Создание нейросетевых моделей для решения задач прогнозирования геометрической точности изделий

Abstract

В статье рассматриваются проблемы создания инструмента оперативного прогнозирования показателей качества (сборочных параметров) наукоемких изделий. В основе прогнозирования лежит создание и использование действительных геометрических моделей деталей, содержащих данные их геометрических отклонений, а также численных моделей сопряжений деталей. Действительные геометрические модели создаются на основании данных координатных измерений деталей. На примере сборочной единицы, состоящей из трех деталей ротора турбины авиационного двигателя проведена апробация разработанных моделей. Для снижения вычислительных ресурсов рассмотрено применение радиально-базисной нейронной сети для вычисления сборочных параметров. Произведено моделирование обучающих и тестовой выборок, оптимизация параметра работы сети и обобщение полученных результатов. The article discusses the problems of creating a tool for operational forecasting of quality indicators (assembly parameters) of high-tech products. The basis of forecasting is the creation and use of valid geometric models of parts containing data of their geometric deviations, as well as numerical models of mates of parts. Valid geometric models are created based on coordinate measurements of parts. On the example of an assembly unit consisting of three parts of an aircraft engine turbine rotor, the developed models were tested. To reduce computing resources, the use of a radial basis neural network for calculating assembly parameters is considered. The training and test samples were simulated, the network operation parameter was optimized, and the obtained results were generalized.