Dimensional analysis and ANN simulation of chip-tool interface temperature during turning SS304

OBRABOTKAMETALLOV Vol. 23 No. 4 2021 57 EQUIPMENT. INSTRUMENTS с многослойным TiN/TiAlN- покрытием при раз - личных режимах резания рассчитывается с ис - пользованием формул (11)–(13) соответственно и показана в табл . 6. Искусственная нейронная сеть Искусственная нейронная сеть ( ИНС ) – это метод расчёта , который может моделировать от - ношения между входными и выходными пара - метрами . Существуют разные типы ИНС , одна - ко наиболее часто используется многослойный персептрон ( МП ). Типичная архитектура МП , показанная на рис . 5, характеризуется тремя раз - личными уровнями : входным слоем , скрытым слоем и выходным слоем , которые состоят из взаимосвязанной группы искусственных нейро - нов . Каждый нейрон в слое связан со всеми ней - ронами в соседних слоях . Количество нейронов , присутствующих во входном и выходном слое , равно количеству входных переменных и соот - ветствующих выходных значений . Количество скрытых слоев и нейронов в этих слоях опреде - ляется пользователем . Для более точного прогнозирования ре - зультатов важна тренировка или обучение раз - работанной сети . Процедура , используемая для выполнения процесса обучения , называ - ется алгоритмом обучения , функция которого заключается в упорядоченном изменении си - наптических весов сети для достижения жела - емого результата . Существуют различные ал - горитмы обучения нейронной сети . Одним из наиболее предпочтительных алгоритмов обу - чения является алгоритм обратного распро - странения ошибки . Для типичного алгоритма ИНС пусть x 1 , x 2 ,… x 3 будут входными данны - ми , y 1 , y 2 ,… y n – желаемым выходом и o 1 , o 2 … o k – выходом , полученным из выходного слоя сети , когда x 1 , x 2 ,… x 3 представлено на вход - ном слое . На первом этапе инициализируются веса и пороги . Затем выходной сигнал каждого нейрона f ( wi ) вычисляется из входных данных и инициализированных весов , что приводит к окончательному прогнозу выходных данных сети . Затем вычисляется ошибка на i- м вы - ходном узле ( o i –y i ). Кроме того , веса между скрытым слоем и выходным слоем изменя - ются на основе ошибки в каждом выходном узле , и веса в предыдущих слоях модифициру - ются ошибками обратного распространения , вычисленными в узлах выходного слоя [20]. Этот процесс повторяется для набора входных и выходных обучающих данных . Обучение останавливается , когда выход нейронной сети достаточно близок к желаемому выходу для каждого набора . Т а б л и ц а 6 Ta b l e 6 Температура на границе раздела стружка – инструмент с различными моделями и инструментами The chip-tool interface temperature with different models and tools Эксп . № / Expt. no. Инструмент без покрытия / Uncoated tool Инструмент с TiAlN- покрытием / TiAlN coated tool Инструмент с TiN/TiAlN- покрытием / TiN/TiAlN coated tool СМ АР ИНС СМ АР ИНС СМ АР ИНС 1 834 838 837 973 963 941 996 996 987 2 889 895 936 1021 1017 1027 1047 1049 1045 3 926 918 942 1054 1055 1041 1081 1082 1049 4 955 965 939 1085 1103 1099 1104 1114 1098 5 1019 1026 1037 1140 1137 1169 1161 1161 1172 6 1061 1061 1038 1176 1183 1217 1199 1203 1195 7 1056 1034 1078 1176 1182 1188 1191 1191 1195 8 1126 1114 1119 1235 1229 1210 1252 1245 1254 9 1173 1189 1178 1275 1288 1261 1293 1301 1275