Sử dụng phương pháp mạng noron nhân tạo để tối ưu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng mảnh dao PCBN

GIỚI THIỆU CHUNG Tối ưu hóa chế độ cắt là phương pháp xác định chế độ cắt tối ưu thông qua việc xây dựng mối quan hệ toán học giữa hàm mục tiêu về kinh tế hoặc kỹ thuật của quá trình gi

ĐẠI HỌC THÁI NGUYÊN ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

NGUYỄN VĂN TÙNG

Sử dụng phương pháp mạng noron nhân tạo để tối

ưu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng

mảnh dao PCBN.”

2014

2

LỜI CAM ĐOAN

Tôi xin cam đoan các số liệu và kết quả nêu trong Luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ một công trình nào khác Trừ các phần tham khảo

đã đƣợc nêu rõ trong Luận văn

……… Tác giả

LỜI CẢM ƠN

Trong quá trình học tập, làm luận văn, tác giả đã nhận được rất nhiều sự giúp

đỡ, chỉ bảo của các thầy cô giáo đã giảng dạy, hướng dẫn, giúp tác giả hoàn thành tốt chương trình học cao học và hoàn thiện được luận văn này

Tác giả xin cảm ơn thầy giáo hướng dẫn PGS.TS Nguyễn Quốc Tuấn, Đại học Thái Nguyên, đã định hướng đề tài, hướng dẫn tận tình tôi trong việc tiếp cận và khai thác tài liệu tham khảo cũng như những chỉ bảo trong quá trình tôi làm luận văn Cuối cùng tác giả muốn bày tỏ lòng cảm ơn các thầy cô giáo, các bạn đồng nghiệp và gia đình đã ủng hộ và động viên tôi trong suốt quá trình làm luận văn này

4

Mục lục

LỜI CAM ĐOAN 1

LỜI CẢM ƠN 3

Mục lục 4

Danh mục các hình vẽ và đồ thị 7

PHẦN MỞ ĐẦU 9

1 GIỚI THIỆU CHUNG 9

ỨU 11

11

11

12

12

12

12

12

12

12

Chương 1 13

TỔNG QUAN VỀ TỐI ƯU HÓA CHẾ ĐỘ CẮT 13

1 TỔNG QUAN VỀ TỐI ƯU HÓA 13

1.1 Khái niệm và ý nghĩa của tối ưu hóa 13

1.2 Các hình thức tối ưu hóa 14

1.2.1 Tối ưu hóa tĩnh 14

1.2.2 Tối ưu hóa động 14

2 BÀI TOÁN TỐI ƯU HÓA CHẾ ĐỘ CẮT 16

2.1 Cơ sở lý thuyết để xây dựng bài toán 16

2.2 Các hàm mục tiêu 17

2.2.1 Tốc độ sản xuất (Năng suất gia công) 18

2.2.2 Chi phí sản suất 18

2.2.3 Chất lượng bề mặt 19

2.2.4 Các điều kiện ràng buộc 19

2.3 Phương pháp giải bài toán tối ưu đa mục tiêu 20

2.4 Một số phương pháp giải bài toán tối ưu đa mục tiêu cơ bản 21

a Phương pháp tổng trọng số 21

b Phương pháp cực tiểu cực đại trọng số (phương pháp Tchebycheff) 21

c Phương pháp tiêu chuẩn tổng thể trọng số 21

d Phương pháp thứ tự từ điển học 22

e Phương pháp hàm mục tiêu bị giới hạn 22

f Phương pháp quy hoạch đích 23

g Phương pháp giải thuật di truyền(GAs) 24

3 Kết luận chương 1 24

CHƯƠNG II 26

TỐI ƯU HÓA CHẾ ĐỘ CẮT BẰNG 26

CÁCH SỬ DỤNG MẠNG NORON NHÂN TẠO 26

1 TỔNG QUAN VỀ MẠNG NƠ RON 26

1.1 Nơ ron sinh học 26

1.1.1 Chức năng, tổ chức và hoạt động của bộ não con người 26

1.1.2 Mạng nơron sinh học 27

1.2 Mạng nơ ron nhân tạo 28

1.2.1 Khái niệm 28

1.2.2 Mô hình nơron 31

1.3 Cấu trúc mạng 34

1.3.1 Mạng một lớp 34

1.3.2 Mạng nhiều lớp 35

1.3.3 Phân loại mạng nơron 37

1.4 Cấu trúc dữ liệu vào mạng 39

1.4.1 Mô tả véc tơ vào đối với mạng tĩnh 39

1.4.2 Mô tả véc tơ vào liên tiếp trong mạng động 39

1.4.3 Huấn luyện mạng 40

2 Tối ưu hóa sử dụng mạng nơ ron nhân tạo 46

2.1 Cấu trúc mạng nơ ron nhân tạo cho bài toán tối ưu 46

2.2 Các bước giải bài toán tối ưu chế độ cắt 47

3 Tạo mạng nơ ron thông qua thanh công cụ network neural trong matlab 48

6

3.1 Xây dựng ma trận dữ liệu đầu vào và đầu ra cho việc luyện mạng 48

3.2 Tạo mạng nơ ron trong matlab 48

4 Kết luận chương 2 57

Chương III 59

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO ĐỂ TỐI ƯU HÓA CHẾ ĐỘ CẮT KHI TIỆN THÉP 9XC ĐÃ TÔI BẰNG DAO PCBN 59

1 Khái niệm chung về tiện cứng 59

2 Vật liệu dụng cụ cắt PCBN 60

3 Thiết bị thực nghiệm 63

4 Sử dụng ANN để tối ưu hóa chế độ cắt khi tiện thép 9XC bằng dao PCBN 67

4.1 Xây dựng ma trận thí nghiệm 67

4.2 Học và luyện mạng 69

4.2.1 Ma trận dữ liệu vào 69

4.2.2 Ma trận dữ liệu ra 69

4.2.3 Cấu trúc mạng nơ ron dùng để tối ưu hóa 69

4.3.Tạo mạng nơ ron thông qua thanh công cụ network neural 70

4.3.1 Tạo các ma trận dữ liệu trong matlab 70

4.3.2 Chương trình học và luyện mạng 70

4.4.Kết quả việc Sử dụng phương pháp ANN và phương pháp vét cạn để giải bài toán tìm giá trị tối ưu (vop, fop, top) 76

4.4.1 Kết quả thực hiện cho bài toán tối ưu hóa đơn mục tiêu 77

4.4.2 Kết quả thực hiện cho bài toán tối ưu đa mục tiêu (Tp, Cp, Ra) 78

5 Kết luận chương 3 78

KẾT LUẬN VÀ PHƯƠNG HƯỚNG NGHIÊN CỨU TIẾP THEO 80

1 Kết luận 80

2 Phương hướng nghiên cứu tiếp theo 80

Tài liệu tham khảo 81

Tài liệu tham khảo 81

Danh mục các hình vẽ và đồ thị

8

tốc cắt với lượng chạy dao (a), chiều sâu cắt với vận tốc cắt (b), lượng

chạy dao và chiều sâu cắt (c)

72

cắt: Vận tốc cắt với lượng chạy dao (a), chiều sâu cắt với vận tốc cắt

(b), lượng chạy dao và chiều sâu cắt (c)

74

Danh mục bảng biểu

dụng cụ có tính năng cắt cao [59]

62

PHẦN MỞ ĐẦU

1 GIỚI THIỆU CHUNG

Tối ưu hóa chế độ cắt là phương pháp xác định chế độ cắt tối ưu thông qua việc xây dựng mối quan hệ toán học giữa hàm mục tiêu về kinh tế hoặc kỹ thuật của quá trình gia công với các thông số của chế độ cắt tương ứng trên một hệ thống công nghệ xác định[1], nhằm đạt được các mục tiêu về kinh tế hoặc kỹ thuật của quá trình gia công Đây là một trong những việc chính khi lập kế hoạch gia công, nó giúp phần làm tăng năng suất và hiệu quả gia công cũng như chất lượng sản phẩm Tuy nhiên, đi sâu vào phân tích quá trình cắt nó bao gồm chi phí xác định, đặc biệt là trong sản suất loạt nhỏ hay trong trường hợp gia công đơn chiếc thì nó rất cần thiết để có thể rút ngắn nhất đến mức có thể các bước xác định chế độ cắt tối ưu Nếu không chi phí phân tích

có thể vượt quá hiệu quả kinh tế mà nó có thể đạt được khi làm việc ở các điều kiện tối

