Budpesti Műszki Egyetem Doktoi ézisüzetei Gépészménöki K Doktoi nás Ít: Vihos Zsolt János Intelligens módszeek gyátási olymtok modellezésében és optimlizálásábn ímű témköből mellyel h.d okozt elnyeésée pályázik 1999
1. Beezetés Npjinkbn z inomtik előetöése tejeszkedése szinte beláthttln. Betö z élet z ip szinte minden teületée ngymétékben hozzájául minőségi tehniki gzdsági ejlődéshez lklmzásál eddig megoldhttlnnk tűnő eldtok álnk kezelhetőé. Így n ez gyátástehnológi teületén is. Meghtáozó méöldkőként jelölhető meg z első számjegyezélésű (NC - numeil ontol) mógép kiejlesztése 1952-ben mely lyukszlgon táolt pogm seéjéel könnyen átállíthtó olt lényegében tetszőleges munkdbok gyátásá [48]. Később z NC gépekben má egye ngyobb teljesítményű számítógépek működtek zz létejöttek számítógépes számjegyezélésű (Compute Numeil Contol - CNC) gépek. A megmunkáló szeszámok CNC gépeken töténő táolásál és z utomtikus seéjéel kilkultk megmunkálóközpontok (Mhining Centes - MCs) mjd munkdbok utomtikus táolásál és seéjéel uglms gyátóellák (lexible Mnutuing Cells - MCs). A uglms gyátóellákt iányítási hálózttl összeköte szállítás és ktáozás utomtizálásál épültek ki uglms gyátóendszeek (lexible Mnutuing Systems - MSs) és ezt toábbejleszte létejött számítógéppel iányított gyátás (Compute Integted Mnutuing - CIM). Így lkult ki mgokú gyátási utomtizáltság mely uglmsságánk köszönhetően egye gzdságosbbá ált. A álllti inomáiós endsze (Mngement Inomtion System - MIS) állltezetést látj el inomáiól és segíti döntéseiben (1. Áb.). A CAD (Compute Aided Design - CAD) temék- és gyátóeszközteezést CA (Compute Aided oess lnning - CA) gyátási olymtok CAS (Compute Aided Stoge nd nspot - CAS) szállítás ktáozás teezését szolgálj. A CAQ (Compute Aided Qulity - CAQ) minőségszbályozás S (odution lnning System) temelésszeezés és ütemezés z M (Mnutuing esoues lnning ill. Mteil equiement lnning - M) gyátási temelési eőoások teezésének eszköze CAM (Compute Aided Mnutuing) pedig számítógéppel segített gyátás elogdott kiejezése. MIS CAD M CAQ CA S CAS CAM 1. Áb. A temelés integáiós stuktúáj [48] A számítástehniki támogtottság tette lehetőé zt is hogy gykoltbn koábbi tpsztlti kíséleti lpokon nyugó olymtszbályozás helyett m má egye inkább temészettudományos endszetehniki iányítástehniki eedményeket elhsználó szbályozás lósul meg. Az inomtiki támogtás gykolti hsznát npjinkbn is olymtosn ézékeljük z egye jobb minőségű és ezzel szemben egye olsóbb temékek szolgálttások megjelenésén keesztül. 2
A temelésinomtik sjátosság lehet hogy intelligens unkiókt lósít meg zz biztosítj koábbn elhlmozott tudás beogdásánk és táolásánk tnulásnk és tudás hsznosításánk képességét. A szeszámgépek dptí iányítását tekinthetjük tnulásnk és tudás hsznosításánk első megjelenési omájként. A köetkező lépés olt ezélésbe beépített lgoitmusok dtbázisok megjelenése mjd npjinkbn jelennek meg tnulásnk és tudás lklmzásánk moden módszeei mint pl. szkétői endszeek mesteséges neuális hálóztok uzzy logikán lpuló köetkeztető endszeek ill. ezek integáiói. A moden intelligens módszeek iánti igényt muttt be má 1983-bn Htny Józse is ki megoglmzt hogy z intelligens gyátóendszeeknek bizonyos kolátok között lklmsnk kell lenniük hiányos és ponttln inomáiók lpján ismeetlen előe nem láthtó poblémák megoldásá is [47]. A gyátási olymtok modellezése szeezése z intelligens gyátóendszeek meglósításánk egyik meghtáozó lpköét jelenti. A modellezés iánti igény megétéséhez előszö szimuláió oglmát szükséges tisztázni. A szimuláió lmilyen endsze összeteői áhtó ejlődésének lkulásánk számbétele mtemtiki modell segítségéel [50]. A modell bonyolult endszeek egyszeűsített minden észletében áttekinthető gykoltilg meglósított gy szemléletesen elképzelt ányosn lekisinyített gy elngyított mtemtikilg szbdosn leíhtó idelizált más mely többékeésbé helyesen szemlélteti izsgált endsze gy olymt sjátosságit. A modelllkotásnál tudtábn kell lenni nnk hogy modell nem zonos izsgált endszeel gy olymttl és nem tüközi mdéktlnul nnk összes tuljdonságit. A helyesen meglkotott modell mégis mgán iseli z objektí ilágbn megléő endsze gy lejátszódó olymt ontos isméeit és így lklms döntő töényszeűségek eltáásá és szemléltetésée [82]. Dolgoztombn mesteséges intelligeni egyik ágánk mesteséges neuális hálóztoknk mint olymtmodelleknek gyátástehnológii elhsználásál ogllkozom. A kuttás soán kidolgozott módszeeket és meglósított eszközöket különböző gyátási (ogásolási) olymtok modellezésée és optimlizálásá lklmztm. 2. A kuttás élkitűzései Npjink lp- és lklmzott kuttási iányink áttekintése lpján megállpíthtó hogy gyátástehnológiábn z inomtiki támogtottság olymtosn nöekszik és ezzel páhozmosn jul z előállított temékek minősége sökken költsége. A mi inomtiki ejlődés egyik legngyobb kihíás z intelligens gyátóendszeek meglósítás. Bá Htny Józse igen jól deiniált hogy melyek z eláások z intelligens gyátóendszeekkel szemben [47] ennek kpsán mégis élszeűnek ttom megizsgálni z intelligeni Új Mgy Lexikonbn tlálhtó deiníióját [88]: Intelligeni - Az ételmi működés okméője. Elsősobn mint z egyének új köülményekhez ló lklmzkodó képessége muttkozik meg mely szoosn összeügg z előzőleg szezett tpsztlti nyg lklmzásál helyzet mozzntink szélesköű igyelembeételéel és gondolkodóképességgel. Megkülönböztetünk elméleti intelligeniát: z elméleti poblémákbn ló tájékozódásnk zok megoldásánk képességét megszezett ismeetnyg ételmes elhsználás lpján lmint gykolti intelligeniát: lmely ismeetnyg gykolti hsznosításánk lklmzásánk közetlen teékenységben megnyilánuló képességét. 3
