профессор Семин Валерий Григорьевич

кандидат технических наук

Баранов Леонид Вячеславович

Институт конструкторско-технологической

информатики РАН

Защита диссертации состоится «_ » 2007 г в

часов на заседании диссертационного совета К 212142 01 в ГОУ ВПО Московском государственном технологическом университете «СТАНКИН» по адресу 127994, Москва, Вадковский переулок, д За

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО Московского государственного технологического университета «СТАНКИН»

Автореферат разослан « $ » 2007 г,

Ученый секретарь диссертационного Совета, кандидат технических наук

Тарарин И М

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность работы. Проблема повышения эффективности обработки на металлорежущих станках с ЧПУ всегда была одной из главных в машиностроении Необходимость повышения производительности процесса резания выдвигает на первый план задачу повышения качества управления процессом резания Ученые и специалисты многих стран активно разрабатывают методики управления процессом резания, которые могли бы увеличить производительность процесса резания Ключевая роль в этих моделях отводится вычислениям значений управляемых параметров процесса резания, при которых достигается наибольшая производительность В настоящее время задача повышения производительности процесса резания, решается системами адаптивного оптимального управления с большим допущением подразумевается постоянство входных параметров процесса резания Такой подход игнорирует переменный характер глубины резания, что подвергает сомнению адекватность математической модели процесса механообработки

Реализация полной модели требует множество громоздких вычислений и серьезно увеличивает загрузку ресурсов, это делает ее неприемлемой для практической реализации

Одним из направлений дальнейшего совершенствования методов повышения производительности процесса резания является использование элементов искусственного интеллекта, позволяющих упростить вычисления и учесть влияние приведенных выше факторов В качестве элементов искусственного интеллекта целесообразно использовать искусственные нейронные сети (ИНС), обладающие способностью реализовать широкий класс функций без априорных допущений о законах их распределения Повышенный интерес к применению ИНС в подобного рода задачах

объясняется простотой и эффективностью, с которой нейронные сети

/

выполняют функциональные преобразования На основе их обучения мож.ет

1

быть обеспечено более точное и оперативное получение искомых параметров

в реальном масштабе времени Разработка эффективных алгоритмов, основанных на искусственных нейронных сетях, для выполнения задач подобного класса представляет собой актуальную проблему современных производств

Цель работы - разработать методику построения систем адаптивного оптимального управления процессом резания при заданных критериях обработки с учетом переменного характера глубины резания, за счет применения аппарата искусственных нейронных сетей

Задачи исследования. Для достижения поставленной цели необходимо решить следующие задачи

1 исследовать возможности использования искусственного интеллекта для определения мгновенной глубины резания;

2 разработать способ определения зависимости максимальной производительности процесса резания от его управляемых параметров и мгновенной глубины резания при ограниченности вычислительных ресурсов,

3 разработать алгоритм оптимальной коррекции управляемых параметров процесса резания с учетом ограничения по предельно возможным изменениям параметров за один шаг,

4 в соответствии с полученными теоретическими и практическими знаниями разработать систему адаптивного оптимального управления процессом резания на основе искусственных нейронных сетей, и интегрировать ее в систему ЧПУ класса PCNC с открытой архитектурой

Методы исследования. Поставленные в работе задачи решены с использованием методов системного анализа, методов математического моделирования, идентификации, программирования, анализа данных, теории искусственных нейронных сетей, теории планирования экспериментов и методов компонентного моделирования, применялись технологии СОМ (component object model) и DCOM (distributed component object model)

Научная новизна исследования заключается в разработке:

1 архитектуры и принципов построения системы адаптивного оптимального управления с использованием искусственных нейронных сетей,

2 способа определения мгновенной глубины резания по косвенным признакам на основе алгоритма нечеткой логики,

3 метода определения и изменения значений управляемых параметров процесса резания, при которых достигается максимальная производительность на основе искусственной нейронной сети Практическая значимость работы. Разработана методика построения

системы адаптивного оптимального управления на базе искусственных нейронных сетей и их обучения Разработана система адаптивного оптимального управления для системы ЧПУ типа РСИС в виде подключаемого программного компонента

Реализация работы. Научные и практические результаты использованы в разработках Научно-исследовательской лаборатории систем ЧПУ, а также учебном процессе кафедры Компьютерные системы управления МГТУ «Станкин»

Апробация работы. Теоретические и практические результаты, полученные автором, докладывались на заседаниях кафедры компьютерных систем управления МГТУ «Станкин», конференции «Информационные средства и технологии» в 2006 и 2007 годах, 7-й научной конференций МГТУ «Станкин» и «Учебно-научного центра математического моделирования МГТУ «Станкин» в 2004 году, а также в учебном процессе

Публикации. По материалам диссертации опубликовано 4 печатные работы

Структура и объем диссертации. Диссертационная работа состоит из введения, пяти глав, общих выводов, списка литературы из 78 наименований и приложения Основная часть работы изложена на 128 страницах

машинописного текста, содержит 42 рисунка и 4 таблицы Общий объем работы составляет 150 страниц

СОДЕРЖАНИЕ РАБОТЫ Введение включает в себя аннотацию содержания работы с указанием научной новизны и практической полезности, которые выносятся на защиту

Обоснована потребность в создании систем адаптивного оптимального управления на базе искусственных нейронных сетей

Констатировано игнорирование переменного характера глубины резания, и отсутствие полноты математической модели процесса механообработки в практических реализациях систем адаптивного оптимального управления

В первой главе на основе научных трудов Соломенцева Ю М, Сосонкина В Л, Балакшина Б С, Подураева В Н, Аршанского М М , Проникова А С и других специалистов в области адаптивного управления приведен обзор существующих систем управления процессами резания

Любая система управления приводится к простой схеме объекта управления и управляющего устройства Управляющее устройство использует информацию о состоянии объекта управления Показатели, на основании которых осуществляется управление, называют выходной величиной Данные показатели изменяют свое значение под воздействием множества факторов, воздействующих на объект управления Эти факторы называют возмущающими, они изменяются по случайным законам и предвидеть их значение и степень их влияния невозможно Следовательно, выходная величина носит случайный характер Эта выходная величина поступает на управляющее устройство, там перерабатывается в соответствии с определенной логикой и по тракту управления поступает в виде управляющих сигналов на объект управления Соответственно, сами управляющие сигналы также являются в некоторой степени случайными

Системы, в которых параметры регулятора меняются вслед за изменением параметров объекта, обеспечивая при этом неизменное поведение системы в целом, называют адаптивными системами

Существует два типа адаптивных систем, которые решают задачу управления показателями технологического процесса - это системы адаптивного предельного управления и системы адаптивного оптимального управления Первые решают задачи увеличения эффективности обработки и выступают как системы стабилизации, следящие или программного регулирования Вторые строятся на основе выбранного критерия качества металлообработки (экономического, точностного и тп), ограничений, в пределах которых использование данного критерия имеет смысл, конкретных методов оптимизации работы станка в соответствии с принятым критерием и наложенными на него ограничениями, а также технических средств оптимизации и их размещения на тех или иных иерархических уровнях системы управления

С целью повышения эффективности обработки деталей в этих системах поддерживается оптимальное протекание технологического процесса относительно заданной целевой функции, например, минимальная себестоимость обработки

Несмотря на случайный характер потока возмущающих воздействий, адаптивная система так управляет технологическим процессом, что целевая функция непрерывно поддерживается на максимальном или минимальном уровне в пределах установленных ограничений.

