cel badań - popko artur
Transkrypt
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