ưu Vì lí do đó mà quá trình tối ưu được đưa vào công tác chuẩn bị để tiết kiệm thời gian và giảm chi phí sản xuất Như các biến đầu ra của quá trình gia công phụ thuộc vào các điều kiện cắt, các quyết định liên quan đến lựa chọn các thông số cắt có ảnh hưởng quan trọng đến mức độ sản xuất, chi phí sản xuất và chất lượng sản xuất Với việc sử dụng máy CNC ngày càng tăng, tầm quan trọng của tối ưu hóa chính xác thông

số điều kiện cắt thì rất cần thiết

Lựa chọn các thông số cắt tối ưu đã được nghiên cứu nhiều ở mặt lý thuyết và được hỗ trợ từ các số liệu thực nghiệm của các nhà sản xuất dụng cụ, nhưng với những việc trong thực tế thì nó chưa thể mang lại những phân tích chi tiết và các thông số tối

ưu lý tưởng Để tối ưu hóa các hoạt động của máy, các phương pháp định lượng đã được phát triển với sự xét đến chỉ một mục tiêu, chẳng hạn như giảm thiểu các chi phí sản suất hoặc tối đa hóa lợi nhuận, vv và các hàm mục tiêu đó là: chất lượng bề mặt (Ra), Chi phí sản xuất (Cp), thời gian gia công (Tp) Hoặc tối ưu hoá đa mục tiêu bằng phương pháp thực nghiệm [2,13] để tìm cực trị và miền tối ưu hoá theo các chỉ tiêu đã

đề ra

Đã có nhiều nghiên cứu về tối ưu hóa đơn mục tiêu được nghiên cứu như: phương pháp vi phân[19], phương pháp phân tích hồi quy[16], phương pháp quy hoạch tuyến tính[19], phương pháp bề mặt chỉ tiêu [2,18] và mô phỏng máy tính Trong khi hầu hết các nghiên cứu tối ưu hóa đơn mục tiêu thì cũng đã có những nghiên

10

cứu về tối ưu hóa đa mục tiêu Tuy nhiên, trong thực tế ứng dụng, các nhà sản xuất thường gặp phải các vấn đề là tối ưu hóa đồng thời nhiều mục tiêu, các mục tiêu thường mâu thuẫn nhau và không thể so sánh Ví dụ như khi gia công thì các biến năng suất gia công, chi phí sản suất, và chất lượng sản phẩm được đề cập Chúng ta muốn giảm nhỏ nhất cho chi phí sản xuất, nhưng đồng thời là tăng tối đa năng suất và chất lượng sản phẩm Việc tăng tốc độ cắt thì sẽ làm tăng năng suất nhưng đồng thời

nó cũng làm tăng lượng mòn dụng cụ dẫn đến tăng chi phí sản xuất và làm giảm chất lượng bề mặt vì độ nhám cao hơn Hơn nữa với các phương pháp tối ưu hóa này thì để tìm ra được các thông số cắt tối ưu sẽ mất rất nhiều thời gian, dẫn đến chi phí cho việc phân tích tìm các thông số tối ưu cũng tăng cao vì vậy nó chỉ phù hợp với sản xuất loạt lớn, hàng khối Mà xu hướng ngày nay đã bắt đầu quay lại thời kỳ sản suất loạt vừa và nhỏ để đáp ứng những thay đổi liên tục của nhu cầu thị trường

Mạng nơ ron nhân tạo (Artificial Neural Network: ANN) là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con người với vô số các nơ ron được liên kết truyền thông với nhau qua mạng[5, 10] Giống như con người, ANN được học bởi kinh nghiệm, lưu giữ những kinh nghiệm đó và sử dụng trong những tình huống phù hợp Ngoài ra ANN có khả năng xử lý song song với tốc độ xử lý nhanh, có khả năng dạy học thích nghi, nó thích ứng trong quá trình tự điều chỉnh trong điều chỉnh tự động Phương pháp này đảm bảo việc lựa chọn nhanh chóng và hiệu quả các điều kiện cắt tối ưu và quá trình xử lý các dữ liệu có sẳn[17] Do vậy nó rất phù hợp với dạng sản xuất loạt nhỏ, đơn chiếc Tối ưu hóa các thông số gia công là một tối ưu hóa phi tuyến tính với các rằng buộc, vì vậy rất khó cho các thuật toán tối ưu hóa thông thường

để giải quyết vấn đề này bởi vì các vấn đề về tốc độ hội tụ và chính xác Chính vì

những lí do trên tác giả chọn đề tài nghiên cứu là: “Sử dụng phương pháp mạng

noron nhân tạo để tối ưu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng mảnh dao PCBN.”

Cho đến nay các nghiên cứu của các tác giả trong và ngoài đã có nhiều nghiên cứu về ứng dụng mạng nơ ron vào sản xuất tích hợp máy tinh như: Mô hình hóa các quá trình[26]; điều khiển thích nghi của quá trình cắt[31]; dự đoán của độ nhám bề mặt, lực cắt, rung động,hình dạng phôi[27]; dự đoán về mòn dụng cụ và phá hủy dụng cụ[30]; giải quyết các vấn đề tối ưu hóa[31] Tối ưu hóa chế độ cắt sử dụng phương

pháp mạng nơ ron [17]; tối ưu hóa sử dụng thuật toán Grey, mạng noron nhân tạo Ở trong nước đã có những nghiên cứu về tối ưu hóa chế độ cắt sử dụng phương pháp tuyến tính [7]; Tối ưu hóa chế độ cắt khi phay vật liệu SKD61 bằng mảnh dao phủ PVD – TIALN [11]; Tuy nhiên những nghiên cứu sử dụng phương pháp mạng nơ ron nhân tạo còn chưa nhiều, mà chỉ sử dụng mạng nơ ron nhân tạo trong các nghiên cứu

về dự đoán, nhận dạng[3,10], phân loại[9] như: Sử dụng mạng nơ ron nhân tạo trong dự báo lưu lượng nước đến hồ hòa bình trước mười ngày [6]; Nghiên cứu ứng dụng mạng mơ ron nhân tạo giải quyết lớp bài toán dự đoán và phân loại [9]; Nghiên cứu sử dụng mạng Nơ ron nhân tạo để nhận dạng ký tự [10]

Từ các phân tích trên, có thể nói cho đến nay trong nước ta đã có khá nhiều nghiên cứu về tối ưu hóa thông số chế độ cắt sử dụng các phương pháp truyền thống

và có nhiều nghiên cứu về mạng nơ ron nhân tạo nhưng chủ yếu ở trong lĩnh vực điều khiển, dự đoán, phân loại vv Đến nay vẫn chưa có nghiên cứu nào của các tác giả trong nước về sử dụng phương pháp mạng nơ ron nhân tạo để tối ưu hóa chế độ cắt, áp

cao nâng suất, giảm chi phí gia công và nâng cao chất lượng bề mặt

2

2.1.M

- Chứng minh khả năng của ANN ứng dụng cho việc tối ưu hóa các thông số chế

độ cắt, và nó phù hợp cả với sản xuất loạt nhỏ và đơn chiếc Phương pháp mô tả nhằm mục đích để tối đa hóa năng suất, giảm chi phí sản xuất và nâng cao chất lượng sản phẩm

2.2 M

- Sử dụng các thuật toán của ANN để tìm ra các thông số tối ưu khi tiện thép 9XC bằng dao PCBN, và kết quả thực nghiệm phải cho thấy được sự nâng cao năng suất cũng như chất lượng bề mặt

12

- Từ nghiên cứu có thể mở rộng phương pháp nghiên cứu này để tối ưu chế độ cắt khi gia công bằng các phương pháp khác nhau, các vật liệu khác nhau hoặc các vật liệu dụng cụ cắt khác nhau

5

5.

