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

ОБРАБОТКА МЕТАЛЛОВ Том 23 № 4 2021 58 ОБОРУДОВАНИЕ . ИНСТРУМЕНТЫ Рис . 5 . Типичная архитектура ИНС Fig. 5 . Typical ANN architecture Модель ИНС разработана для прогнозирова - ния температуры на поверхности раздела струж - ка – инструмент с учетом входных параметров , таких как тип инструмента , скорость резания и подача , с использованием MATLAB Toolbox . Архитектура ИНС имеет три уровня : входной , выходной и скрытый , как показано на рис . 6. Входной слой имеет 3 нейрона , выходной слой – 1 нейрон , а скрытый слой – 8 нейронов . Нейрон - ная сеть с прямой связью отображает набор дан - ных числовых входов с набором числовых целей . Приложение Neural Fitting из MATLAB Toolbox поможет с выбором данных , а также с создани - ем и обучением сети , оценкой ее производитель - ности с использованием среднеквадратичной ошибки и регрессионного анализа . В настоящем исследовании выбрана двухслойная сеть с пря - мой связью со скрытыми сигмовидными и ли - нейными выходными нейронами , которые про - извольно хорошо подходят для многомерных задач , при этом учитываются согласованные данные и достаточное количество нейронов в ее скрытом слое . Сеть была обучена с помощью ал - горитма обратного распространения ошибки Ле - венберга – Марквардта ( Levenberg–Marquardt ). В нейронной сети для обучения и проверки тестовых данных используются три вида вы - борок . В настоящей работе около 70 % данных ( экспериментальные результаты измерения тем - пературы режущего инструмента ) используется для обучения нейронной сети . Сеть настраива - ется по своей погрешности . Около 15 % данных используется для проверки результатов , предска - зываемых обученной нейронной сетью . Эти на - боры данных проверки применяют для измере - ния обобщения сети и для остановки обучения , когда обобщение перестает улучшаться , около 15 % данных используется для проверки резуль - татов , предсказываемых нейронной сетью . Эти наборы данных не влияют на обучение и поэто - му обеспечивают независимую оценку произво - дительности сети во время и после обучения . Следующим важным шагом является опре - деление сетевой архитектуры , т . е . установка количества нейронов в скрытом слое подходя - щей сети . Нейроны в скрытом слое выбирают - ся путем проверки точности сети . Количество нейронов на скрытом слое можно изменить , если сеть не работает должным образом после обучения . В настоящем исследовании нейронная сеть моделируется с учетом другого количества скрытых нейронов для получения большей точ - ности предсказанных результатов : наибольшая точность предсказания (0,995) наблюдалась с 8 нейронами на скрытом слое . Кроме того , сеть должна быть обучена с использованием алгорит - ма Левенберга – Марквардта , байесовской регу - Рис . 6 . Архитектура ИНС для прогнозирования температуры на границе раздела стружка – инструмент Fig. 6 . ANN architecture to predict chip-tool interface temperature