Определение рационального режима обработки сопряжено со следующими проблемами

1 в большинстве моделей процессов обработки отсутствует связь точности обработки и критериев оптимальности,

2 игнорируется переменный характер входных параметров, таких как глубина резания, твердость заготовки, износ инструмента,

3 не учитываются погрешности, сопровождающие технологический

процесс

Приведенные выше проблемы серьезно осложняют выработку математической модели, позволяющей оптимизировать процесс резания Даже если подобная модель создается, она требует множество громоздких вычислений, которые серьезно увеличивают загрузку ресурсов, что неприемлемо

В настоящее время в промышленности используются системы адаптивного предельного управления в силу простоты их реализации Однако системы данного типа не обеспечивают высокого качества управления процессом резания и не делают процесс резания экономически эффективным Системы адаптивного оптимального управления теоретически обеспечивают более эффективное управление процессом резания, но они не получили широкого распространения т к либо были реализованы с серьезными допущениями, либо требовали большого количества вычислительных ресурсов

На основании проведенного анализа системы адаптивного управления, поставлена цель и сформулированы задачи исследования

Во второй главе приведена реализация системы адаптивного предельного управления, которая управляет износом режущего инструмента во время процесса точения В представленной системе отслеживается износ режущего инструмента, и в зависимости от него изменяются управляемые параметры процесса - частота вращения шпинделя и продольная подача.

Поскольку невозможно измерить износ инструмента во время работы напрямую, то необходимо делать это по косвенным признакам В представленной работе износ инструмента определяется по двум параметрам температуре в зоне резания и радиальной силе в точке контакта Температуру в зоне резания легко измерить с помощью термопары, а радиальную силу -тензодатчиком

Так как процесс износа режущего инструмента носит случайный характер, то спрогнозировать его можно лишь с определенной долей вероятности Случайный характер износа инструмента в значительной мере определяется случайным характером параметров начального состояния инструмента Параметры начального состояния инструмента, формирующиеся на стадии его изготовления, приобретают случайные значения из-за нестабильности операций технологического процесса и нестабильности металловедческих свойств заготовок Необходимо, не останавливая процесс резания, отследить по приведенным выше критериям, начало износа инструмента, и автоматически изменить управляемые параметры процесса резания, таким образом, чтобы снизить износ инструмента Управляемыми параметрами для процесса точения являются частота вращения шпинделя и продольная подача

Не существует прямых зависимостей, описывающих связь между управляемыми параметрами процесса резания и параметрами, характеризующими износ режущего инструмента (температура в зоне резания и радиальная сила в точке контакта) Поэтому для управления износом режущего инструмента следует использовать заранее обученную искусственную нейронную сеть Входными параметрами для этой нейронной сети являются значения температуры в зоне резания и радиальной силы в точке контакта Входные значения для данной нейронной сети фильтруются, чтобы избежать изменения управляемых параметров по локальному увеличению износа Сеть генерирует приращения (с учетом знака) частоты вращения шпинделя и подачи

Предложенное решение для системы регулирования износа режущего инструмента имеет два ограничения

1 игнорирование переменного характера глубины резания, что оказывает влияние на качество управления,

2 сложность составления обучающей выборки для искусственной нейронной сети, т.к. требуется большое количество экспериментов для получения корректной обучающей выборки

Число экспериментов для получения обучающей выборки может быть уменьшено с помощью теории планирования эксперимента

В третьей главе рассматриваются качество и производительность обработки как управляемые показатели технологического процесса Проблему оптимизации обычно сводят к определению оптимальных режимов резания В общем виде принцип оптимальности можно сформулировать так для конкретного варианта технологического процесса необходимо определить такие значения искомых технологических параметров (X), которые обеспечивают наибольшую эффективность процесса при соблюдении ограничений по качеству продукции, производительности, расходу оборотных средств, а также по технологическим и организационно-техническим возможностям основных средств

Искомыми параметрами для конкретного варианта технологического процесса являются режимы резания (скорость, подача), межпереходные припуски и допуски, стойкость режущего инструмента (его период стойкости и число деталей, обработанных за этот период), допуски на размерную настройку станочной системы

Оптимальные значения искомых параметров X определяют с учетом критерия оптимальности С, который минимизируется или максимизируется с учетом комплекса ограничений

Также технологический процесс характеризуется совокупностью фазовых параметров У. Эти зависимые параметры (например, сила резания, мощность и износ) являются функциями искомых независимых параметров Кроме того, необходимо учитывать исходные параметры , например, коэффициенты уравнений и константы В общем виде математическая модель процесса описывается векторньм уравнением У=У( Т, X)

Ограничения составляют систему неравенств, каждое из которых устанавливает пределы варьирования некоторого фазового или искомого параметра В общей форме ограничения можно записать так X е [Xтт' Хтах 1 ^ е 1Утт > ^тах ]

Критерий оптимальности Со является функцией исходных, фазовых и искомых параметров Со = СоОР,У,Х) Это создает возможность управления искомыми параметрами на основе информации о значениях фазовых параметров Отсюда следуют два вывода производительность и себестоимость обработки являются управляемыми показателями технологического процесса, в процессе управления может быть решена задача оптимизации

Представлена структурная схема системы управления и производится выбор критерия оптимизации режима металлообработки На практике наибольшее применение получили критерии производительности и себестоимости, которые включают в себя зависимость стойкости инструмента от параметров резания

Основные известные из практики критерии оптимизации режима металлообработки можно разбить на четыре группы

1 критерий минимальной стоимости,

2 критерий максимальной производительности,

3 критерий максимальной интенсивности удаления припуска,

4 критерий максимального использования возможностей станка и инструмента

Для разрабатываемой системы в качестве критерия оптимизации выбран критерий максимальной объемной производительности, относящийся ко второй группе

—, (4)

Т + ?см

где V - объем припуска, снятый за цикл использования инструмента, Т -период стойкости инструмента; тш - время смены инструмента

Критерий объемной производительности целесообразно использовать по следующим причинам

1 учитывает период стойкости инструмента,

2 позволяет рассматривать процесс резания без учета размерных параметров заготовки, что делает возможным представление процесса на плоскости производственных характеристик станка,

3 учитывает влияние переменной глубины резания

В четвертой главе описывается структура системы адаптивного оптимального управления процессом точения, которая повышает объемную производительность процесса резания

