Pre návrh tohto systému je v práci využitý model umelej neurónovej siete zvanej viacvrstvový perceptrón, ktorý bol vytváraný v prostredí programu MATLAB, verzie R2013b. Celkovo bolo testovaných 150 rôznych konfigurácií perceptróna odlišujúcich sa v počte neurónov a skrytých vrstiev. Pri trénovaní modelu siete boli použité dve trénovacie funkcie, Bayesova regularizácia a Lavenbergov-Marquardtov algoritmus. Trénovací súbor dát bol normalizovaný funkciou mapminmax. Sledovaným kritériom pre výber vhodnej topológie siete bola minimálna hodnota parametra MSE. Výsledky práce ukázali, že viacvrstvový perceptrón s topológiou s konfiguráciou 3-24-19-1 dokáže predikovať správnu hodnotu parametra profilu drsnosti povrchu Ra.
Funkčnosť zvolenej siete bola overená dvoma spôsobmi, pričom boli hodnotené výsledky predikcie hodnôt parametra Ra vzhľadom na známe a neznáme hodnoty zvolených vstupných parametrov. Záver práce je venovaný zhodnoteniu získaných poznatkov a skúseností. Intenzívny medzinárodný konkurenčný boj zameriava pozornosť výrobcov na automatickú a flexibilnú výrobu ako na prostriedok zvyšovania produktivity a kvality vyrobených produktov. Zvýšenie produktivity a kvality vyrobených výrobkov závisí od potreby priebežného monitorovania a riadenia jednotlivých procesov výroby, ako aj výrobných zariadení. Priebežné monitorovanie a riadenie procesov tvorí veľkú časť záujmu mnohých výskumníkov, pretože nie každá v súčasnosti dostupná technológia je v tomto smere dobre zvládnutá.
Jednou z takýchto technológií je aj nekonvenčná, rýchlo sa rozvíjajúca technológia delenia hydroabrazívnym prúdom. Pre snahu začleniť túto technológiu do bežných výrobných procesov je súčasný výskum orientovaný do niekoľkých oblastí týkajúcich sa najmä nevýhod tejto technológie, akými sú kvalita generovaného povrchu či priebežné monitorovanie technológie. Vo všeobecnosti je známe, že táto technológia sa nedá monitorovať priamo, ale len nepriamo s využitím jej sprievodných fyzikálnych javov, akými sú vibrácie či akustické emisie. Pomocou akustickej emisie dokážeme monitorovať opotrebenie fokusačnej trubice, avšak zo získaného signálu treba odstrániť tzv. nejasné signály, ktoré vznikajú ako dôsledok interakcie, napr. náhodných zhlukov abrazíva s fokusačnou trubicou, alebo inej anomálie vyskytujúcej sa počas procesu delenia materiálu.
Druhú oblasť sprievodných fyzikálnych javov technológie tvoria vibrácie, ktoré, ako sa preukázalo, sú významnými nositeľmi informácií o stave procesu, a teda vibračný signál možno použiť na nepriame monitorovanie hĺbky rezu či kvality obrobeného povrchu. Ak chceme túto technológiu priebežne monitorovať s využitím vibračných či akustických signálov, musíme siahnuť po možnostiach výpočtovej inteligencie, nakoľko tá dokáže napodobňovať správanie ľudí, ktorí sú nevyhnutní pri monitorovaní a riadení množstva procesov. Existuje niekoľko techník výpočtovej inteligencie vhodných na priebežné monitorovanie hydroabrazívneho delenia, pre nás je dôležitá oblasť výpočtovej inteligencie, na ktorú je zameraná táto práca a ktorá dokáže napodobniť funkciu a obrovské výpočtové schopnosti ľudského mozgu, a to umelá neurónová sieť.
Táto sieť predstavuje veľmi výkonný systém, ktorý sa dokáže učiť, a preto tu existuje určitý potenciál jeho využitia na monitorovanie, respektíve predikciu kvality povrchu na základe sprievodných javov technológie. Úlohou tejto práce je teda využitie modelu umelej neurónovej siete na predikciu kvality povrchu na základe informácií získaných z vibračného signálu.
Analýza súčasného stavu
Monitorovanie a riadenie hydroabrazívneho delenia materiálov je v súčasnosti predmetom záujmu mnohých výskumníkov prezentujúcich rôzne prístupy riešenia danej problematiky. Jedným z prezentovaných prístupov je práve využitie umelej inteligencie, ktorej sa v posledných rokoch venovala nie veľmi rozsiahla časť autorov.