Ebből deiníióból két lényeges tuljdonságot emelnék ki: 1. A tudás megszezésének és táolásánk képességét tnulási képességet. 2. A tudás lklmzásánk képességét. Láthtó hogy z intelligens gyátóendszeeknek képesnek kell lenniük tnulás tudásszezése és e tudást hsználtá hsznosításá is. A számítógéppel integált gyátás nyújt segítséget lpot z intelligens gyátóendszeek meglósításá. Npjinkbn ez olyn pogmok pogmendszeek létehozását jeleni melyek képesek ezeket z eláásokt meglósítni. Étekezésemben is mesteséges neuális háló lpú olymtmodellezéssel ogllkozom. Kuttómunkám kezdetén köetkező eldtokt éloztm meg: A mesteséges neuális hálók gykolti gyátástehnológii lklmzási módszeeinek izsgált. Az lklmzás áltlános lépéseinek megállpítás étékelése. A gyátásteezés és gyátás különböző szintjein jelentkező eldtok izsgált különbségek zonosságok megállpítás. eldttól (gyátás(teezés)i szinttől) üggetlen pontossági köetelményeket kielégítő áltlános neuális háló modell elépítését égző módsze kidolgozás tudás elhlmozás és táolás. Az áltlános neuális háló modell lklmzási lgoitmusánk kidolgozás gyátás különböző szintjein és teületein dódó eldtok megoldásá. Olyn lgoitmus kidolgozás mely z áltlános neuális háló modellt hsználj gyátási olymtok optimlizálásá. Gyátósook lexibilis modellezésée lklms módsze kiejlesztése. Gyátósook gyátási olymtok különböző szintű és élú optimlizálásá lklms eljáás kidolgozás és meglósítás. Gyátósook gyátási olymtok többélú optimlizálás esetén lehetséges kompomisszumok eltáásá lklms eljáás kiejlesztése és meglósítás. 3. Nemzetközi áttekintés Mehnt z 1998-bn megendezett CI (he Intentionl Institution o odution Engineeing eseh) Intentionl Wokshop on Modeling o Mhining Opetions koneenián megjelent ikkében bemuttt hogy gyátási ogásolási olymt megelelő modellezése óiási gzdsági hszonnl kesegtet [57]. A gyátási olymtok szimuláiójánk szükségességét indokolj ilágszete ismet állltok édeklődése is hiszen közismet hogy egy pioientált temelő álllt sk kko ogllkozik lmely témköel h áodított eőoások megtéülnek és későbbiekben hsznot hoznk. Édeklődést muttnk többek közt köetkező állltok is: Genel Motos [80] od Moto Co. [26] he Boeing Co. [75] Ctepill In.; USA [32] Kennmetl In. USA [90] Colding Intentionl Copotion USA [35]. A mesteséges neuális háló lpú modellezés má hzi igényként is jelentkezik. éldául én is égigittem egy ipi pojektet itt Mgyoszágon székesehéái od gyábn hol z összeszeelt indítómotook működési modelljét kellett meglkotni [21]. 4
A CI ogásolási Munksopotj gyátási ogásolási olymtok szimuláiój kpsán köetkező őbb élokt tűzte ki [56]: 1. A olymtok teezése. 2. A olymtok optimlizálás. 3. A olymtok szbályzás. 4. A olymtok szimuláiój. 5. A olymtok köülményeinek könyezetének teezése. A gyátás egyik meghtáozó olymtánk ogásolásnk szimuláiój modellezése is igen ontos szeepet kp z intelligens gyátóendszeek meglósításko. A ogásolási olymtmodellek típusit muttj CI "Modelling o Mhining Opetions" neű munksopotjánk z 1998-s beszámolój [56]: 1. Anlitikus modellek Az nlitikus modellek első képiselője o. M. Eugene Mehnt ki egy nyíási sík eltételezéséel meglpozt ogásolás nlitikus modellezését [58]. Mehnt munkáj két lpető iziki eltételezésen lpszik [57]: ogásegyensúly: ogás úgy tekinthető mint egy mee test melye külső eők htnk. Az eedő eő és nyíási sík ogásolás soán egy meghtáozott szöget zá be [57][58][27]. Az elmúlt éek soán számos nlitikus modell keült kiejlesztése és elhsználás. Li és munktási ogáslási eő háom komponensét és ogásolási hőmésékletet és ogásképződés pméteeit beslik nlitikus modell lklmzásál eklenik és Jeele ogásolási eő komponenseit és ogásolási teljesítményt besli egy ogásolási olymt enegiátdási modelljét elhsznál [74]. A ogásolási olymttl kpsoltos döntések támogtásá ejlesztettek ki Chyssolouis és munktási egy eszközt mely ogásolási eő meghtáozásá egy z enegiminimum elén lpuló nlitikus modellt hsznál [33].. Oxley munkásságát [73] olytt nlitikus modellt hsználnk Jwhi és munktási ogásolási olymt "belső" pméteeinek meghtáozásá [51]. 2. Empiikus modellek Az empiikus modellek má keésbé lpsznk ogásolási olymt megétésén egzkt leíásán sokkl inkább gykolti tpsztltokon megigyeléseken. Mehnt is leíj hogy z empiikus modellezés méési dtok lmilyen intepoláióján lpul így egy jobb könnyebben hsználhtó eszközt nyújt mint h supán méési dtink egy hlmz lenne megd [57]. Az empiikus modellezés tlán legjelentősebb legkoábbi lkj ylo közismet neét iselő összeüggés meglkotój olt [81]. Az empiikus modellezés előnyeit és hátányit ngyon jól összeogllt obin Steenson Genel Motos eseh nd Deelopment Cente Munktás [80]. Amengo és Whitield ogásolási eőt és teljesítményt besül empiikus üggényekkel [25]. Shultz és Bimshs empiikus összeüggést hsznál más esetén ogásolási eő beslésée [76]. Betil N. Colding Colding Intentionl Copotion-tól is empiikus összeüggéseket hsznál szeszám élttmánk és ogásolási eő meghtáozásá. Ngyon ngy számú háomeze különböző nyg és szeszámkombináió dt meg konstnsok étékeit [35]. A elületi édességet meghtáozó modellt (képletet) mutt be ng esztegálás esetén [42]. Wight és munktási mási olymt esetén ogásolási eő és elületi édesség leíásán túl 5
még munkdb pontosságá is dnk nlitikus-empiikus zz hibid modellt [94]. önsho és munktási empiikus modelleket (képleteket) gyűjtöttek össze köszöülési olymt leíásá [83]. Empiikus összeüggést hsználnk Yemeddy és munktási ogásolási eő háom komponensének elületi édességnek lmint kopottságnk meghtáozásá [95]. Az empiikus összeüggést összehsonlítják egy mesteséges neuális háló modell beslési eedményeiel és egyételműen köetkeztetnek hogy beslési pontosságot tekinte mesteséges neuális háló lpú modell elülmúlj z empiikus megközelítést. 