diff --git "a/samples/valid.jsonl" "b/samples/valid.jsonl" --- "a/samples/valid.jsonl" +++ "b/samples/valid.jsonl" @@ -1,32 +1,32 @@ -{"id": "bcpw-public-domain:budowa-elektrowni-1929:5cf35f3f:0004", "text": "Nowoczesne kierunki w budowie elektrowni (1929)\n\n7\nfabryka Parsons’a\nbuduje\nturbiny\nreakcyjne\no mocy 50.000 kW przy 50 atn i 400° C.\nW wysokoprężnej części otrzymuje się bowiem\ntutaj łopatki o takiej długości, która pozwala\nbez uszczerbku sprawności turbiny na zastosowa­\nnie\ndostatecznie\ndużych\nszczelin\npomiędzy\nłopatkami wirnikowemi i kadłubem.\nJeśli natomiast moc turbiny jest mniejsza,\na ciśnienie pary dolotowej dość wysokie, to na­\nleży w części wysokoprężnej zastosować koło\nCurtis’a względnie koło U, a gdyby to nie wy­\nstarczyło, za niem jeszcze kilka kół akcyjnych,\ndopóki nie otrzyma się łopatek reakcyjnych\no dostatecznej długości;—osobiście polecałbym\nniej i dużej mocy stosuje się wyłącznie wały\nsztywne, które jedynie zapewniają spokojny bieg\nmaszyny. Grzebieniaste łoża stopowe zastąpiono\nłożami klockowemi, które mogą podejmować\nbardzo duże naciski. Skutkiem tego usuwają one\nw wielu wypadkach konieczność stosowania tło­\nków odciążających w turbinach\nreakcyjnych,\na w turbinach akcyjnych usuwają obawę zatar­\ncia się czopa stopowego przy większej nieszczel­\nności uszczelnienia międzystopniowego w kie­\nrownicach, która zwykle następuje po dłuższym\nszym okresie pracy.\nNowoczesne stopowe ło­\nżyska klockowe, które powodują znacznie mniej­\nsze straty niż łożyska grzebieniaste, są tak zbu-\nRys.\nłopatki takie o długości nie mniejszej od 40 mm,\njeśli temperatura pary jest wyższą od 270° C.\nWynika z tego, że w turbinach osiowych, z wy­\njątkiem silników o bardzo wielkiej mocy, system\nakcyjny, w którym większe promieniowe szczeliny\nłopatkowe są dopuszczalne bez ujemnego wpływu\nna sprawność turbiny, jest ze względu na nie­\nzawodność biegu silnika wskazany w części\nwysokoprężnej, natomiast system reakcyjny z po­\nwodu zalet poprzednio wspomnianych w części\nniskoprężnej, a przy przepływie większej ilości\npary nawet już w części średnioprężnej.\nW turbinach osiowych wprowadzono też\nszereg ulepszeń konstrukcyjnych, które zwięk­\nszają niezawodność ich biegu. W silnikach o śred-\n4.\ndowane, aby nieprzerwana taśma smaru znajdowała\nsię pomiędzy powierzchniami ślizgającemi się po\nsobie. Celem uzyskania tego powierzchnia opo­\nrowa powinna być trochę pochylona względem\nbiegnącego obrzeża wału. Z tej przyczyny po­\nwierzchnia oporowa jest podzielona na kilka seg­\nmentów, które ustawiają się skośnie przy ruchu\nobrzeża wału, przez co powstają, z powodu po­\nchylenia się segmentów, kliny pomiędzy po­\nwierzchniami pracującemi, w które to kliny\nwciska się smar.