- Các kết quả nghiên cứu sẽ xác định được thông số cắt tối ưu khi gia công sản phẩm bằng thép 9XC qua tôi Các kết quả này sẽ được ứng dụng để gia công các sản phẩm như con lăn dây truyền cán

Chương 1

TỔNG QUAN VỀ TỐI ƯU HÓA CHẾ ĐỘ CẮT

1 TỔNG QUAN VỀ TỐI ƯU HÓA

1.1 Khái niệm và ý nghĩa của tối ưu hóa

Tối ưu hóa quá trình gia công cắt gọt là phương pháp nghiên cứu xác định chế

độ cắt tối ưu thông qua mối quan hệ toán học giữa hàm mục tiêu kinh tế với các thông

số của chế độ gia công ứng với một hệ thống giới hạn về mặt máy, chất lượng, kỹ thuật và tổ chức của nhà máy

Các bước cơ bản của việc nghiên cứu tối ưu hóa quá trình cắt gọt bao gồm:

- Xây dựng hàm mục tiêu của quá trình gia công

- Xây dựng các giới hạn từ đó xác định miền giới hạn của bài toán

- Khảo sát, biện luận để xác định chế độ công nghệ hợp lý

Trong bài toán tối ưu hóa toàn phần của quá trình gia công

- Các thông số đầu vào là:

+ Phôi: Vật liệu phôi, hình dáng phôi và cơ lý tính của phôi

+ Dụng cụ cắt: Vật liệu dụng cụ cắt, thông số hình học của dụng cụ cắt

- Đại lượng ra (Các chỉ tiêu để tối ưu hóa)là:

tương quan), Chất lượng bề mặt(độ nhám, sóng bề mặt, tính chất cơ lý)

+ Chỉ tiêu về kinh tế: Năng suất, giá thành, lợi nhuận

- Quá trình tối ưu hóa thì tùy vào mục tiêu, người ta có thể xét đến hoặc một trong các quá trình sau: Lực cắt, nhiệt, rung động hay mòn của dụng cụ cắt sinh ra trong quá trình gia công Và thực tế thì trong quá trình gia công tất cả các quá trình này đều ảnh hưởng đến đầu ra, hay ảnh hưởng đến mục tiêu tối ưu của bài toán

14

1.2 Các hình thức tối ưu hóa

Có hai phương pháp tối ưu hóa quá trình cắt gọt đó là tối ưu hóa tĩnh và tối ưu hóa động

1.2.1 Tối ưu hóa tĩnh

Tối ưu hóa tĩnh hay còn gọi là tối ưu hóa trước là quá trình nghiên cứu và giải quyết bài toán tối ưu dựa trên mô hình tĩnh của quá trình cắt

Nhược điểm của tối ưu hóa tĩnh là không chú ý đến động lực của quá trình cắt nghĩa là không chú ý đến các đặc điểm mang tính chất ngẫu nhiên và thay đổi theo thời gian như:

- Độ cứng của vật liệu gia công không đồng nhất

- Lượng dư gia công không đều

- Lượng mòn của dao thay đổi theo thời gian

- Sau khi xác định được chế độ cắt hợp lý người ta tiến hành điều chỉnh máy làm việc theo các thông số của chế độ đó Trong quá trình làm việc các thông số này được điều chỉnh lại

Do đặc điểm trên đây, tối ưu hóa tĩnh chưa giải quyết vấn đề triệt để Mặc dù vậy ngày nay tối ưu hóa tĩnh vẫn được nghiên cứu và ứng dụng rộng rãi vì nó rất đơn giản, dễ áp dụng và đảm bảo tính hiệu quả

1.2.2 Tối ưu hóa động

Còn gọi là tối ưu hóa quá trình cắt gọt, là quá trình nghiên cứu tối ưu hóa dựa trên mô hình động của quá trình cắt gọt do đó trong quá trình nghiên cứu có chú ý tới các đặc điểm trên mang tính ngẫu nhiên và thay đổi theo thời gian

1.1.Sơ đồ quá trình tối ưu hóa động

Theo hình 1.1 quá trình cắt hệ thống các đại lượng đo lường đo các đại lượng thuộc về chi tiết (như: kích thước chi tiết, sai số hình dạng của chi tiết) các đại lượng thuộc về dao và hệ thống công nghệ như (độ mòn dao, lực cắt, nhiệt cắt, rung động của

hệ thống công nghệ) và chuyển sang hệ thống xử lý nhanh Sau đó hệ thống xử lý nhanh xác định ngay chế độ cắt tối ưu và kết quả cho bộ phận tiếp theo để tự động điều chỉnh máy làm việc theo chế độ cắt đã được xác định

Trong quá trình làm việc mặc dù xuất hiện yếu tố ngẫu nhiên và thay đổi theo thời gian như độ cứng vật liệu không đồng nhất, lượng dư gia công không đều, lượng mòn của dao thay đổi theo thời gian, nhưng nhờ có các tín hiệu do hệ thống đo lường chủ động cung cấp, hệ thống xử lý nhanh và luôn luôn xác định được chế độ cắt hợp lý

ở các thời điểm tương ứng, cung cấp kịp thời cho hệ thống điều khiển tự động đảm bảo cho máy luôn luôn làm việc với chế độ hợp lý

Như vậy khác với tối ưu hóa tĩnh, ở tối ưu hóa động chế độ gia công chẳng những được điều chỉnh trước mà còn được tự động điều chỉnh ngay trong quá trình cắt

16

Tối ưu hóa động giải quyết vấn đề triệt để hơn so với tối ưu hóa tĩnh nhưng cũng phức tạp hơn tối ưu hóa tĩnh rất nhiều vì tối ưu hóa động cần gắn liền với đo lường chủ động và điều khiển thích nghi Tuy nhiên, do tính hiệu quả của nó tối ưu hóa động sẽ được phát triển mạnh mẽ trong thế kỷ 21

2 BÀI TOÁN TỐI ƯU HÓA CHẾ ĐỘ CẮT

2.1 Cơ sở lý thuyết để xây dựng bài toán

Các yếu tố ảnh hưởng đến việc lập kế hoạch công nghệ gia công đó là: Loại hình gia công (tiện, phay, v.v ), các thông số về máy gia công như: độ cứng vững, công suất v.v , điều kiện gia công, phôi (vật liệu, hình dạng v.v ,) dụng cụ cắt (vật liệu, tuổi bền v.v ) Trong đó các thông số về chế độ cắt là quan trọng nhất

Việc mô hình hóa mối quan hệ của các thông số đầu vào và đầu ra là một bước

cơ bản của quá trình tối ưu Mô hình quan hệ của các thông số đầu vào và đầu ra được xem như là sự đặc trưng tóm lược về mối quan hệ nguyên nhân và kết quả hoặc sự chuyển đổi quá trình từ đâu vào đến đầu ra Kỹ thuật tối ưu cung cấp các giải pháp tối

ưu hoặc gần tối ưu cho các bài toán tối ưu tổng quát, được công thức hóa và sau đó được thực hiện trong quá trình gia công Việc tối ưu hóa các thông số cắt trong quá trình gia công đòi hỏi các kiến thức về nhiều khía cạnh như: Quá trình gia công, các phương trình thực nghiệm liên quan đến các chỉ tiêu gia công như: Tuổi thọ dụng cụ, lực cắt, công tiêu thụ, nhám bề mặt.v.v để xây dựng ràng buộc, các đặc trưng kỹ thuật của máy gia công, cách phát triển một tiêu chuẩn tối ưu có hiệu quả đồng thời cũng cần các kiến thức về toán học và kỹ thuật số tối ưu[4]

Trong các thủ tục tối ưu, yếu tố đầu ra quan trọng chính được gọi là mục tiêu tối