3. A ogásolás lpető ismet iziki összeüggésein lpuló modellezési tehnikák pl. égeselemes modellezés dieeniálegyenletek hsznált A ogásolás lpető ismet iziki összeüggésein lpuló modellek: A különböző dieeniálegyenletek elíásko modelllkotó mindig lmilyen iziki összeüggést eltételez és ezt z összeüggést oglmzz meg lmilyen legtöbbszö dieeniálegyenlet(ek) lk(já)bn [79][80]. Ezt modellezési módszet sokn z nlitikus modellek egyik ágként ismetetik met z összeüggések megoglmzásko sokszo Newton-i izikát gy lmely lpető kuttási eedményt hsználnk el (pl. súlódás olymt hőátdás stb.). Az egyenlet(endszeek) megoldásá leggykbbn lklmzott tehnik égeselemes megoldási módsze de temészetesen sokszo z egyenletek diekt módon is megoldhtók.. Steenson Genel Motos munktás ismeteti égeselemes módszeek előnyei és hátányit [80]. A égeselemes módszeeknek legngyobb előnye hogy ezek egy igzi pediktí eszközt dnk z lklmzó kezébe [55]. oblém hogy szükség n z eedmények jóáhgyásá összeetésée gykolti tpsztltokkl. Gbe ogásolási olymtot egy nem lineáis kotikus olymtként ogj el [44] mely egzkt mtemtiki leíást igényel [72]. A káosz létezésének igzolásál ogllkoztk Bukkptnm és munktási kik ngyszámú kíséletet égeztek esztegálás esetén [30]. A méési eedmények lpján köetkeztetése jutottk hogy ogásolási olymt egy lsony dimenziójú kotikus olymt így olymt pméteei közti összeüggéseket különböző tnuló lgoitmusok meg tudják tnulni és miel z ilyen olymtok szbályozhtók így ogásolási olymt is z. A ogásolás kotikus iselkedésének ismeete ezette Goekt és Gbe-et hogy ogásoló szeszám élttmánk meghtáozásá ogásolási eőből számított káoszelméletből számzó pméteeket hsználjnk [45]. A ogásképződés olymtá épített égeselemes modellt Shiksi és Obik [77]. Ehhez hsonlón épített égeselemes módszet Ceetti is ki zt megoldást hsznált ogáslás töési olymtink modellezésée hogy h egy elem pméteei eléték töési kitéiumot kko zt z elemet töölte z nygból [31]. Loell és munktási igyelembe ették szeszámbeontolás htását is [55]. 4. Mesteséges intelligeni módszeeken lpuló modellek A mesteséges intelligeni módszeek lklmzás egy iszonylg új megközelítést képisel ogásolási olymtok modellezésében. Az intelligens iselkedésnek egyik legontosbb lpköe endszeeink tnulási dptáiós képességének biztosítás [16]. Különösen így n ez ogásolási olymt modellezéseko hiszen itt áltlábn nem ismetek pméteek közti pontos összeüggések kpsoltok [17]. Az intelligeni egy másik igen ontos lpköe megszezett 6
tudás táolásánk módj más néen tudásábázolás. Ebből szempontból mesteséges intelligeni módszeeket két észe lehet osztni: szimbolikus és szubszimbolikus módszeeke. A ogásolási olymt modellezésée áltlábn szubszimbolikus módszeeket hsználnk. Ennek ok z hogy ogásolási olymt modellezése gyátásszimuláió lsó szintjén helyezkedik el hol lósidejűség szenzointegáió hibtűés stb. köetelményei mitt inkább szubszimbolikus módszeek legtöbbszö mesteséges neuális hálók ngyszámú lklmzás igyelhető meg [15][21]. Li és munktási mesteséges neuális hálót hsználtk hogy z nlitikus modellből számított eő hőméséklet és ogás pméteek lpján megbesülje kopottságot munkdb elületi édességét és ogás töési tuljdonságát ( ogássűűség index pméte lklmzásál) [53]. A szeszámkopottságot besülte Doneld eő és kusztikus emissziós méési jelekből számított pméteek elhsználásál [38]. Mesteséges neuális hálót hsználnk Yemeddy és munktási ogásolási eő háom komponensének elületi édességnek kopottságnk meghtáozásá [95]. A mesteséges neuális háló lpú modellezés hátány hogy nem pediktí tnulási minták teén kíüli újbb eldtok esetén ismételten kíséleteket kell elégezni. Az dtok intepoláiójánk módjábn iszont igen ngy eltéés igyelhető meg mesteséges neuális háló lpú és z empiikus modellek között. A mesteséges neuális háló modellek ngyobb dtmennyiséget igényelnek iszont többek közt htlms előnye ennek tehnikánk hogy z empiikus modellekkel szemben nem szükséges pméteek közti összeüggéstípusok modelllkotás előtti ismeete modelllkotás ( tnulás) soán ezt mguk megtlálják. Ennek z előnynek iszont z z "á" hogy modelllkotási zz tnulási ázis áltlábn hosszbb mint z empiikus modellek esetén. Munkdb megmunkálási idejét besüle ezeke köetkeztetése jutott pl. Wnk és Stokton is [91]. Dolgoztombn is mesteséges neuális háló lpú modellezéssel ogllkozom. A gyátási olymtok optimlizálásábn is lényeges szeepet kpnk olymtmodellek. A köetkezőkben néhány gyátási ogásolási példát muttok be melyek különböző gyátási szinteken tüközik olymtok optimlizálásánk különböző lehetséges megoldásit. Jwhi és munktási égeselemes és nlitikus modelleke lpozott optimlizáló eszközt lósítottk meg [51]. Colding bemuttt hogy z áltl meglkotott empiikus ogásolási modell is hsználhtó z optimlizálásbn [35]. Empiikus ogásolási modelleket hsznál Wight és Stoi ogásolási pméteek optimlizálásához [94]. Kiáló ikkükben leíják hogy: z legjobb szimuláió melyik legpontosbbn besli z ismeetlen pméteeket mi szimuláiós eszközök nem támogtják megelelően teezést melynek egyik ok hogy szimuláiós modellek legtöbbszö nem inetálhtók így szimuláiót egy itetí eljááson keesztül lehet optimlizálás hsználni mely legtöbbszö hosszú ideig tt. Más esetén optimális szeszámpályát htáozott meg Shultz és Bimshh kik ehhez elhsználták z áltluk meglkotott gép munkdb és tehnológi modellt [76]. Cikkükben áttekintést dtk mási pméteek egy lehetséges optimlizálásáól melyet ht szinte osztottk. Gyátósook optimlizálás élj Westkämpe-nek és Shmidt-nek kik háom szempontot ettek igyelembe: gyátási költségek és gyátási idő minimlizálásá tettek jsltot úgy 7
hogy gyátott temék kielégítse minőségi köetelményeket [92][93]. Mindkét optimlizálásbn olymtmodellnek szezők mesteséges neuális hálókt jsolnk. Optimlizálás nem sk megmunkálás szintjén lehetséges hnem temelés más szintjein is. Ilyen üzem szintű optimlizálást lósítottk meg Bley és munktási is [29]. Az üzemszintű temelés-szimuláió eszközeként SIMLE++ pogmot hsználták mely különböző beállításoknk megelelően szimulált temelést és így meghtáozt temelést kiétékelő pméteek étékeit melyeket beállítási pméteekkel együtt eltáoltk. 