Повышение качества процесса адаптации при изменении технологических параметров с помощью аппарата нейронных сетей

Введение.
Глава 1. Анализ проблем диагностики и управлении процессом резания и поиск перспективных путей их решения на основе повышения качества процесса адаптации систем управлении. Постановка задачи
исследования.
1.1. Система Станокпроцесс резания как объект управления. Входные, выходные и функциональные параметры процесса резания
1.2. Обзор используемых диагностических сигналов, несущих информацию о ходе процесса резания и состоянии инструмента.
1.2.1. Взаимосвязь параметров процесса резания
1.2.2. Силовые параметры процесса резания.
1.2.3. Механические колебания при резании.
1.2.4. Тепловые и электрические явления при резании.
1.2.5. Параметры обрабатываемой детали диагностические признаки процесса резания
л . .
1.3. Диагностика режущего инструмента
1.4. Системы адаптивного управления существенный резерв повышения эффективности процессов металлообработки.
1.4.1. Качество обработки управляемый параметр процесса резания.
1.4.2. Общие принципы адаптивного управления
1.4.3. Анализ и классификация адаптивных систем управления
1.5. Анализ математических моделей, используемых в системах адаптивного управления металлообработкой.
1.6. Выводы по главе 1. Цель и задачи исследования.
1 лава 2. Искусственные нейронные сети и эффективность их применении в адаптивных системах диагностики и управлении процессами металлообработки в реальном масштабе времени.
2.1. Искусственные нейронные сети как инструмент моделирования адаптивных процессов.
2.1.1. Структура и свойства искусственного нейрона
2.1.2. Основные архитектуры нейронных сетей.
2.1.3. Обучение. Адаптация. Самоорганизация.
2.1.4. Многослойные нейронные сети прямого распространения и их обучение.
2.1.5. Алгоритм обратного распространения ошибки
2.2. Нейроуправление как элемент повышения качества процесса адаптации
технологических систем.
2.2.1. Нейронные сети в системах управления и идентификации
2.2.2. Подходы к нейронному управлению.
2.3. Автономное и оперативное обучение нейроконтроллера и нейроэмулятора.
2.4. Динамическое обучение нейронных сетей.
2.4.1. Введение динамики в обучение нейронной сети.
2.4.2. Скоростной алгоритм обучения нейронной сети.
2.4.3. Динамический алгоритм обучения с прогнозом
2.4.4. Упрощенный динамический алгоритм обучения с прогнозом.
2.5. Предварительная обработка входных и выходных данных.
2.6. Выводы по главе 2.
Глава 3. Разработка метода построения нейросетевых многослойных нейронных сетей для повышении качества процесса адаптации системы управления процессом резания.
3.1. Обучение и самоорганизация сети в процессе функционирования системы
управления.
3.1.1. Внутренняя и внешняя структуры нейронной сети.
3.1.2. Улучшение рабочих характеристик нейросетевой модели с помощью динамической оптимизации ее структуры
3.2. Динамическая оптимизация внешней структуры сети.
3.3. Динамическая оптимизация внутренней структуры сети
3.4. Выводы по главе 3.
Глава 4. Разработка адаптивной системы управления процессом резания на основе нейросетевых технологий.
4.1. Структура и алгоритм функционирования нейросетевой адаптивной системы
управления
4.2. Создание и непрерывное обновление обучающей выборки и тестового
множества в процессе функционирования системы
управления
4.3. Экспериментальные исследования по обучению нейросетевых компонент системы управления
4.4. Выводы по главе
Заключение.
Литература