\nFirma Brown—Boveri wykonywa łożyska\nstopowe tego rodzaju łącznie z łożyskami głów-\nnemi (rys. 6) lub też umieszcza je oddzielnie\nobok łożysk głównych (rys. 7). Na rys. 6 wi-", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1929", "token_count": 1055, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski; Karol Michał Pomianowski; Stanisław Zwierzchowski"} -{"id": "bcpw-public-domain:budowa-elektrowni-1929:5cf35f3f:0036", "text": "Nowoczesne kierunki w budowie elektrowni (1929)\n\n58\nturbin promieniowych Ljungstroema nie można\ndo tego celu odpowiednio zmienić. Chcąc przy\npobieraniu pary zastosować system Ljungstroema,\ntrzeba ustawić dwa agregaty, jeden przeciwprężny\n(por. rys. 73), zaopatrzony w regulację według\nzasad rys. 81, a drugi kondensacyjny (rys. 21).\nWykonanie takie, posiadające zamiast jednego\ngeneratora elektrycznego o dużej sprawności\ncztery generatory małe, jest oczywiście o około\n35% kosztowniejsze, a pewne oszczędności, które\nuzyskuje się na paliwie, nie są jednak decydu­\njące.\nW niektórych wypadkach układ tego ro­\ndzaju może być wskazany, mianowicie jeśli cho­\ndzi o zapewnienie mocy zapasowej.\nOsiowe turbiny jednokadłubowe z pobiera*\nniem pary buduje się przeważnie dla ciśnień do\n22 atn, 375° C i średnich mocy, natomiast dla\nwyższych ciśnień i temperatur oraz większych\nmocy buduje się dwukadłubowe turbiny; — sil­\nniki trójkadłubowe są bardzo rzadko wykonywa­\nne (tylko przy bardzo Wysokiem ciśnieniu pary\ndolotowej), ponieważ turbiny z pobieraniem pary\nnaogół nie znajdują zastosowania jako silniki\no wielkiej mocy.\nNajprostsza\nturbina z pobieraniem pary\nskłada się z dwóch wirników Curtis’a; — pobie­\nranie pary odbywa się za pierwszem kołem. Sil­\nnik taki nie posiada wysokiej sprawności, — zu­\nżycie pary jest duże, również duże jest zdziera­\nnie się łopatek, lecz małe są koszty jego budo­\nwy.\nChcąc osiągnąć wyższą sprawność, trzeba\nbudować\nturbiny\nwielostopniowe.\nWytwórnia\nBrown-Boveri buduje jednokadłubowe turbiny\nkondensacyjne z pobieraniem pary według rys. 88.\nPobieranie pary odbywa się za kołem Curtis’a,\na niskoprężna część kondensacyjna jest wielo­\nstopniową reakcyjną. Ze względu na niską spra­\nwność koła Curtis’a powyższy ustrój jest odpo­\nwiedni tylko dla ciśnienia dolotowego poniżej\n20 atn i dość wysokiego ciśnienia pobieranej\npary, zwłaszcza że część niskoprężna jest kosz­\ntowna, a zatem rentuje się tylko wówczas, gdy\nduży procent pary w niej pracuje.\nCzęść wy­\nsokoprężna jest wyposażona w regulację\nilo-\nściowo-jakościową zapomocą czterech zaworów\nregulacyjnych, jak to także widoczne z rys. 89,\nnatomiast część niskoprężna posiada regulację\njakościową przez dławienie pary w zależności\nod regulatora ciśnienia, ustawionego na kadłubie\nturbiny w środku jego długości. Jeden lub prze­\nważnie dwa zawory regulacyjne części nisko-\nprężnej są ustawione obok kadłuba turbiny, któ­\nrej sprawność przy zmiennem obciążeniu i zmien­\nnej ilości pobieranej pary mogłaby być powięk­\nszona przez dodanie na początku części nisko-\npręźnej jednego koła akcyjnego, umożliwiającego\nzastosowanie regulacji ilościowo-jakościowej.\nWytwórnie Tow. A. E.G., Pierwsza Brneń-\nska Fabryka, Skoda, Escher - Wyss stosują\nw swych jednokadłubowych turbinach z pobie­\nraniem pary system akcyjny, jedynie w wypad­\nkach, w których część niskoprężna ma posiadać\ndużą sprawność, pierwsze dwie fabryki budują ją\njako koło akcyjne o jednym lub dwóch stop­\nniach prędkości w połączeniu z reakcyjną częścią.