Предлагается рассматривать задачу повышения производительности на плоскости производственных характеристик станка Плоскость производственных характеристик представляет собой систему координат, осями которой являются управляемые параметры процесса резания - частота вращения шпинделя и продольная подача

Представление технологического процесса на плоскости производственных характеристик станка удобно тем, что на ней можно определить зависимость процесса резания от двух управляемых параметров -частоты вращения шпинделя и подачи, абстрагируясь при этом от размерных параметров инструмента, станка и заготовки

При оптимизации процесса обработки необходимо принимать во внимание конструктивные и технологические ограничения на управляемые параметры металлообработки частоту вращения шпинделя п и подачу 5

Наименьшее значение частоты вращения шпинделя определяется конструктивно заданным нижним пределом диапазона изменения Кроме того, частота вращения шпинделя не может быть меньше некоторой величины, при которой ухудшаются условия стружкообразования

Наибольшее значение частоты вращения шпинделя определяется конструктивно заданным верхним пределом диапазона изменения Кроме того, она ограничена некой величиной, при превышении которой происходит

быстрое изнашивание и разрушение инструмента вследствие чрезмерного нагревания режущей кромки

Наибольшая и наименьшая подачи ограничиваются конструктивно заданными пределами для привода подачи станка Кроме того, на максимальное значение подачи влияет прочность используемого инструмента

Помимо конструкторско-технологических ограничений частоты вращения шпинделя и скорости подачи, существуют силомоментные ограничения С учетом упомянутых выше ограничений можно определить зону допустимых режимов на плоскости производственных характеристик станка (на рисунке 1 эта область выделена серым цветом)

Ограничения устанавливаются для конкретного станка, инструмента и материала заготовки, тк зависят от их параметров, следовательно, нельзя переносить ограничения одного процесса резания на другой

Глубина резания не является управляемым параметром процесса и изменяется во время обработки Изменения глубины резания имеют случайный характер и зависят от многих факторов Выбранная в качестве критерия оптимизации объемная производительность зависит от глубины резания

Для каждой глубины резания существует некая оптимальная кривая, которая проходит через область допустимых значений п и 5 на плоскости производственных характеристик станка и соответствует максимальной производительности процесса резания Т к глубина резания является переменной величиной, то можно говорить о семействе оптимальных кривых, каждая из которых соответствует какой-то конкретной величине ?2 или ?з (см рис 1)

Если рассматривать задачу только с точки зрения максимизации производительности, без ограничения на точность изготавливаемой детали, т е черновую обработку, то максимумы производительности будут находиться на пересечении оптимальных кривых с верхней границей области

допустимых значений управляемых параметров. Это связано с тем, что производительность процесса резания пропорциональна как частоте вращения шпинделя, так и скорости продольной подачи. Соответственно, максимальному значению производительности соответствуют максимально допустимые значения управляемых параметров процесса резания. Глубине резания /[ соответствует точка А\, глубине f2 - точка Щ., а глубине ¡т, -точка^з (см. рис 1).

Рис. 1, Точки максимальной производительности

Для достижения максимальной производительности процесса резания необходимо определить текущую глубину резания, затем определить положение точки пересечения оптимальной кривой с верхней границей области допустимых значений и, изменить управляемые параметры процесса резания.

Т.к. напрямую измерить глубину резания невозможно, то следует определять её величину косвенно с помощью других параметров процесса резания. Как известно, силы в зоне резания могут быть рассчитаны по формулам:

Ру=СР/?>1У^КОБЩ, (5)

где Рх,Ру,Рг - соответственно, осевая, радиальная и тангенциальная составляющая силы резания, С Рх, СРу, СР2 - константы, t,s,v - глубина, подача и скорость резания, х, у, г - показатели степени, выражающие влияние

27*

соответствующего параметра режима резания на силы резания, 0БЩ -коэффициент, учитывающий дополнительно влияние на силы резания свойств обрабатываемого, инструментального материала и т д

Эти формулы (5) достаточно часто используют для практических расчетов Они получены эмпирическим путем. Имеются и теоретически полученные уравнения, но они сложны и для практических расчетов не используются Из приведенных выше зависимостей составляющих сил резания от параметров процесса резания, с точки зрения измерения, удобнее всего использовать радиальную силу Радиальную силу можно измерять с помощью тензодатчика с достаточно высокой точностью, скорость резания пропорциональна частоте вращения шпинделя, подача является управляемым параметром процесса резания Однако эмпирические формулы -предоставляют только приблизительные значения Необходимо более точно определять глубину резания, чтобы на основании полученной величины оптимизировать управляемые параметры процесса резания

Для определения точного значения глубины резания предлагается использовать искусственную нейронную сеть Входами данной нейронной сети являются частота вращения шпинделя, продольная подача, радиальная сила в точке контакта, а выходом - мгновенная глубина резания. Схема данной сети представлена на рисунке 2

Частота вращения шпинделя^

Подача_0_пеиронная _^_^ Глубина резания

Радиальная сила_

Рис 2 Входы и выходы нейронной сети, определяющей глубину резания

В качестве нейронной сети, определяющей мгновенную глубину резания целесообразно использовать сеть, обучающуюся с учителем, по алгоритму обратного распространения ошибки

Данная нейронная сеть не учитывает параметры инструмента и заготовки, поэтому для каждой пары «инструмент - заготовка» необходимо создать отдельную обучающую выборку

По результатам компьютерного моделирования, проведенного с помощью нейропакета №таоРго (НейроПро) версии 0 25, было определено оптимальное количество нейронов в скрытом слое равное 59 При данном количестве обеспечивается наибольшая скорость обучения Результаты моделирования приведены в приложении 2 Таким образом, нейронная сеть, определяющая мгновенную глубину резания, имеет во входном слое 3 нейрона, в скрытом слое 59 нейронов, а в выходном слое 1 нейрон

После определения мгновенной глубины резания необходимо определить координаты пересечения кривой максимальной производительности для данной глубины резания с верхним ограничением

Использование в качестве критерия оптимизации объемной производительности (4) предполагает, что для определения положения оптимальной кривой на плоскости производственных характеристик необходимо выразить ее через управляемые параметры процесса резания

Известно, что стойкость инструмента зависит от параметров резания и для продольного точения может быть определена по формуле

грт _ 3

где Су - постоянная величина, ку - коэффициент, зависящий от свойств обрабатываемого материала, инструмента и типа СОЖ, с/ - диаметр обработки, г - глубина резания, ху,уу,т - показатели степеней, зависящие от свойств инструмента и условий резания

Таким образом, можно выразить производительность процесса точения через управляемые параметры, т е данная зависимость позволяет определить положение оптимальной кривой на плоскости производственных характеристик станка Точка максимальной производительности определяется как точка пересечения оптимальной кривой с верхним ограничением В общем случае, ограничения по моменту и мощности резания описываются уравнениями 3-го порядка, коэффициенты которых можно получить экспериментальным путем

