OBRABOTKAMETALLOV Vol. 27 No. 2 2025 131 EQUIPMENT. INSTRUMENTS Т а б л и ц а 1 Ta b l e 1 Гиперпараметры для модели нейронной сети BPNN Hyperparameters for the BPNN neural network model Model / Модель Hyperparameters / Гиперпараметры Indicator / Показатель Sequential / Последовательная Activation hidden layers / Функция активации скрытых слоев Leaky ReLU / Протекающий ReLU Kernel_regularizer / Функция регуляризации ядра l1 = 0,0001, l2 = 0,0001 Dropout / Дропаут 0,01 Optmizer / Алгоритм оптимизации Adam / «Адам» Learning_rate / Скорость обучения 0,001 Loss / Функция потерь mean_squared_error / Среднеквадратичная ошибка Metrics / Метрики mean_squared_error, sqrt (mse), mean_absolute_error / Среднеквадратичная ошибка; корень из среднеквдратичной ошибки; средняя абсолютная ошибка Batch size / Размер пакета 16 Epochs / Эпохи 500 Рис. 2. Распределение параметра шероховатости Rz Fig. 2. Distribution of surface roughness parameter Rz Переменную W часто воспринимают как стохастическую и неподконтрольную, вносящую в набор данных необъяснимую дисперсию независимо от объясняющих переменных и самой модели. Чаще всего W и r рассматриваются как неотъемлемый компонент изменчивости, поэтому рассмотрим влияние указанных параметров на отклик по параметру Rz. При fz = 0,4 мм/зуб, γ = 50 °, D = 6 мм и z = 2 получены следующие результаты, представленные на рис. 3. Рациональное применение СОЖ является важным фактором повышения производительности обработки металлов. При использовании СОЖ параметр шероховатости Rz в среднем снизился на 14 %. Скорость диссипации существенно зависит от скорости резания (Vc, м/мин) и объема удаляемого материала (Q, см3/мин). При этом 1000 zj c S fz n z ⋅ ⋅ ⋅ где nc – частота вращения мин –1; S zj – площадь поперечного сечения при фрезеровании сфероцилиндрическим инструментом, мм2:
RkJQdWJsaXNoZXIy MTk0ODM1