К компетенциям - через инноватику

Подождите немного. Документ загружается.

231

Все синергетические эффекты можно описать переменными:

• увеличение прибыли в денежном выражении;

• снижение оперативных расходов;

• снижение потребности в инвестициях;

• сокращение временных затрат.

Если бы общую взаимосвязь этих переменных можно было бы

осуществить на практике, общий эффект синергизма можно было бы

определить с помощью расчета или денежных потоков. Однако сде-

лать это не всегда удается, особенно при стратегических товарно-

рыночных изменениях. В таких условиях количественно оценить

и объединить эффекты синергизма невозможно. Это обусловлено тем

фактом, что формализованных моделей, позволяющих количественно

оценить эти переменные, в большинстве случаев не существует.

Признаки достижения синергии

Типовые ситуации, в какой-то мере характеризующие приближе-

ние деятельности компании к синергетическому эффекту:

– длительная и качественная работа оборудования без поломок;

– использование замороженных ресурсов, в том числе находящих-

ся в личном пользовании;

– хорошее настроение в коллективе;

– снижение усталости работников;

– доверительные отношения между сотрудниками;

– поддержка коллективной, а не сдельной оплаты труда;

– сокращение технологического цикла;

– снижение сердечно-сосудистых, простудных и других заболеваний;

– частичный отказ от услуг сторонних организаций;

– постоянный спрос на продукцию;

– активное приобретение работниками акций своей компании;

– усиление лояльности к своей организации и непосредственному

руководству;

– усиление интереса работников к повышению своей квалификации;

– выработка и поддержка традиций и ценностей организации;

– соотношение разработанных и принятых для внедрения рацио-

нализаторских предложений и изобретений;

– рост рационализаторских предложений по совершенствованию

производства и управления в организации;

– сокращение количества оперативных совещаний и увеличение

количества стратегических;

– устойчивость организации к небольшим возмущающим воздей-

ствиям;

–

усиление технологической и организационной дисциплины и т. п.

232

Признаки, по которым можно определить, что на предприятии

синергетический эффект отрицательный:

– наличие комитета, или даже департамента, по вопросам синергии;

– централизация маркетинга и рекламы;

– отсутствие системы служб контроллинга;

– отсутствие системы измерения управленческой деятельности в по-

казателях стоимости бизнеса (или хотя бы в показателях прибыли);

– отсутствие процесса стратегического планирования и процеду-

ры стратегического контроля.

Список литературы

1. Ансофф И. Новая корпоративная стратегия. – СПб. : Питер, 1999. – 416 с.

2. Стратегический синергизм. – 2-е изд. – СПб. : Питер, 2004. – 416 с.

3. Алиев М. А. Методология оценки синергетического эффекта: общий

подход // О сущности и содержании закона синергии : сб. ст. молодых уче-

ных и аспирантов. – Махачкала : Наука плюс, 2005. – № 1.

4. Табурчак П. П. Корпоративный синергизм в стратегическом управле-

нии // Вестн. УГТУ УПИ. – 2005. – № 6.

5. Галеева Е. И. Синергетический подход в теории управления социально-

экономическими системами. – Казань : ИЭУП, 2006.

6. Хакен Г. Синергетика. – М. : Мир, 1980.

7. Леванков В. А. Теория организации. Опорный конспект лекций и мето-

дических рекомендаций к изучению курса. – СПб., 2001.

8. Смирнов Э. А. Основы теории организации : учеб. пособие для вузов. –

М. : Юнити, 2005.

Александр В. Сафиулин, магистрант;

Алексей В. Сафиулин, магистрант;

научный руководитель – д-р техн. наук, проф. И. В. Абрамов

Ижевский государственный технический университет

Метод искусственных нейронных сетей при моделировании

процессов высокоскоростной обработки

В последние десятилетия в мире бурно развивается новая приклад-

ная область математики, специализирующаяся на искусственных ней-

ронных сетях (НС). Актуальность исследований в этом направлении

подтверждается массой различных применений НС. Это автоматизация

процессов распознавания образов, адаптивное управление, аппрокси-

233

мация функционалов, прогнозирование, создание экспертных систем,

организация ассоциативной памяти и многие другие приложения.

С помощью НС можно, например, предсказывать показатели биржево-

го рынка, выполнять распознавание оптических или звуковых сигна-

лов, создавать самообучающиеся системы, способные управлять авто-

машиной при парковке или синтезировать речь по тексту.