Максимально допустимую мощность резания можно определить по формуле

ЛГ = —V СР2 5 А НВ" , (7) 6120 п

где N - мощность резания, V - скорость резания, НВ - твердость материала заготовки, Ср2,/32,уг,пг- коэффициенты, полученные экспериментальным путем

В свою очередь, максимальный момент резания определяется по формуле

М = 0,5 Ю-3 й СР2 я"* НВ"' (8)

Эти зависимости получены эмпирическим путем и являются приблизительными

Вычисление точки пересечения оптимальной кривой с ограничением традиционным способом очень ресурсоемкий процесс. Поэтому предлагается для определения этой точки использовать заранее обученную искусственную нейронную сеть Как и в предыдущих случаях, такая нейронная сеть должна обучаться с учителем по алгоритму обратного распространения ошибки

Входами данной нейронной сети являются текущие значения частоты вращения шпинделя и продольной подачи, мгновенная глубина резания,

диаметр обработки, твердость материала заготовки, максимально допустимые значения управляемых параметров Эта искусственная нейронная сеть определяет координаты оптимальной точки, те точки максимальной производительности на плоскости производственных характеристик станка

По результатам компьютерного моделирования было определено оптимальное количество нейронов в скрытом слое равное 14. Результаты моделирования приведены в приложении Таким образом, нейронная сеть, определяющая максимальную мощность резания, имеет во входном слое 7 нейронов, в скрытом слое 14 нейронов, а в выходном слое 2 нейрона

После определения положения оптимальной точки на плоскости производственных характеристик станка необходимо выбрать алгоритм изменения управляемых параметров процесса резания таким образом, чтобы за один шаг достичь или максимально приблизиться к оптимальной точке

Рис 3 Дискретность системы ЧПУ Система ЧПУ является дискретной системой, т е значения управляемых параметров процесса резания могут принимать определенные значения, зависящие от шага квантования по уровню Данная ситуация проиллюстрирована на рисунке 3 Система ЧПУ может находиться в состоянии, соответствующем одному из узлов сетки Расстояние между

узлами по горизонтали определяется минимально допустимым приращением подачи, а по вертикали - минимально допустимым приращением частоты вращения шпинделя Эти значения неизменны для системы ЧПУ и связаны с конструктивными особенностями системы Чем меньше расстояние между узлами координатной сетки, тем выше качество управления

Максимально возможные приращения значений управляемых параметров процесса резания также ограничены Эти ограничения определяются на основе многих факторов, таких как параметры материалов заготовки и инструмента, диаметр обработки, требуемая точность обработки и т п Максимально возможное приращение можно выразить в количестве узлов координатной сетки по соответствующему измерению

Оптимизация процесса резания сводится к управлению перемещением из одного узла координатной сетки к другому Однако для определения приращений частоты вращения шпинделя и скорости подачи необходимо решить ряд дополнительных проблем

Первая проблема заключается в том, что оптимальная точка, как правило, не находится в одном из узлов координатной сетки, так как положение данной точки определяется теоретически без учета дискретности системы ЧПУ Необходимо заменить теоретическую оптимальную точку реальной, которая будет располагаться в одном из узлов координатной сетки и будет максимально приближена к теоретической

Алгоритм определения оптимального узла координатной сетки заключается в следующем прямоугольник, ограниченный узлами координатной сетки, делится на четыре равных прямоугольника, каждый из полученных прямоугольников содержит узел координатной сетки Оптимальная точка попадает в один из этих прямоугольников Вершина этого прямоугольника (содержащего оптимальную точку) и является оптимальным узлом координатной сетки В случае, когда оптимальная точка равноудалена от двух и более узлов, в качестве оптимального следует выбирать узел, соответствующий максимальной производительности

Вторая проблема коррекции управляемых параметров заключается в следующем: не всегда можно переместиться за один шаг из текущего узла координатной сетки в оптимальный. Это связано с ограничениями, наложенными на максимально возможные приращения управляемых параметров. Необходимо определить алгоритм изменения управляемых параметров процесса резания, в случае невозможности достижения оптимального узла координатной сетки за один шаг.

Рис. 4. Возможные приращения управляемых параметров процесса резания

Допустим, система находится в состоянии, которому соответствует точка А на рисунке 4. Оптимальный узел координатной сетки соответствует точке О. Из точки А невозможно переместиться в точку О за один шаг. При этом необходимо максимально приблизиться за один шаг к оптимальному узлу. Однако, если перемещаться от точки А в точку О на максимально возможное расстояние по прямой, то система окажется а состоянии, которое соответствует точке В, которая находится в стороне от оптимальной кривой. Следовательно, система может оказаться в худшем состоянии, чем предыдущее. Поэтому, необходимо максимально возможно подняться вверх именно по оптимальной кривой.

Для решения этой задачи разработан специальный алгоритм, который определяет узел координатной сетки, находящийся рядом с оптимальной кривой и соответствующий максимально возможному приращению управляемых параметров процесса резания

Данная задача также решается с помощью искусственной нейронной сети, обучающейся по алгоритму обратного распространения ошибки. Входами этой нейронной сети являются текущие значения управляемых параметров до коррекции, координаты оптимального узла, максимально допустимые приращения частоты вращения шпинделя и скорости подачи за один шаг, минимально возможные приращения управляемых параметров за один шаг и мгновенная глубина резания

По результатам компьютерного моделирования было определено оптимальное количество нейронов в скрытом слое равное 14 Результаты моделирования приведены в приложении Таким образом, нейронная сеть, определяющая скорректированные значения управляемых параметров процесса резания, имеет во входном слое 9 нейронов, в скрытом слое 14 нейронов, а в выходном слое 2 нейрона

Также, в данной главе описывается применение теории планирования эксперимента для создания обучающих выборок нейронных сетей

В пятой главе описана программная реализация системы адаптивного оптимального управления и реализована ее интеграция в систему ЧГТУ типа РСИС

Не все существующие системы ЧПУ допускают подключение внешних программных модулей, без изменения архитектуры последней Системы ЧПУ \УтРС>ГС с открытой архитектурой поддерживают возможность подключения внешних программных модулей, реализованных как СОМ -компоненты, что определяет способ интеграции система адаптивного оптимального управления

Разбиение системы адаптивного оптимального управления на СОМ -компоненты повышает ее гибкость, позволяет модифицировать и

конфигурировать только отдельную часть системы без изменения остальных компонентов Исходя из действий, которые выполняет система адаптивного оптимального управления, она была реализована в виде набора следующих компонент

1 компонент, определяющий мгновенную глубину резания (функционирующий как искусственная нейронная сеть),

2 компонент, определяющий оптимальные значения управляемых параметров процесса резания (функционирующий как искусственная нейронная сеть),

3 компонент, определяющий оптимальный узел координатной сетки,

4 компонент, определяющий скорректированные значения управляемых параметров процесса резания (функционирующий как искусственная нейронная сеть),

