Obrabotka Metallov. 2016 no. 2(71)

ОБРАБОТКА МЕТАЛЛОВ № 2 (71) 2016 37 ОБОРУДОВАНИЕ. инструменты Список литературы 1. Носенко В.А., Носенко С.В. Технология шлифо- вания металлов: монография. – Старый Оскол: ТНТ, 2013. – 616 с. – ISBN 978-5-94178-373-1. 2. Саютин Г.И., Татаринов И.П. Выбор мате- риала круга при шлифовании титановых сплавов // Станки и инструмент. – 1985. – № 7. – С. 21–22. 3. Кремень З.И., Зубарев Ю.М., Лебедев А.И. Вы- сокопористые круги из эльбора и их применение при шлифовании высокопластичных сплавов // Металло- обработка. – 2009. – № 3 (51). – С. 2–5. 4. Ильин А.А., Колачев Б.А., Полькин И.С. Тита- новые сплавы: состав, структура, свойства: справоч- ник. – М.: ВИЛС-МАТИ, 2009. – 520 с. 5. Нгуен Д.М. Комплексное исследование задачи классификации с применением нечетких моделей и распределенных вычислений: дис. … канд. техн. наук: 05.13.18. – Иркутск, 2014. – 142 с. 6. Солер Я.И., Нгуен М.Т. Поиск оптимальной зернистости нитридборовых кругов при плоском шлифовании деталей из стали 06Х14Н6Д2МВТ-Ш по микрорельефу поверхности в условиях моделиро- вания нечеткой логики // Вестник МГТУ им. Н.Э. Ба- умана. Серия «Машиностроение». – 2015. – № 6. – C. 96–111. – doi: 10.18698/0236-3941-2015-6-96-111. 7. Koushal K., Gour S. Mitra T. Advanced applica- tions of neural networks and artificial intelligence: a review // International Journal of Information Technol- ogy and Computer Science. – 2012. – N 6. – P. 57–68. – doi: 10.5815/ijitcs.2012.06.08. 8. Oludele A., Olawale J. Neural networks and its ap- plication in engineering // Proceedings of Informing Sci- ence & IT Education Conference (InSITE), Macon, GA, USA. – 2009. – P. 83–95. 9. Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT / М.S. Nasr, М.A.E. Moustafa, H.E.S. Seif, G.E. Kobrosy // Alexandria Engineering Journal. – 2012. – Vol. 51, iss. 1. – P. 37–43. – doi: 10.1016/j.aej.2012.07.005. 10. Dadvandipour S. Experimental applications of artificial neural networks in engineering processing sys- tem // Analecta. – 2014. – Vol. 8, N 2. – P. 28–33. 11. G., Garcia-Romeu M.L., Ciurana J . Surface roughness monitoring application based on artificial neu- ral networks for ball-end milling operations // Journal of Intelligent Manufacturing. – 2011. – Vol. 22, iss. 4. – P. 607–617. – doi: 10.1007/s10845-009-0323-5. 12.  Sick B. On-line and indirect tool wear monitor- ing in turning with artificial neural networks: a review of more than a decade of research // Mechanical Sys- tems And Signal Processing. – 2002. – Vol. 16, iss. 4. – P. 487–546. – doi: 10.1006/mssp.2001.1460. 13. Caydas U., Hascalik A. A study on surface roughness in abrasive waterjet machining process using artificial neural networks and regression analysis method // Journal of Materials Processing Technology. – 2008. – Vol. 202, iss. 1–3. – P. 574–582. – doi: 10.1016/j. jmatprotec.2007.10.024. 14. Назарьева В.А. Сетевая модель выбора зер- нистости шлифовальных кругов с элементами ис- пользования систем искусственного интеллекта // СТИН. – 2016. – № 2. – С. 37–40. 15. ГОСТ 53923–2010. Круги алмазные и из куби- ческого нитрида бора (эльбора) шлифовальные. Тех- нические условия. – Введ. 2010–12–11. – М.: Стан- дартинформ, 2010. – 32 с. 16. ГОСТ 53922–2010. Порошки алмазные и из кубического нитрида бора (эльбора). Зернистость и зерновой состав шлифпорошков. Контроль зерново- го состава. – Введ. 2010 – 12 – 11. – М.: Стандартин- форм, 2011. – 7 с. 17. ГОСТ 25142–82. Шероховатость поверхно- сти. Термины и определения. – Введ. 01.01.1983. – М.: Изд-во стандартов, 1982. – 22 с. 18. Hollander M., Wolfe D.A. Nonparametric statistical methods. – 2 nd ed. – New York: Wiley- Interscience, 1999. – 816 p. – ISBN 0-4711-9045-4. – ISBN 978-0471190455. 19. Уилер Д., Чамберс Д. Статистическое управ- ление процессами: оптимизация бизнеса с использо- ванием контрольных карт Шухарта: пер. с англ. – М.: Альпина Бизнес Букс, 2009. – 409 с. – ISBN 978-5- 9614-0832-4. 20. Васенков Д.В. Методы обучения искусствен- ных нейронных сетей // Компьютерные инструменты в образовании. – 2007. – № 1. – С. 20–29. 21. Рудой Г.И. Выбор функции активации при прогнозировании нейронными сетями // Машинное обучение и анализ данных. – 2011. – Т. 1, № 1. – С. 16–39. 22. Чижков А.В. Обучение искусственных ней- ронных сетей [Электронный ресурс] // Информатика, вычислительная техника и инженерное образование. – 2010. – №1. – С. 3–7. – URL: http://digital-mag.tti.sfe - du.ru/lib/1/2-2010-1.pdf (дата обращения: 20.05.2016). 23. Шарстнев В.Л., Вардомацкая Е.Ю. Анализ возможностей нейронных сетей для прогнозирова- ния задач легкой промышленности [Электронный ресурс] // Управление экономическими системами: электронный научный журнал. – 2007. – № 09. – С. 3–7. – URL: http://uecs.ru/uecs-09-92006/item/68- 2011-03-21-07-11-44 (дата обращения: 20.05.2016). 24. ГОСТ 2789–73. Шероховатость поверхности. Параметры, характеристики и обозначения. – Взамен ГОСТ 2789–1959; введ. 1975–11–01. – М.: Изд-во стандартов, 1973. – 10 с.