Tóm tắt luận văn thạc sĩ kỹ thuật 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 việcxây dựng mối quan hệ toán học giữa hàm mục tiêu về kinh tế hoặc kỹ thuật của quátrình gia c

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 việcxây dựng mối quan hệ toán học giữa hàm mục tiêu về kinh tế hoặc kỹ thuật của quátrình gia công với các thông số của chế độ cắt tương ứng trên một hệ thống công nghệxác định[1], nhằm đạt được các mục tiêu về kinh tế hoặc kỹ thuật của quá trình giacông Đây là một trong những việc chính khi lập kế hoạch gia công, nó giúp phần làmtăng năng suất và hiệu quả gia công cũng như chất lượng sản phẩm Tuy nhiên, đi sâuvào phân tích quá trình cắt nó bao gồm chi phí xác định, đặc biệt là trong sản suất loạtnhỏ hay trong trường hợp gia công đơn chiếc thì nó rất cần thiết để có thể rút ngắnnhất 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 thờigian và giảm chi phí sản xuất Như các biến đầu ra của quá trình gia công phụ thuộcvào các điều kiện cắt, các quyết định liên quan đến lựa chọn các thông số cắt có ảnhhưởng quan trọng đến mức độ sản xuất, chi phí sản xuất và chất lượng sản xuất Vớiviệc 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 vàđược hỗ trợ từ các số liệu thực nghiệm của các nhà sản xuất dụng cụ, nhưng với nhữngviệc 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 đãđược phát triển với sự xét đến chỉ một mục tiêu, chẳng hạn như giảm thiểu các Chi phígia công hoặc tối đa hóa lợi nhuận, vv và các hàm mục tiêu đó là: chất lượng bềmặt (Ra), Chi phí sản xuất (Cp), thời gian gia công (Tp) Hoặc tối ưu hoá đa mục tiêubằng phương pháp thực nghiệm [2,13] để tìm cực trị và miền tối ưu hoá theo các chỉtiêu 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 quyhoạch 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 nghiêncứu về tối ưu hóa đa mục tiêu Tuy nhiên, trong thực tế ứng dụng, các nhà sản xuấtthường gặp phải các vấn đề là tối ưu hóa đồng thời nhiều mục tiêu, các mục tiêuthường mâu thuẫn nhau và không thể so sánh Ví dụ như khi gia công thì các biếnnăng suất gia công, Chi phí gia công, và chất lượng sản phẩm được đề cập Chúng tamuốn giảm nhỏ nhất cho chi phí sản xuất, nhưng đồng thời là tăng tối đa năng suất vàchất 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 chấtlượng bề mặt vì độ nhám cao hơn Hơn nữa với các phương pháp tối ưu hóa này thì đểtìm ra được các thông số cắt tối ưu sẽ mất rất nhiều thời gian, dẫn đến chi phí cho việcphân tích tìm các thông số tối ưu cũng tăng cao vì vậy nó chỉ phù hợp với sản xuất loạtlớn, hàng khối Mà xu hướng ngày nay đã bắt đầu quay lại thời kỳ sản suất loạt vừa vànhỏ 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 kỹthuật những chức năng của hệ thần kinh con người với vô số các nơ ron được liên kếttruyền thông với nhau qua mạng[5, 10] Giống như con người, ANN được học bởikinh nghiệm, lưu giữ những kinh nghiệm đó và sử dụng trong những tình huống phùhợp Ngoài ra ANN có khả năng xử lý song song với tốc độ xử lý nhanh, có khả năngdạy học thích nghi, nó thích ứng trong quá trình tự điều chỉnh trong điều chỉnh tựđộng Phương pháp này đảm bảo việc lựa chọn nhanh chóng và hiệu quả các điều kiệncắt tối ưu và quá trình xử lý các dữ liệu có sẳn[17] Do vậy nó rất phù hợp với dạngsản xuất loạt nhỏ, đơn chiếc Tối ưu hóa các thông số gia công là một tối ưu hóa phituyến 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.”