5 компонент, обеспечивающий корректное взаимодействие приведенных выше компонентов Данный компонент также должен осуществлять взаимодействие с системой ЧПУ

Далее специфицированы СОМ - интерфейсы компонентов Исследована возможность применения готовых инструментальных средств для ускорения процесса разработки искусственных нейронных сетей По результатам исследования выбрана библиотека МеигоМе1, позволяющая создавать искусственные нейронные сети, обучающиеся по алгоритму обратного распространения ошибки и сохранять структуру сети в файл Описана схема интеграции системы адаптивного оптимального управления в систему ЧПУ М^пРСЫС и приведена расширенная архитектура

В приложении вынесены результаты компьютерного моделирования по определению структур искусственных нейронных сетей, использующихся в системе

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

1 Система адаптивного оптимального управления, построенная на базе искусственных нейронных сетей, позволяет обеспечить необходимое быстродействие системы управления и надлежащее качество обрабатываемых изделий при достижении максимальной производительности процесса резания Максимально возможная производительность обработки зависит от дискретности управляемых параметров системы ЧПУ

2 Точность обучения искусственных нейронных сетей, используемых в системе адаптивного предельного управления, напрямую зависит от требований, предъявляемых к износостойкости режущего инструмента, и может быть повышена итеративно путем дополнительного обучения

3 Мгновенная глубина резания может быть определена с высокой точностью по косвенным признакам с помощью искусственной нейронной сети

4 Максимальная производительность процесса резания может быть определена с помощью искусственной нейронной сети на основании значений управляемых параметров и их ограничений, а также мгновенной глубины резания

5 Коррекция управляемых параметров процесса резания может быть осуществлена с помощью искусственной нейронной сети, на основании оптимальных значений управляемых параметров и ограничений, накладываемых на систему ЧПУ

6 Предложенная реализация системы адаптивного оптимального управления в виде набора СОМ - компонентов позволяет легко встроить ее в систему ЧПУ класса РСЫС без изменения архитектуры последней Использование внешних библиотек, реализующих искусственные нейронные сети, позволяет значительно ускорить процесс разработки и снизить его себестоимость. Предложенный механизм сохранения структуры обученной нейронной сети в файле и

последующей ее загрузки обеспечивает многократное использовании сети без повторного обучения

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1 Щербаков М Е Повышение производительности процесса точения за счет использования аппарата искусственных нейронных сетей // Автоматизация и современные технологии 2007 №9 С 3 - 7

2 Щербаков М Е Управление производительностью процесса точения с помощью искусственных нейронных сетей // Международный форум информатизации Труды международной научно-технической конференции «Информационные средства и технологии» 16 - 18 октября 2007 г, в 3-х т т ТЗ С 202 - 207 - М Янус-К, 2007

3 Щербаков М Е Повышение производительности процесса резания за счет использования аппарата искусственных нейронных сетей // Международный форум информатизации Труды международной научно-технической конференции «Информационные средства и технологии» 17-19 октября 2006 г, в 3-х т т ТЗ С 220 - 223 - М Янус-К, 2006

4. Щербаков М Е. Использование аппарата искусственных нейронных сетей в системе управления процессом резания // 7-я научная конференция МГТУ «Станкин» и «Учебно-научного центра математического моделирования МГТУ «Станкин» - ИММ РАН» Программа сборник докладов 28 - 29 апреля 2004 г С 146-149 -М Янус-К, ИЦ ГОУ МГТУ «Станкин»

Введение.

Глава 1. Обзор систем управления процессом резания.

1.1. Системы адаптивного предельного управления.

1.2. Системы адаптивного оптимального управления.

1.3. Место работы в системе ЧПУ типа РСЫС.

1.4. Постановка задачи исследования.

Глава 2. Система стабилизации износа режущего инструмента.

2.1. Определение состояния инструмента.

2.2. Фильтрация показателей состояния инструмента.

2.3. Выбор управляемых параметров процесса резания.

2.4. Выбор устройства принятия решений.

2.4.1. Искусственный нейрон.

2.4.2. Искусственная нейронная сеть.

2.4.3. Выбор архитектуры искусственной нейронной сети.

2.5. Общая архитектура системы регулирования износа режущего инструмента.

2.6. Выводы.

Глава 3. Определение критерия оптимальности и выбор управляемых параметров.

3.1. Качество обработки и производительность как управляемые показатели технологического процесса.

3.2. Структурная схема системы управления.

3.3. Критерии оптимизации режима металлообработки.

3.4. Выводы.

Глава 4. Разработка методики повышения производительности процесса резания с использованием аппарата искусственных нейронных сетей.

4.1. Плоскость производственных характеристик станка.

4.2. Ограничения на управляемые параметры технологического процесса металлообработки.

4.3. Определение мгновенной глубины резания.

4.4. Определение состояния системы управления процессом резания.

4.4.1. Определение оптимального состояния системы.

4.5. Коррекция управляемых параметров процесса резания.

4.5.1. Определение оптимального узла координатной сетки.

4.5.2. Определение величин приращений управляемых параметров.

4.6. Использование теории планирования эксперимента для создания обучающей выборки.

4.7. Общая архитектура системы управления процессом резания.

4.8. Выводы.

Глава 5. Практическая реализация системы адаптивного оптимального управления.

5.1. Исследование возможности применения компонентного подхода для создания системы адаптивного оптимального управления.

5.2. Представление системы адаптивного оптимального управления в виде набора компонентов и их взаимодействий.

5.3. Использование внешних библиотек, реализующих работу искусственных нейронных сетей.

5.4. Интеграция разработанной системы адаптивного оптимального управления в WinPCNC.

5.5. Использование системы адаптивного оптимального управления.

5.6. Выводы.

Проблема повышения эффективности металлообработки была и остается одной из главных в машиностроении. Большая масса изделий машиностроения производится в механообрабатывающих станочных модулях, в которых основным технологическим процессом является процесс резания, а системами управления - системы числового программного управления (ЧПУ).

Инновационные технологии не обошли стороной и такую важную область человеческой деятельности, как металлообработка. На смену ручному и автоматизированному управлению процессом резания приходят системы автоматического и числового программного управления, в которых участие человека в процессе сведено к минимуму [1], [5].

В настоящее время существуют три типа систем ЧПУ: традиционная система NC (Numerical Control), система CNC (Computer Numerical Control) на базе специального компьютера, система PCNC (Personal Computer Numerical Control) на базе персонального компьютера [55]. По мере роста вычислительной мощности процессоров и снижения их стоимости все больше пользователей отдают своё предпочтение системам последнего типа. В системах ЧПУ типа PCNC основную нагрузку несет специальное программное обеспечение [59], которое решает различные задачи управления (геометрическую, технологическую, логическую, терминальную и т.п.) [57].

Современные системы ЧПУ типа PCNC допускают подключение системы PCNC к единому информационному пространству предприятия и обмену данными с другими системами (базы данных, CAD/CAM/CAE/PDM системами).