\nRys. 90 przedstawia jednokadłubową kondensa­\ncyjną turbinę z pobieraniem pary Tow. A. E. G.\nNa rysunku tym oznacza c regulację dościowo-\njakościową części wysokoprężnej w zależności\nod regulatora obrotów a,d oznacza regulację ilo-\nściowo-jakościową części niskoprężnej w zależno­\nści od regulatora ciśnienia i regulatora obro­\ntów,—/-—odpływ pary pobieranej, — e — odpływ\npary do kondensatora, — b — klockowe łoże sto-\nRys. 90. Turbina kondensacyjna z pobieraniem pary A.E.O.\npowe. Część wysokoprężna turbiny tworzy jedno\nkoło Curtis’a i kilka całkowicie zasilanych kół\nakcyjnych, część niskoprężną natomiast jedno\nczęściowo zasilane koło akcyjne i kilka całkowi­\ncie zasilanych kół akcyjnych. Turbina powyż­\nszego rodzaju odznacza się nawet przy ciśnieniu\ndolotowem około 22 atn i 375° C dużą nieza­", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1929", "token_count": 1494, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski; Karol Michał Pomianowski; Stanisław Zwierzchowski"} -{"id": "bcpw-public-domain:budowa-elektrowni-1929:5cf35f3f:0054", "text": "Nowoczesne kierunki w budowie elektrowni (1929)\n\n82\ntacyjnych od prężności pary, otrzymana na pod­\nstawie kalkulacji, wykonanej dla dwóch okresów\npracy projektowanej elektrowni okręgowej w Po­\nznaniu (pierwsze 7-lecie i następne), przedstawiona\nzostała wykreślnie na rys. 1-ym.\nPrzy prężności 31 atm. abs. widoczny jest na­\ngły wzrost kosztów eksploatacyjnych, spowodowa­\nny kosztownemi walezakami kotłowemi z jednej\nsztuki. Przebieg wykresów wskazuje, że dla prze­\nwidywanych warunków pracy projektowanej elek­\ntrowni naj ekonomiczniej sza\nprężność\npary leży\nmiędzy prężnością 27 a 31 atm. abs., czyli między\nprężnością 26 a 30 atm. roboczych w kotle.\nUżywane prężności pary zazwyczaj nie prze­\nkraczają 30 atm. roboczych i w nielicznych tylko\nurządzeniach osiągają cyfrę 35 — 37 i więcej at­\nmosfer . Bardzo wysokie prężności pary (np. 100\natm.) wymagają kotłów specjalnej konstrukcji i\nznajdują się, rzec można, w okresie prób i badań,\na zatem dla elektrowni publicznych, w których\npewność ruchu odgrywa pierwszorzędną rolę, nie\nmogą być polecane.\nW istniejących\nelektrowniach,\npracujących\nprzy niezbyt wysokich prężnościach pary, możliwe\njest osiągnięcie\nznacznej\npoprawy\nsprawności\nprzez zastosowanie t zw. turbin czołowych. Turbi­\nny te zasilane są parą o wyższej prężności i wyż­\nszej temperaturze, niż turbiny istniejące, i pracu­\nją bez kondensacji, przyczem para odlotowa tur­\nbin czołowych służy do zasilania turbin istnieją­\ncych.\nPraca, uzyskana w turbinach\nczołowych,\notrzymuje się przy stosunkowo bardzo niewiel­\nkiej nadwyżce zużycia opału w porównaniu z zu­\nżyciem pierwotnem, ilość bowiem ciepła, potrzeb­\nna do wytworzenia pary o wielkiej prężności, nie\njest wiele większa od tej ilości ciepła, która jest\npotrzebna do wytworzenia tej samej ilości pary\n0 mniejszej prężności, odpowiadającej prężności\npierwotnej.