ưu hoặc tiêu chuẩn tối ưu Tiêu chuẩn tối ưu được sử dụng nhiều nhất trong trong gia công là chi phí gia công Ngoài ra, thời gian gia công, tốc độ bóc tách phôi, tuổi thọ dụng cụ, chất lượng bề mặt cũng được sử dụng Trong gia công như tiện cứng, chỉ tiêu về chất lượng bề mặt đóng vai trò quan trọng Bên cạnh đó, tuổi thọ dụng cụ cũng đặc chưng cho chi phí gia công khi giá thành dụng cụ PCBN cao và ảnh hưởng trực tiếp tới chất lượng bề mặt, tuổi thọ của dụng cụ cắt cũng ảnh hưởng tới năng suất gia công thông qua thời gian sản suất Mục đích của bài toán tối ưu là tìm ra bộ các thông

số vận tốc cắt (v), bước tiến (f) và chiều sâu cắt (t) sao cho đáp ứng được các mục đích như chi phí thấp nhất, chất lượng tốt nhất và năng suất cao nhất.Tuy nhiên, việc tối ưu

hóa đơn mục tiêu chỉ có giá trị giới hạn bởi vì bản chất phức tạp của quá trình gia công đòi hỏi các mục tiêu khác nhau và đối kháng phải được tối ưu hóa đồng thời[4, 25].Các mô hình của quá trình cắt có thể được xây dựng bằng phương pháp phân tích, phương pháp số và phương pháp thực nghiệm Trong phương pháp phân tích, mô hình được xây dựng dựa trên các định luận vật lý cơ bản như mô hình lực cắt của Merchant, mô hình tính góc mặt phẳng trượt của Oxley Phương pháp thực nghiệm xây dựng mô hình dựa trên các đo đạc thực nghiệm, điển hình là mô hình xác định tuổi thọ dụng cụ của Taylor Phương pháp phân tích số xây dựng mô hình dựa trên toán học ứng dụng kết hợp với máy tính thông qua các thuật toán và chương trình như: Phương pháp phần tử hữu hạn, phương pháp sai phân hữu hạn, các phương pháp mô hình trí tuệ nhân tạo như: Mạng nơron nhân tạo, lý thuyết logic mờ

2.2 Các hàm mục tiêu

Tronggia công, chất lượng bề mặt chi tiết là một trong những chỉ tiêu quan trọng nhất, thông số đặc chưng của chất lượng bề mặt đó là nhám bề mặt ngoài ra thì nhà sản suất luôn mong muốn nâng cao năng suất và giảm thiểu tối đa chi phí sản suất Để nâng cao năng suất thì người ta có thể tính toán thông qua tốc độ sản suất (Tp) hay thông qua diện tích gia công, và việc giảm thiểu chi phí sản suất (Cp) thì có thể tính toán qua tuổi bền của dao (T)

Hàm mục tiêu tổng quát có dạng:

y = f(x)

Trong đó:

y - là chỉ tiêu tối ưu, chính là đại lượng ra

x - là các thông số công nghệ cần tối ưu - chính là đại lượng vào

* Giới hạn về nghiên cứu:

- Các đại lượng vào: Bộ thông số chế độ cắt v, f, t

- Đại lượng ra (mục tiêu tối ưu), các chỉ tiêu về kinh tế như:

+ Năng suất -> max hay thời gian để gia công một sản phẩm là nhỏ nhất

+ Chi phí sản suất -> min

+ Chất lượng -> max

18

2.2.1 Tốc độ sản xuất (Năng suất gia công)

Thông thường, tốc độ sản xuất được tính trong toàn bộ thời gian để gia công 1 sản phẩm (Tp) Nó là hàm phụ thuộc và tốc độ bóc tách phoi (MRR) và tuổi bền của dụng cụ (T)

Tốc độ bóc tách phoi được tính theo công thức[17]:

MRR = 1000.v.f.t .(1.1) Thời gian sản xuất:

(1.2)

Ts-thời gianđiều chỉnh dao

Tc- thời gian thay dao

Ti- thời gian nghỉ của dao trong quá trình làm việc,

V – là khối lượng vật liệu được bóc tách

V = Sc.t (1.3) Trong đó:

T = Sc./(3.14*D*f) (1.6)

Trong đó:

D – đường kính chi tiết gia công

L- chiều dài chi tiết gia công

2.2.2 Chi phí sản suất

Chi phí sản suất có thể được tính như là chi phí để sản suất một sản phẩm Cp, nó phụ thuộc vào các giá trị điều kiện cắt: v,f,t thông qua T và Tpđược cho theo công thức[17];

k, x1,x2, và x3 là các hằng số liên quan đến mối quan hệ giữa dao và phôi

2.2.4 Các điều kiện ràng buộc

Từ những kết quả thống kê thực nghiệm, nhà sản xuất đƣa ra những giới hạn cho

việc lựa chọn các thông số v,f,t

vmin ≤ v ≤ vmax ; fmin ≤ f ≤ fmax ; tmin ≤ t ≤ tmax

Điều kiện ràng buộc các thông số điều kiện cắt cũng phải đƣợc kiểm tra cụ thể theo khả năng của phôi và máy gia công

Lực cắt và công suất máy

Năng lƣợng đƣợc tiêu thụ trong quá trình cắt đƣợc tính theo công thức:

P = F.v/(6122,45 ) (1.9) Trong đó: - là hiệu suất máy, F là lực cắt đƣợc tính theo công thức:

2.3 Phương pháp giải bài toán tối ưu đa mục tiêu

Một trong những cách phân loại điển hình các phương pháp tối ưu hóa đa mục

tiêu là phương pháp vô hướng và phương pháp véc tơ Với phương pháp vô hướng, các phần tử của véc tơ hàm mục tiêu được kết hợp để tạo thành một hàm mục tiêu vô hướng Sau đó có thể sử dụng phương pháp tối ưu đơn mục tiêu, tiêu chuẩn để tối ưu hóa hàm vô hướng đó Khái niệm tối ưu véc tơ ngụ ý rằng mỗi hàm mục tiêu được xử

lý một cách độc lập[20]

Nguyện vọng chung cho một quá trình giải bài toán tối ưu hóa đa mục tiêu có thể là đạt được một giải pháp thỏa hiệp hoặc một giải pháp ưu tiên hoặc có thể nhận biết tất cả các giải pháp không thể vượt trội Vì vậy, phương pháp giải bài toán tối ưu

đa mục tiêu cũng có thể chia làm hai loại: một là các phương pháp phát sinh, hai là các phương pháp dựa trên các mức ưu tiên[23] Các phương pháp phát sinh được phát triển

để nhận biết toàn bộ giải pháp tối ưu Pareto hoặc một bộ tương tự Các phương pháp dựa trên các mức ưu tiên cố gắng đạt được một giải pháp thỏa hiệp hoặc giải pháp được ưa chuộng Nếu không có kiến thức trước về cấu trúc ưu tiên của các mục tiêu, phải chấp nhận phương pháp phát sinh để xem xét tất cả các lựa chọn không thể vượt trội Nếu đã có một vài ý tưởng về mức độ quan trọng tương quan của các mục tiêu, có thể định lượng mức độ ưu tiên Với thông tin về mức độ ưu tiên, có thể nhận biết được giải pháp ưu tiên hoặc thỏa hiệp

Từ khía cạnh kỹ thuật giải bài toán, hầu hết các phương pháp truyền thống đều giảm đa mục tiêu xuống thành đơn mục tiêu, sau đó sử dụng các công cụ lập trình toán học để giải bài toán Nhu cầu đã thúc đẩy sự phát sự phát triển các kỹ thuật vô hướng khác nhau để chuyển các bài toán tối ưu đa mục tiêu về dạng một mục tiêu hoặc một chuỗi ràng buộc, phương pháp qui hoạch đích, phương pháp tổng trọng số

2.4 Một số phương pháp giải bài toán tối ưu đa mục tiêu cơ bản

b Phương pháp cực tiểu cực đại trọng số (phương pháp Tchebycheff)

Phương pháp cực tiểu cực đại trọng số được công thức hóa như sau[24]:

c Phương pháp tiêu chuẩn tổng thể trọng số

Đây là một phương pháp vô hướng kết hợp tất cả các hàm mục tiêu để tạo thành một hàm duy nhất Bài toán tối ưu đa mục tiêu có dạng[20];

Cực tiểu hóa hàm:

Nếu các thành phần có mức ưu tiên khác nhau, véc tơ trọng số được thêm vào

để biển diễn mức độ quan trọng:

22

Cực tiểu hàm:

Các giải pháp sử dụng công thức tiêu chuẩn tổng thể phụ thuộc vào giá trị của

cả w và p Nói chung, p tỉ lệ thuận với mức độ quan trọng của việc cực tiểu hóa hàm

không có căn về lý thuyết cung cấp lời giải như nhau

Tùy thuộc vào việc thiết lập giá trị p, phương pháp tiêu chuẩn tổng thể có thể biến đổi thành các phương pháp thông thường khác

d Phương pháp thứ tự từ điển học

Với phương pháp thứ tự từ điển học, các mức ưu tiên được đề xuất bởi thứ tự các hàm mục tiêu theo như mức độ quan trọng hoặc mức ý nghĩa của chúng chứ không phải phân bố các trọng số Các hàm mục tiêu được xắp xếp theo thứ tự quan trọng Bài toán tối ưu như sau:

Cực tiểu hóa hàm: fi(x)

Chịu ràng buộc: fi(x)≤fj(xj*); j = 1÷(i-1); i = 1÷k

Bước thứ nhất của phương pháp này là phân loại các hàm mục tiêu thành các mức độ ưu tiên khác nhau dựa trên mức độ quan trọng của chúng, mức cao nhất (i=1)

là quan trọng nhất Sau đó, sử dụng thuật toán tìm kiếm thông thường để giải từng mức bài toán tối ưu cái nọ sau cái kia, bắt đầu với mức 1(i = 1) Trong khi phương pháp thực hiện giải từ mức 1 xuống mức k (mức cuối cùng), các hàm mục tiêu trước được chuyển thành các ràng buộc dạng bất phương trình Do đó, số các ràng buộc tăng tới (k

= 1) ở mức cuối cùng của quá trình tối ưu Phương pháp này còn được ngụ ý là phương pháp giảm không gian giải pháp vì không gian giải pháp được giảm dần cùng với sự thêm dần các ràng buộc khi thực hiện phương pháp

e Phương pháp hàm mục tiêu bị giới hạn

Phương pháp hàm mục tiêu bị giới hạn tối thiểu hóa hàm mục tiêu đơn quan

trọng nhất fs (x) với các hàm mục tiêu khác được coi như là các ràng buộc Nói cách

khác nó tối thiểu hóa một hàm mục tiêu và đồng thời duy trì mức độ cực đại có thể chấp nhận được của các hàm mục tiêu khác bài toán tối ưu như sau[20]:

Cực tiểu hóa hàm: fs (x), i = 1,2, ,k

Chịu ràng buộc: gj (x)≤0, j = 1,2, ,m

Với livà ilà giới hạn dưới và giới hạn trên của hàm mục tiêu thứ fi (x) Theo

cách này, những ưu tiên được đề xuất bằng cách thiết lập giới hạn cho các mục tiêu

Phương pháp ràng buộc là một biết đổi của phương pháp hàm mục tiêu bị giới hạn

trong đó l ibị loại trừbài toán tối ưu có dạng:

Cực tiểu hóa hàm: f s (x), i = 1,2, ,k

Trong phương pháp này vùng giải pháp thiết kế S được biểu diễn bởi các ràng

buộc g j (x)≤0, j = 1,2, ,m; h l (x)≤0, l = 1,2, ,e sau đó được biến đổi thành S’ bởi (k-1)

các ràng buộc: f i (x) ≤ i ; i = 1÷k-1; i ≠ s

các giải pháp tối ưu Pareto Tuy nhiên, lựa chọn không đúng vécto có thể đưa đến kết quả là công thức mà không có lời giải khả thi Hướng dẫn về lựa chọn các giá trị của được thảo luận trong nhiều tài liệu Có thể sử dụng một hướng dẫn chung như sau:

fi(xi*)≤ ≤ fs(xi*)

f Phương pháp quy hoạch đích

Trong phương pháp này đích cần đạt được cho mỗi mục tiêu được thiết lập và

độ lệch của mỗi hàm mục tiêu so với các đích được đánh giá để cực tiểu hóa chúng Phương pháp quy hoạch đích nói chung cho các bài toán phi tuyến như sau[20]:

Cực tiểu hóa hàm:

Chịu ràng buộc: fi (x) - = T i , i = 1,2, ,r

24

hàm mục tiêu thứ i; Ti là đích được thiết lập cho mục tiêu thứ i, nghĩa là:

phải xác định di - Do đó bài toán tối ưu quy hoạch đích có dạng:

Cực tiểu hóa hàm:

Chịu ràng buộc: fi (x) – f i (x i * ) ≥ 0, i = 1,2, ,k

g Phương pháp giải thuật di truyền(GAs)

GAs mô phỏng lại quá trình tiến hóa của sinh vật và dựa trên học thuyết Darwin

về chọn lọc tự nhiên Cơ chế cụ thể của giải thuật bao gồm các ngôn ngữ về sinh học

và quá trình phát triển các giải pháp tiềm năng bắt trước quá trình di truyền Một quần thể là một tập hợp các điểm giải pháp thiết kế trong không gian thiết kế Một quần thể con là một tập hợp con các điểm trong một thế hệ Một thế hệ chỉ một vòng lặp tính toán Điểm sống sót là điểm được chọn để sử dụng trong vòng lặp tiếp theo Một nhiễm sắc thể so sánh với một điểm thiết kế và một gien có thể so sánh với một thành phần của véc tơ thiết kế

3 Kết luận chương 1

Chương này tác giả nghiên cứu tổng quan về tối ưu hóa quá trình gia công, cơ sở

lý thuyết của bài toán tối ưu hóa chế độ cắt Nghiên cứu các hàm mục tiêu trong quá trình gia công.Các mô hình của quá trình cắt có thể được xây dựng bằng nhiều phương pháp như: Phương pháp phân tích, phương pháp số và phương pháp thực nghiệm Và một số phương pháp giải bài toán tối ưu đa mục tiêu trong quá trình gia công.Khi sử dụng các phương pháp tối ưu hóa này thì để tìm ra được các thông số cắt tối ưu sẽ mất rất nhiều thời gian, dẫn đến chi phí cho việc phân tích tìm các thông số tối ưu cũng tăng cao vì vậy nó chỉ phù hợp với sản xuất loạt lớn, hàng khối Mà xu hướng ngày nay đã bắt đầu quay lại thời kỳ sản suất loạt vừa và nhỏ để đáp ứng những thay đổi liên tục của nhu cầu thị trường

Phương pháp số sử dụng mạng nơ ron nhân tạo để giải bài toán tối ưu hóađảm bảo việc lựa chọn nhanh chóng và hiệu quả các điều kiện cắt tối ưu và quá trình xử lý các dữ liệu có sẵn Do vậy nó rất phù hợp với dạng sản xuất loạt nhỏ, đơn chiếc Tuy nhiên phương pháp chưa được nghiên cứu nhiều trong việc tối ưu hóa chế độ cắt ở Việt Nam

26

CHƯƠNG II TỐI ƯU HÓA CHẾ ĐỘ CẮT BẰNG CÁCH SỬ DỤNG MẠNG NORON NHÂN TẠO

1 TỔNG QUAN VỀ MẠNG NƠ RON

1.1 Nơ ron sinh học

1.1.1 Chức năng, tổ chức và hoạt động của bộ não con người

Bộ não người có chức năng hết sức quan trọng trong đời sống của con người Nó gần như kiểm soát hầu hết mọi hành vi của con người từ các hoạt động cơ bắp đơn giản đến những hoạt động phức tạp như học tập, nhớ, suy luận, tư duy, sáng tạo,

Bộ não người được hình thành từ sự liên kết của khoảng 1011 phần tử (tế bào), trong đó có khoảng 1010

phần tử là nơron, số còn lại khoảng 9*1010 phần tử là các tế bào thần kinh đệm và chúng có nhiệm vụ phục vụ cũng như hỗ trợ cho các nơron Thông thường một bộ não trung bình cân nặng khoảng 1,5 kg và có thể tích là 235

cm3 Cho đến nay người ta vẫn chưa thực sự biết rõ cấu tạo chi tiết của bộ não.Tuy vậy

về đại thể thì cấu tạo não bộ được phân chia ra thành nhiều vùng khác nhau Mỗi vùng

có thể kiểm soát một hay nhiều hoạt động của con người

Bộ não có cấu trúc nhiều lớp.Lớp bên ngoài thường thấy như là các nếp nhăn, là lớp có cấu tạo phức tạp nhất Đây là nơi kiểm soát và phát sinh các hành động phức tạp như nghe, nhìn, tư duy,

