ОБРАБОТКА МЕТАЛЛОВ Том 27 № 2 2025 128 ОБОРУДОВАНИЕ. ИНСТРУМЕНТЫ слой, производящий окончательный результат или предсказание на основе обработанных данных. Нейроны каждого слоя соединены только с нейронами следующего слоя, без обратных связей или связей между нейронами внутри одного слоя. Кроме того, типичная особенность MLP – полная связность всех слоев. Пример структуры сети, состоящей из четырех слоев – входного, двух скрытых и выходного, – представлен на рис. 1. Рис. 1. Структура нейронной сети для прогнозирования параметра шероховатости Rz Fig. 1. Neural network structure for predicting the roughness parameter Rz В этой структуре (рис. 1) входной слой имеет 8 узлов, скрытые слои – 8 узлов, а выходной слой имеет один узел. Узлы во входном слое представляют собой следующие факторы: подача на зуб (fz, мм/зуб), угол наклона (γ, град), диаметр инструмента (D, мм), скорость резания (V, мм/мин), глубина резания (ap, мм), боковой шаг (ae, мм), подача СОЖ (W, л/мин), износ инструмента (r, мм). Узел в выходном слое представляет прогнозируемое значение шероховатости поверхности по параметру (Rz, мкм). Представленная сеть полностью связана – это означает, что нейрон любого слоя соединен со всеми нейронами предыдущего слоя. Поток сигналов через сеть направлен слева направо, слой за слоем. При рассмотрении многослойной сети с узлами j и k в каждом скрытом слое пример структуры, представленный на рис. 1, можно описать конфигурацией 8–j–k–1. В общих чертах работа этого типа сети описывается двумя основными фазами: прямое распространение и обратное распространение. Процесс обучения сетей MLP методом обратного распространения ошибки (backpropagation, BP) работает по следующей последовательности: прямое распространение (Forward Propagation), вычисление ошибки (Loss Calculation), обратное распространение (BP), обновление весов (Weight Update). Существенной особенностью сетей MLP является нелинейность выходов нейронов. Эта нелинейность достигается за счет использования функции активации. Для успешного создания модели ИНС с учетом отклика Rz требуется процесс экспериментирования и настройки, учитывающий множество факторов. Несмотря на то что многие исследователи применяют ИНС для моделирования в различных областях, таких как машинная обработка [12–14], до сих пор отсутствуют четкие рекомендации по созданию прогностической модели. В этом исследовании рассматриваются элементы, которые могут повлиять на эффективность модели и отклик Rz, с использованием возможностей библиотеки TensorFlow языка Python, чтобы уменьшить неопределенность и улучшить качество прогнозов модели. Для оценки точности моделей предсказания значений шероховатости поверхности выбраны четыре показателя эффективности (метрики) [15]: коэффициент детерминации (R2), средняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE) и квадратный корень из средней квадратичной ошибки (RMSE). Коэффициент детерминации (R2) показывает, какая доля дисперсии зависимой переменной объясняется независимыми переменными модели: 2 2 1 2 1 . n i n i Y Y i i R Y i Y i Здесь n представляет собой количество данных, Yi – наблюдаемые значения, Ŷ – прогнозируемые значения, а Ȳ – среднее значение Y. Несмотря на свою полезность, R2 имеет некоторые ограничения: он не учитывает количество предикторов и может быть искажен выбросами.
RkJQdWJsaXNoZXIy MTk0ODM1