Алгоритмы адаптивных нейро-нечетких сетей ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит
Автор: Завражнов А.А., Завражнова И.А.
Журнал: Международный журнал гуманитарных и естественных наук @intjournal
Рубрика: Технические науки
Статья в выпуске: 1-3 (100), 2025 года.
Бесплатный доступ
Статья посвящена исследованию особенностей алгоритмов адаптивных нейро-нечетких сетей ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит. Отмечается, что в ряде исследований была продемонстрирована эффективность ANFIS в прогнозировании параметров качества древесных плит. Авторы анализируют основные компоненты ANFIS, выделяют преимущества ANFIS для прогнозирования поверхности древесных плит. В завершение авторы делают вывод о том, что использование ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит представляет собой перспективное направление, которое сочетает в себе точность, гибкость и устойчивость к неопределенности.
Алгоритмы адаптивных нейро-нечетких сетей, прогнозирование, оценка качества, древесные плиты, шероховатость
Короткий адрес: https://sciup.org/170208722
IDR: 170208722 | DOI: 10.24412/2500-1000-2025-1-3-136-139
Текст научной статьи Алгоритмы адаптивных нейро-нечетких сетей ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит
Проблема исследования состоит в том, что современная промышленность древесных плит сталкивается с необходимостью обеспечения высокого качества продукции, что требует применения современных методов и технологий контроля. Одним из наиболее эффективных инструментов для решения задач прогнозирования и оценки качества является адаптивная нейро-нечеткая система (ANFIS). Эта технология объединяет преимущества нейронных сетей и нечеткой логики, что позволяет эффективно обрабатывать неопределённые, изменчивые и шумные данные, с которыми часто сталкиваются в деревообрабатывающей промышленности.
Цель исследования – установить особенности алгоритмов адаптивных нейро-нечетких сетей ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит.
ANFIS – это комбинация нечеткой логики и нейронных сетей, которая применяется для создания моделей, способных к обучению на основе имеющихся данных. Основная идея заключается в том, чтобы использовать нечеткие правила, которые описывают взаимосвязь между входными и выходными данными, и оптимизировать эти правила с помощью нейронных сетей. Это позволяет системе обучаться и адаптироваться к изменениям в данных и условиях, что особенно важно для производственных процессов, зависящих от множества факторов. ANFIS (Adaptive Neuro-Fuzzy Inference System) является гибридной системой, которая использует обучение нейронной сети для настройки нечетких правил и функций вывода. Основные компоненты ANFIS включают:
-
1. Неопределенные правила: Формулирование правил, основанных на знаниях экспертов, для описания системы и ее поведения.
-
2. Нейронные сети: Использование нейронных сетей для автоматического извлечения знаний из данных, что позволяет системе самостоятельно адаптироваться к изменениям в процессе.
-
3. Обратное распространение ошибки: Метод обучения, который позволяет системе минимизировать ошибку прогнозирования за счёт регулирования весов связей в нейросети.
Качество поверхности древесных плит определяется множеством факторов, включая вид древесины, условия сушки, прессования и шлифования, методы обработки и другие параметры. Ошибки в оценке качества могут привести к значительным экономическим по- терям, поэтому автоматизация этого процесса становится всё более актуальной. В ряде исследований была продемонстрирована эффективность ANFIS в прогнозировании параметров качества. Например, в одном из проектов была создана система, которая анализировала данные о материале, процессе обработки и окружающей среде. Результаты показали, что ANFIS успешно справлялась с задачами прогнозирования и обеспечивала более высокую точность по сравнению с традиционными методами [1].
Архитектура ANFIS внедряет многослойный подход, состоящий из пяти уровней, каждый из которых выполняет уникальную функцию:
-
1. Первый уровень (фаззификация): На этом этапе система принимает входные значения и определяет функции принадлежности, соответствующие этим значениям. Это позволяет преобразовать точные входные данные в нечёткие значения, что является ключевым аспектом нечёткой логики.
-
2. Второй уровень (генерация силы срабатывания): В этом слое вычисляется сила срабатывания для каждого правила. Важно отметить, что на этом этапе учитываются значения, полученные на предыдущем уровне.
