Χρήση τεχνητών νευρωτικών δικτύων για την πρόβλεψη επιφανειακής τραχύτητας στη κατεργασία της τόρνευσης υλικών με υψηλή σκληρότητα

Λώλος, Εμμανουήλ; Lolos, Emmanouil

dc.contributor.author	Λώλος, Εμμανουήλ	el
dc.contributor.author	Lolos, Emmanouil	en
dc.date.accessioned	2017-05-18T10:37:39Z
dc.date.available	2017-05-18T10:37:39Z
dc.date.issued	2017-05-18
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44889
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.6988
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Συστήματα Αυτοματισμού”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πρόβλεψη επιφανειακής τραχύτητας	el
dc.subject	Τόρνευση υλικών	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Turning materials	el
dc.subject	Neural network	el
dc.subject	Surface roughness	el
dc.title	Χρήση τεχνητών νευρωτικών δικτύων για την πρόβλεψη επιφανειακής τραχύτητας στη κατεργασία της τόρνευσης υλικών με υψηλή σκληρότητα	el
heal.type	masterThesis
heal.classification	ΜΗΧΑΝΙΚΗ	el
heal.classificationURI	http://data.seab.gr/concepts/795ea7948f4f9b8fba3246722d8e6417697c678c
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-10-07
heal.abstract	Στα πλαίσια της παρούσας μεταπτυχιακής εργασίας επιχειρήσαμε να βρούμε το βέλτιστο Τεχνητό Νευρωνικό Δίκτυο (ΤΝΔ), το οποίο θα μπορούσε να κάνει πρόβλεψη της τιμής της επιφανειακής τραχύτητας έπειτα από τόρνευση του χάλυβα με υψηλή σκληρότητα AISI 4340 (69HRC). Αυτό έγινε καθώς προσπαθήσαμε να συγκρίνουμε την απόδοση των τεχνητών νευρωνικών δικτύων με την απόδοση των μοντέλων που προτείνουν στην δημοσιευμένη εργασία τoυς οι A.Agrawal, S.Goel, W.Bin Rashid και M.Price με τίτλο " Prediction of surface roughness during hard turning of AISI 4340 steel (69 HRC)" [1] . Στα μοντέλα αυτά χρησιμοποιήθηκαν πειραματικά δεδομένα τα οποία αποτέλεσαν και δεδομένα εκπαίδευσης των νευρωνικών δικτύων που αναπτύξαμε εμείς. Στη δημοσιευμένη αυτή εργασία αναφέρεται ότι ένα από τα τρία μοντέλα (το μοντέλο παλινδρομησης με τυχαία δάση) που αναπτύχθηκαν-εξετάστηκαν, έχει αποδειχθεί να είναι ανώτερο πολλών άλλων υπολογιστικών μεθόδων μια από τις οποίες είναι και τα νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα που αναπτύξαμε ήταν πρόσθιας τροφοδότησης (multi-layer perceptron - MLP) και προγραμματίστηκαν στη MATLAB. Για να καταλήξουμε σε ένα τέτοιο ΤΝΔ δοκιμάσαμε πολλούς διαφορετικούς συνδυασμούς αριθμών νευρώνων για δίκτυα με δύο κρυφά επίπεδα. Για κάθε αρχιτεκτονική, όπου εκπαιδεύσαμε 5000 ΤΝΔ, φροντίσαμε τελικά να φιλτράρουμε τα εκπαιδευμένα αυτά δίκτυα εντοπίζοντας και αποθηκεύοντας εκείνο το οποίο είχε το μικρότερο σφάλμα ελέγχου. Έπειτα, για την επιλογή της βέλτιστης αρχιτεκτονικής εντοπίσαμε αρχικά τις δομές με τα λιγότερα δεδομένα που είχαν σφάλμα >10% της ζητούμενης επιφανειακής τραχύτητας και στη συνέχεια προχωρήσαμε σε περαιτέρω διερεύνηση βασισμένη στη σύγκριση των μέσων τετραγωνικών