Настройки процесса построения и обучения нейросетей при решении задач по прогнозированию эксплуатационных характеристик шпиндельных узлов

Abstract

Исследование посвящено разработке нейросетевых методов моделирования эксплуатационных характеристик шпиндельных узлов металлорежущих станков. В работе решены три ключевые задачи: выбор оптимальной архитектуры нейронной сети, минимизация объема обучающих данных и сокращение времени экспериментов при многопараметрическом анализе. Установлено, что многослойный персептрон с архитектурой 3×7×3 показывает наименьшие средние относительные ошибки прогнозирования ‒ 1,87 % для температуры, 7,78 % для биения шпинделя и 10,7 % для упругого смещения переднего конца шпинделя. Эксперименты подтвердили возможность сокращения объема выборки до 50 % без значительной потери точности, а использование генератора псевдослучайных чисел «Вихрь Мерсенна» позволило снизить время генерации данных на 40 %. Анализ чувствительности выявил доминирующее влияние частоты вращения шпинделя (n) и силы прикладываемой к переднему концу шпинделя (P) на выходные параметры, тогда как время работы (tm) оказалось статистически незначимым. Применение пакета Statistica обеспечило гибкость в настройке моделей, включая выбор функций активации (гиперболический тангенс, сигмоида) и алгоритмов оптимизации (Broyden–Fletcher–Goldfarb–Shanno). Результаты показали превосходство многослойного персептрона над радиальными базисными сетями по точности на 23–35 %. Практическая значимость работы заключается в создании методики проектирования ШУ, сочетающей нейросетевые технологии с рациональным планированием экспериментов.