-
3. Третий уровень (нормализация): В этом слое происходит нормализация вычисленной силы срабатывания. Каждое значение делится на общую силу срабатывания, что позволяет упростить анализ и дальнейшие вычисления.
-
4. Четвёртый уровень (дефаззификация): Этот уровень принимает нормализованные значения и набор параметров следствия. Здесь происходит дефаззификация – преобразование нечётких значений в чёткие, которые могут быть использованы для окончательного вывода.
-
5. Пятый уровень (возврат конечного результата): На финальном этапе система возвращает результат, основываясь на данных из предыдущих уровней.
Обучение ANFIS является критически важным процессом, который позволяет системе адаптироваться к данным и повышать свою эффективность. Основным методом обучения является гибридный алгоритм, который комбинирует обратное распространение ошибки и градиентный спуск. Этот процесс продолжается до тех пор, пока ошибка на выходе се- ти не станет меньше заранее установленного порога. Алгоритм обучения ANFIS состоит из двух ключевых этапов: прямого и обратного хода [2].
Первый этап называется прямым ходом алгоритма и включает в себя несколько важных шагов. На этом этапе задаются начальные значения параметров первого адаптивного слоя. Эти параметры представляют собой весовые коэффициенты, которые будут изменяться в процессе обучения. Начальные значения могут быть выбраны произвольно или назначены на основе предварительного анализа данных. После задания начальных параметров производится вычисление на втором и третьем слоях сети. Эти слои отвечают за обработку входных данных и формирование нечетких правил, основанных на заданных входах. Процесс включает в себя применение нечетких операций, таких как агрегирование и импликация, что позволяет системе обрабатывать неопределенности и неточности в данных. После этого определяются параметры четвертого адаптивного слоя, который объединяет выходные результаты предыдущих слоев и генерирует итоговые выводы системы. На этой стадии вычисляется значение функции ошибки, которая позволяет оценить, насколько хорошо модель соответствует заданным выходным данным. Если значение функции ошибки находится в допустимых пределах, это означает, что модель достигла удовлетворительной точности, и обучение может быть завершено. Однако в большинстве случаев результаты требуют дальнейшей оптимизации, и тогда процесс переходит ко второму этапу [3].
На втором этапе, называемом обратным ходом алгоритма, применяется метод обратного распространения ошибки для уточнения параметров первого адаптивного слоя. Этот метод позволяет оптимизировать весовые коэффициенты с целью минимизации функции ошибки, достигнутой на первом этапе. Процесс обратного распространения требует вычисления градиентов ошибки по отношению к параметрам модели. На основе этих градиентов параметры обновляются с использованием подхода, аналогичного тому, что применяется в нейронных сетях. Это позволяет системе постепенно улучшать свои предсказания, корректируя веса в соответствии с направлением, которое приводит к снижению ошибки. После выполнения обратного распространения и уточнения параметров снова вычисляется функция ошибки. Если функция продолжает находиться за пределами допустимых значений, этапы прямого и обратного хода повторяются до тех пор, пока не будет достигнут желаемый уровень точности [4].
Древесные плиты, такие как ДСП, ДВП и фанера, играют ключевую роль в мебельной и строительной промышленности. Качество поверхности этих материалов критически важно, так как оно влияет на прочность, долговечность и эстетику конечного продукта. Традиционные методы оценки качества часто являются субъективными и трудоемкими. В последние годы алгоритмы адаптивных нейро-нечетких сетей (ANFIS) начали использоваться для автоматизации и улучшения точности таких процессов. Применение ANFIS в оценке качества древесных плит:
-
1. Сбор данных. Первоначальный этап включает в себя сбор данных о поверхности древесных плит, таких как:
-
- Шероховатость
-
- Цветовая однородность
-
- Наличие дефектов (трещины, сколы)
-
- Влажность
-
2. Разработка модели. На основе собранных данных разрабатывается модель ANFIS. Процесс включает в себя следующие шаги:
Данные могут быть собраны как с помощью измерительных приборов, так и методом визуального осмотра.
-
- Определение входных и выходных параметров: Входные параметры могут включать в себя различные характеристики поверхности, а выходными могут быть оценки качества в балльной системе.
