CHƯƠNG 1 - Khảo sát các chỉ tiêu đánh giá chất lượng gia công và năng suất gia công. - Xác định các yếu tố công nghệ ảnh hưởng đến chất lượng bề mặt, năng suất gia công, mòn dụng cụ khi phay: vận tốc cắt, lượng tiến dao, chiều sâu cắt.trên cơ sở đó thấy rằng điều khiển các thông số chế độ cắt là phương pháp cơ bản và hiệu quả để kiểm soát chất lượng gia công, nâng cao hiệu quả sử dụng thiết bị. - Khảo sát các ưu điểm, nhược điểm của các phương pháp truyền thống xác định mối quan hệ thực nghiệm và tìm thông số chế độ cắt tối ưu trong gia công cơ khí trên cơ sở đó đề xuất phương pháp tiếp cận mới xây dựng hàm quan hệ thực nghiệm và xác định thông số chế độ cắt tối ưu chính xác hơn, đem lại hiệu quả khai thác thiết bị và đảm bảo chất lượng gia công. 15 Chương 2: GIẢI PHÁP TRÍ TUỆ NHÂN TẠO VÀ ỨNG DỤNG 2.1 Phương pháp trí tuệ nhân tạo [8], [9] Bộ não con người là một sản phẩm hoàn hảo trong tiến trình phát triển tiến hóa, có khả năng học và tư duy sáng tạo.
Hiện nay, trong lĩnh vực điều khiển, con người đang cố gắng tiếp cận bộ não của mình. Trí tuệ nhân tạo là một trong những ngành nghiên cứu, tiếp cận khả năng tư duy của bộ não và khả năng học. Trí tuệ nhân tạo bao gồm trí tuệ nhân tạo truyền thống và trí tuệ nhân tạo tính toán. Trí tuệ nhân tạo truyền thống bao gồm các phương pháp hiện được phân loại là các phương pháp học máy (machine learning), hệ hình thức (formalism) và phân tích thống kê.
Các phương pháp gồm có: - Hệ chuyên gia: áp dụng các khả năng suy luận để đạt tới một kết luận. Một hệ chuyên gia có thể xử lý các lượng lớn thông tin đã biết và đưa ra các kết luận dựa trên các thông tin đó. - Lập luận theo tình huống. Trí tuệ nhân tạo tính toán là một trong những hướng nghiên cứu, tiếp cận của trí tuệ nhân tạo mà chủ yếu là nghiên cứu việc học và phát triển lặp.
Việc học dựa trên dữ liệu kinh nghiệm và có quan hệ với trí tuệ nhân tạo phi ký hiệu, có nhiều trường phái khác nhau. Các phương pháp chính gồm có: - Mạng neuron (Neural network): các hệ thống mạnh về nhận dạng mẫu - Hệ mờ (Fuzzy system): các kỹ thuật suy luận không chắc chắn, đã được sử dụng rộng rãi trong các hệ thống công nghiệp hiện đại và các hệ thống quản lý sản phẩm tiêu dùng. - Tính toán tiến hóa (Evolutionary computation): ứng dụng các khái niệm sinh học như quần thể, biến dị và đấu tranh sinh tồn để sinh các lời giải ngày càng tốt hơn cho bài toán. Các phương pháp này thường được chia thành các thuật toán tiến hóa (thuật toán gen) và trí tuệ bầy đàn (swarm intelligence).
- Trí tuệ nhân tạo dựa hành vi (Behavior based AI): phương pháp mô-đun để xây dựng các hệ thống trí tuệ nhân tạo bằng tay. Ngoài ra hiện nay còn phát triển các hệ thống trí tuệ nhân tạo lai (hybrid intelligent system), trong đó kết hợp hai trường phái này. Các luật suy diễn của hệ chuyên gia có thể được sinh ra bởi mạng nơron hoặc các luật dẫn xuất từ việc học. Các phương pháp trí tuệ nhân tạo thường được dùng trong các công trình nghiên cứu khoa học nhận thức, mô phỏng, dự đoán… 16 2.2 Mạng nơron nhân tạo 2.1 Mạng nơron sinh học Trên cơ sở nhận thức của con người về cấu tạo hệ thần kinh và qui luật nhận thức, thu thập, tiếp nhận và xử lý thông tin.