V roku 2008 Srinivasu a Babu [1] prezentovali neurogenetický prístup pri výbere procesných parametrov. Vo svojej práci navrhli model umelej neurónovej siete, ktorý predikoval hĺbku rezu vzhľadom na priemer zaostrovacej trubice a na kontrolovateľné procesné parametre, ako je tlak vody, hmotnostný tok abrazíva a rýchlosť posuvu. Neskôr v tom istom roku sa znovu Srinivasu a Babu [2] zaoberali adaptívnou stratégiou kontroly a riadenia procesu delenia hydroabrazívnym prúdom s integráciou vizuálneho monitorovania a neurogenetického prístupu prezentovaného v ich predchádzajúcej práci. Ich snahou bolo priebežne monitorovať a upravovať procesné parametre tak, aby sa udržala požadovaná hĺbka rezu pri zmenách priemeru zaostrovacej trubice.
Caydas a Hascalik [3] študovali drsnosť povrchu pomocou modelov umelých neurónových sietí a regresnej analýzy. Preukázali, že hydroabrazívny prúd vytvára tri výrazné zóny pozdĺž rezu a tiež ryhovanie a zvlnenie povrchu, ktoré výrazne narastá s tlakom vodného prúdu.
Parikh a Lam [4] venovali svoju pozornosť odhadu vhodných hodnôt procesných parametrov pri obrábaní hydroabrazívnym prúdom, kde na odhad použili umelé neurónové siete. Preukázali, že umelé neurónové siete poskytujú lepší odhad parametrov ako modely regresnej analýzy.
Roku 2011 Wang W., Wang M. a Yan [5] študovali riadenie úberu materiálu hydroabrazívnym prúdom. V práci uvádzajú, že expertný systém založený na lineárnych a nelineárnych vzťahoch získaných z ich analýz by mohol uspokojiť potrebu automatického riadenia technológie.
Kok, Kanca a Eyercioglu [6] sa venovali predikcii drsnosti povrchu použitím výrazu genetického programovania. Výsledky predikované genetickým programovaním boli porovnané s experimentálnymi, pričom sa ukázalo, že sú vo vzájomne dobrej zhode.
Zain, Haron a Sharif [7] použili umelú neurónovú sieť (ANN) a metódu simulovaného žíhania (SA) na odhad optimálnych procesných parametrov pri delení hydroabrazívnym prúdom.
Madić a Radovanović [8] vytvorili matematický model a analyzovali delenie uhlíkovej ocele použitím umelých neurónových sietí. Výsledkom ich práce bolo zhodnotenie, že nimi navrhnutý model je schopný zachytiť podstatné informácie o reznom procese s vysokou presnosťou. Informácie získane ich neurónovou sieťou boli prevedené do formy matematických rovníc, na základe čoho autori tvrdia, že neurónové siete nie sú len „čiernou skrinkou“, ale môžu byť interpretované.
Roku 2012 Vundavili et al. [9] skúmali fuzzy expertný systém s cieľom predikcie hĺbky rezu v procese delenia hydroabrazívnym prúdom. Zistili, že najlepšie výsledky dosahoval automatický fuzzy logic systém.
Guo, Li a Dai [10] študovali predikciu kvality pri delení pomocou kvázi päťosového zariadenia hydroabrazívneho prúdu s nastaviteľnou výchylkou deliacej hlavy. Výsledkom ich práce bolo zistenie, že predikčný model kvality rezu založený na neurónovej sieti so spätným šírením dosahoval najväčšiu presnosť predikcie kvality.
Engin [11] vo svojej práci predikoval hĺbku rezu pri delení prírodných kameňov. Vytvoril modely umelých neurónových sietí, ktoré umožňovali predikciu konkrétnych operačných parametrov pri rezaní konkrétneho typu kameňa. Tvrdil, že predikcia reznej hĺbky je hodnotným nástrojom pre riadené obrábanie povrchu kameňov.
Tang, Lu a Sun [12] študovali model umelej neurónovej siete s využitím spätného šírenia chýb. Na základe teoretických poznatkov o umelých neurónových sieťach a výsledkoch experimentov prezentovali, že ich model neurónovej siete pre delenie hydroabrazívnym prúdom obsahuje šesť ovplyvňujúcich faktorov, ako tlak, hmotnostný tok abrazíva, vzdialenosť rezaného objektu, hrúbku obrobku, priemer dýzy a reznú rýchlosť. Ďalej vo svojej práci navrhli jednotku predikcie reznej rýchlosti pre realizáciu vizualizácie sieťového modelu vychádzajúceho z Deplhi, poskytujúcu predpoklady integrácie do NC systému. Výsledky ich práce ukázali, že sieťový model integrovaný s NC systémom môže predikovať reznú rýchlosť veľmi rýchlo, presne a spoľahlivo, a tak možno realizovať efektívne riadenie kvality v procese delenia.
