Využití neuronových sítí pro výpočet průběhu záběrové tuhosti soukolí s čelními ozubenými koly

Abstract

Cieľom diplomovej práce bolo vytvoriť neurónovú sieť, ktorá po zadaní určených vstupných parametrov, vráti priebeh mernej tuhosti jedného páru zubov čelného ozubeného súkolesia. Ako tréningová množina pre neurónovú sieť slúžil súbor výsledkov priebehov tuhosti určených výpočtovým modelovaním, konkrétne pomocou metódy konečných prvkov. Dielčim cieľom práce preto bolo vytvorenie výpočtového modelu pre získanie daných priebehov. Za vstupné parametre boli zvolené počet zubov hnacieho i hnaného kolesa a zaťaženie súkolesia. Po vytvorení výpočtového modelu a ukončení série výpočtov nasledovalo vytvorenie neurónovej siete, pričom bola zvolená viacvrstvová architektúra siete s adaptačným algoritmom so spätným šírením chyby. Podarilo sa vytvoriť dostatočne výkonnú neurónovú sieť, ktorá je schopná určiť priebehy tuhosti pre naučené vzory i nenaučené vzory ležiace v intervale vstupných údajov. Vytvorenú neurónovú sieť je možné využiť na určenie priebehu mernej jednopárovej tuhosti čelného ozubeného súkolesia v rozsahu určených vstupných parametrov.The aim of this master's thesis is to build artificial neural network that is able to calculate varying single tooth-pair mesh stiffness of spur gear for given input parameters. The training set for this network was determined by computational modelling by finite element method. Therefore, creating of computational model and mesh stiffness calculating were a partial aim of this thesis. Input parameters for stiffness calculation were number of driving and driven gear teeth and gear loading. Creating of computational model and performing series of simulations was followed by creating artificial neural network. Multilayer neural network with backpropagation training was chosen as a type of the network. Created neural network is sufficiently efficient and can determine varying mesh stiffness in input set range for learned input parameters and for values of parameters that are not included in training set as well. This neural network can be used for varying single tooth-pair mesh stiffness estimation in input set range.