-
- Формулирование нечетких правил: На этом этапе формулируются правила, которые связывают входные параметры с качеством поверхности.
-
- Обучение модели: ANFIS обучается на основе собранных данных, и параметры модели оптимизируются для достижения максимальной точности.
-
3. Прогнозирование качества. После обучения модель ANFIS может использоваться для прогнозирования качества древесных плит непосредственно в ходе производства. Вводя параметры, полученные в результате измере-
- ний, модель выдает оценки качества, которые могут быть использованы для принятия решений, например, о допустимости дальнейшей обработки материала или необходимости его переработки [5].
Преимущества ANFIS для прогнозирования и оценки качества поверхности древесных плит разнообразны. Одной из главных задач в оценке качества древесных плит является наличие неопределенности в данных, компенсируемое использованием нечетких логических правил. ANFIS способна учитывать эту неопределенность, что делает её особенно полезной в случаях, когда результаты измерений могут варьироваться. ANFIS демонстрирует высокую точность в прогнозировании различных параметров качества, таких как плотность, прочность, и эстетические характеристики. Модели, основанные на ANFIS, могут быть обучены на исторических данных, что позволяет им эффективно предсказывать будущие характеристики продукции. Нечеткие правила, используемые в ANFIS, легко интерпретируемы. Это позволяет специалистам по качеству древесных плит не только получать прогноз, но и понимать, на каких основаниях были сделаны эти выводы. Таким образом, возможность объяснить результаты становится важным аспектом для принятия решений.
Система ANFIS может быть адаптирована к различным требованиям и условиям производственного процесса. Например, её можно использовать для анализа данных с различных этапов обработки древесины, учитывая специфику каждого из них. Использование ANFIS позволяет выявить закономерности в данных, которые могут быть неочевидны при использовании традиционных методов анализа. Это, в свою очередь, способствует улучшению качества древесных плит и снижению брака на производстве. Автоматизация процессов прогнозирования и контроля качества с помощью ANFIS может значительно снизить затраты на инспекцию и контроль, что делает производство более экономичным и эффективным [6].
Таким образом, использование ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит представляет собой перспективное направление, которое сочетает в себе точность, гибкость и устойчивость к неопределенности. Эти пре- имущества делают ANFIS удобным инструментом для производителей и специалистов по качеству, способствуя оптимизации процессов и улучшению конечного продукта. В условиях современного рынка, где требования к качеству продукции и эффективность произ- водства становятся все более актуальными, внедрение таких технологий, как ANFIS, будет способствовать конкурентоспособности и успешному развитию предприятий в сфере деревообработки.
Список литературы Алгоритмы адаптивных нейро-нечетких сетей ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит
- S. Thirumalai Kumaran, Tae Jo Ko, Rendi Kurniawan, Changping Li, Uthayakumar M. ANFIS modeling of surface roughness in abrasive waterjet machining of carbon fiber reinforced plastics // Journal of Mechanical Science and Technology. - 2017. - № 31 (8). - P. 3949-3954. - DOI 10.1007/s12206-017-0741-9.
- Никонов, В.В. Разработка автоматизированной системы выявления нештатной сетевой активности и обнаружения угроз / В.В. Никонов, В.П. Лось, Г.В. Росс // Проблемы информационной безопасности. Компьютерные системы. - 2016. - № 2. - С. 60-69.
- Андриевская Н.В., Резников А.С., Черанев А.А. Особенности применения нейро-нечетких моделей для задач синтеза систем автоматического управления // Фундаментальные исследования. - 2014. - № 11-7. - С. 1445-1449.
- Евгенев Г.Б. Основы автоматизации технологических процессов и производств. В 2 т. Т. 1. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2015. - 448 с.
- Нурушева А.Р. Ансамблевый подход на основе нейро-нечетких систем для оценки алгоритмов оптимизации производственного планирования // Актуальные исследования. - 2024. - №19 (201), Ч. I. - С. 53-55.
- Нгуен Д.М. Влияние обучающих выборок на процесс обучения адаптивных нейро-нечетких сетей для решения задачи классификации деталей // Международный научно-исследовательский журнал. - 2013. - № 4 (11).