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

OBRABOTKAMETALLOV Vol. 23 No. 4 2021 59 EQUIPMENT. INSTRUMENTS ляризации или алгоритма масштабированного сопряженного градиента . Алгоритм байесовской регуляризации предпочтительнее для неболь - ших и зашумленных наборов данных . Этот ал - горитм дает хорошее обобщение , но требует больше времени . Алгоритм масштабированно - го сопряженного градиента требует меньше па - мяти и автоматически останавливается , когда обобщение перестает улучшаться . Однако ис - следователи в основном использовали алгоритм Левенберга – Марквардта для обучения нейрон - ной сети . Этот алгоритм сравнительно быстрее других алгоритмов . Однако он требует больше памяти , и обучение автоматически останавлива - ется , когда обобщение перестает улучшаться , на что указывает увеличение среднеквадратичной ошибки выборок проверки . Эффективность обучения нейронной сети из - меряется с помощью среднеквадратичной ошиб - ки , которая представляет собой среднеквадра - тичную разницу между выходными данными и целями . Более низкие значения лучше , и в насто - ящей работе лучшая эффективность проверки 417,9654 наблюдалась в периоде 7. Значения ре - грессии ( R ) измеряют корреляцию между выход - ными данными ( прогнозируемыми значениями ) и целевыми значениями ( входными данными ). Графики регрессии нейронной сети с коэффи - циентами регрессии , полученные при обучении модели , проверке , тестировании и для всего на - бора данных , показаны на рис . 7, a , б , в и г соот - ветственно . Значения коэффициентов регрессии , близкие к единице для обучения , проверки , тестирова - ния и для всего набора данных , показывают , что разработанная модель нейронной сети может быть надежно использована для прогнозирова - ния температуры на границе раздела стружка – инструмент во время токарной обработки стали SS304 для данной пары « инструмент – заготов - ка ». Результаты , предсказанные нейронной се - тью , показаны в табл . 6. Рис . 7 . Нейронная сеть : a – обучение ; б – проверка ; в – тестирование ; г – весь набор данных Fig. 7 . Neural network: a – training; б – validation; в – test, г – all data set а б в г