4. Hzi előzmények és hátté Az intelligens gyátóendszeekkel és mesteséges intelligeniál kpsoltos kuttások hzi teületen 80-s éekig nyúlnk issz melyek gykoltilg z első nemzetközi kezdeményezésekkel egy időben indultk [28][39][40][41][47][48][49][59][60][61][62][63][64] [65][66][67][68][69][70][71][78][79][87][89][36][84][86]. A teülethez kpsolódó kuttások háom jelentős intézmény neéhez űződnek: Budpesti Műszki Egyetem Miskoli Műszki Egyetem MA SZAKI. A Budpesti Műszki Egyetem ngy hgyományokkl endelkezik megmunkálási olymtok modellezése optimlizálás méése és dptí szbályozás teén (Alpek een Hoáth Mátyás Mkos Sándo Mészáos Ime Stépán Gábo Somló János Szly ibo) A Miskoli Műszki Gépészménöki Kán jelentős kuttási és ejlesztési munkák olytk melyek soán különböző gyátási és olymtmodellek keültek elhsználás. Az egyes olymtok szimuláiój különböző modellezési tehnikákon lpult (pl. uzzy neuális háló empiikus nlitikus SIMLE++ stb.) (Cse Istán Dudás Illés Edélyi een Kundák János óth ibo). Az intelligens gyátóendszeek és z intelligens tehnikák hsznált gyátás különböző teületein témábn z MA SZAKI-bn 80-s éek kezdetén indultk kuttások Hemn Gyul ezette osztályon. émezetőm Monostoi László iányítás mellett jelentős eedmények születtek digitális jeleldolgozáson és lkelismeésen lpuló többunkiós elügyeleti endszeek kuttás és ejlesztése teén. Szintén Monostoi László neéhez űződnek mesteséges neuális hálóztok kuttásábn és gépipi lklmzásábn elét eedmények is melyek munkám kiindulópontját képezték. A mesteséges intelligeni különböző élú gépipi elhsználás teén számotteő mgy ontkozású kuttások és ejlesztések oltk melyek közül legjelentősebbek izuális lkelismeés obotik teületén Vámos ibo és Bátho Miklós beogószekezetek teületén Mákus Andás olymtteezés és optimlizálás teületén óth ibo képlékenylkítás teületén Cse László gyátóendszeek teezése és szimuláiój teén Koás Gyögy és Mezgá Istán munkái. A genetikus lgoitmusok lklmzás olymtteezésben Hoáth Mátyás Mákus Andás Vánz Józse neéhez űződik. Külön ki kell emelni Htny Józse munkásságát mely jelentősen beolyásolt z MA SZAKI-bn és Mgyoszágon olyó kuttási munk iányonlát és nemzetközileg is komoly elismeést tott. 8
A mesteséges neuális hálóztok teületén osk más és kuttósopotj égzett nemzetközi szintes is kiemelkedő kuttásokt és ejlesztéseket. 5. A kuttás módszee A kuttási teékenység soán z iodlomkuttás poblémeletés megoldás kuttás eljáásejlesztés poblémát megoldó eszköz kilkítás lépések egymás épülő és kölsönös olymtát köettem. Az így létehozott eszközök teszteléséel kíséletekkel endszeejlesztéssel lmint gykolti lklmzások kilkításál igzoltm létehozott eljáások és eszközök lklmzhtóságát. Az intelligens gyátás és mesteséges intelligeni endszeek endkíül átogó sok tudományágt éintő ejlődési iányztokt képiselnek mit kuttási módszetn megteezésénél messzemenőleg igyelembe kellett ennem. Koábbi kuttásim soán má ogllkoztm ogásolási olymt neuális háló lpú modellezéséel [14][18][20][22] és ez olt témáj z MA SZAKI Bési és Budpesti Műszki Egyetem együttműködése keetében elkészített diplommunkámnk is [1][17][24]. Szkiodlmi kuttómunkám soán áttekintettem z intelligens gyátás és ezen belül is mesteséges intelligeni ill. mesteséges neuális hálóztok gyátástehnológii lklmzásánk nemzetközi és hzi iodlmát lmint teületen ellelhető elméleti és gykolti eedményeket tpsztltokt. nulmányoztm gyátásteezés és gyátás különböző szintjein hsznált neuális hálóztok lklmzásánk sttégiáját z lklmzás áltlános lépéseit ill. gyátási olymtok optimlizálásánk módszeeit eltételeit. A gyátási olymtok modellezéseko igen gykn olytonos áltozók közti összeüggéseket kell modellezni és modellnek endelkeznie kell intepoláiós képességgel. Ez két eltétel ngymétékben meghtáozz z lklmzhtó neuális háló típusát. A különböző neuális háló típusokól igen jó áttekintő képet d Lippmnn ikke [54]. olytonos pméteek közti modellezése és intepoláió lklms modellként többek közt Lippmnn is Multi Lye eepton-t jelöli meg [54]. E hálótípus toábbi előnye még z hogy ejtett étegében ngyokú multidimenziós nemlineáis tnszomáiót lósít mely igen kedező nemlineáis összeüggések (mik pl. számos gyátási olymtbn megigyelhetők) modellezéseko. Ezek z előnyös tuljdonságok (és pesze tnulási képesség) ill. z előzőekben megoglmzott eláások mitt álsztottm ezt neuális háló típust modellezési eszköznek és ugynennek hálótípusnk z lklmzási lépéseit izsgáltm meg észletesebben. A neuális hálóztok gyátástehnológii lklmzás soán megigyelhető áltlános lépések eltáás után ámutttm mesteséges neuális hálók klsszikus lklmzásánk gyengeségeie. A gyengeségek ismeete lpján zonosítottm zt z áltlánosn hsznált lépést mely ezeket gyengeségeket okozz. Ez lépés z dott eldttól üggő modelllkotás olt. A poblémát okozó áltlános lépés zonosítás után egy új lgoitmust dolgoztm ki mely modellépítést modellezendő olymttl kpsoltos dott ill. lehetséges eldtoktól üggetlenül építi el neuális hálómodellt élj pméteek közt léő dott pontossággl modellezhtő összeüggések meghtáozás. A olymt leíásához hsznált összes pméte közt léő lmennyi összeüggést mgáb oglló modellt olymt áltlános modelljének neezem így kidolgozott modellépítési eljáás olymt áltlános modelljét dj eedményül. 9
10 Az lgoitmust meglósító eszköz tesztelése zt muttt hogy z áltlános modell má megszüntetheti ent megismet gyengeségeket. Az áltlános modell elépítése zz modell input-output koniguáiójánk meghtáozás z dott eldttól üggetlenül zjlik így kidolgoztm egy módszet zz egy új lgoitmust melynek elhsználásál z áltlános modellt lklmz megoldhtók z dott olymttl kpsoltos különböző eldtok (2. Áb.). ε ε ε ε ε ε ε ε ε ε ε ε Adott (ismet) pméteek Keesett (ismeetlen) pméteek A eldt lpján A modell közetlen hsználtál ε ε ε ε ε Az áltlános modell elépítése eldt(ok) Modellépítés eldtmegoldás ε ε ε ε Az áltlános modellt elhsználó keesési lgoitmussl A mesteséges neuális hálók klsszikus lklmzás eldtmegoldás z áltlános modellel 2. Áb. A mesteséges neuális hálók klsszikus és z áltlm kidolgozott (z áltlános modellt elépítő és zt egy keesési eljáásbn lklmzó) eldt-megoldási sttégi közti különbségeket szemlélteti z áb. Az így kidolgozott eldtmegoldási-sttégi megoldj mesteséges neuális hálók klsszikus lklmzásál kpsoltos koábbn má ismetetett poblémákt.
