В А Ульшин, Б И Генкин, В Н Смолий - Автоматизация конструкторской подготовки производства электронных аппаратов - страница 1

Страницы:
1  2 

УДК 681.5

Ульшин В.А., Генкин Б.И., Смолий В.Н.

АВТОМАТИЗАЦИЯ КОНСТРУКТОРСКОЙ ПОДГОТОВКИ ПРОИЗВОДСТВА ЭЛЕКТРОННЫХ АППАРАТОВ

В работе произведено обучение разработанной системы поддержки принятия решений на основании алгоритма обучения с учителем шестинейронного персептрона, нейроны которого имеют активационную функцию в виде единичного скачка. Результаты обучения позволили протестировать и произвести предварительную апробацию применения разработанной системы поддержки принятия решений в конструкторской подготовке производства электронных аппаратов. Рис. 4, Табл. 1, Ист. 3.

Введение. Для решения задачи разработки системы поддержки принятия решений конструкторской подготовки производства электронных аппаратов с учетом области применения, свойств и компоновки производимых объектов необходимо выделить группы воздействий на объект управления, произвести их классификацию и выделить из них параметры состояния и управляющие воздействия. На основании управляющих воздействий необходимо синтезировать фреймовую модель представления знаний и разработать структуру системы поддержки принятия решений, способную реализовать заложенные алгоритмы. Немаловажной задачей является также исследование эффективности использования предлагаемой системы поддержки принятия решений. По результатам подобного рода коррекции необходимо отследить и исключить незадействованные в кортежах управления воздействующие факторы, определить непосредственно составляющие кортежей управления, обеспечить согласование последних с оптимальными параметрами и компоновкой производимых объектов.

Постановка задачи. Целью исследований является разработка системы поддержки принятия решений с учетом области применения, свойств и компоновки электронных аппаратов.

Решение задачи. При исследовании механизмов принятия решения для конструкторской подготовки производства электронных аппаратов необходимо определить функциональные взаимосвязи между стохастически распределенными типами и количеством управляющих воздействий [1], предпринимаемыми для обеспечения экстремальных параметров и компоновки производимого объекта, предложить механизмы сравнения с эффективностью управления конструкторской подготовкой производства электронного аппарата для обеспечения оптимальности последнего. Также по результатам исследований необходимо разработать структуру системы поддержки принятия решений, идентифицировать параметры компонентов и оценить ее качественные характеристики [2].

Разработка системы поддержки принятия решений подразумевает классификацию параметров состояния, внешнего возмущения и управляющих воздействий для одного и того же объекта, но на различных этапах (конструирование блока, достижение требуемой резонансной устойчивости, подготовка производства и др.), поэтому необходимо посредством статистических испытаний классифицировать данные воздействия, идентифицировать зависимости и выделить управляющие воздействия с целью определения инструментов влияния на интересующие параметры и компоновку объекта конструкторской подготовки производства. На основании идентифицированных управляющих воздействий необходимо сформировать систему поддержки принятия решений и оценить ее устойчивость и эффективность применения.

Задачи принятия решения конструкторской подготовки производства заключаются в том, что вероятность задания того или иного вида управляющего воздействия различна для электронных аппаратов различного назначения и условий эксплуатации, что в свою очередь определяется спецификой компоновки, предъявляемым требованиям и, следовательно, различными методиками достижения требуемых свойств [3]. Для каждого из рассмотренных типов электронных аппаратов имеет место свое значение коэффициентов значимости управляющего воздействия. Далее по набору типов управляющих воздействий и базе данных коэффициентов значимости каждого из них необходимо определить непосредственно критерий качества управления конструкторской подготовкой производства электронного аппарата (эффективность управления). При попадании полученного значения в область применения рассматриваемого автоматизированного управления конструкторской подготовкой производства электронного аппарата, осуществляется передача оператору (рабочие формы разработанной системы поддержки принятия решений) последовательности и содержания управляющих воздействий по оптимизированным параметрам, компоновке и свойствам объекта конструкторской подготовки производства, определенным с помощью критериев компоновки и оптимизированных с помощью метода группового учета аргумента.

Оператор получает инструкции от системы поддержки принятия решений в виде рекомендаций или (по требованию оператора) в виде окон моделирования запрашиваемых параметров и свойств [3]. Решение о следовании предлагаемым рекомендациям принимает оператор, полагаясь на должностные инструкции, знания, опыт и умения.

В результате внедрения в существующее управление конструкторской подготовкой производства электронных аппаратов изображенной на рис. 1 надстройки, включающей функционирование лица, принимающего решение, и системы поддержки принятия решений, получаем факты, характеризующие производственные ситуации, и рекомендации по управлению [3]. В вид моделей управления конструкторской подготовкой производства электронных аппаратов, в том числе, заложена и оценка эффективности управления конструкторской подготовкой производства электронных аппаратов.

