cel badań - popko artur

KOMPUTEROWE WSPOMAGANIE W
TECHNICE I NOWOCZESNE TECHNIKI
INFORMATYCZNE
Zastosowanie sieci
neuronowych do grupowania
postaci konstrukcyjnych
elementów maszyn
Prowadzący:
Wykonali:
Dr Artur Popko
Iwona Bielak
Tomasz Kucio
Lublin 2007
ETI 5.3
CEL BADAŃ
Badanie podobieństwa elementów maszyn moŜe
dostarczyć informacji istotnych w organizacji
produkcji w zakładzie przemysłowym. Informacje te
moŜna otrzymać poprzez grupowanie podobnych
elementów. W tym celu stosuje się metody badania
podobieństwa. Bez stosowania tych metod, pełny
cykl produkcyjny elementu obejmuje proces
projektowo-konstrukcyjny, przygotowanie produkcji
i wytwarzanie. Natomiast metody badania
podobieństwa umoŜliwiają w wielu przypadkach
uprościć te procesy lub nawet niektóre z nich
wyeliminować.
OSIĄGNIĘCIA
obniŜenie liczby produkowanych elementów,
zracjonalizowanie programu produkcyjnego,
zmniejszenie nakładów na konstruowanie, wytwarzanie i
planowanie,
wielokrotne wykorzystanie zgromadzonej wiedzy),
standaryzacja i normalizacja,
obniŜenie czasów przygotowawczo-zakończeniowych.
Gdy bierze się pod uwagę nowy
element, to moŜe wystąpić jeden z
trzech przypadków:
1) Nowo projektowany element jest identyczny z juŜ
produkowanym, zatem nie ma potrzeby projektowania
nowego elementu i ponoszenia dodatkowych kosztów,
gdyŜ moŜna wykorzystać znaną juŜ dokumentację.
2) Nowo projektowany element jest podobny do juŜ
produkowanego, zatem cały wysiłek projektowy moŜna
poświęcić na dostosowanie znanego juŜ elementu do
nowych potrzeb, korzystając z doświadczeń
zgromadzonych podczas wytwarzania starego elementu.
3)Nowo projektowany element nie jest podobny do
Ŝadnego z produkowanych elementów, zatem naleŜy
wykonać pełną dokumentację konstrukcyjną i
technologiczną.
Metody badania podobieństwa
MoŜna wyszczególnić następujące metody
klasyfikacji:
1) klasyfikacja standardowa,
2) rozpoznawanie obrazów na podstawie wzorców
klas,
3)rozpoznawanie obrazów na podstawie ciągu
uczącego,
4) metoda cech rzeczowych (niem. Sachmerkmale).
WyróŜniamy następujące stadia w
metodzie badania podobieństwa:
-recepcję danych (zapis informacji o badanych
elementach w postaci dogodnej dla danej
metody),
- obliczenie funkcji, przynaleŜności (czyli
znalezienie podobieństwa danego elementu do
zadanych klas lub innych elementów),
- podejmowanie decyzji (przypisanie elementu
do danej grupy lub klasy).
Sposób opisu elementów
Istotnym zagadnieniem w badaniu podobieństwa
jest sposób opisu elementów. Najczęściej jest on
rozwiązywany metodą stosowania specjalnych
kodów w postaci sekwencji znaków
alfanumerycznych. Kody te mają charakter
wektora cech elementu. Kodowanie umoŜliwia
zmniejszenie liczby danych, które będą
przetwarzane w procesie badania podobieństwa,
jednak z drugiej strony powoduje utratę części
informacji.
Cechy tworzące kody naleŜą do
jednego z czterech rodzajów:
♦ cechy ilościowe,
♦ cechy rangowe,
♦ cechy strukturalne,
♦ cechy binarne.
Cechami ilościowymi określa się te, które
moŜna przedstawić w postaci określonych wartości
liczbowych (np. wymiary gabarytowe).