Az így kiejlesztett áltlános modellt lklmzó eszköz tesztelése zt muttt hogy megoldhtóá álnk z dott gyátási olymtot meghtáozó gyátásteezés és gyátás különböző szintjein és teületein jelentkező eldtok mi több z eszköz ismételt hsználtál z dott eldt több megoldás is meghtáozhtó. A gyátási optimlizálás módszeeinek és eltételeinek elemzése soán zonosítottm különböző módszeek zonos és eltéő lépéseit és tehnikáit [48][85][87]. Az zonosságok köetkezők oltk: Minden esetben nnk kolátozó eltételek. Minden esetben nnk modellek melyek különböző pméteek közti összeüggéseket íják le lmely tudásábázolási mód segítségéel. Minden esetben n(nk) optimlizálási él(ok). Az eltéések köetkezőkben muttkoztk: A különböző lklmzásoknál eltéőek kolátozó eltételek. Az egyik legngyobb különbség pméteek közti összeüggéseket leíó modellek különbözősége. A másik legngyobb különbség z optimlizálndó él(ok)bn jelentkezik. Az eltéések és z zonosságok elismeése után egy olyn eljáás lgoitmus és ezeket lklmzó eszköz kiejlesztését tűztem ki élul mely: lehetőé teszi gyátósook kpsolt olymtok modellezését optimlizálását lklmzhtó gyátásteezés és gyátás különböző szintjein lehetőé teszi különböző optimlizálási eldtok különböző kolátozási eltételek melletti elégzését különböző típusú olymtmodelleket is tud hsználni z összeüggések leíásá egy időben különböző éloknk megelelően tud optimlizálni különböző élok ontosság áltoztthtó támogtj különböző optimlizálási élok között lehetséges kompomisszumok meghtáozását z előző szempontok áltozttásábn megelelően uglms. A meglósításhoz egy új lgoitmust dolgoztm ki és kiejlesztettem "oessmnge" keetendszet. A pogm lehetőséget d kpsolt olymtok modelljének összeállításá és optimlizálásá. A kuttás soán kiejlesztett eszközöket lklmztm elméleti összeüggések ill. empiikus összeüggéseken és mééseken lpuló ogásolási olymtok modellezésée olymtokkl kpsoltos eldtok megoldásá és olymtok különböző szempontú optimlizálásá is. Az eszköz tesztelése látámsztott gykolti lklmzhtóságot. 11
6. A kuttás eedményei tézisek Az egyes tézisek égén // záójelek közt tüntettem el disszetáió dott tézishez ttózó ejezetét. A tézisekben dőlt betű jelzi konkét eedményeket állításokt többi eletés mgyázt. A kuttásimbn koábbn említett okok mitt (5 ejezet) z előeezető (többétegű peepton) hálómodellel ogllkoztm tézisek is ee (leggykbbn hsznált) mesteséges neuális hálótípus ontkoznk. 1. ézissopot A gyátásbn lklmzott mesteséges neuális háló lpú olymtmodellezés áltlános lépéseinek zonosítás. A mesteséges neuális hálók klsszikus lklmzásánk (3. Áb.) gyengeségei. A gyengeség okánk meghtáozás z áltlános modell eletése és deiniálás. eldt Megoldás Síkesztegálás - meghtáozás d L = ADO (ismet) =??? (ismeetlen) ogásolási kíséletek Beállított: : 0.25 1.75 [mm] : 0.1 0.45[mm/e.] : 2.12 4.89 [m/se] Mét: : 0.4 4.95 [mion] A mesteséges neuális háló elépítése besült ismet 1.75 1.25 0.75 0.25 1 9 17 25 33 41 49 50 tesztdt besült ismet 0.3 0.1 1 8 15 22 29 36 43 50 50 tesztdt 4.12 2.12 eszteedmények besült ismet 1 7 13 19 25 31 37 43 49 50 tesztdt Az inputok (ismetek) és z outputok (ismeetlenek) meghtáozás 3. Áb. Az áb mesteséges neuális hálók klsszikus lklmzásánk négy lépését muttj (egy síkesztegálási példán bemutt). A mesteséges neuális hálók klsszikus lklmzás lpján z ismet pméteek lkotják háló bemeneteit z ismeetlenek pedig kimenteit. 1.1. A mesteséges neuális hálók klsszikus lklmzásánál olymtmodellezés z dott eldt lpján töténik zz eldt megoldás soán ismet pméteek szeepelnek modell inputjiként z ismeetlenek pedig modell outputjiként. Bemutttm hogy mesteséges neuális hálók klsszikus lklmzás zz eldt lpján töténő modellépítés z itt elsoolt hátányokkl endelkezik: A klsszikus lklmzási sttégi szeint modell lklmzásához ismeni kell modell input pméteeit melyek lpján lehetőé álik z output pméteek beslése. H egy másik eldtbn ettől eltéő z ismet-ismeetlen pméteek hlmz kko klsszikus lklmzási sttégi szeint új el kell égezni 12
modellépítést zz sk kolátozottn lósul meg elhlmozott megtnult tudás újhsznosításánk lehetősége. [2][13] /7.2.1/ A klsszikus módsze nem oldj meg nem-inetálhtó összeüggések modellezésének poblémáját. A sttégi nem biztosítj hogy modellépítés soán z egyes pméteek z inetálhtóság szempontjából helyesen keüljenek modell inputjá ill. outputjá. [8][12] /7.2.2/ A modellépítés nem eszi kellően koán igyelembe modellel szemben támsztott pontossági köetelményeket modell beslési pontosság sk modell tesztelése soán keül meghtáozás. A modellel szemben előít pontossági köetelmények teljesítése különösen ngy hngsúlyt kp egymássl kpsoltbn álló olymtok pl. gyátósook modellezése esetén. [2][3][12] /7.2.4/ A poblémák okink keesése és mesteséges neuális hálók klsszikus lklmzási sttégiájánk tnulmányozás soán elismetem hogy z itt elsoolt hátányok ok z hogy ez módsze modellépítés soán nem eszi igyelembe álsztott (előeezető) mesteséges neuális háló leképzési képességét. [1][6][10][12] /8.1/ 1.2. A gyátásteezés és gyátás különböző hiehikusn szeezett szintjeihez kpsolódó döntések áltlábn z dott gyátási eldttl kpsoltos gyátási olymt bizonyos észeinek pméteeinek meghtáozását jelentik. A gyátási olymt modellezése olymt bizonyos pméteei közti összeüggéseket íj le gyátássl gyátásteezéssel kpsoltos döntések olymtpméteek megálsztásál étékeinek megkötéséel egyenétékűek (pl. modellezés szempontjából szeszámálsztás szeszámot leíó pméteek étékeinek megálsztását jelenti). Az egyes pméteek megkötése pedig meghtáozó szeepet játszik toábbi döntések meghoztl soán. A gyátásteezés és gyátás hiehikusn szeezett szintjein entől leelé hld egye nő olymttl kpsoltos kötött pméteek szám és olymtosn sökken még szbdon álszthtó pméteek szám. Lentől elele hld olymt pontosn odított. A gykoltbn különböző szinteken dódó eldtok megoldásá különböző észletességű modelleket hsználnk. E elismeésem lpján eletettem hogy gyátásteezés és gyátás hiehikusn endezett szintjein jelentkező eldtok megoldásához elegendő lehet egy olymtot áltlánosn és észleteiben leíó modellt hsználni. Ezt modellt olymt "áltlános modelljének" neezem melyet lehetséges megoldndó eldtoktól üggetlenül építünk el és melynek mgáb kell ogllni olymt leíásához hsznált összes pméte közt léő összes összeüggést. [10][11] /7.2.3/ 13