ЛПР

Система поддержки принятия решений

Блок генерации функ­ционалов

Блок расчета ограничений МАИ

Блок подготовки информации

Блок моделирования

Базы данных

Блок

оценки погрешности

Блок анализа значимости параметров

База знаний

Блок иден­тификации

Y = f ( X)

Расчет эф­фективности управления

Блок генера­ции варианта решения

Блок сбора и обработки статистики

Блок

экспериментальных исследований

Конструкторская подготовка производства электронных аппаратов

Рис. 1. Структурная схема системы поддержки принятия решений конструкторской подготовки производства

электронных аппаратов

Исключительные ситуации при функционировании рассматриваемой системы поддержки принятия решения связаны с возможным «выпадением» необходимости применения одинаковых управляющих воздействий для производства различных объектов, но обработка такого рода исключительных ситуаций сводится к извлечению из базы данных различных весов значимости выбора вида воздействия, поэтому невозможно получить тождественные результаты при одинаковых управляющих воздействиях. И, наоборот, разные наборы управляющих воздействий для различных электронных аппаратов после обработки в предложенной системе поддержки принятия решений дают, в пределах заданной точности, единственное значение эффективности управления конструкторской подготовкой производства электронного аппарата.

Обучение разрабатываемой системы поддержки принятия решений конструкторской подготовки производства электронных аппаратов выполняется для того, чтобы после определения эффективности управления конструкторской подготовкой производства электронного аппарата исследуемой классификационной группы, разрабатываемая система предложила оптимальный сценарий достижения свойств, параметров, компоновки, вибрационной и резонансной устойчивости электронного аппарата. В качестве структуры разработанной системы поддержки принятия решений конструкторской подготовки производства электронных аппаратов выступает шестинейронный персептрон (рис. 2), нейроны которого имеют активационную функцию в виде единичного скачка.

Уі

у2 >

у4 »

■>

у6

Веса синапсов нейросети

x1 -XX Таблица 1

X3 X4 X5 X6 X8 X9 X10. X11 X12 X13

X14 -X>

X15 "~

X16

X17

X18 X19 X20' X21 X22 X23 X24 X26

X27 X29

X30

Рис. 2. Персептрон с шестью выходами

На тридцать один вход нейронной сети подаются входные сигналы, поступающие далее по синапсам на шесть нейронов, которые образуют единственный слой. На выходах сети формируются сигналы:

О1

О2

О5

W41 = 5.943*10-2

W12 = 2.878*10-3

W55 = 5.558*10-2

W51 = 9.138*103

W32 = 7.348*10-3

W85 = 2.033*10-2

W81 = 8.151*10-2

W102 = 5.263*10-3

W95 = 3.904*10-3

W101 = 1.81*10-2

W112 = 2.843*10-3

W145 = 8.037*10-2

W201 = 9.66*10-3

W192 = 9.239*10-2

W155 = 5.035*10-3

 

W212 = 3.092*10-3

W225 = 6.753*10-3

 

W242 = 6.932*10-3

W235 = 2.645*10-4

 

W272 = 5.633*10-3

W265 = 0.549*10-3

 

W292 = 9.293*10-3

W295 = 3.934*10-3

О3

О4

О6

W33 = 4.683*10-2

W24 = 4.953*10-2

W56 = 6.843*10-2

W133 = 4.822*10-2

W94 = 6.394*10-3

W66 = 2.556*10-2

W163 = 0.223*10-2

W174 = 6.904*10-3

W116 = 3.943*10-2

W213 = 1.242*10-2

W184 = 6.394*10-2

W126 = 2.374*10-2

 

W304 = 3.230*10-3

W156 = 5.495*10-2

 

 

W216 = 7.823*10-2

У,-

f IE x ■

f

(1)

функция активации, х.

где j = 1...6 - количество классов электронных аппаратов, компонент вектора управляющих воздействий, Wj - вес синапса.

Весовые коэффициенты синапсов одного слоя нейронов сведены в матрицу W, в которой каждый элемент Wij задает величину -ой синаптической связи j -го нейрона. Таким образом, процесс, происходящий в нейронной сети, в матричной форме имеет вид:

Y = F (X W), (2)

где X, Y - соответственно входной и выходной векторы, F(S) - активационная функция, применяемая поэлементно к компонентам вектора S.

Для обучения нейронной сети был применен следующий алгоритм обучения с учителем.

Шаг 1. Инициализация элементов весовой матрицы случайными значениями.

Шаг 2. Подача на вход одного из входных векторов, которые сеть должна научиться различать, и вычисление ее выхода.

Шаг 3. Если выход правильный, то перейти к шагу 4. Иначе вычислить разницу между требуемым и полученным значениями выхода:

S=d-Y.

Модифицировать веса в соответствии с формулой:

Wjj (t +1) = Wjj (t ) + ri^8^ xj.

(3)

(4)

где t,       - номера текущей и следующей итераций, rj - коэффициент скорости обучения, 0 < rj < 1, і - номер входа, j- номер выхода.

Страницы:
1  2 


Похожие статьи

В А Ульшин, Б И Генкин, В Н Смолий - Автоматизация конструкторской подготовки производства электронных аппаратов

В А Ульшин, Б И Генкин, В Н Смолий - Модель управления производством электронного аппарата космического назначения