Từ các phân tích trên, có thể nói cho đến nay trong nước ta đã có khá nhiềunghiên 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 điềukhiển, 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, ápdụng để gia công thép 9XC với mảnh dao PCBN Đề tài đi sâu nghiên cứu các thuậttoán của mạng nơ ron nhân tạo để tìm ra bộ thông số tối ưu và thử nghiệm lại trên vậtliệu và sản phẩm cụ thể trong điều kiện trong nước nhằm tìm ra chế độ cắt tối ưu nângcao nâng suất, giảm chi phí gia công và nâng cao chất lượng bề mặt.

2 MỤC TIÊU CỦA NGHIÊN CỨU

2.1.Mục tiêu chung

- 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 nhằmmục đích để tối đa hóa năng suất, giảm chi phí sản xuất và nâng cao chất lượng sảnphẩm

2.2 Mục tiêu cụ thể

- Sử dụng các thuật toán của ANN để tìm ra các thông số tối ưu khi tiện thép9XC bằng dao PCBN, và kết quả thực nghiệm phải cho thấy được sự nâng cao năngsuất cũng như chất lượng bề mặt

- Tiến hành thí nghiệm để phân tích, đánh giá kết quả mà phương pháp đã tìm ra

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

3 KẾT QUẢ DỰ KIẾN.

1 Phân tích và khai thác được đặc điểm đặc trưng của ANN cũng như lý thuyết

cơ bản của quá trình gia công để xây dựng mô hình thí nghiệm cho nghiên cứu

2 Từ bộ thông số tối ưu (v,f,t) xác định được bằng thuật toán của ANN khi giacông thép 9XC bằng dao PCBN, tiến hành thí nghiệm với trang thiết bị thí nghiệm cụthể để kiểm chứng lại kết quả của phương pháp

4 PHƯƠNG PHÁP VÀ PHƯƠNG PHÁP LUẬN

4.1 Phương pháp nghiên cứu

Nghiên cứu lý thuyết và nghiên cứu thực nghiệm

4.2 Phương pháp luận

- Đề tài “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.” là một nghiên cứu trên

vật liệu và sản phẩm thực Dùng những thuật toán của ANN và các dữ liệu có sẵn đểtiến hành tìm các thông số chế độ cắt tối ưu (v, f, t) sau đó tiến hành thí nghiệm lại vớicác thông số đó để kiểm tra lại kết quả mà thuật toán mang lại

5 Ý NGHĨA NGHIÊN CỨU

5.1 Ý nghĩa thực tiễn

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

5.2 Ý nghĩa khoa học

- Kết quả nghiên cứu sẽ là cơ sở khoa học cho việc tối ưu hóa quá trình tiệnthép 9xc

- Đề tài sẽ bổ sung được một số kết quả nghiên cứu cơ bản về tiện thép 9XCtrong điều kiện kỹ thuật và công nghệ cụ thể ở Việt Nam

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, kỹthuật 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

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 ưuhóa 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 giảiquyết bài toán tối ưu dựa trên mô hình tĩnh của quá trình cắt

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 dựatrên mô hình động của quá trình cắt gọt do đó trong quá trình nghiên cứu có chú ý tớicác đặc điểm trên mang tính ngẫu nhiên và thay đổi theo thời gian

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 hìnhgia 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

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 giacông là chi phí gia công Ngoài ra, thời gian gia công, tốc độ bóc tách phôi, tuổi thọdụng cụ, chất lượng bề mặt cũng được sử dụng Trong gia công như tiện cứng, chỉtiêu về chất lượng bề mặt đóng vai trò quan trọng Bên cạnh đó, tuổi thọ dụng cụ cũngđặc chưng cho chi phí gia công khi giá thành dụng cụ PCBN cao và ảnh hưởng trựctiếp tới chất lượng bề mặt, tuổi thọ của dụng cụ cắt cũng ảnh hưởng tới năng suất giacông 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 đíchnhư chi phí thấp nhất, chất lượng tốt nhất và năng suất cao nhất Tuy nhiên, việc tối ưuhóa đơn mục tiêu chỉ có giá trị giới hạn bởi vì bản chất phức tạp của quá trình gia côngđòi hỏi các mục tiêu khác nhau và đối kháng phải được tối ưu hóa đồng thời[4, 25]