Các nơ ron xử lý thông tin từ cấp thấp dần chuyển lên cấp cao hơn và cuối cùng là ra quyết định. Với ưu điểm của các nơron trong bộ não người là xử lý song song, phân tán và phi tuyến. Phần tử xử lý cơ bản của một mạng nơron sinh học là một nơron, phần tử này có thể chia làm bốn thành phần cơ bản như trong hình 2.1: dendrites, soma, axon, và synapses.1 Hoạt động một nơron - Dendrites: là phần nhận tín hiệu đầu vào. sinh học - Soma: là hạt nhân.
- Axon: là phần dẫn ra tín hiệu xử lý. - Synapses: là đường tín hiệu điện hóa giao tiếp giữa các nơron. Kiến trúc cơ sở này của bộ não con người có một vài đặc tính chung. Một nơron sinh học hoạt động dựa trên nguyên tắc là: nhận tín hiệu đầu vào, kết hợp các thông tin và thực thi tổ hợp phi tuyến các tín hiệu sau đó cho ra một tín hiệu cuối cùng ở đầu ra.
Do đặc tính xử lý thông tin như vậy nên khả năng xử lý thông tin của một nơron là rất yếu. nhưng với cấu trúc tầng lớp và phân vùng, các nơron liên kết với nhau để thực hiện quá trình xử lý thông tin liên tục và song song phát huy sức Hình 2.2 Liên kết giữa các nơron mạnh của khối nơron liên kết, nên bộ não người có thể xử lý các thông tin nhanh và chính xác đây cũng là ưu điểm của cấu trúc liên kết trong bộ não người.2 thể hiện sự liên kết trong xử lý thông tin giữa 2 nơron. Thông tin sau khi kết xuất tại đầu ra của nơron này sẽ được chuyển lên nơron cao hơn để xử lý. Dựa trên cơ sở tiếp nhận thông tin, xử lý thông tin và cấu trúc mạng nơron sinh học thiết lập mạng nơron nhân tạo nhằm có được cách tiếp cận xử lý thông tin của mạng nơron sinh học.2 Mô hình mạng nơron nhân tạo [8] 2.1 Mô hình toán học Với bài toán thực nghiệm cần dự đoán một mối quan hệ giữa các yếu tố đầu vào và yếu tố đầu ra như hình 2.
Trong đó, đầu vào có thể là một hay nhiều tín hiệu vào và đầu ra 17 cũng có một hay nhiều tín hiệu ra. Vậy cần xác định các thông số hệ thống để đảm bảo mối quan hệ có mức độ chính xác mong muốn. x1(i) Đầu ra x2(i) Thông số d(i) Đầu vào hệ thống? .3 Mô hình toán học hệ thống Trên cơ sở cấu trúc, tiếp nhận và xử lý thông tin của mạng nơron sinh học thiết lập mô hình mạng nơron nhân tạo.4 là một mô hình mạng nơron nhân tạo với 2 lớp ẩn Lớp ẩn 1 Lớp vào Lớp ẩn 2 Wij ij u11 Lớp ra rij X1=V u21 Rz u1i X2=S u2i F X3=t u1j u2n Bias lớp ra u1m Bias lớp ẩn 2 Bias lớp ẩn 1 Hình 2.4 Mô hình mạng nơ ron nhân tạo Trong đó: - Lớp vào gồm một hay nhiều tín hiệu vào, trong đó mỗi tín hiệu đặc trưng cho một loại tín hiệu chứa đựng một loạt các thông tin về một đại lượng vào: tốc độ cắt V, lượng tiến dao S, chiều sâu cắt t, tần số rung động bên ngoài f,…Các tín hiệu vào được thể hiện bởi một vector đầu vào x gồm nhiều thành phần, mỗi thành phần là một loại tín hiệu đặc trưng. Tại thời điểm i vector đầu vào được thể hiện: x(i) [ x1 (i), x2 (i),.1) - Lớp ẩn gồm một lớp hay nhiều lớp, mỗi lớp gồm một hay nhiều nơron.
