HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
22,156,135
- Công bố khoa học và công nghệ Việt Nam
64
Khoa học kỹ thuật và công nghệ
BB
Hoang Thi Dieu, Tang Quoc Nam, Phung Van Binh, Dao Van Duong, Nguyen Van Trung, Tăng Quốc Nam(1)
Nghiên cứu cấu trúc mạng lưới truyền ngược trong dự đoán giá trị hao mòn của dụng cụ phủ cbn trong quá trình tiện khô tốc độ cao thép skd11
Investigation of back-propagation network structures in predicting wear value of cbn-coated tools during high-speed dry turning of skd11 steel
Tạp chí Khoa học & Công nghệ - Trường Đại học Công nghiệp Hà Nội
2024
5
87-91
1859-3585x
Bài báo này trình bày kết quả khảo sát ảnh hưởng của cấu trúc mạng truyền ngược đến chất lượng dự đoán của dụng cụ cắt phủ CBN trong quá trình tiện khô tốc độ cao thép SKD11 trên máy CNC. Dựa trên phân tích các đặc điểm của mạng truyền ngược (BPN) và xác định số lớp ẩn của cấu trúc mạng này là cố định, mười tám cấu trúc mạng tương ứng với sáu tỷ lệ số nơ-ron giữa các lớp ẩn được nghiên cứu và đánh giá. Bộ dữ liệu huấn luyện mạng được thu thập từ 280 thí nghiệm tiện tốc độ cao với bốn biến đầu vào và một biến đầu ra. Các tiêu chí đánh giá chất lượng mạng bao gồm các chỉ số R2, MSE, RMSE và MAPE. Kết quả khảo sát cho thấy, trong nghiên cứu trường hợp cụ thể này, tỷ lệ số nơ-ron giữa lớp ẩn 1 và lớp ẩn 2 đạt 1:2, mang lại chất lượng dự đoán tốt nhất. Cấu hình mạng 4-10-20-1 là mô hình cho chất lượng tốt nhất. Kết quả nghiên cứu có thể làm cơ sở để lựa chọn cấu hình mạng nơ-ron (NN) phù hợp cho các mô hình có lượng dữ liệu lớn và nhiều biến đầu vào. Tuy nhiên, nghiên cứu này chỉ xem xét mô hình mạng có 2 lớp ẩn.
This paper presents the results of surveying the effect of backpropagation network structures on the predictive quality of CBN-coated cutting tools in high-speed dry turning of SKD11 steel on CNC machines. Based on the analysis of the back-propagation network (BPN) c-haracteristics and determining that the number of hidden layers of this network structure is fixed, eighteen network structures corresponding to the six ratios of the number of neurons between the hidden layers are investigated and evaluated. The network training dataset is collected f-rom 280 high-speed turning experiments with four input variables and one output variable. The network quality evaluation criteria include R2, MSE, RMSE and MAPE indexes. The survey results show that, in this particular case study, the ratio of the number of neurons between hidden layer 1 and hidden layer 2 reaches 1:2, giving the best prediction quality. The 4-10-20-1 network configuration is the model for the best quality. The research results can serve as a basis for se-lecting the appropriate neural network (NN) configuration for models with large amounts of data and many input variables. However, this study only examines the network model with 2 hidden layers.
TTKHCNQG, CVt 70
Xem toàn văn