Введение. Технология нейронных сетей сейчас стремительно развивается. Для работы и обучения нейронных сетей были разработаны различные алгоритмы, разрабатываются алгоритмы для оптимизации их структуры с целью повышения производительности и качества результатов, а также для сокращения времени обучения. Нейронные сети используют в бизнесе, медицине, промышленности и многих других научных и технических областях. Они могут решать практически любые задачи, связанные с моделированием, прогнозированием и оптимизацией. 1. Моделирование и оптимизация Во многих случаях моделирование производственного процесса является основой для построения сложных систем, которые используются на различных этапах производственного процесса. В зависимости от типа и уровня сложности процесса, классический подход к построению математических моделей обычно использует математические аппараты, основанные на алгебраических уравнениях, дифференциальных уравнениях, методах статистического моделирования и т.д. При значительной сложности эти методы не всегда приводят к решению поставленной задачи. В этом случае успешным решением может стать использование технологии нейронных сетей. Нейронные сети, обладающие способностью накапливать опытные знания и представлять их впоследствии, могут стать ценной альтернативой полноценным математическим моделям и использоваться для поиска оптимальных решений. Примером работы нейронных сетей является моделирование процессов обработки материалов, особенно процессов резания. Эти процессы характеризуются большой сложностью, достаточно большим количеством переменных и постоянных, которые не определены для всех возможных систем обработки. В данном случае нейронные сети, призванные служить моделями процессов, обучаются на основе данных реальных или численных экспериментов. Полученная нейросетевая модель в дальнейшем используется, например, для подбора оптимальных параметров, выбора инструментов для обработки материалов в соответствии с некоторыми начальными условиями, а также для управления процессами в реальном времени и для других целей. 2. Прогнозирование Прогнозирование на основе нейронных сетей очень популярно в современной экономике. В промышленности нейронные сети могут быть использованы для построения модели, максимально соответствующей реальности. Такая модель позволяет с высокой точностью предсказывать поведение как отдельных параметров, часто имеющих случайный характер, так и всего процесса в целом, а также влияние различных факторов, без глубокого понимания всех нюансов взаимодействия переменных и постоянных, характеризующих процесс. Это может быть полезно, например, при планировании производственных циклов и построении систем управления производственными процессами, систем диагностики и контроля качества. 3. Проектирование автоматизированных систем управления Автоматизированная система управления - это совокупность различных устройств, выполняющих некоторую операцию по управлению заданным объектом. Классический метод построения АСУ технологическим процессом основан на использовании аппарата интегрального дифференциального исчисления. В этом случае АСУ строится на формальных знаниях человека об объекте управления. Другим вариантом является построение систем управления, использующих специфические для человека методы мышления, частным случаем которых являются нейронные сети. Такая АСУ может реализовать практически любую функцию управления, если использование традиционных регуляторов неэффективно из-за сложности объекта управления. В результате в большинстве случаев такой подход, повышающий эффективность управления технологическими процессами, приводит к улучшению качества продукции, снижению затрат, уменьшению количества дефектов, ускорению производственных циклов, часто позволяет автоматизировать производственные модули, а автоматизация на основе традиционных подходов невозможна или очень затруднена. 4. Диагностика и контроль качества На сегодняшний день большая часть работ по использованию нейронных сетей посвящена созданию диагностического программного и аппаратного обеспечения, а также средств автоматического контроля качества. Такая система является очень важным компонентом производства, поскольку ее наличие весьма желательно даже при минимальном уровне автоматизации. Как и во многих других случаях, из-за комплексного влияния множества факторов на процесс, в большинстве случаев невозможно создать модель на основе традиционного подхода, учитывающую взаимодействие этих факторов и учитывающую степень влияния каждого на качество техпроцесса и конечного продукта. В то же время простая модель перехода от конкретного канала диагностики к прогнозированию показателей качества не обеспечивает приемлемой точности. 5. Создание технических справочников и информационно-консультационных систем Перспективной задачей является разработка технических справочников и консультантов. На сегодняшний день справочные базы данных используются в виде табличных наборов данных. На их основе, используя нейронные сети, можно получить аппроксимационную поверхность возможных эталонных значений в некотором n-мерном пространстве. Такая поверхность может не только содержать информацию о состоянии объекта, но и объяснять его качественный переход. Кроме того, система будет полезным советником для создателя машины, который, оценивая исходные данные, предлагает возможные решения поставленной задачи. Обладая значительным объемом баз данных, такая система может найти правильное решение, и даже человек со значительным опытом вряд ли сможет прийти к нему без изучения соответствующей литературы и проведения дополнительных исследований. Примером может служить комплекс работ, выполненных в этой области в Сумском государственном университете на кафедре металлорежущих станков и инструментов. Здесь разрабатывается нейрохирургическая модель, которая может заменить эталонную базу, используемую для выбора оптимального режима резания. 6. Разработка систем автоматизированного проектирования Важным и интересным направлением является разработка интеллектуальных систем автоматизированного проектирования с использованием искусственных нейронных сетей. В таких системах обычно выполняются сложные вычисления для обработки больших объемов информации. Как следствие, такие системы требуют мощных средств обработки геометрической информации и специальных знаний. Это, наряду с переходом на новейшие технологии мультиагентных распределенных интеллектуальных систем, определяет направление дальнейшего развития как интегрированной интеллектуальной системы, в том числе с использованием нейроподобных сетей элементов. Инструменты САПР должны быть достаточно развиты, чтобы пользователи могли строить системы самостоятельно, без дорогостоящей помощи программистов, используя личные знания и накопленный опыт. Здесь нейросетевая технология может быть полезна для создания набора базовых программных моделейблоков, наделенных определенными свойствами, соответствующими реальным процессам или явлениям, с целью их дальнейшего объединения в более сложные системы. Кроме того, самая сложная часть этих САПР - сама среда взаимодействия этих блоков также может быть построена на основе нейронных сетей. 7. Интеллектуальное моделирование Одним из способов применения нейронных сетей является использование их в универсальной системе, которая может аккумулировать навыки и знания опытных людей-операторов, использовать их для построения процессов моделирования, САПР-систем, передавать их другим людям через автоматизированные системы управления или интеллектуальные симуляции. Таким образом, в системе может накапливаться опыт отдельных людей, рабочих групп, структурных подразделений, целых предприятий и отраслей. Заключение. Поскольку обзоры существующих работ в этой области показывают, что в большинстве из них говорится о моделировании, оптимизации и прогнозировании производственных процессов, во многих о построении автоматизированных систем управления, систем автоматизированного проектирования, систем диагностики и обеспечения качества, а вот разработка интеллектуального моделирования с использованием нейронных сетей, технической документации, информационно-консультационных систем, систем накопления опыта и других областей мало изучены, однако, использование нейронных сетей в этих областях не менее перспективно. Нейронные сети обеспечивают единый подход к решению многих нестандартных задач, могут собирать сложные линейные зависимости и самосовершенствуются, обучаясь в процессе использования. Использование систем на их основе эффективно, относительно просто и недорого. Поэтому растущий интерес к этой технологии привел к значительному расширению сферы ее использования, и неудивительно, что появились различные методы, алгоритмы обучения, программные продукты и варианты использования. Аппроксимация (моделирование) поверхностей – это способ, при котором достигается приближенная замена каких-либо исходных сложных геометрических образов более простыми и технологичными, легко описываемыми. В настоящее время моделирование поверхности представляет значительный практический интерес и применяется в различных отраслях человеческой деятельности. Поверхность может быть задана различным, и часто достаточно сложным для данной задачи моделирования образом