2.2 Các hàm mục tiêu

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

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 1sản phẩm (Tp) Nó là hàm phụ thuộc và tốc độ bóc tách phoi (MRR) và tuổi bền củadụng cụ (T)

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

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

T p=T s+V (1+T c

T )

MRR+T i

(1.2)

Ts- thời gian điều 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 gia công

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

Ra=k.vx3.fx2.tx3 ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, ,,,,,,,,,,,

(1.8)

- Trong đó:

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 đưa ra những giới hạn choviệc 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 được kiểm tra cụ thểtheo khả năng của phôi và máy gia công

Lực cắt và công suất máy

Năng lượng được tiêu thụ trong quá trình cắt được tính theo công thức:

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

2.3 Phương pháp giải bài toán tối ưu đa mục tiêu

Từ khía cạnh kỹ thuật giải bài toán, hầu hết các phương pháp truyền thống đềugiảm 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 hướngkhác nhau để chuyển các bài toán tối ưu đa mục tiêu về dạng một mục tiêu hoặc mộtchuỗi 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

a Phương pháp tổng trọng số

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

c Phương pháp tiêu chuẩn tổng thể trọng số

d Phương pháp thứ tự từ điển học

e Phương pháp hàm mục tiêu bị giới hạn

f Phương pháp quy hoạch đích.

g Phương pháp giải thuật di truyền(GAs)

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

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

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 Nógần như kiểm soát hầu hết mọi hành vi của con người từ các hoạt động cơ bắp đơngiản 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 tếbào 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, làlớp có cấu tạo phức tạp nhất Đây là nơi kiểm soát và phát sinh các hành động phứctạp như nghe, nhìn, tư duy,

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 Hình 2.1 Mô hình hai nơ ron sinh học

vùng và các lớp khác nhau.Bộ não hoạt động dựa trên cơ chế hoạt động song song củacác 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.

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 củadendrite và axon) kết thúc trong một cơ quan nhỏ hình củhành được gọi là synapte màtại đây các nơron đưa các tín hiệu của nó vào các nơron khác Những điểm tiếp nhậnvới 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 kíchthích điện tử.Việc truyền tín hiệu như trên liên quan đến một quá trình hóa học phứctạp 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 tínhiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và một xung (hoặcđiện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố định được gửi rangoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối synapte với các nơronkhác 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 chúngcho phép các kích thích truyền qua gây ra tình trạng kích hoạt (fire) đối với nơronnhận Ngược lại, chúng là ức chế (inhibitory) nếu các kích thích truyền qua làm ngăntrở 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 cấutrúc hiện hành có ưu thế Một khái niệm khác được đưa ra khi xét đến hoạt động tínhtoán của các hệ sinh học Qua quá trình nghiên cứu người ta nhận ra rằng sự tính toántrong 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 từsinh 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 đặctính 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 nhaucủa nơron khác Điều kiện để nơron được kích hoạt hay không kích hoạt chỉ phụ thuộcnhững 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 giản

của đầu ra thông qua hàm chuyển.Có nhiều kiểu hàm chuyển khác nhau (sẽ được đềcập ở phần sau) Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếutổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấphơn 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 3lớp: lớp vào, lớp ẩn và lớp ra

Thông thường mạng nơron được

điều chỉnh hoặc được huấn luyện để hướng các đầu vào riêng biệt đến đích ở đầura.Cấu trúc huấn luyện mạng được chỉ ra trên hình 2.4.Ở đây, hàm trọng của mạngđược 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 sátcho 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 phươngcủa 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 tươngứng với đặc tính mong muốn Từng cặp giá trị vào/ra phải được kiểm tra và trọnglượng được điều chỉnh một vài lần.Sự thay đổi các hàm trọng của mạng được dừng lạinếu tổng các bình phương sai số nhỏ hơn một giá trị đặt trước hoặc đã chạy đủ một sốlần 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 (tiếndần) và huấn luyện theo gói Sự huấn luyện theo gói của mạng nhận được bằng việc