Таким образом, «центр тяжести» построения системы типа PCNC смещается от аппаратного обеспечения к программному [62], т.к. именно специальное программное обеспечение отвечает за преобразование данных, их обработку и принятие решений.

Использование в качестве устройства принятия решений специального программного обеспечения позволяет создавать достаточно гибкие и сложные системы, позволяющие решать самый широкий спектр задач управления.

Основным недостатком существующих моделей управления процессом резания является то, что практически не учитывается его случайный характер [42]. Сложность решения проблемы связана с тем, что процесс резания характеризуется нестабильностью и множеством взаимосвязанных переменных, влияющих как на ход процесса, так и на его результаты. Условия резания динамически изменяются случайным образом из-за влияния различных возмущающих факторов: разброс припусков, разброс твердости и структуры металла заготовок, непрерывно изменяющиеся режущие свойства инструмента и т.п. Показатели качества зависят от жесткости и тепловой деформация элементов технологической системы, характера и параметров относительных колебаний инструмента и детали, и т. д. Для большинства систем ЧПУ расчет режимов резания производится по наихудшим возможным вариантам [26], [34], что обеспечивает более стабильную работу инструмента и уменьшает вероятность брака, но при этом заведомо отрицательно сказывается на технико-экономической эффективности оборудования, приводит к снижению производительности и увеличению затрат на производство. Некоторые системы ЧПУ учитывают случайный характер процесса резания на основе вероятностных моделей, что серьезно усложняет практическую реализацию системы. Это говорит о том, что повышение эффективности процесса резания является актуальной научно-технической задачей.

Системы автоматического регулирования режимов резания, использующие информацию о характере протекания процесса резания, называются системами адаптивного управления [1], [8], [32], [43], [45].

Получившие из-за простоты реализации распространение модели, основанные на эмпирических степенных зависимостях выходных характеристик процесса обработки от параметров режима и геометрии инструмента, имеют низкую точность и не дают адекватного отклика на изменяющиеся условия обработки, что делает их экономически непривлекательными.

Построение точных моделей - серьезная проблема, которая остается сегодня нерешенной. Для построения точных математических моделей требуется провести большое количество экспериментов, что требует времени, материалов и влечет экономические потери [31]. Точные математические модели, как правило, настолько сложны, что быстрый поиск оптимальных режимов резания требует существенных аппаратных затрат, приводит к резкому удорожанию адаптивных систем и нецелесообразности их использования. К тому же найденная модель будет иметь постоянно нарастающую погрешность вследствие изменения режимов работы и свойств самого оборудования [1].

Используемые в настоящее время адаптивные системы имеют жесткую структуру и неизменный алгоритм функционирования и, как следствие, низкое качество адаптации к изменению технологических параметров [36].

Современный подход к адаптивному управлению требует от системы способности автоматически изменять свою структуру или алгоритм функционирования [2]. Очевидно, что системы будут обладать значительно большими способностями к адаптации, если при изменении параметров процесса резания произойдет перестройка модели и определится для нее новый закон управления. Появляется необходимость перестраивать модель из-за непрерывно изменяющихся параметров процесса резания и определять структуру модели в каждом конкретном случае. Только так можно повысить качество адаптации и, как следствие, повысить эффективность процесса металлообработки.

Таким образом, актуальной задачей исследования становится повышение качества процесса адаптации при изменении технологических параметров с помощью самонастраивающихся моделей управляемого процесса резания. Для того чтобы алгоритмы управления могли применяться на практике, они должны быть простыми в реализации и понимании, обладать гибкостью, способностью к обучению, нелинейностью. Повысить качество адаптации систем для целей управления металлообработкой и упростить процесс моделирования могут самоорганизующиеся нейросетевые модели [2], [6], [17].

В данной работе предлагается решение, которое позволит расширить функциональность систем ЧПУ за счет оптимизации управления процессом резания.

Научная новизна работы заключается в следующем:

1. Разработан метод определения мгновенной глубины резания по косвенным признакам на основе искусственной нейронной сети.,

2. Разработан метод определения значений управляемых параметров процесса резания, при которых достигается максимальная производительность на основе искусственной нейронной сети.

3. Разработан метод изменения управляемых значений процесса резания на основе искусственной нейронной сети.

4. Разработана практическая реализация системы адаптивного оптимального управления, позволяющая интегрировать её в системы ЧПУ типа РСИС с открытой архитектурой.

Практическая ценность работы заключается:

1. в разработке методики построения системы адаптивного оптимального управления повышающей производительность процесса резания с учетом переменной глубины резания;

2. в разработке практической реализации системы адаптивного оптимального управления для системы ЧПУ типа РСМС с открытой архитектурой.

Работа выполнена в Университете «СТАНКИН» на кафедре компьютерных систем управления под руководством д.т.н. профессора

Сосонкина В. Л.| и д.т.н. доцента Мартинова Г. М.

Теоретические и практические результаты, полученные автором, использованы в учебном процессе МГТУ «Станкин».

ОБЩИЕ ВЫВОДЫ ПО РАБОТЕ

1. Система адаптивного оптимального управления, построенная на базе искусственных нейронных сетей, позволяет обеспечить необходимое быстродействие системы управления и надлежащее качество обрабатываемых изделий, при достижении максимальной производительности процесса резания. Максимально возможная производительность обработки зависит от дискретности управляемых параметров системы ЧПУ.

2. Точность обучения искусственных нейронных сетей, используемых в системе адаптивного предельного управления, напрямую зависит от требований, предъявляемых к износостойкости режущего инструмента, и может быть повышена итеративно путем дополнительного обучения.

3. Мгновенная глубина резания может быть определена с высокой точностью по косвенным признакам с помощью искусственной нейронной сети.

4. Максимальная производительность процесса резания может быть определена с помощью искусственной нейронной сети на основании значений управляемых параметров и их ограничений, а также мгновенной глубины резания.

5. Коррекция управляемых параметров процесса резания может осуществляться с помощью искусственной нейронной сети на основании их оптимальных значений и допустимых приращений.

6. Предложенная реализация системы адаптивного оптимального управления в виде набора СОМ - компонентов позволяет легко встроить её в систему ЧПУ класса РСЫС без изменения архитектуры последней. Использование внешних библиотек, реализующих искусственные нейронные сети, позволяет значительно ускорить процесс разработки и снизить его себестоимость. Предложенный механизм сохранения структуры обученной нейронной сети в файле и последующей ее загрузки обеспечивает многократное использовании сети без повторного обучения.

ЗАКЛЮЧЕНИЕ

В недалеком будущем системы адаптивного оптимального управления должны получить большее распространение. Это связано с увеличением вычислительной мощности процессоров и уменьшением их цены, что позволяет использовать сложные математические вычисления, которые присутствуют в алгоритмах оптимизации. Одним из путей использования систем адаптивного оптимального управления является использованием в них элементов с искусственным интеллектом, что позволит значительно упростить математические вычисления. Переход к использованию систем типа PCNC (Personal Computer Numerical Control) позволяет использовать всю мощь современных компьютеров для управления процессом резания, а использование в качестве устройства принятия решений специального программного обеспечения упрощает аппаратную конфигурацию подобных систем.

