OBRABOTKAMETALLOV Vol. 27 No. 2 2025 133 EQUIPMENT. INSTRUMENTS Т а б л и ц а 2 Ta b l e 2 Значения экспериментальных данных Experimental data values № fz γ D fzγ fzD γD fzγD Rz 1 0,5 50 12 1 1 1 1 3,05 2 0,1 50 12 –1 –1 1 –1 0,13 3 0,1 10 12 1 –1 –1 1 0,18 4 0,1 10 6 1 1 1 –1 0,37 5 0,5 10 12 –1 1 –1 –1 4,33 6 0,5 50 6 1 –1 –1 –1 6,38 7 0,1 50 6 –1 1 –1 1 0,26 8 0,5 10 6 –1 –1 1 1 9,32 ный вклад, а D – сильный отрицательный. Высокое значение R2 = 0,84 указывает на то, что даже при фиксированном γ факторы fz и D остаются важными для объяснения Rz. Когда D фиксирован, стандартизованные коэффициенты βfz = 2,76; βD = –0,54. Это означает, что при фиксированном D увеличение fz приводит к увеличению Rz, а увеличение γ – к уменьшению. Значение R2 = 0,75 также указывает на то, что модель с фиксированным D хорошо объясняет вариацию в , а факторы fz и γ остаются важными для объяснения Rz. Регрессионная модель (RМ), полученная после проведения эксперимента по обработке пространственно-сложных поверхностей сфероцилиндрической фрезой и характеризующая взаимосвязь между величиной шероховатости, подачи на зуб, диаметром и углом наклона инструмента, выраженная нормализованной моделью, имеет следующий вид: Rz(RM) = 3 + 2,77fz – 0,55γ – 1,08D – – 0,51fzγ – 1fzD + 0,22γD + 0,2 fzγD. В настоящем исследовании рассмотрим влияние функции активации на производительность восьми моделей нейронных сетей при прогнозировании Rz (рис. 4). Функция потерь отражает, насколько эффективно модель выполняет задачу во время обучения. Функция активации ReLU с ее нелинейностями, ускоряющими обучение, требует тщательного мониторинга потерь – как Train Loss, так и Validation Loss. Появление низких потерь на обучающем наборе, но высоких – на валидационном (тестовом) наборе предполагает потенциальное переобучение (overfi tting), указывая на то, что модель запомин ает обучающие данные вместо того, чтобы изучать общие закономерности. Как видно из рис. 3, модели 3–32– 16–1 и 3–6–6–1 слишком хорошо запомнили тренировочные данные, но плохо справляются с новыми. В соответствии с представленными результатами и с учетом выбора конфигурации сети (табл. 3) на основе MSE, установлено, что лучшими конфигурациями сетей являются 3–64– 64–1 (0,0481), 3–20–14–1 (0,0470) и 3–16–16–1 (0,0313). Вместе с этим они характеризуются низкими значениями RMSE, которые составили 0,2174, 0,2135, 0,1770, и MAE с результатами 0,1155, 0,1251, 0,1014 соответственно. RMSE интерпретируется как значение ошибки в той же шкале, что и сами данные. При проверке моделей с наилучшей прогностической эффективностью использовался план с числом экспериментов k = 12 и факторами fz ∈ {0,4, 0,5}, γ ∈ {10, 15, 20, 30, 40, 50}, D ∈ {6}, распределенными случайным образом. В табл. 4 и на рис. 5 представлены данные, показывающие связь между значениями, полученными в ходе проведения эксперимента, рассчитанными на основе разработанной регрессионной модели и предсказанными откликами ИНС (BPNN). При оценке табл. 4 и рис. 5 можно сделать вывод о том, что рассматриваемые модели показали близкие прогнозируемые значения (Y(Rz))
RkJQdWJsaXNoZXIy MTk0ODM1