2. ézissopot Neuális háló lpú áltlános modell elépítése üggetlenül gyátási olymttl kpsoltos dott ill. lehetséges eldtoktól. 2.1. A mesteséges neuális hálók klsszikus lklmzásánk gyengeségeinek és gyengeséget okozó lépéseknek zonosítás után egy új eljáást lgoitmust dolgoztm ki mely z dott olymttl kpsoltos dott ill. lehetséges eldtoktól üggetlenül égzi olymt neuális háló lpú áltlános modelljének elépítését. elismetem hogy eldttól üggetlen neuális háló modell elépítését modell input-output koniguáiójánk utomtikus eldttól üggetlen meghtáozásál lehet megoldni. Bemutttm hogy modell input-output koniguáiójánk utomtikus meghtáozását modellépítés zz tnulás soán lklmzott keesési lgoitmussl lehet megoldni. Megállpítottm hogy keesési té z dott olymt modelljének összes lehetséges input-output koniguáiójából áll és hogy keesési té egy pontjánk kiétékeléséhez el kell égezni ponthoz ttozó input-output koniguáiól endelkező háló tnítását. ámutttm hogy ez kiétékelési módsze időigényes ezét sequentil owd seletion (SS) [37] keesési lgoitmust jsoltm meglósítás. Kidolgoztm zokt módosításokt és lépéseket melyek z SS lgoitmust lklmz olymt "áltlános modell"-jét dják eedményül. Az lgoitmus egyszee tnulási és keesési lgoitmus is mely neuális háló tnulási sebességét hsználj heuisztikként. Az lgoitmust "Neue2" pogmsomgbn lósítottm meg. [10][11][12] /8.2/ Az lgoitmus több előnyös tuljdonsággl endelkezik: A lgoitmus eedményeként kpott modell megoldj nem-inetálhtó összeüggések poblémáját. [10][11][12] /8.3.1/ Má modellépítés soán igyelembe eszi modellel szemben támsztott pontossági köetelményeket. [6][10][11][12] /8.2/ Megtlálj z előít pontossággl modellezhető összeüggések mximális számát. [10][11][12] /8.3.2/ 2.2. Az lgoitmus megismételt utttás különböző áltlános modelleket eedményez. Bemutttm hogy többszö megismételt keeséssel z dott olymt különböző lehetséges áltlános modelljei állíthtók elő. Kíséletsoozttl igzoltm hogy z ismételt keesés áltl szolgálttott különböző áltlános modellek beslési pontosság között áltlábn nins szigniikáns különbség zz z dott olymt áltlános modelljének elépítéséhez elegendő keesést egysze égehjtni. [10][11][12] /8.3.2/ 14
3. ézissopot Az dott olymttl kpsoltos eldtok megoldás z áltlános modellt elhsználó keesési lgoitmus lklmzásál. A eldtok különböző megoldásink meghtáozás. 3.1. Az dott olymt áltlános modelljée lpoz új eljáást lgoitmust dolgoztm ki mely lklms olymttl kpsoltos különböző eldtok megoldásá. elismetem hogy különböző eldtok megoldásá lklms egy olymt áltlános modelljét elhsználó keesési lgoitmus. Meghtáoztm hogy keesési té z áltlános modell ismeetlen input pméteeiből áll. Bemutttm hogy megoldásnk teljesítenie kell z ismet és ismeetlen output és ismeetlen input pméteeke ontkozó eltételeket. ámutttm hogy keesés soán keesési té egy pontjánk kiétékeléséhez ezen eltételekből számzó hibát lehet lklmzni. A keesés meglósításá szimulált hűtés keesési lgoitmust jsoltm toábbá kidolgoztm z lgoitmus lklmzásánk egyes lépéseit [43]. Az lgoitmus elhsználásál tetszőleges z dott olymttl kpsoltos eldt megoldhtó. A elhsználó z áltlános modell input-output koniguáiójától üggetlenül megdhtj hogy olymt pméteei közül melyek ismetek és mi z étékük ill. melyek ismeetlenek és ezek milyen pmétettományokbn helyezkedhetnek el. A kidolgozott új lgoitmus lklmzásál meghtáozhtók z ismeetlen pméteek étékei. Bemutttm hogy z lgoitmus lklmzásál megoldódik tudás újhsznosításánk poblémáj met különböző eldtok megoldásához elegendő egy áltlános modellt elhsználni. Ily módon kezelhetőé álnk gyátásteezés és gyátás különböző szintjein és teületein elmeülő eldtok is. /9.1.2 9.1.3/ Az lgoitmust "Neue2" pogmbn lósítottm meg. [2][13][7][12] /9/ 3.2. Áltlábn egy eldtnk több megoldás is létezik. Bemutttm hogy h egy eldtnk létezik több megoldás is kko keesés többszö megismételt égehjtás z dott eldt különböző megoldásit dj eedményül. Így z dott eldt különböző megoldásink meghtáozásán túl ( eldt megoldás soán égehjtott optimlizálássl) lehetőség nyílik z optimális megoldás meghtáozásá is (ezt mesteséges neuális hálók klsszikus lklmzás ent bemuttott hiányosságok mitt nem tudt biztosítni). [4][5][9] /9.1/ 15
4. ézissopot A gyátási olymtok és olymtlánok optimlizálás z optimlizálási szempontok közti kompomisszumok meghtáozás. 4.1. Eljáást lgoitmust és pogmot ejlesztettem mely lklms egymássl kpsoltbn álló olymtok így gyátósook modellezésée és optimlizálásá. A olymtlánokt olymtokt leíó modellek egyes pméteeinek átdásál modelleztem. Kpsolt olymtok optimlizálási keesési eljáást ejlesztettem ki: [3][8] /10/ Meghtáoztm hogy keesési té z összes modell összes ismeetlen input pméteéből áll. elismetem hogy gykolti optimlizálási szempontokt z egyes modellpméteek optimlizálásál lehet kielégíteni és ennek megelelően el kell égezni z optimlizálási szempontok és z egyes modellpméteek megeleltetését. ámutttm hogy megoldásnk teljesítenie kell z összes modell összes ismeetlen input ismeetlen és ismet output pméteeie ontkozó eltételeket. Megállpítottm hogy e eltételekből számzó hibát úgy lehet tekinteni mint egy minimlizálndó optimlizálási szempontot zz egy szinten lehet kezelni z optimlizálási szempontokkl. A keesési té egy pontjánk kiétékeléséhez z optimlizálndó pméteek súlyozott összegét lehet lklmzni. Bemutttm hogy keesés soán eltételektől ló eltéésből számzó hib súlyát eltételek teljesüléséhez még éppen szükséges lehetséges minimum kell megálsztni. elismetem hogy minimum egy keesési lgoitmus lklmzásál meghtáozhtó. 