По результатам проведённой работы можно сделать вывод, что поставленная в начале работы цель достигнута. В представленной работе была разработана система адаптивного оптимального управления процессом продольного точения, которая поддерживает максимальную производительность во время обработки путём изменения частоты вращения шпинделя и продольной подачи. Данная система по косвенным признакам отслеживает мгновенную глубину резания и на основании этого корректирует управляемые параметры процесса резания.

В данной работе, в качестве устройства принятия решений, использовалось специальное программное обеспечение, содержащее внутри себя элементы искусственного интеллекта, функционирующие как нейронные сети. Эти нейронные сети решают задачи, которые при решении традиционным способом отнимали слишком много ресурсов. Для правильной работы искусственную нейронную сеть необходимо предварительно обучить, а затем она будет функционировать автономно.

Т.е., в отличие от классических вычислений, нейронные сети требуют предварительных затрат, но в свою очередь, они функционируют гораздо быстрее во время использования.

Наибольшую трудность для использования данной системы представляет создание обучающих выборок для искусственных нейронных сетей, которые используются в системе. Обучающую выборку необходимо получать экспериментальным путём, причём, для каждого сочетания «заготовка-инструмент-станок» эта выборка будет уникальной. Для уменьшения числа экспериментов по получению обучающей выборки необходимо использовать теорию планирования эксперимента. По мере накопления обучающих выборок будет происходить удешевление процесса металлообработки, т.к. при наличии готовой выборки для сочетания заготовка-инструмент-станок не требуется создавать новую.

Использование систем адаптивного оптимального управления позволит сократить затраты, повысить точность, увеличить срок службы режущего инструмента, а использование в них элементов с искусственным интеллектом позволить сделать эти системы более гибкими и упростить их практическую реализацию.

1. Адаптивное управление станками // Под ред. Б. С. Балакшина. М.: Машиностроение. 1973. 688 с.

2. Арбузов А. В. Разработка и исследование адаптивных регуляторов, построенных на базе технологий экспертных систем и нейросетевых структур: Дис. . канд. техн. наук: 05.13.01-М.,1998- 163 е.: ил.-Библиогр.: с.130-143.

3. Архангельский А. Я. Программирование в Delphi 7. М.: ООО «Бином-пресс», 2003 г. - 1152 е.: ил.

4. Аршанский М.М., Щербаков В.П. Вибродиагностика и управление точностью обработки на металлорежущих станках. М.: Машиностроение, 1988. - 136 е.: ил.

5. Балакшин Б. С. Основы технологии машиностроения М., Машиностроение, 1969. 559с.

6. Богданов A.A. Параллельные модели и нейросетевые алгоритмы управления робототехническими системами: Дис. канд. техн. наук: 05.13.14.- СПб., 1998.-232 е.: ил.-Библиогр.: с.152-161.

7. Борисов В. В., Круглов В. В., Харитонов Е. В. Основы построения нейронных сетей. Смоленск: Изд-во Военного ун-та войсковой ПВО ВС РФ, 1999.

8. Ведмидь П.А. Разработка и исследование системы автоматического диагностирования процесса обработки на токарных станках с ЧПУ: Дис. канд. техн. наук: 05.13.07. Свердловск, 1990. 221 е.: ил. -Библиогр.: с. 177-193.

9. Галушкин А.И. Перспективные проблемы теории нейронных сетей // VII Всероссийская конференция "Нейрокомпьютеры и их применение" с международным участием "НКП-2001". М.: ИПРЖР, 2001. С. 541-549.

10. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб. пособие для вузов. M.: ИПРЖР, 2000. - 416 е.: ил. (Нейрокомпьютеры и их применение)

11. Галушкин А.И. Нейрокомпьютеры. Кн.З. М.: ИПРЖР, 2000. - 272 е.: ил. (Нейрокомпьютеры и их применение)

12. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974.

13. Горбань А.Н. Нейронные сети на персональном компьютере. М.: Мир, 1996.-530 с.

14. Горбань А.Н. Обучение нейронных сетей. М: СП Параграф, 1990. -160 с.

15. Кадыров Ж.Н. Диагностика и адаптация станочного оборудования гибких производственных систем. JL: Политехника, 1991. - 144 с.

16. Касьянов С. В., Сидельников А. И. Применение метода планирования эксперимента в некоторых исследованиях по обработке металлов резанием, Киров, 1972.

17. Комаров C.B. Применение нейросетевых и экспертных систем в управления динамическими системами. СПб.: 1995. 110 с.

18. Короткий С. Нейронные сети: алгоритм обратного распространения // http:// www. neuropower/de/rus/books/index.html.

19. Короткий С. Нейронные сети: обучение без учителя // http:// www. neuropower/de/rus/books/index.html.

20. Короткий С. Нейронные сети: основные положения // http:// www. neuropower/de/rus/books/index.html.

21. Кохонен Т. Ассоциативная память. M.: Мир, 1980. 239 с.

22. Круглински Д., Уингоу С., Шеферд Дж. Программирование на Microsoft Visual С++ 6.0 для профессионалов/Пер. С англ. г СПб: Питер; М.: Издательско-торговый дом «Русская редакция», 2004. -861 е.: ил.

23. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика, 2-е изд., М.: Горячая линия - Телеком, 2002.-382с.: ил.

24. Круглов В. В., Борисов В. В., Харитонов Е. В. Нейронные сети: конфигурации, обучение, применение. Смоленск: Изд-во Моск. энерг. ин-та, фил-л в г. Смоленске, 1998.

25. Логовский A.C. Зарубежные нейропакеты: современное состояние и сравнительные характеристики. Нейрокомпьютер №1, №2 1998.

26. Макаров А.Д. Оптимизация процессов резания. М.: Машиностроение, 1976. -278 с.

27. Мартинов Г. М. Академическая версия системы ЧПУ WinPCNC // Инструмент, технология, оборудование. №8.2007. С. 62-64.

28. Мартинов Г.М., Сосонкин B.JL Концепция числового программного управления мехатронными системами: методологические аспекты построения открытых систем ЧПУ // Мехатроника, автоматизация, управление. 2002. №2. С. 2-11.

29. Мартинов Г.М., Сосонкин B.JI. Концепция числового программного управления мехатронными системами: технология компонентной организации программного обеспечения // Автотракторное электрооборудование. 2002. №5-6. С. 37-44.

30. Невельсон М.С. Автоматическое управление точностью обработки на металлорежущих станках. М.: Машиностроение, 1992. 346 с.

31. Никишечкин А. П. Повышение качества процесса адаптации при изменении технологических параметров с помощью аппаратанейронных сетей: Дис. канд. техн. наук: 05.13.06. Москва, 2002. 110 е.: ил.