Hoạt động của bộ não nói riêng và của hệ thần kinh nói chung đã được con người quan tâm nghiên cứu từ lâu nhưng cho đến nay người ta vẫn chưa hiểu rõ thực sự về hoạt động của bộ não và hệ thần kinh Đặc biệt là trong các hoạt động liên quan đến trí

óc như suy nghĩ, nhớ, sáng tạo, Tuy thế cho đến nay, người ta cũng có những hiểu biết căn bản về hoạt động cấp thấp của não

Mỗi nơron liên kết với khoảng 104 nơron khác, cho nên khi hoạt động thì bộ não hoạt động một cách tổng lực và đạt hiệu quả cao Nói một cách khác là các phần tử của não hoạt động một cách song song và tương tác hết sức tinh vi phức tạp, hiệu quả hoạt động thường rất cao, nhất là trong các vấn đề phức tạp về tốc độ xử lý của bộ não

người rất nhanh mặc dù tốc độ xử lý của mỗi nơron (có thể xem như phần tử xử lý hay phần tử tính) là rất chậm so với xử lý của các cổng logic silicon trong các chip vi xử lý (10-3 giây so với 10-10 giây)

Hoạt động của cả hệ thống thần kinh bao gồm não bộ và các giác quan như sau: Trước hết con người bị kích thích bởi giác quan từ bên ngoài hoặc trong cơ thể

Sự kích thích đó được biến thành các xung điện bởi chính các giác quan tiếp nhận kích thích Những tín hiệu này được chuyển về trung ương thần kinh là não bộ để xử lý.Trong thực tế não bộ liên tục nhận thông tin xử lý, đánh giá và so sánh với thông tin lưu trữ để đưa ra các quyết định thích đáng

Những mệnh lệnh cần thiết được phát sinh và gửi đến những bộ phận thi hành thích hợp như các cơ tay, chân, Những bộ phận thi hành biến những xung điện thành dữ liệu xuất của hệ thống

Tóm lại: bộ não người có chức năng hết sức quan trọng đối với đời sống của con người Cấu tạo của nó rất phức tạp, tinh vi bởi được tạo thành từ mạng nơron có hàng chục tỉ tế bào với mức độ liên

kết giữa các nơron là rất cao

Hơn nữa, nó còn được chia

thành các vùng và các lớp

khác nhau.Bộ não hoạt động

dựa trên cơ chế hoạt động

song song của các nơron tạo

nên nó

1.1.2 Mạng nơron sinh học

a / Cấu tạo

Nơron là phần tử cơ bản tạo nên bộ não con người Sơ đồ cấu tạo của một

nơron sinh học được chỉ ra như trong hình 2.1 Một nơron điển hình có 3 phần chính:

Thân nơron(soma): Nhân của nơron được đặt ở đây

2.1 Mô hình hai nơ ron sinh học

28

Các nhánh(dendrite): Đây chính là các mạng dạng cây của các dây thần kinh

để nối các soma với nhau

Sợi trục(Axon): Đây là một nối kết, hình trụ dài và mang các tín hiệu từ đó ra

ngoài Phần cuối của axon được chia thành nhiều nhánh nhỏ.Mỗi nhánh nhỏ (cả của dendrite và axon) kết thúc trong một cơ quan nhỏ hình củhành được gọi là synapte mà tại đây các nơron đưa các tín hiệu của nó vào các nơron khác Những điểm tiếp nhận với các synapte trên các nơron khác có thể ở các dendrite hay chính soma

b/ Hoạt động

Các tín hiệu đưa ra bởi một synapte và được nhận bởi các dendrite là các kích thích điện tử.Việc truyền tín hiệu như trên liên quan đến một quá trình hóa học phức tạp mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi tiếp nối.Điều này làm tăng hay giảm điện thế bên trong thân của nơron nhận.Nơron nhận tín hiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và một xung (hoặc điện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố định được gửi ra ngoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối synapte với các nơron khác Sau khi kích hoạt, nơron sẽ chờ trong một khoảng thời gian được gọi là chu kỳ, trước khi nó có thể được kích hoạt lại Synapses là Hưng phấn (excitatory) nếu chúng cho phép các kích thích truyền qua gây ra tình trạng kích hoạt (fire) đối với nơron nhận Ngược lại, chúng là ức chế (inhibitory) nếu các kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơron nhận

1.2 Mạng nơ ron nhân tạo

1.2.1 Khái niệm

Khái niệm tính toán có thể hiểu theo nhiều cách Tính toán theo chương trình, trong đó các giải thuật được thiết kế, sau đó được cài đặt bằng cách sử dụng các cấu trúc hiện hành có ưu thế Một khái niệm khác được đưa ra khi xét đến hoạt động tính toán của các hệ sinh học Qua quá trình nghiên cứu người ta nhận ra rằng sự tính toán trong bộ não con người, khác rất nhiều so với tính toán theo chương trình ở chỗ:

- Sự tính toán được phân tán cực đại và song song

- Việc học thay thế sự phát triển chương trình có rất nhiều ưu thế

Theo cách hoạt động này của bộ não, một mô hình tính toán mới có động cơ từ sinh học đã ra đời, đó là neural nhân tạo (Artificial Neural Networks - ANN)

Nơron nhân tạo là sự sao chép nơron sinh học của não người, nó có những đặc tính sau:

Mỗi nơron có một số đầu vào, những kết nối (Synaptic) và một đầu ra (axon) Một nơron có thể hoạt động (+35mV) hoặc không hoạt động (- 0,75mV)

Chỉ có một đầu ra duy nhất của một nơron được nối với các đầu vào khác nhau của nơron khác Điều kiện để nơron được kích hoạt hay không kích hoạt chỉ phụ thuộc những đầu vào hiện thời của chính nó

Một nơron trở nên tích cực nếu đầu vào của nó vượt qua ngưỡng ở một mức nhất định

Có nhiều kiểu nơron

nhân tạo khác nhau Hình 2.2

biểu diễn một kiểu rất đơn

kích hoạt nếu tổng giá trị vào vượt

quá ngưỡng và không được kích

hoạt nếu tổng giá trị vào thấp hơn

ngưỡng Sự làm việc như vậy của

nơron gọi là sự kích hoạt nhảy bậc

Kết nối một vài nơron ta

được mạng nơron Hình 2.3 là một mạng

nơron gồm 3 lớp: lớp vào, lớp ẩn và lớp ra

2.3 Mạng nơ ron 3 lớp 2.2: Mô hình nơ ron đơn giản

30

Các nơron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơron chỉ có một tín hiệu vào.Mỗi nơron ởlớp ẩn được nối với tất cả các nơron lớp vào và lớp ra.Các nơron ở lớp ra có đầu vào được nối với tất cả các nơron ở lớp ẩn, chúng là đầu ra của mạng.Cần chú ý rằng một mạng nơron cũng có thể có nhiều lớp ẩn Các mạng nơron trong mỗi nơron chỉ được liên hệ với tất cả các nơron ở lớp kế tiếp và tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons)

Thông thường mạng nơron

được điều chỉnh hoặc được huấn

luyện để hướng các đầu vào riêng

biệt đến đích ở đầu ra.Cấu trúc huấn

luyện mạng được chỉ ra trên hình

2.4.Ở đây, hàm trọng của mạng được điều chỉnh trên cơ sở so sánh đầu ra với đích mong muốn (taget) cho tới khi đầu ra mạng phù hợp với đích Những cặp vào/đích (input/taget) được dùng để giám sát cho sự huấn luyện mạng