Tùy mức độ phức tạp và yêu cầu của bài toán mà lớp ẩn có thể là một lớp hay nhiều lớp, mỗi lớp chứa đựng nhiều nơron. Số lượng nơron trong mỗi lớp được điều chỉnh mềm dẻo tùy thuộc vào yêu cầu mức độ phức tạp của bài toán. Tuy nhiên nếu số lớp quá nhiều hay số nơron trong một lớp quá lớn sẽ làm gia tăng thời gian xử lý và tính hiệu quả của mô hình bị giảm. Do vậy không nên chọn quá lớn hay quá nhỏ, việc lựa chọn phụ thuộc vào mức độ phức tạp và yêu cầu độ chính xác dự đoán trong bài toán.
- Lớp ra gồm một hay nhiều đầu ra: độ nhấp nhô tế vi Rz, bước nhám Rsm, năng suất gia công Q, lượng mòn dao hs, lực cắt F…tại thời điểm i vector đầu ra được thể hiện: 18 d (i) [d1 (i), d 2 (i),.2) - Trọng số wij sử dụng để đánh giá mức độ ảnh hưởng của mỗi yếu tố đầu vào với mỗi nơron. Trên mỗi lớp nơron của lớp ẩn 1 thì các biến đầu vào là lớp vào, giá trị kết xuất của mỗi nơron này lại là đầu vào cho lớp nơron tiếp theo…tại thời điểm i vector trọng số được thể hiện: w(i) [w1 (i), w2 (i),.3) - Trên mỗi nơron đặt một bias đánh giá mức độ ảnh hưởng của tổng tất cả các yếu tố vào. Hàm tác động vào mỗi nơron là f(u). Hàm tác động ở mỗi lớp có thể giống nhau hoặc khác nhau.5 Giá trị kết xuất của mỗi nơ ron Giá trị u1i tại lớp ẩn 1 là: m u1i w ij .4) y f (u ) 1i 1i Giá trị u2i tại lớp ẩn 2 là: n u2i vij .5) y f (u ) 2i 2i Giá trị kết xuất tại đầu ra của lớp ra y: n d rij .6) y d f (u ) d Khi có n bộ dữ liệu đầu vào xi và tương ứng có n giá trị ra mong muốn yi.
Vì vậy cần phải xác định các bộ trọng số wij sao giá trị đầu ra kết xuất bởi mạng nơron phải bám sát được giá trị đầu ra tương ứng từ tập giá trị thực nghiệm. Với những bài toán qui hoạch thực nghiệm thì có thể chỉ cần một lớp nơron là có thể thiết lập được qui luật quan hệ giữa các yếu tố đầu vào và đầu ra chính xác. Nếu cần thiết thì có thể tăng thêm số nơron trong lớp ẩn lên thay vì tăng số lớp. Gọi e là giá trị sai lệch giữa giá trị cần di và giá trị kết xuất ra bởi mạng yi tại vòng lặp thứ n là: ei (n) d i (n) yi (n) (2.7) Tổng trung bình bình phương các sai lệch cho các nơron đầu ra tại vòng lặp thứa n là: 1 m 2 1 m E (n) ei (n) (d i (n) yi (n)) 2 (2.8) 2 i 1 2 i 1 Tổng trung bình bình phương của N mẫu đưa vào học tại vòng lặp thứ n sẽ là: 19 1 N E ( n) E N ( n) N i 1 (2.9) Khi một mô hình mạng nơron đã xác định số lớp, số nơron cho mỗi lớp thì giá trị hàm sai lệch E(n) phụ thuộc vào giá trị của các trọng số wij.
Vì vậy các giá trị trọng số w chính là các tham số động của mô hình mạng.