Cechy rangowe moŜna porządkować,
uwzględniając relacje równości, większości lub
mniejszości, lecz nie moŜna podać ich konkretnej
wielkości (np. skala produkcji: jednostkowa,
seryjna, masowa). Cechy rangowe moŜna
przekształcić w dane liczbowe, stosując
odpowiednie symbole matematyczne.
Cechy strukturalne pozwalają jedynie
rozróŜnić identyczność lub jej brak w
przypadku pewnych cech.
Cechy binarne, które przyjmują wartość 0
lub 1 w zaleŜności od tego, czy dana cecha
występuje, czy teŜ nie.
Rozpoznawanie obrazów
Rozpoznawanie obrazów jest podziałem
zbioru elementów na klasy. Opis cech
charakterystycznych wszystkich klas
jest przedstawiony w postaci ciągu
uczącego. Elementy ciągu uczącego
noszą nazwę przykładów i powinny być
tak dobrane, aby ciąg uczący był
reprezentatywny, poniewaŜ od tego
zaleŜy jakość procesu rozpoznawania.
Wykazano, Ŝe im bardziej rozbudowany
jest ciąg uczący, tym bardziej jest on
reprezentatywny.
WyróŜniamy następujące
metody rozpoznawania obrazów:
♦
♦
♦
♦
minimalnoodległościowe,
aproksymacyjne,
probabilistyczne,
specjalne.
Metody minimalnoodległościowe
przyjmują załoŜenie, Ŝe elementy są
punktami w N-wymiarowej
przestrzeni cech, zatem ich
podobieństwo definiuje odległość
między nimi. Klasę mogą tworzyć
elementy sąsiadujące ze sobą.
W metodach aproksymacyjnych
stosuje się inne podejście, a
mianowicie na podstawie ciągu
uczącego tworzy się funkcję
przynaleŜności, stosując metody
aproksymacji funkcji. W tej grupie
moŜna wyróŜnić metody funkcji
liniowych i funkcji dowolnych.
Metody probabilistyczne traktują
obiekty i ich cechy jak dane
statystyczne, stąd proces
rozpoznania przypomina w tych
metodach weryfikację hipotez
statystycznych. Dwie główne grupy
tych metod to metody ze znanym i
nieznanym rozkładem
prawdopodobieństwa.
Ostatnia grupa metod specjalnych
składa się z metod znacznie
róŜniących się od opisanych
powyŜej. NaleŜą do nich między
innymi: metoda funkcji
potencjalnych i aproksymacji
stochastycznej oraz metoda stosująca
sieci neuronowe.
Metody opisu geometrycznej
postaci konstrukcyjnej
Metoda zapisu cyfrowego
elementów maszyn K. Osakady
Metoda ta polega na wykorzystaniu
prymitywów geometrycznych, które
określają elementarne figury
geometryczne. Zapis elementów
maszyn na podstawie tej metody jest
realizowany na płaszczyźnie przez
określenie zapisu alfanumerycznego
głównego przekroju elementu.
Przebieg tworzenia projektu:
Na 256 – pikselowej macierzy
danych wejściowych
zdefiniowano 8 znaków, które
przedstawiają przekroje przez
wałek
Zbudowano sieć neuronową
Nauczono sieć neuronową
rozpoznawania znaków
Zweryfikowano zdolność
rozpoznawania wzorcowych symboli
przez SSN
Znaleziono optymalną postać sieci
neuronowej do realizacji tego
zadania dodając kolejne neurony w
warstwie ukrytej
Wyniki pomiarów efektywności
sztucznej sieci neuronowej
Postać SSN
(ilość neuronów w warstwie ukrytej)
4
Efektywność SSN
(ilość cykli uczenia sieci do uzyskania
wartości TNE=0.01)
260136
5
50888
6
7480
7
6256
8
6136
9
5976
10
3792
11
10424
Postać sieci z czterema neuronami w
warstwie ukrytej
Postać sieci z dziesięcioma
neuronami w warstwie ukrytej
(optymalna postać sieci)
KONIEC