На кафедре «Управление качеством» искусственные НС использу-

ют для анализа результатов учебного процесса, распознавания образов,

изучения функционирования торговых сетей. Все вышеперечисленные

направления в работах магистрантов кафедры УК еще раз подтвер-

ждают универсальность и эффективность искусственных нейронных

сетей. В данной статье описан метод использования искусственных НС

для анализа процессов высокоскоростной обработки.

Высокоскоростное резание – одно из самых перспективных направ-

лений в обработке материалов. Теоретическим обоснованием высоко-

скоростной обработки являются так называемые кривые Соломона

(1930-е годы) , которые показывают снижение сил резания в некотором

диапазоне скоростей. Но наиболее важным фактором является пере-

распределение тепла в зоне резания. При небольших сечениях среза

в данном диапазоне скоростей основная масса тепла концентрируется

в стружке, не успевая переходить в заготовку. Именно это позволяет

вести обработку закаленных сталей, не опасаясь отпуска поверхност-

ного слоя. Отсюда основной принцип ВСО – малое сечение среза, сни-

маемое с высокой скоростью резания, и соответственно высокие обо-

роты шпинделя и высокая минутная подача.

Искусственные нейронные сети представляют собой устройства

параллельных вычислений, состоящие из множества взаимодейст-

вующих простых процессоров. Такие процессоры обычно исключи-

тельно просты, особенно в сравнении с процессорами, используемы-

ми в персональных компьютерах. Каждый процессор подобной сети

имеет дело только с сигналами, которые он периодически получает,

и сигналами, которые он периодически посылает другим процессо-

рам, и, тем не менее, будучи соединенными в достаточно большую

сеть с управляемым взаимодействием, такие локально простые про-

цессоры вместе способны выполнять довольно сложные задачи.

Преимущества нейросетевого подхода заключаются в следующем:

• параллелизм обработки информации;

• единый и эффективный принцип обучения;

•

надежность функционирования;

•

способность решать неформализованные задачи.

234

Применение искусственных НС для анализа процессов высоко-

скоростной обработки является новым и весьма перспективным.

Именно поэтому научная новизна проекта заключается в исследо-

вании и моделировании процессов ВСО методом искусственных НС.

Выбор структуры НС осуществляется в соответствии с особенно-

стями и сложностью задачи. Был проведен сравнительный анализ

наиболее распространенных архитектур искусственных НС и их ал-

горитмов обучения. Определены преимущества, недостатки и воз-

можные сферы применения данных архитектур. На основании анали-

за сравнительной таблицы сделан вывод о том, что наиболее подхо-

дящей является искусственная НС с алгоритмом обратного

распространения ошибки, главная идея которого состоит в том, что

ошибку на последнем слое можно просто вычислить, а соответствен-

но, по методу градиентного спуска скорректировать весовые коэф-

фициенты последнего спуска. Далее, используя тот факт, что входы

нейронов следующего слоя являются выходами нейронов предыду-

щего слоя, вычислить ошибки и скорректировать весовые коэффици-

енты других слоев.

Для подтверждения возможности применения искусственных

НС для моделирования процессов высокоскоростной обработки

проводился ряд экспериментов, на основании результатов которых

проводилось обучение искусственной НС и проверка ее работо-

способности.

Алгоритм обратного распространения ошибки приведен ниже

с выделением этапов обучения и использования НС (рис. 1).

Рис. 1. Метод обратного распространения ошибки

В шаре А – n нейронов, в шаре S – l нейронов, в шаре R – m ней-

ронов. Нейроны слоя А никаких функций не выполняют. Функцио-

нирует нейронная сеть следующим образом. Изначально существуют

начальные данные в виде табл. 1.

235

Реальные выходные величины, полученные в результате наблю-

дений и экспериментов, представлены в табл. 2.

Таблица 1. Исходные данные

Входной вектор

Подача, мм/об 0,16

Скорость, м/мин 39,25

Диаметр сверла, мм 10

Таблица 2. Выходные данные

Выход сети

Сила, Н 1 534,2

Момент, Н 7 200

Шаг 1. Проинициализируем весовые коэффициенты

слу-

чайными числами из интервала (0,1).

Далее для каждого нейрона скрытого слоя S вычисляется сумма

ij i

w x z

−

∑

j l

, называемая активацией. На выходе нейронов

слоя S получаем

(

)

j j

y f z

, где f(*) – активационная функция

( )

f x

−

(классический сигмоид).