Để có được một số cặp vào/ra, ở đó mỗi giá trị vào được gửi đến mạng và giá trị ra tương ứng được thực hiện bằng mạng là sự xem xét và so sánh với giá trị mong muốn Bình thường tồn tại một sai số bởi lẽ giá trị mong muốn không hoàn toàn phù hợp với giá trị thực Sau mỗi lần chạy, ta có tổng bình phương của tất cả các sai số Sai

số này được sử dụng để xác định các hàm trọng mới

Sau mỗi lần chạy, hàm trọng của mạng được sửa đổi với đặc tính tốt hơn tương ứng với đặc tính mong muốn Từng cặp giá trị vào/ra phải được kiểm tra và trọng lượng được điều chỉnh một vài lần.Sự thay đổi các hàm trọng của mạng được dừng lại nếu tổng các bình phương sai số nhỏ hơn một giá trị đặt trước hoặc đã chạy đủ một số lần chạy xác định (trong trường hợp này mạng có thể không thoả mãn yêu cầu đặt ra

do sai lệch còn cao)

Có 2 phương pháp cơ bản để huấn luyện mạng nơron: Huấn luyện gia tăng (tiến dần) và huấn luyện theo gói Sự huấn luyện theo gói của mạng nhận được bằng việc thay đổi hàm trọng và độ dốc trong một tập (batch) của véc tơ đầu vào Huấn luyện tiến dần là thay đổi hàm trọng và độ dốc của mạng sau mỗi lần xuất hiện của một phần

2.4 Cấu trúc huấn luyện mạng nơ ron

tử véc tơ đầu vào Huấn luyện tiến dần đôi khi được xem như huấn luyện trực tuyến hay huấn luyện thích nghi

Mạng nơron đã được huấn luyện để thực hiện những hàm phức tạp trong nhiều lĩnh vực ứng dụng khác nhau như trong nhận dạng, phân loại sản phẩm, xử lý tiếng nói, chữ viết và điều khiển hệ thống

Thông thường để huấn luyện mạng nơ ron, người ta sử dụng phương pháp huấn luyện có giám sát, nhưng cũng có mạng thu được từ sự huấn luyện không có giám sát Mạng huấn luỵện không giám sát có thể được sử dụng trong trường hợp riêng để xác định nhóm dữ liệu

Mạng nơron bắt đầu xuất hiện từ 50 năm nhưng mới chỉ tìm thấy các ứng dụng

từ khoảng 10 năm trở lại đây và vẫn đang phát triển nhanh chóng Như vậy, rõ ràng có

sự khác biệt với những hệ thống điều khiển hoặc tối ưu hoá, nơi mà các thuật ngữ, cơ

sở toán học và thủ tục thiết kế đã được thiết lập chắc chắn và được ứng dụng từ nhiều năm

1.2.2 Mô hình nơron

a/ Nơron đơn giản: một nơron với một đầu vào vô hướng và không có độ dốc

được chỉ ra trên hình 2.5a,b

2.5a,b Mô hình nơ ron đơn giản

Tín hiệu vào vô hướng p thông qua trọng liên kết vô hướng w trở thành wp cũng là đại lượng vô hướng Ở đây wp là đối số duy nhất của hàm truyền f, tín hiệu đầu ra là đại lượng vô hướng a Hình 2.5b là nơron có độ dốc b Ta có thể hiểu b như

là phép cộng đơn giản vào tích wp hoặc như là một sự thăng giáng của hàm f ở hình a

32

đi một lượng b Độ dốc được xem như một trọng lượng, chỉ có điều đầu vào là một hằng số bằng 1 Tín hiệu vào hàm truyền mạng là n là tổng của trọng đầu vào wp và độ dốc b, đáp ứng ra a được coi là đối số của hàm chuyển f Hàm chuyển f có thể là hàm bước nhảy, hàm sigmoid Hình 2.6 dưới đây giới thiệu một số dạng hàm chuyển của nơron

2.6 Một số hàm truyền của mạng nơ ron

Chú ý rằng w và b đều là các tham số điều chỉnh vô hướng của nơron.Ý tưởng

cơ bản của mạng nơron điều chỉnh các tham số này như thế nào đó để mạng đạt được một đích mong muốn hay một hành vi nào đó Như vậy ta có thể huấn luyện mạng làm một công việc nào đó bằng cách điều chỉnh các trọng liên kết và độ dốc, hoặc mạng có thể tự điều chỉnh các tham số này để đạt được các kết quả mong muốn

Chú ý:Tất cả các nơron đều cho sẵn một độ dốc (b), tuy nhiên chúng ta có thể

bỏ đi khi cần thiết Độ dốc b là một tham số điều chỉnh vô hướng của nơron, nó không phải là một đầu vào, song hằng số 1 phải được xem như đầu vào và nó cần được coi như vậy khi xem xét độ phụ thuộc tuyến

tính của các véc tơ đầu vào

b/ Nơron với nhiều đầu vào (véc

Các trọng liên kết được biểu diễn bằng ma trận hàng, véc tơ p là ma trận cột, khi

là a Trong trường hợp này a là một đại lượng vô hướng.Chú ý rằng nếu có từ 2 nơron trở lên thì đầu ra sẽ là một véc tơ

Một lớp mạng đã được định nghĩa

như hình 2.8, đó là sự kết hợp giữa các

trọng liên kết, phép nhân, phép cộng, độ

dốc b và hàm chuyển f Trong đó kích

thước của ma trận được chỉ rõ ở bên dưới

tên biến ma trận của chúng Khi một hàm

Một cấu trúc mạng 1 lớp với R đầu vào

và S nơron được chỉ ra trên hình 2.10 Trong đó:

Véc tơ vào p có R phần tử pT

= [p1 p2 pR] Véc tơ vào n có S phần tử nT

= [n1 n2 nS] Véc tơ vào a có S phần tử aT

= [a1 a2 aS] Trong mạng này mỗi phần tử của véc tơ vào p liên hệ với đầu vào mỗi nơron thông qua ma trận trọng liên kết W Bộ cộng của nơron thứ i thu thập các trọng liên kết đầu vào và dộ dốc để tạo thành một đầu ra vô hướng ni Các ni tập hợp với nhau tạo thành s phần tử của véc tơ vào

n Cuối cùng ở lớp ra nơron ta thu được véc tơ a gồm s phần tử

Chú ý: Nhìn chung số đầu vào của một lớp khác với số nơron, tức là R≠S.Trong

một lớp, không bắt buộc phải có số đầu vào bằng số nơron của nó

Ta có thể thiết lập lớp đơn của các nơ ron có các hàm chuyển khác nhau một

cách dễ dàng bởi lẽ hai mạng được đặt song song Tất cả các mạng có thể có chung

đầu vào và mỗi mạng có thể thiết lập một vài đầu ra.Các phần tử của véc tơ đầu vào

được đưa vào mạng thông qua ma trận trọng W, với:

Trong đó: Chỉ số hàng trong các phần tử của ma trận W cho biết nơron nơi đến

còn chỉ số cột cho biết nơi xuất phát của trọng liên kết Ví dụ: w12 nói lên sự có mặt

của tín hiệu vào từ phần tử thứ hai đến nơron thứ nhất với trong liên kết là w12

2.10 Cấu trúc mạng nơ ron

1 lớp

Tương tự như đã trình bày với 1 nơ ron,

để đơn giản ta ký hiệu mạng một lớp gồm S

nơron, R đầu vào như hình vẽ 2.11.Trong đó:

Ta gọi ma trận trọng liên kết nối với đầu vào là các trọng vào (input weights) và các ma trận đến từ lớp ra là trọng liên kết lớp (layer weights) Ta sẽ dùng các chỉ số viết bên trên để phân biệt nguồn (chỉ số thứ hai) và đích (chỉ số thứ nhất) cho các trọng liên kết và các các phần tử khác của mạng

Để minh hoạ, ta xét một lớp mạng có nhiều đầu vào như hình 2.12.Trong đó R

là số phần tử lớp vào và S1 là số

nơron của lớp 1

Ta thấy ma trận trọng liên

kết với véc tơ vào P là ma trận

trọng vào (IW1,1) có nguồn là 1 (chỉ

36

chuyển, đầu ra có chỉ số viết trên là 1 để nói rằng chúng được liên kết với lớp thứ nhất (b1, n1, a1),ở phần sau ta sẽ sử dụng ma trận trọng liên kết lớp (LW) giống như ma trận trọng vào (IW)