32. Подураев В. Н. Автоматически регулируемые и комбинированные процессы резания. М.: Машиностроение, 1977 304с.

33. Подураев В.Н., Борзов А.А., Горелов В.А. Технологическая диагностика резания методом акустической эмиссии, М.: Машиностроение, 1988. - 56 с.

34. Полянчиков Ю. Н. Оптимизация технологических процессов и методов обработки: учеб. пособие // Ю.Н.Полянчиков, А. Г.Схиртладзе, А.Н. Воронцова; ВолгГТУ. Волгоград: РПК "Политехник", 2003. - 64 с.

35. Программное управление станками: Учебник для машиностроительных вузов / В.Л.Сосонкин, О.П.Михайлов, Ю.А. Павлов и др. Под ред. д-ра техн. наук проф. В.Л.Сосонкина. М.: Машиностроение, 1981.-398 е., ил.

36. Рубашкин И. Б., Алешин А. А. Микропроцессорное управление режимом металлообработки. Л.: Машиностроение. Ленингр. отд-ние, 1989.-160 е.: ил.

37. Рубашкин И. Б., Алешин А. А. Оптимизация металлообработки при микропроцессорном управлении станками. Л.: ЛЭТИ, 1984. -68с.

38. Рубашкин И. Б. Оптимизация металлообработки при прямом цифровом управлении станками. Л.: Машиностроение, Ленингр. отд-ние, 1980.- 144с.

39. Ратмиров В. А., Чурин И. Н., Шмуер С. Л. Повышение точности и производительности станков с ЧПУ. М .: Машиностроение, 1970. -280 с.

40. Розенблатт Ф. Принципы нейродинамики: Персептроны и теория механизмов мозга. -М.: Мир, 1965.

41. Синопальников В. А., Еременко И. В. Диагностика процесса резания инструмента: Учеб. пособие. -М.: Мосстанкин, 1991. -130 с.

42. Синопальников В. А. Зависимости процесса резания как случайной функции. Станки и инструменты, 1968, №7, с. 38 - 39.

43. Соломенцев Ю. М., Басин А. М. Методика оптимизации технологического процесса обработки деталей на станках. -Вестник машиностроения, 1974, №6, с. 62 66.

44. Соломенцев Ю. М., Митрофанов В. Г., Протопопов С. П. И др. Адаптивное управление технологическими процесами, М.:Машиностроение, 1980. 536 е., ил. - (Б-ка технолога).

45. Соломенцев Ю. М., Сосонкин В. Л. Управление гибкими производственными системами. М.: Машиностроение, 1988. - 352 е.: ил.

46. Соломенцев Ю.М., Сосонкин В.Л., Мартинов Г.М. Построение персональных систем ЧПУ (РСМС) по типу открытых систем управления // Информационные технологии и вычислительные системы. 1997. №3. С. 68-76.

47. Сосонкин В.Л., Мартинов Г.М. Анализ современного мирового уровня архитектурных решений в области систем ЧПУ // Автоматизация в промышленности. 2004. №5. С. 33-39.

48. Сосонкин В.Л., Мартинов Г.М. Концепция однокомпьютерной системы ЧПУ типа РСЫС. Информатика-машиностроение, 1999. №4. С. 7-16.

49. Сосонкин В. Л., Мартинов Г. М. Концепция систем ЧПУ типа РСМС с открытой архитектурой // СТИН. 1998. №5. С.7 12.

50. Сосонкин В.Л., Мартинов Г.М. Концепция числового программного управления мехатронными системами: архитектура систем типа РСЫС // Мехатроника, автоматизация, управление. 2000. №1. С. 26-29.

51. Сосонкин В.Л., Мартинов Г.М. Концепция числового программного управления мехатронными системами: интеграция на основе открытого управления и стандарта ОРС //Мехатроника, автоматизация, управление. 2003. №8. С. 12-18.

52. Сосонкин В.Л., Мартинов Г.М. Концепция числового программного управления мехатронными .системами: конфигурация систем ЧПУ // Мехатроника, автоматизация, управление. 2002. №4. С. 22-24.

53. Сосонкин В.Л., Мартинов Г.М. Новейшие тенденции в области архитектурных решений систем ЧПУ // Автоматизация в промышленности. 2005. №4. С. 3-9.

54. Сосонкин В. Л., Мартинов Г. М. Принципы построения систем ЧПУ с открытой архитектурой // Приборы и системы управления. 1996. №8. С. 18-21.

55. Сосонкин В. Л., Мартинов Г. М. Системы числового программного управления: Учеб. пособие. М.: Логос, 2005. - 296 с.

56. Сосонкин В. Л., Мартинов Г. М. Современное представление об архитектуре систем ЧПУ типа РСЫС // Автоматизация проектирования. 1998, №3(9). С. 35 39.

57. Сосонкин В. Л., Мартинов Г. М. Тенденции развития архитектуры и математического обеспечения систем ЧПУ // Стружка. 2006. №4. С. 26-30.

58. Сосонкин В. Л. Концепция систем ЧПУ на основе персонального компьютера (РСМС) // Станки и инструмент. 1990. №3. С. 9-14

59. Сосонкин В. Л. Математическое обеспечение процессорных устройств ЧПУ. М.: НИИмаш, 1981. 80с.

60. Сосонкин В.Л. Микропроцессорные системы числового программного управления станками. М.: Машиностроение, 1985. -288 с.

61. Сосонкин В.Л. Принципы построения персональных систем ЧПУ с открытой архитектурой // Труды междун. конф. «Информационные средства и технологии, 21-23 окт. 1997». М.:Междунар. Академия информатизации. 1997. С. 154 -159.

62. Сосонкин В.Л. Программное управление технологическим оборудованием. -М.: Машиностроение, 1991.-510 е.: ил.

63. Станочное оборудование автоматизированного производства. Т.1. / Под ред. В.В. Бушуева М.: СТАНКИН, 1993. - 584 с.

64. Старков В. К. Обработка резанием. Управление стабильностью и качеством в автоматизированном производстве. // М.: Машиностроение, 1989. 296 с.

65. Тимирязев В. А., Митрофанов В. Г. Разработка и использование автоматических систем для управления точностью и производительностью обработки на специальных металлорежущих станках. М., НИИмаш, 1971.199с.

66. Тимирязев В. А. Применение адаптивных систем на станках с программным управлением. М., НИИмаш, 1974.123 с.

67. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. - 240 с.

68. Хехт-Нильсен Р. Нейрокомпьютеринг: история, состояние, перспективы II Открытые системы. 1998. №4.

69. Чураков Е.П. Оптимальные и адаптивные системы. М.: Энергоатомиздат, 1987.-256 с.

70. Щербаков М. Е. Повышение производительности процесса точения за счёт использования аппарата искусственных нейронных сетей // Автоматизация и современные технологии. 2007 №9. С. 3 7.