ОБРАБОТКА МЕТАЛЛОВ Том 27 № 4 2025 124 ТЕХНОЛОГИЯ а б в г Рис. 5. Параметры экспериментов и области субоптимальных параметров, построенные по (a, в) линейной регрессионной модели, и (б, г) модель FFNN при Þp = 300 мм3/мин, Ra = 0,8 мкм (а, б) и Ra = 0,6 мкм (в, г) Fig. 5. Milling parameters and the SOP regions plotted using the linear regression model (a, в) and the FFNN model (б, г) at p = 300 mm3/min; Ra = 0.8 μm (а, б) and Ra = 0.6 μm (в, г) По данным девяти экспериментов по плану Тагучи (табл. 4) методом наименьших квадратов проведен расчет коэффициентов линейной множественной регрессии [24−26]. Получено уравнение шероховатости: 0,2014 0,00028 Ra N = − + 0,0021 2,059 . S B + + (4) В качестве нелинейной модели, способной обобщить результаты натурных экспериментов, был выбран путь нейросетевого моделирования [27, 28]. Модель создавалась на базе сетей прямого распространения (FFNN). Архитектура сети подбиралась по принципу от простого к сложному. Обучающая выборка формировалась из экспериментальных данных (табл. 3) с нормировкой входных и выходных данных в допустимые пределы согласно табл. 5. Наилучшая скорость сходимости обучения была достигнута при выборе логарифмического тангенса в качестве активационных функций и метода обучения Левенберга – Марквардта. Выбор количества слоев и нейронов в слое опирался на анализ построенной моделью области СОП. Среди всех рассмотренных вариантов выбрана сеть из одного скрытого слоя с тремя нейронами, показавшая наиболее простую и правдоподобную область СОП (рис. 5, б, г). Данная модель обладает лучшими (по сравнению с регрессионной моделью) характеристиками соответствия прогноза и обучающей выборки: MSE = 0,00049061, R2 = 0,99504. Сравнение областей СОП для двух моделей и двух ограничений по шероховатости показывает, что модель нейронной сети для больших значений порога шероховатости (Ra > 0,65 мкм)
RkJQdWJsaXNoZXIy MTk0ODM1