4.2. A gyátási olymtoknk gykn különböző típusú egymássl összekpsolt modelljei léteznek olymtok optimlizálásánk gykn eltéőek kolátozási eltételei és optimlizálási szempontji. [3][8] /10/ Kpsolt olymtok pl. gyátósook optimlizálásá szimulált hűtés lgoitmusát jsoltm toábbá kidolgoztm z lgoitmus lklmzásánk egyes lépéseit. Az eljáás elhsználj z egyes olymtok modelljeit és köztük léő kpsoltokt is. 4.3. Bemutttm hogy keesési eljáás z optimlizálási szempontoknk megelelő pméteek súlyozásál lklms egyszee különböző szempontok szeinti optimlizálás és így z optimlizálási szempontok közti lehetséges kompomisszumok meghtáozásá. [4][5][7][9] /11/ Az optimlizáló lgoitmust "oessmnge" pogmbn lósítottm meg [3][8]. 16
7. Az eedmények hsznosítás toábblépési lehetőségek A kuttás soán elhlmozott ismeeteket és z eedményeket számos hzi és nemzetközi koneenián és olyóitbn dtm elő ill. publikáltm ill. elhsználtm elsőokú okttásbn is [22]. A kuttások soán elét eedmények z lábbi pojektekben keültek hsznosítás: ojekt íme: A minőségbiztosítás intelligens eszközei Oszágos udományos Kuttási Alp (OKA) émezető: Vihos Zs. J. ojekt íme: Az intelligens gyátást meglpozó kuttások Oszágos udományos Kuttási Alp (OKA) émezető: Monostoi L. ojekt íme: Minőségmenedzsment és uzzy logik (Qulity mngement nd uzzy logi) Mgy-Oszták Kományközi udományos-ehnológii Együttműködési ogm Hzi témezető: Monostoi L. ojekt íme: Az intelligens gyátást meglpozó kuttások II Oszágos udományos Kuttási Alp (OKA) émezető: Monostoi L. ojekt íme: DYCOMANS: Gyátási olymtok dinmikus iányítási és menedzsment endszeei (Dynmi Contol nd Mngement Systems in Mnutuing oesses) Az EU COENICUS ogmj Hzi témezetők: Keizky L. Monostoi L. ojekt íme: EMADE: Gyátási olymtok újszeezése szimuláió és dinmikus iányítási tehnikák segítségéel (e-engineeing o Mnutuing oesses though Simultion nd Dynmi ontol ehniques) Az EU HAE DQM ogmj Hzi témezető: Monostoi L. ojekt íme: Integáió gyátásbn és zon túl (IiMB: Integtion in Mnutuing nd Beyond) Az EU ESI L pogmj Hzi témezető: Monostoi L. 17
ojekt íme: Intelligens gyátóendszeek (IMS: Intelligent Mnutuing Systems) Az ESI L pogmj Hzi témezető: Monostoi L. ojekt íme: énzügyi és gzdsági döntések támogtásá szolgáló szubszimbolikus és hibid mesteséges intelligeni módszeek kuttás Oszágos udományos Kuttási Alp (OKA) émezető: Monostoi L. ojekt íme: Integáió gyátásbn Oszágos Műszki ejlesztési Bizottság (OMB) émezető: Monostoi L. ojekt íme: Változások és zok kezelése gyátási stuktúákbn Oszágos udományos Kuttási Alp (OKA) émezető: Monostoi L. ojekt íme: Autonóm koopetí endszeek temelésben Oszágos Műszki ejlesztési Bizottság (OMB) émezető: Monostoi L. ojekt íme: DYCOMANS: Gyátási olymtok dinmikus iányítási és menedzsment endszeei II (Dynmi Contol nd Mngement Systems in Mnutuing oesses II) Az EU COENICUS ogmj Hzi témezetők: Keizky L. Monostoi L. A kuttás soán szezet ismeeteimet és tpsztltim lklmztm z MA SZAKI és székesehéái Alb lnt között létejött tnásdási pojektben is [21]. oábblépési lehetőségként meg kell említeni köetkező kuttási ejlesztési teületeket élokt: Egy dott olymt áltlános modelljét elépítő eljáás kitejeszthető neuouzzy lpú modelleke is. Ez kuttási iány z eedményül szolgálttott uzzy szbályok h-kko észeinek megelelő egyszeűsített meghtáozásál z ok-okozt eldeítéséel kesegtet. Kpsolt olymtok gyátósook esetén ígéetes lehet megeősítéses tnuláson lpuló modellezés és z optimlizálás egy endszeben töténő integálás. E két eljáás megelelő integáiój z egyes modellek hsználhtósági htáink optimlizálási szempontok szeinti kitejesztését élozhtj meg. Kpsolt olymtok gyátósook esetén megelelő eljáások kiálsztás z önszeeződés élj m má igen intenzíen kuttott holonikus endszeeknek. Az egyes olymtok áltlános modelljei és z így meglósított optimlizálás egyánt jelentős szeepet játszhtnk holonikus endszeekben is. Igen nehéz eldtot szép kihíást jelent z egyes olymtok endszeek észpoblémákká észendszeekké bontás. Az egyes olymtok áltlános modelljeinek elépítése előtt lehetne lklmzni egy ilyen módszet és így elegendő lenne sk észendszeek áltlános modelljét elépíteni. Ez mind z áltlános modelljének elépítését mind különböző eldtok megoldását is megkönnyítené. A közeljöőben egy ilyen eszköz meglósítás lesz élom. 18
8. A tézisekhez kpsolódó ontosbb publikáiók jegyzéke [1] MAKOS S.; VIHAOS Zs. J.; L. MONOSOI; Qulity-oiented ompehensie modelling o mhining poesses; 6 th ISMQC IMEKO Symposium on Metology o Qulity Contol in odution Septembe 8-10 1998 Vienn Austi pp. 67-74 [2] MONOSOI L.; VIHAOS Zs. J.; MAKOS S.; Stisying ious equiements in dieent leels nd stges o mhining using one genel ANN-bsed poess model; 15th Intentionl Coneene on COMUE- AIDED ODUCION ENGINEEING CAE'99 19-21 Apil 1999 Duhm UK pp. 477-484 [3] MONOSOI L.; VIHAOS ZS. J.: Multipupose modelling nd optimistion o podution poesses nd poess hins by ombining mhine lening nd seh tehniques he 32 nd CI Intentionl Semin on Mnutuing Systems New Suppoting ools o Designing oduts nd odution Systems My 24-26 1999 Leuen Belgium pp. 399-408 [4] VIHAOS Zs. J. Monostoi L.; A genel ANN-bsed utting model nd its pplition in dieent phses o mnutuing; MioCAD 99 Intentionl Con. on Compute eseh; 24-25 ebuy Uniesity o Miskol Hungy 1999 (in pint) [5] VIHAOS Zs. J.; Applition pbilities o genel ANN bsed utting model in dieent phses o mnutuing though utomti detemintion o its input-output