Analýza súčasného stavu preukázala, že táto práca svojím obsahom prispeje čiastočne k riešeniu problematiky využitia výpočtovej inteligencie, presnejšie v oblasti využitia modelu umelých neurónových sieti pri monitorovaní technológie hydroabrazívneho delenia materiálov.
Literatúra
[1] SRINIVASU, D. S. – BABU, N. R.: A neuro-genetic approach for selection of process parameters in abrasive waterjet cutting considering variation in diameter of focusing nozzle. In: Applied soft computing, 2008, č. 8, s. 809 – 819. ISSN 1568-4946.
[2] SRINIVASU, D. S. – BABU, N. R.: An adaptive control strategy for the abrasive waterjet cutting process with the integration of vision-based monitoring and a neuro-genetic control strategy. [online]. In: The International Journal of Advanced Manufacturing Technology, 2008, č. 38, s. 514 – 523. ISSN 1433-3015.
[3] CAYDAS, U. – HASCALIK, A.: A study on surface roughness in abrasive waterjet machining proces using artificial neural networks and regression analysis method. In: Journal of Materials Processing Technology, 2008, č. 202, s. 574 – 582. ISSN 0924-0136.
[4] PARIKH, P. J. – LAM, S. S.: Parameter estimation for abrasive water jet machining process using neural network. [online]. In: The International Journal of Manufacturing Technology, 2009, č. 40, s. 497 – 502. ISSN 1433-3015.
[5] WANG, W. – WANG, M. – YAN, X.: Study on the material removal control process of abrasive water jet. In: Conference preceedings of 2011 International Conference on Electric Information and Control Engineering, 2011, č. článku 5777072, s. 4 594 – 4 552. ISBN 978-142448039-5.
[6] KOK, M. – KANCA, E. – EYERCIOGLU, O.: Prediction of surface roughness in abrasive waterjet machining of particle reinforced MMCs using genetic expression programming. [online]. In: The International Journal of Advanced Manufacturing Technology, 2011, č. 55, s. 955 – 968. ISSN 1433-3015.
[7] ZAIN, A. M. – HARON, H. – SHARIF, S.: Estimation of the minimum machining performance in the abrasive waterjet machining using integrated ANN-SA. In: Expert System with Application, 2011, č. 38, s. 8 316 – 8 326. ISSN 0957-4174.
[8] MADIĆ, M. – RADOVANOVIĆ, Miroslav: Mathematical modeling and analysis of AWJ cutting of carbon steel S275JR using ANN. In: Academic Journal of Manufacturing Engineering, 2011, č. 9, s. 49 – 54. ISSN 1583-7904.
[9] VUNDAVILLI, P. R. et al.: Fuzzy logic-based expert system for prediction of depth of cut in abrasive water jet machining process. In: Knowledge-based System, 2012, č. 27, s. 456 – 464. ISSN 0950-7051.
[10] GUO, Q. – LI, J. – DAI, X.: Cutting quality prediction of a quasi-5-axis abrasive waterjet machine with an adjustable workhead. In: Conference Proceedings of 2012 9th IEEE International Conference on Networking, Sensing and Control, 2012, č. článku 6204913, s. 181 – 186. ISBN 978-146730388-0.
[11] ENGIN, I. C.: A correlation for predicting the abrasive water jet cutting depth for natural stones. In: South African Journal of Science, 2012, č. 108, s. 69 – 79. ISSN 0038-2353.
[12] TANG, J. – LU, Y. – SUN, H.: Study on visual BP neural network cutting model for abrasive water jet. In: Journal of Sichuan University, 2013, č. 45, s. 164 – 170. ISSN 1009-3087.
Ing. Daniel Kinik
doc. Ing. Alexander Hošovský, PhD.
Technická univerzita v Košiciach
Fakulta Výrobných technológií do sídlom v Prešove, KMIK
Bayerova 1, 080 01 Prešov
daniel.kinik@tuke.sk
alexander.hosovsky@tuke.sk
Ing. Beáta Gánovská
Uralská 8, 040 12 Košice
aksvonag@gmail.com doc.
Ing. Sergej Hloch, PhD.
Technická univerzita v Košiciach
Fakulta výrobných technológií do sídlom v Prešove, KVT
Bayerova 1, 080 01 Prešov
hloch.sergej@gmail.com