Шаг 2. Подаем на вход обучающий образ и рассчитываем выход

сети.

Рассчитаем выходы нейронов слоя R по формуле

2 2 1

j ij i

y w y

−

∑

j m

– представляют собой рассчитанные выходы.

Шаг 3. Рассчитываем ошибки выходного шара:

( ) ( ) ( )

(

)

( )

(

)

(

)

( )

(

)

2 2 1 2 2

1 1 1 1 1

д 1

y d y y

= − −

( ) ( ) ( )

(

)

( )

(

)

(

)

( )

(

)

2 2 1 2 2

2 2 2 2 2

д 1

y d y y

= − −

Шаг 4. Рассчитываем ошибки предыдущего шара по формуле

( ) ( ) ( )

1 1

д д щ

n n n

j k jk

+ +

 

 

 

∑

Осуществляем коррекцию весовых коэффициентов следующим

образом:

а) для последнего (второго) слоя:

( )

(

)

( )

(

)

( )

(

)

n n n

ij ij ij

w t w t w t

= − +∆

б) для предпоследнего слоя:

(

)

(

)

(

)

(

)

(

)

(

)

1 1 1 1 1 1

11 1 1 12 2 1 13 3 1

жд ; жд ; жд ;

w x w x w x

∆ = − ⋅ ∆ =− ⋅ ∆ = − ⋅

236

(

)

(

)

(

)

(

)

(

)

(

)

1 1 1 1 1 1

21 1 2 22 2 2 23 3 2

жд ; жд ; жд ;

w x w x w x

∆ = − ⋅ ∆ = − ⋅ ∆ = − ⋅

(

)

(

)

(

)

(

)

(

)

(

)

1 1 1 1 1 1

31 1 3 32 2 3 33 3 3

жд ; жд ; жд .

w x w x w x

∆ = − ⋅ ∆ = − ⋅ ∆ = − ⋅

Шаг 5. Если поданы все входные образы, то переход на шаг 5,

иначе переход на шаг 2 (подаем следующий образ).

Шаг 6. Подаем на вход уже обученной сети контрольный вектор X

и сеть рассчитает Y (решается задача прогнозирования).

Таким образом, нейронная сеть с алгоритмом обратного распро-

странения ошибки является единственно приемлемым средством для

решения задачи прогнозирования в случае сложных зависимостей

между входными параметрами и выходными характеристиками, осо-

бенно если последние представлены вектором.

Для получения данных были проведены эксперименты. Материал

заготовки Сталь 3, сверла P6M5 d10мм. Для измерения момента

и осевой силы использовалась измерительная система фирмы Artis.

Полученные данные обрабатывались в программной среде Matlab

с использованием NeuroNetworks Toolbox.

Таблица 3. Результаты

Результат эксперемента Результат моделирования Отклонение

1 018,00 1 089,33 7,01 %

4 268,00 3 920,00 8,15 %

Полученные результаты показали, что метод искусственных НС

позволяет получать при моделировании данные с допустимой по-

грешностью.

Список литературы

1. Алексеев Е. Р., Чеснокова О. В. Matlab 7 : самоучитель. – М. : НТ Пресс,

2006. – 464 с.

2. Горбань А. Н. Обучение нейронных сетей. – М. : ПараГраф, 1990. – 160 с.

3. Архитектурные особенности нейропроцессора NM6403 / В. М. Черни-

ков, П. Е. Виксне, Д. В. Фомин и др. // Нейроинформатика-99 : Всерос. науч.-

техн. конференция : сб. науч. тр. Ч. 2. – М. : МИФИ, 1999. – С. 93–101.

4. Сutting Tool Engineering. – 2002. – Vol. 54, Nr 3. – Pp. 40, 42–44.

5. Wasserman, P. D. Combined backpropagation // Cauchy machine. Proceedings

of the International Neural Network Society. – New York : Pergamon Press, 1988.

Werbos, P. Generalization of backpropagation with application to a recurrent

gas market model // Neural Networks. – Oct. 1988.