Hình 2.3 Mạng nơ ron 3 lớp

Hình 2.4 Cấu trúc huấn luyện mạng nơ ron

tiến dần là thay đổi hàm trọng và độ dốc của mạng sau mỗi lần xuất hiện của một phần

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

1.2.2 Mô hình nơron

a/ Nơron đơn giản:

b/ Nơron với nhiều đầu vào

1.3 Cấu trúc mạng

1.3.1 Mạng một lớp

1.3.2 Mạng nhiều lớp

1.3.3 Phân loại mạng nơron

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)

Có thể nối vài lóp nơ ron với nhau tạo thành mạng nhiều lóp truyền thẳng Layer Feedforward Network)

(Multi-Hai loại mạng nơ ron một lớp và nhiều lớp được gọi là truyền thẳng nếu đầu racủa 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 nốivới đầu vào của các nơ ron cùng lóp được gọi là mạng Laeral

Mạng nơ ron phản hồi có thể thực hiện đóng vòng được gọi là mạng nơ ron hồiquy (Recurrent Network)

1.4.3.1 Huấn luyện gia tăng

a/ Huấn luyện gia tăng đối với mạng tĩnh

b/ Huấn luyện gia tăng đối với mạng động

1.4.3.2 Huấn luyện mạng theo gói

a/ Huấn luyện theo gói đối với mạng tĩnh

b/ Huấn luyện theo gói đối với mạng động

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

Bằng các thuật toán mô tả, có thể giải các bài toán tối ưu hóa bằng cách tìmcực đại hay cực tiểu của hàm tối ưu trong phạm vi xét đến Khi sử dụng mạng nơ ronnhân tạo thì, mạng sẽ đưa ra hàm thể hiện mối quan hệ giữa đầu vào và đầu ra (hàm tốiưu)

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

Cấu trúc mạng truyền thẳng nhiều lớp đã được chứng minh là phù hợp đối vớicác bài toán phi tuyến [17] Nó có khả năng xấp xỉ bất kỳ một hàm nào đó

2.2 Các bước giải bài toán tối ưu chế độ cắt

a Nhập dữ liệu đầu vào:

b Tạo các điều kiện cắt ngẫu nhiên

c Tính các giá trị (MRR, Cp, T, Ra, Tp, z(Tp,Cp,Ra)

d Lập các ma trận dữ liệu đầu vào và đầu ra để chuẩn bị cho quá trình huấnluyện mạng và kiển tra mạng

e Sử dụng mạng nơron nhân tạo: Mục đích là để dự đoán giá trị của hàm chứcnăng (y) trong trường hợp lấy các điều kiện cắt ngẫu nhiên

f Quá trình tối ưu hóa

g Tính các giá trị của Ra, Sc, Tp, Cp theo các điều kiện cắt tối ưu

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

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

Ma trận dữ liệu được tạo dưới dạng file.mat và có dạng:

X = [MxN] hoặc Z = [AxN]

Trong đó:

M, A - số đầu vào, đầu ra

N - Số dữ liệu được lấy để thí nghiệm

3.2 Tạo mạng nơ ron trong matlab

Chạy chương trình matlab/Vào trong “Command window” gõ dòng lệnh:

“nnstart” như hình 2.18 Sẽ hiện ra cho chúng ra thanh công cụ để tạo mạng nơ ron

Ở đây ta chọn mạng nơ ron là “Fitting tool”

Sau khi luyện mạng ta sẽ được bộ trọng số W và độ dốc b tối ưu, vào môi trường

Trong chương này tác giả đã nghiên cứu tổng quan về mạng nơ ron nhân tạo đó

là một cấu trúc gồm các đơn vị kết nối với nhau Mỗi đơn vị có những đặc tính nhập,xuất và được cài đặt một tính toán hay chức năng cục bộ

Đầu ra của một đơn vị được xác định bởi các đặc tính nhập, xuất của nó, nhữngmối liên hệ của nó với những đơn vị khác, và đầu vào bên ngoài Một mạng thườngphát triển một chức năng tổng thể thông qua một hay nhiều dạng đào tạo