OBRABOTKAMETALLOV Vol. 27 No. 2 2025 129 EQUIPMENT. INSTRUMENTS MAE является мерой абсолютной ошибки (|Y – Ŷ |) между предсказанными и фактическими значениями: 1 0 1 MAE . n i Y Y i i n − = = − ∑ MAE менее чувствительна к большим ошибкам по сравнению с MSE и RMSE, так как использует абсолютные значения ошибок. MSE и RMSE характеризуются среднеквадратической ошибкой и ее квадратным корнем соответственно: 1 2 0 1 MSE ; n i Y Y i i n − = = − ∑ ( ) 1 2 0 1 RMSE . n i Y Y i i n − = = − ∑ MSE чувствительна к большим ошибкам, так как квадраты разностей увеличиваются при больших отклонениях. Поскольку RMSE измеряется в тех же единицах, что и сами данные, ее легче интерпретировать по сравнению с MSE. Однако, как и MSE, RMSE также чувствительна к большим ошибкам. Анализ этих метрик имеет решающее значение для комплексной оценки предсказательной эффективности моделей [15, 16]. При сравнении этих метрик особое внимание будет уделено MSE, которая имеет преимущество в выявлении и учете крупных ошибок, что делает ее полезной в задачах машинного обучения, где важно минимизировать большие отклонения от истинных значений. Кроме того, функция MSE гладкая и дифференцируемая, что упрощает вычисление градиентов при использовании методов оптимизации, таких как градиентный спуск. Следовательно, при оценке точности различных моделей MSE является более подходящим выбором из-за простоты расчета и дифференцируемости. Стоит также обратить внимание на коэффициент детерминации R2 – его значение, близкое к единице, считается наиболее благоприятным. Вместе с этим перед использованием моделей машинного обучения будет проведен предварительный анализ данных. Важным аспектом этого анализа является проверка на нормальность, а также выявление и устранение выбросов, которые могут существенно повлиять на точность моделей. Оптимизация моделей – один из важных этапов для достижения эффективных решений. Помимо этого, важной задачей является настройка гиперпараметров, которая направлена на обеспечение наилучшей производительности, оцененной по валидационному набору данных, в рамках выбранного алгоритма. Гиперпараметры играют значительную роль в управлении процессом обучения и существенно влияют на прогностическую точность. Правильная настройка гиперпараметров также способствует уменьшению проблем переобучения и недообучения, тем самым улучшая прогностическую точность. В решении проблемы переобучения может помочь Dropout (исключение). Это метод решения, при котором случайным образом исключаются блоки со связями из нейронной сети во время обучения, что предотвращает коадаптацию [14]. Целью настоящей работы является разработка прогностической нейросетевой модели для оценки шероховатости поверхности при фрезеровании нержавеющей стали сфероцилиндрическим инструментом. Для достижения данной цели в процессе исследования решались следующие задачи: – исследование процесса прогнозирования параметра шероховатости поверхности Rz при фрезеровании сфероцилиндрическим инструментом, включая оптимизацию архитектуры ИНС, выбор количества слоёв и настройку параметров модели, для повышения точности прогнозов; – анализ влияния различных входных параметров, включая угол наклона инструмента, на точность прогнозирования шероховатости и разработка подхода к минимизации числа входных данных без потери эффективности модели, а также исследование возможности применения модели при ограниченных обучающих наборах; – итоговое тестирование разработанной модели, оценка её точности с использованием таких метрик, как MSE, RMSE, MAE и R2, а также оценка ее эффективности через сравнительный анализ предсказанных и экспериментальных данных. Методика исследований Операции фрезерования были выполнены на обрабатывающем центре DMG MORI DMU 50 мощностью 9 кВт с максимальной частотой вра-
RkJQdWJsaXNoZXIy MTk0ODM1