237

О. М. Сунцов, магистрант;

С. А. Никитин, магистрант;

научный руководитель – канд. техн. наук, доц. А. А. Колупаев

Ижевский государственный технический университет

Определение прочности сварных швов при разрыве сварных

сосудов внутренним гидравлическим давлением

В сварочном производстве все виды испытаний можно классифи-

цировать на две группы:

1) разрушающие (механические, коррозионные и технологические

испытания, исследования химического состава и структуры материа-

ла и др.);

2) неразрушающие (радиационные, акустические, магнитные,

вихретоковые, тепловые, электрические и др.) [1].

На практике, в основном, стараются применять неразрушающие

способы, однако некоторую часть сварных соединений целесообраз-

но подвергать разрушению для получения более надежной и досто-

верной информации о свойствах выполненных соединений [2]. Сле-

дует также заметить, что возможности использования результатов

испытаний на разрушение, как известно, не ограничиваются простым

сравнением с требуемыми показателями.

Данная работа является попыткой рассмотрения гидравлических

испытаний сварных сосудов на разрыв в качестве средства оптимиза-

ции процесса принятия конструкторско-технологических решений.

Решение поставленной задачи намечено провести в несколько этапов:

определение оптимальной (с точки зрения возможностей производст-

ва и средств испытаний) конструкции сосудов и технологии сварки,

разработка чертежей и изготовление образцов, разработка методики

испытаний, проведение испытаний, обработка и анализ результатов.

С учетом возможностей испытательной лаборатории ИжГТУ раз-

работана методика проведения гидравлического испытания сварных

сосудов на разрыв. Настоящая методика служит для определения

прочности сварных швов при разрыве сварных сосудов. Результаты

испытания используются в целях определения зависимостей:

− «прочность сварного шва – вид сварки»;

− «прочность сварного шва – вид сварного шва».

Сущность метода заключается в разрушении внутренним гидрав-

лическим давлением следующих испытательных образцов:

238

− сварной сосуд, выполненный ручной электродуговой сваркой

крышки и трубы нахлесточным швом (рис. 1);

− сварной сосуд, выполненный ручной электродуговой сваркой

крышки и трубы стыковым швом (рис. 2);

− сварной сосуд, выполненный полуавтоматической сваркой в сре-

де углекислого газа крышки и трубы нахлесточным швом (рис. 1);

− сварной сосуд, выполненный полуавтоматической сваркой в сре-

де углекислого газа крышки и трубы стыковым швом (рис. 2).

Рис. 1. Сварной сосуд, выполненный нахлесточным швом

Рис. 2. Сварной сосуд, выполненный стыковым швом

Размеры деталей арматуры сосудов определены в соответствии

с требованиями ГОСТов [3], [4], [5], [6], [7].

239

В качестве средства испытания используется насос гидравличе-

ский малогабаритный НГМ-105 (рис. 3).

Рис. 3. Насос гидравлический малогабаритный НГМ-105

Посредством проведения испытаний предполагается:

− провести апробацию испытательной лаборатории;

− сравнить прочностные характеристики сварных соединений,

полученные экспериментально с расчетными (в соответствии с нор-

мативными требованиями и рекомендациями);

− рассмотреть рациональность использования нахлесточных швов

в сварных соединениях сосудов;

− определить перспективы применения метода испытаний свар-

ных сосудов на разрыв.

В качестве продолжения данной работы планируется постановка

и решение задач по проведению гидравлических испытаний на раз-

рыв сосудов высокого давления с использованием установленной

в лаборатории ИжГТУ гидроустановки ГС-24.

240

Список литературы

1. Сварка в машиностроении : справочник : в 4 т. / редкол.: Г. А. Николаев

(пред.) и др. – М. : Машиностроение, 1978. – Т. 1 / под. ред. Н. А. Ольшанско-

го. – 504 с.

2. Малышев Б. Д., Мельник В. И., Гетия И. Г. Ручная дуговая сварка. – М. :

Стройиздат, 1990. – 319 с.

3. ГОСТ 13954–74. Концы труб, развальцованные для соединений трубо-

проводов по наружному конусу. Конструкция и размеры.

4. ГОСТ 13955–74. Резьбовая часть арматуры для соединений трубопро-

водов по наружному конусу. Конструкция и размеры.

5. ГОСТ 13977–74. Соединения трубопроводов по наружному конусу.

Технические условия.

6. ГОСТ 20195–74. Проходники ввертные под резиновое уплотнение для

соединений трубопроводов по наружному конусу. Конструкция и размеры.

7. ГОСТ 9833–73. Кольца резиновые уплотнительные круглого сечения

для гидравлических и пневматических устройств. Конструкция и размеры.