\n3.\nSposób spalania.\nO sposobie spalania decyduje przedewszyst-\nkiem gatunek węgla.\nNie będziemy wchodzić w\nróżne sposoby spalania, zależne od rodzaju wę­\ngla, wspomnimy tylko o tych metodach, które mo­\ngą być najbardziej interesujące dla naszych wa­\nrunków, a które zyskały sobie powszechne zasto­\nsowanie w nowoczesnych elektrowniach, lub któ­\nre mają widoki szerszego rozwoju.\nNajbardziej rozpowszechnionym typem pale­\nnisk jest palenisko z rusztem posuwowym z jed-\nnoczesnem\nzastosowaniem podmuchu.\nPaleniska\nte przy zastosowaniu odpowiedniego systemu pod­\nmuchu dają doskonałe rezultaty. Odpowiednia re­\ngulacja podmuchu zapewnia możność doprowadze­\nnia do dowolnej części rusztu takiej ilości powie­\ntrza, jaka jest niezbędna do zupełnego\nspalania\nwęgla, leżącego na ruszcie, a zatem zapewnia do­\nbre spalanie węgla, niezależnie od jego gatunku,\n1 możliwość przystosowania intensywności spala­\nnia do zmiennego obciążenia kotła. Przy zastoso­\nwaniu podmuchu, ruszty mogą być lepiej wyzyska­\nne.\nDlatego też paleniska z rusztami posuwowe-\nmi i podmuchem znajdują najszersze zastosowa­\nnie.\nRuszty z dolnem podawaniem węgla (stoso­\nwane najczęściej w Ameryce),\naczkolwiek\npod\nwzględem teoretycznym pomyślane bardzo dobrze,\nw praktyce są powodem poważnych trudności w\nruchu, skutkiem bardzo wysokich temperatur, któ­\nre ujemnie wpływają zarówno na ruszt jak i na\nobmurze palenisk; obmurze palenisk wymaga w tym\nwypadku sztucznego chłodzenia i częstej wymia­\nny.\nPaleniska te rozwijają się w Europie słabo.\nW Ameryce, a obecnie i w Europie, coraz szer­\nsze zastosowanie znajduje system opalania kotłów\npyłem węglowym.\nZasadniczą cechą tego sposo­\nbu spalania jest wysoka sprawność paleniska, spo­\nwodowana małym nadmiarem powietrza, niezbęd­\nnego do uzyskania zupełnego spalania węgla. Wiel­\nką zaletą tego sposobu spalania\njest niezwykła\nłatwość przystosowania intensywności spalania do\nzmiennego obciążenia kotła, skutkiem czego prak­\ntyczna sprawność kotłów jest wyższa, niż przy\nwszelkich innych rodzajach spalania,\nInne sposo­\nby spalania, nie wyłączając\npalenisk z rusztami\nposuwowemi, posiadają pod tym względem o wie­\nle większą, że się tak wyrazimy, bezwładność.\nPaleniska na pył węglowy przy powyższych\nzaletach termodynamicznych nie są jednak pozba­\nwione cech ujemnych. Przygotowanie pyłu wyma­\nga kosztownych urządzeń i odpowiedniego po­\nmieszczenia;\nprzygotowanie pyłu obciąża koszty\neksploatacyjne kosztami pośredniemi, związanemi\nz poważnemi wydatkami inwestycyjnemi na urzą­\ndzenia do przeróbki węgla, oraz kosztami ruchu na\nnapęd urządzeń do wytwarzania pyłu, suszenia wę­\ngla i t. p.\nWysokie temperatury, wytwarzane w\npaleniskach tego typu, niszczą szybko obmurze pa­\nlenisk. Nieliczna jeszcze statystyka tych palenisk\nwykazuje, że obmurze wytrzymuje około 4 000 go­\ndzin pracy; są jednak częste wypadki, że obmurze\nwymaga wymiany o wiele wcześniejszej.