σφαλμάτων (δίνοντας μεγαλύτερη βαρύτητα στο μέσο τετραγωνικό σφάλμα ελέγχου) μεταξύ των δομών αυτών. Για την εκπαίδευση των δικτύων χωρίσαμε τα δεδομένα σε τρια υποσύνολα όπου επιλέχθηκε ένας διαχωρισμός 70%-15%-15%. Το πρώτο υποσύνολο χρησιμοποιήθηκε για την εκπαίδευση, το δεύτερο για τον τερματισμό της εκπαίδευσης και την αποφυγή υπερεκπαίδευσης (κριτήριο του validation set) και το τρίτο για τον έλεγχό τους από εμάς και την επιλογή βέλτιστου δικτύου σε κάθε διαφορετική δομή. Όλα τα παραπάνω επαναλήφθηκαν για τρεις διαφορετικές μεθόδους-αλγορίθμους εκπαίδευσης: τον προσαρμοστικό αλγόριθμο ανάστροφης διάδοσης της πιο απότομης κατάβασης με χρήση όρου ορμής (gradient descent with momentum) "trainGDX", τον αλγόριθμο ανάστροφης διάδοσης των Levenberg-Marquardt "trainLM" και τον αλγόριθμο συζυγών κλίσεων scaled conjugate gradient "trainSCG". Για την καλύτερη σύγκλιση κατά την εκπαίδευση των ΤΝΔ, στα δεδομένα εκπαίδευσης και ελέγχου του δικτύου εφαρμόστηκε η τεχνική της κανονικοποίησης δεδομένων σε ένα εύρος μεταξύ 0–1 διαιρώντας, για κάθε παράμετρο, όλες τις τιμές με την μέγιστη τιμή της παραμέτρου, αντίστοιχα. Όσον αφορά το μέσο τετραγωνικό σφάλμα εκπαίδευσης, φαίνεται η μέθοδος trainGDX να έχει δώσει τα χειρότερα αποτελέσματα από τις τρεις μεθόδους. Ανάμεσα στην trainLM και την trainSCG φαίνεται η μέθοδος trainLM να έχει οριακά μικρότερα σφάλματα. Όσον αφορά το μέσο τετραγωνικό σφάλμα ελέγχου, φαίνεται η μέθοδος trainGDX να έχει οριακά χειρότερα αποτελέσματα από τη μέθοδο trainLM, ενώ μεταξύ των μεθόδων trainLM και trainSCG διαπιστώνουμε και ότι η μέθοδος trainSCG έδωσε μικρότερα σφάλματα ελέγχου από τη μέθοδο trainLM. Όσον αφορά τον ρόλο που παίζει το μέγεθος του δικτύου (ο αριθμός των νευρώνων στα κρυφά επίπεδα) στην απόδοσή του, μπορούμε να παρατηρήσουμε ότι καθώς κινούμαστε προς την αύξηση του αριθμού νευρώνων στο πρώτο κρυφό επίπεδο, φαίνεται να αυξάνεται ελαφρώς το σφάλμα ελέγχου για όλες τις μεθόδους. Για το σφάλμα εκπαίδευσης δεν παρατηρείται κάποιο αντίστοιχο συμπέρασμα. Από τα τρία βέλτιστα ΤΝΔ για κάθε μέθοδο εκπαίδευσης επιλέξαμε για σύγκριση με το μοντέλο παλινδρόμησης με τυχαία δάση, εκείνο το οποίο είχε το μικρότερο μέσο τετραγωνικό σφάλμα εκπαίδευσης και ελέγχου. Το δίκτυο αυτό είναι το βέλτιστο ΤΝΔ της μεθόδου trainLM με δομή 3-11-5-1. Το ΤΝΔ που επιλέξαμε ως βέλτιστο δίνει σαφώς καλύτερα αποτελέσματα από το μοντέλο παλινδρόμησης με τυχαία δάση το οποίο, από τα συνολικά 39 πειράματα, δίνει οριακά καλύτερο αποτέλεσμα μόνο σε 10 πειράματα ενώ παρουσιάζει σημαντικά μεγαλύτερο σφάλμα σε σχέση με τα αποτελέσματα του ΤΝΔ σε 8 δεδομένα.	el
heal.advisorName	Μανωλάκος, Δημήτριος	el
heal.committeeMemberName	Μανωλάκος, Δημήτριος	el
heal.committeeMemberName	Μαρκόπουλος, Άγγελος	el
heal.committeeMemberName	Βοσνιάκος, Γεώργιος-Χριστόφορος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	139 σ.	el
heal.fullTextAvailability	true