Подходы к решению технологических задач методами машинного обучения

Аннотация

Сегодня большое значение приобретают новые подходы к моделированию и оптимизации производственных процессов, в основе которых лежит применение новых методов интеллектуализации технических решений. Моделирование производственных или технологических процессов часто является базой для решения сложных наукоемких задач, которые требуют аналитических вычислений, нестандартных подходов, а также экспертных знаний и высокой квалификации специалистов. Разработка инновационных проектов в машиностроительной отрасли сопряжена с решением задач оптимизации технологий, а также с прогнозированием тех или иных параметров технологического процесса, которые необходимо учитывать при обработке различных типов деталей. Одним из ключевых инструментов, которые можно применять для поиска и прогнозирования наиболее рациональных (оптимальных) решений и параметров технологического процесса на сегодняшний день являются методы машинного обучения, например, нейросетевые алгоритмы. В условиях применения автоматизированных систем технологической подготовки производства, внедрения цифровых технологий в производственный процесс, нейросетевые алгоритмы являются наиболее универсальными методами математического моделирования для решения производственных задач, а потому данный подход является актуальным. В данной публикации рассмотрен вариант создания нейронной сети для прогнозирования значения шероховатости при различных режимах обработки на примере гидродробеструйного упрочнения поверхности детали из материала ВВ751П.