\nWreszcie pośrednim typem palenisk są paleni­\nska mieszane, polegające na jednoczesnem zastoso­\nwaniu rusztów posuwowych oraz opalania pyłem\nwęglowym. Przy tym systemie palenisk ruch od­\nbywa się normalnie przy zastosowaniu rusztów po­\nsuwowych, opalanie zaś pyłem węglowym stosuje\nr;ę w chwilach uruchamiania i zmiennego obciąże­\nnia kotła. Aczkolwiek powyższy typ palenisk jest\nspecjalnie przystosowany do warunków ruchu elek­\ntrowni, to jednak można mieć poważne wątpliwo­\nści, czy ten system opalania kotłów okaże się prak­\ntyczny, choćby ze względu na wysokie temperatu­\nry, wytwarzane w palenisku podczas opalania py­\nłem węglowym; okoliczność ta, rzecz prosta, nie\nmoże wróżyć rusztom dostatecznej trwałości.\nW celu właściwego wyboru systemu spalania\nnależy w wątpliwych wypadkach przeprowadzić\nodpowiednią kalkulację. W zasadzie paleniska na\npył węglowy opłacać się mogą przy drogim węglu\niub znacznem wyzyskaniu elektrowni.\nWynik kalkulacji porównawczej, przeprowa­\ndzonej dla Dalenisk z rusztami posuwowemi i pod­\nmuchem i dla palenisk na pył węglowy dla dwóch\nokresów pracy projektowanej elektrowni okręgo­\nwej w Poznaniu (pierwsze 4-o lede i następne 7-o\nlede) wykazał, że ostatni typ palenisk mógłby o-\npłacać się tylko w tvm wypadku, gdyby oszczęd­\nność w kosztach opałowych, uzyskana przy opala­", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1929", "token_count": 2380, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski; Karol Michał Pomianowski; Stanisław Zwierzchowski"} -{"id": "bcpw-public-domain:budowa-elektrowni-1929:5cf35f3f:0058", "text": "Nowoczesne kierunki w budowie elektrowni (1929)\n\n86\nwyobraża moc czynną maszyn (bez uwzględnienia\nrezerwy) w każdym okresie rozbudowy, przyczem\ncałkowita moc instalowanych maszyn (łącznie z re­\nzerwą) wskazana'została pod osią odciętych wy­\nkresu. W istniejącej elektrowni miejskiej w Po­\nznaniu ustawione są jednostki maszynowe po 4 000\nkW. Dla nowej elektrowni zaprojektowano jedno­\nstki większe, o mocy normalnej 8 000 kW, ze stałą\nprzeciążalnością (przy nieco mniejszej sprawności)\ndo 10 000 kW, a dla następnych okresów rozbudo­\nwy — o mocy normalnej 16 000 kW, ze stałą prze­\nciążalnością do 20 000 kW.\nPonieważ w początkowym okresie pracy elek­\ntrowni projektuje się równoległą pracę elektrowni\nistniejącej z nową projektowaną elektrownią, prze­\nto należało rozwiązać zagadnienie,\nczy istniejąca\nelektrownia ma być traktowana tylko jako rezerwa\ndla nowej elektrowni, czy też obie elektrownie ma­\nją być w ruchu. Jak wynika z wykresów zużycia\nwierzchni\nogrzewalnej,\nodpowiadającej\nwiel­\nkości turbiny, czyli innemi słowy do jednego\nkotła dla każdego zespołu maszynowego.\nZe\nwzględu jednak na pożądaną elastyczność insta-\nlacyj kotłowych,\njak doświadczenie wskazuje,\nliczba kotłów, przypadająca na jedną maszynę, nie\npowinna być mniejsza, niż dwa. W elektrowniach\no stosunkowo niewielkiej liczbie zespołów maszy­\nnowych, stosunek powyższy liczby kotłów do liczby\nmaszyn zazwyczaj jest większy; przy większej bo­\nwiem liczbie kotłów, w razie nagłego wycofania\nz ruchu jednego kotła, potrzebna produkcja pary\nbędzie chwilowo\nprzejęta przez kotły pozostałe,\nodpowiednio przeciążone aż do czasu uruchomie­\nnia kotła rezerwowego.