onigution; Jounl o eiodi olitehni - Mehnil Engineeing Hungy (in pint) [6] VIHAOS Zs. J.; Solutions o ious ssignments in dieent leels o mhining using genel ANN-bsed poess model; MOSYCU - Model-bsed monitoing systems o utting tools nd poesses MOSYCU Wokshop-Ljubljn 1998 pp. 65-72 [7] VIHAOS Zs. J. MONOSOI L. MAKOS S.; A mewok o modelling monitoing nd optimistion o mnutuing poesses nd poess hins by using mhine lening nd seh lgoithms 9 th IMEKO C-10 Intentionl Coneene on ehnil Dignostis Septembe 22-24 1999 Wolw olnd pp. 249-254 [8] VIHAOS Zs. J.; MONOSOI L.; A ompomise oiented optimistion tool o suppoting deision mking in mhining ICIMS-NOE-ASI'99 Septembe 22-24 1999 Leuen Belgium (in pint) [9] VIHAOS Zs. J.; MONOSOI L.; Intelligent qulity-oiented supeisoy ontol o mnutuing poesses nd poess hins; DYCOMANS Wokshop 12-14 My 1999 Bled Sloeni pp. 129-134 [10] VIHAOS Zs. J.; MONOSOI L.; MAKOS S; Seletion o input nd output ibles o ANN bsed modelling o utting poesses. oeedings. X. CI Wokshop on Supeising nd Dignostis o Mhining Systems 21-26 Mh 1999 Kpz olnd pp. 121-131 [11] VIHAOS Zs. J.; MONOSOI L.; MAKOS S; Seletion o input nd output ibles o ANN bsed modelling o utting poesses. Jounl o Mhine Engineeing 4/98 (in polish) olnd (in pint) [12] VIHAOS Zs. J.; MONOSOI L; Automti input-output onigution o ANN-bsed poess models nd its pplition in mhining Book: Letue Notes o Atiiil Intelligene - Multiple Appohes to Intelligent Systems Coneene Cio Egypt My 31-June 3 1999 Spinge Compute Siene Book Spinge-Velg Heidelbeg pp. 569-668 [13] MONOSOI L.; VIHAOS Zs. J.; MAKOS S.; Stisying ious equiements in dieent leels nd stges o mhining using one genel ANN-bsed poess model; Jounl o Mteils oessing ehnology Elseie Siene UK (epted ppe) 9. Egyéb témköhöz kpsolódó publikáiók [14] ALEK.; VIHAOS Zs. J. ; Ehungen m Einstz on neuonlen Netzen zu Bewetung de Obelähenqulität Dnube - Adi Assoition o Automtion nd Metology 1995 Kkkow olnd pp. 011-012 [15] DOLINSEK S.; KOAC J; VIHAOS Zs. J.; MONOSOI L; An intelligent AE senso o the monitoing o inish mhining poess he Seond Intentionl Coneene on Intelligent oessing nd Mnutuing o Mteils July 10-15 1999 Honolulu Hwii pp. 847-853 19
[16] MONOSOI L; EGESIS CS.; HONYÁK J.; VIHAOS ZS. J.; Sot omputing nd hybid AI ppohes to intelligent mnutuing. Book Letue Notes in Atiiil Intelligene 1416 oeedings. 11 th Intentionl Coneene on Industil & Engineeing Applitions o Atiiil Intelligene & Expet Systems 1998 jun 1-4. Cstellon Spin pp. 763-774 [17] OSANNA. H.; MONOSOI L.; ALEK.; VIHAOS Zs. J.; etigungspmeteshätzung zu ogeshiebenen Obelähenqulität mittels neuonlen Netze. oeedings. Dnube - Adi Assoition o Automtion nd Metology 1996. Vien pp. 311-312 [18] SZALAY.; ALEK.; MONOSOI L.; MAKOS S.; VIHAOS Zs. J.; Inestigtion o mhined sues using tiiil intelligene methods. Intentionl Coneene on Mhining ools 1996 Miskol Hungy pp. 635-640 [19] VIHAOS Zs. J.; A genel ANN model o tuning nd its pplition o sue oughness estimtion using ousti emission signl; MOSYCU - Model-bsed monitoing systems o utting tools nd poesses MOSYCU Wokshop 1998 Ljubljn Sloeni pp. 73-78 [20] VIHAOS ZS. J.; Megmunkált elületek minősítése neuális háló lklmzásál itl Műszkik udományos Ülésszk 1996 Kolozsá ománi pp 7-13 [21] VIHAOS Zs. J.; nulólgoitmusok és lklmzásik minőségellenőzésben és olymtmodellezésben MBA diplommunk Budpesti Műszki Egyetem Ipi Menedzsment és Válllkozásgzdságtn nszék OD Alb lnt [22] VIHAOS Zs. J.; elületmegmunkálási mód elismeése neuális hálól ímű ejezet A mesteséges intelligeni módszeek gykolti lklmzás ímű gykolti jegyzetben. Gábo Dénes Műszki őiskol 1998 [23] VIHAOS Zs. J.; MONOSOI L.; Optimiztion o poess hins by tiiil neul netwoks nd geneti lgoithms using qulity ontol hts. oeedings. Dnube - Adi Assoition o Automtion nd Metology 1997 Dubonik pp. 353-354 [24] VIHAOS Zs. J.; Neuális háló lklmzás elületi édesség étékelésée és beslésée - Anwendung on neuonlen Netzen zu Bewetung und Shätzung de uheit de Obelähen Diplommunk MA SZAKI Budpesti Műszki Egyetem Mtemtik Gépgyátástehnológi nszék ehnishe Uniesität Wien Institut ü Austushbu und Messtehnik 10. A elhsznált iodlom jegyzéke [25] AMAENGO E. J. A.; WHIIELD. C.; Compute bsed modelling o popul mhining opetions o oe nd powe pedition. Annls o the CI Vo. 34/1/1985 pp. 65-69 [26] AHAVALE S.; UNESS.; Automtion pespetie o mhining poess modelling: expettions nd hllenges; o. o the CI Intentionl Wokshop on Modelling o Mhining Opetions; 1998 Atlnt USA pp. 65-71. [27] BALI J; ogásolás nkönykidó Budpest 1988 [28] BASCHDO D.; MONOSOI L.: Neul netwoks thei pplitions nd pespeties in the intelligent mhining Computes in Industy Elseie Spe. Issue on Lening in Intelligent Mnutuing Systems 1991 pp. 101-119. [29] BLEY H.; WUKE C. C.; KONZ M.; Automti solution geneto o omplex logistil plnning poblems o. o the 1th CI Intentionl Semin on Intelligent Computtion in Mnutuing Engineeing Cpi Itly 1998 pp. 297-302 [30] BUKKAANAM S.. S.; LAKHAKIA A.; KUMAA S...; Anlysis o senso signls shows tuning on lthe exhibits low-dimensionl hos hysil eiew 1995 Septembe Vol. 52 N. 3 pp. 2375-2387 [31] CEEI E; EM simultions o segmented hip omtion in othogonl utting: uthe impoements. o. o the CI Intentionl Wokshop on Modelling o Mhining Opetions; 1998 Atlnt USA pp. 257-263 [32] CHANDASEKHAAN V.; Hey equipment mnutuing industy; o. o the CI Intentionl Wokshop on Modelling o Mhining Opetions; 1998 Atlnt USA pp. 80-84. [33] CHYSSOLOUIS G; GUILLO M; DOMOESE M.; An ppoh to intelligent mhining o. O the Amein Contol Coneene Minnepolis MN June 10-12 1987 pp. 152-160 [34] COLDING B. N.; A tool-tempetue/tool-lie eltionship oeing wide nge o utting dt Annls o the CI Vol. 40/1/1991 pp. 35-40 20