1, S2 nơron ở lớp 2 Thông thường, các lớp khác nhau có số nơron khác nhau

Chú ý rằng đầu ra của mỗi lớp trung gian là đầu vào của lớp tiếp theo Như vậy lớp 2 có thể được xem như mạng 1 lớp với S1 đầu vào, S2 nơron và S2 x S1 trọng liên kết của ma trận W2 Đầu vào của lớp 2 là véc tơ a1, đầu ra là véc tơ a2 Khi đã có ký hiệu của tất cả các véc tơ và ma trận của lớp 2 ta có thể coi nó như là mạng 1 lớp Cách tiếp cận này được dùng cho một lớp bất kỳ của mạng Các lớp của mạng nhiều lớp đóng vai trò khác nhau Lớp cuối cùng là kết quả ở đầu ra của mạng, được gọi là lớp ra Tất cả các lớp khác được gọi là lớp ẩn Mạng 3 lớp ở trên có 1 lớp ra (lớp 3) và

2 lớp ẩn (lớp 1 và lớp 2)

(Một vài tài liệu coi lớp vào như là lớp thứ tư, ở đây ta không sử dụng quan điểm này)

2.13 Cấu trúc mạng nơ ron 3 lớp

Đối với mạng 3 lớp ta cũng có thể sử dụng ký hiệu tắt để biểu diễn (hình 2.14) Mạng nhiều lớp rất mạnh, ví dụ có mạng 2 lớp, trong đó lớp 1 có hàm chuyển sigmoid, lớp 2 có hàm chuyển linear có thể đƣợc huấn luyện để làm xấp xỉ một hàm bất kỳ (với

số điểm gián đoạn có hạn chế) Loại mạng 2 lớp này sẽ đƣợc sử dụng rộng rãi ở phầnmạng lan truyền ngƣợc

Trong đó a3 là đầu ra của mạng, ta ký hiệu đầu ra này là y Ta sẽ sử dụng ký hiệu này để định rõ đầu ra của mạng nhiều lớp

2.14 Ký hiệu tắt của mạng nơ ron 3 lớp

1.3.3 Phân loại mạng nơron

Nelson và Illingworth (1991) đã đƣa ra một số loại cấu trúc của mạng nơ ron nhƣ hình 2.15 Nơron đƣợc vẽ là các vòng tròn xem nhƣ một tế bào thần kinh, chúng

38

có các mối liên hệ đến các nơ ron khác nhờ các trọng số, lập thành các ma trận trọng

số tương ứng

Mỗi một nơ ron có thể phối họp với các nơ ron khác tạo thành một lóp các trọng

số Mạng một lớp truyền thẳng (Single- Layer Feedforward Network) như hình 4.15.a

Có thể nối vài lóp nơ ron với nhau tạo thành mạng nhiều lóp truyền thẳng (Multi- Layer Feedforward Network) như hình 4.15.b

Hai loại mạng nơ ron một lớp và nhiều lớp được gọi là truyền thẳng nếu đầu ra của mỗi nơ ron được nối với các đầu vào của các nơ ron của lớp trước đó

Mạng nơ ron phản hồi là mạng mà đầu ra của mỗi nơ ron được quay trở lại nối

với đầu vào của các nơ ron cùng lóp được gọi là mạng Laeral như hình 4.15.c

Mạng nơ ron phản hồi có thể thực hiện đóng vòng được gọi là mạng nơ ron hồi quy (Recurrent Network) như hình 4.15.d

Các nơ ron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơ ron chỉ có một tín hiệu vào Mỗi nơ ron ở lóp ẩn được nối với tất cả các nơ ron lớp vào và lớp ra Các

nơ ron ở lớp ra có đầu vào được nối với tất cả các nơ ron ở lớp ẩn, chúng là đầu ra của mạng, cần chú ý rằng một mạng nơ ron cũng có thể có nhiều lớp ẩn Các mạng nơ ron trong mỗi nơ ron chỉ được liên hệ với tất cả các nơ ron ở lóp kế tiếp vàtất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons)

Hình 2.15 Một số loại cấu trúc của mạng nơ ron

1.4 Cấu trúc dữ liệu vào mạng

Để mô phỏng mạng nơron ta cần phải định rõ khuôn dạng của cấu trúc dữ liệu được dùng trong mạng Dữ liệu đưa vào mạng được biểu diễn dưới 2 dạng cơ bản: một dạng xuất hiện đồng thời (tại cùng một thời điểm hoặc chuỗi thời điểm cụ thể) và một dạng xuất hiện liên tiếp theo thời gian Đối với véc tơ vào đồng thời, ta không cần quan tâm đến thứ tự của các phần tử, kiểu dữ liệu này được áp dụng cho mạng tĩnh Đối với kiểu véc tơ vào nối tiếp thì thứ tự xuất hiện của các phần tử véc tơ rất quan trọng, nó được áp dụng cho mạng động

1.4.1 Mô tả véc tơ vào đối với mạng tĩnh

Đối với mạng tĩnh (không có phản hồi và trễ), ta không cần quan tâm tới việc

có hay không véc tơ vào xuất hiện trong một

chuỗi thời điểm cụ thể, vì vậy ta có thể xem

như các đầu vào là đồng thời Trong phép

cộng, ta giải quyết bài toán đơn giản bằng

tổng của mạng chỉ có một véc tơ vào Ví dụ:

một nơ ron với hai đầu vào hình 2.16):

Một ma trận đơn của véc tơ đồng thời được đưa tới mạng và mạng đưa ra một

ma trận đơn của véc tơ đồng thời ở đầu ra Kết quả tương tự như 4 mạng làm việc song song, mỗi mạng có một véc tơ vào và 1 véc tơ ra Thứ tự của các véc tơ vào không quan trọng do chúng không ảnh hưởng lẫn nhau

1.4.2 Mô tả véc tơ vào liên tiếp trong mạng động

Khi mạng có chứa khâu trễ, ở đầu vào mạng thường sẽ có một chuỗi các véc tơ vào mà chúng xuất hiện theo thứ tự thời gian nào đó Để minh hoạ cho trường hợp này

ta sử dụng một mạng đơn bao gồm một khâu trễ

(hình 2.17) Ta đưa vào mạng gồm dãy liên tiếp các

dữ liệu vào thì mạng sinh ra một mảng bao gồm

chuỗi liên tiếp các dữ liệu ra Chú ý rằng thứ tự của

dữ liệu vào rất quan trọng khi chúng được đưa vào

như một sự nối tiếp Trong trường hợp này dữ liệu ra

2.16 Một nơ ron với 2 đầu vào

Hình 2.17 Nơ ron có chứa

khâu trễ

40

thu được bằng cách nhân dữ liệu vào hiện thời với w1,1, dữ liệu vào trước đó với w1,2

rồi cộng kết quả lại Nếu thay đổi thứ tự các dữ liệu vào nó có thể làm thay đổi những

số thu được ở đầu ra

1.4.3.1 Huấn luyện gia tăng

Sự huấn luyện gia tăng (huấn luyện tiến dần) có thể được áp dụng cho cả mạng tĩnh và mạng động Tuy nhiên, trong thực tế nó được sử dụng nhiều hơn cho mạng động, ví dụ các bộ lọc thích nghi Trong mục này, chúng ta sẽ giải thích sự huấn luyện gia tăng được thực hiện như thế nào trên mạng tĩnh và mạng động

a/ Huấn luyện gia tăng đối với mạng tĩnh

Xét mạng tĩnh học, ta muốn huấn luyện nó gia tăng, sao cho hàm trọng và độ dốc của nó được cập nhật mỗi khi đầu vào có mặt Trong trường hợp này chúng ta sử

dụng hàm “Adapt” và ta coi các giá trị đầu vào và đích là các chuỗi nối tiếp

Giả thiết ta muốn huấn luyện mạng để tạo ra hàm tuyến tính: t = 2p1 +P2

Các dữ liệu vào ban đầu được sử dụng là:

Đích của mạng là: t1=[4] , t2 = [5] , t3 = [7] , t4 = [7]

Trước hết ta thiết lập mạng với những hàm trọng và độ dốc ban đầu bằng zero

Ta cũng đặt mức học xuất phát từ zero, để cho thấy hiệu ứng của sự huấn luyện gia tăng

net = newlin([-1 1;-1 1],1,0,0);