\nZ drugiej strony nie należy zapominać, że wy­\nbór jednostek kotłowych wiąże się ściśle z cało­\nkształtem gospodarki cieplnej elektrowni. Wybór\nkotłów w zasadzie dokonany być powinien równo-\nRys. 6. Wykresy zużycia pary przez turbozespoły 4 000 i 8 000 kW.\npary, wskazanych na rys. 6-m, turbozespół nowo­\nczesny o mocy 8 000 do 10 000 kW (linje B, b —\nturbina jednokadłubowa, oraz С, c — turbina dwu-\nkadłubowa) pracować będzie ekonomiczniej od tur­\nbozespołu istniejącej elektrowni o mocy 4 000 kW\n(linje A, a) przy wszelkich obciążeniach, przekra­\nczających 1 000 kW. Ponieważ wątpliwe jest, aby\nobciążenie elektrowni poznańskiej spadło poniżej\n1 000 kW, przeto sprawę współpracy obu elektrow­\nni zdecydowano w sensie traktowania istniejącej\nelektrowni tylko jako elektrowni rezerwowej.\nWybór jednostek kotłowych pozostaje w ści­\nsłym związku z wyborem jednostek maszynowych.\nZ punktu widzenia najmniejszych kosztów zakła­\ndowych, a więc najmniejszych kosztów urządzeń\nkoltowych i ekonomji miejsca,\ndążyć należy do\njednostek możliwie wielkich. Zasada, zmierzająca\ndo ujęcia w wielkich elektrowniach urządzenia ko­\ntłowego, turbiny, prądnicy i transformatora w jed­\nną niezależną grupę, prowadzi do kotłów o cs-\nlegle z wyborem gatunku węgla i sposobu jego spa­\nlania. Wreszcie wybór sposobu spalania węgla pro­\nwadzi jednocześnie do odpowiedniego wyboru me­\ntod regeneracji ciepła.\nRuszty posuwowe, jak wiadomo, zastosowane\nbyć mogą tylko do kotłów o pewnej ograniczonej\npowierzchni ogrzewalnej ; wielkość bowiem rusztu,\nzależna od ilości spalanego paliwa, a zatem od\nwielkości kotła, ze względów praktycznych jest\nograniczona. W Europie rzadko są stosowane przy\nrusztach posuwowych większe kotły, niż 1 000 —\n1 200 m kw. powierzchni ogrzewalnej.\nW Niem­\nczech, przy rusztach posuwowych, stosuje się nie­\nchętnie kotły o powierzchni ogrzewalnej ponad 700\nm kw.\nPrzy zastosowaniu palenisk na pył węglowy,\nwielkość kotłów w zasadzie nie jest niczem ogra­\nniczona i może być dowolnie wielka.\nJak wyżej było zaznaczone, kalkulacja, prze­\nprowadzona dla projektowanej elektrowni okręgo-", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1929", "token_count": 1484, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski; Karol Michał Pomianowski; Stanisław Zwierzchowski"} -{"id": "bcpw-public-domain:budowa-elektrowni-1929:5cf35f3f:0092", "text": "Nowoczesne kierunki w budowie elektrowni (1929)\n\n130\nsmołą. Słupy żelazne maluje się co 3 lata ochronną\nfarbą olejną, zawierającą jako główne składniki\npokost, ołów i grafit. Miejsca, w których przebija\njuż rdza, należy sumiennie obdrapać szczotką sta-\nR y s.\n17.\nR o z r y w a n ie\np r z e w o d n ik ó w\nm a szy n ą\nA m sle r a\no m ak s. s ile 500 kg.\nIową i pokryć raz (lepiej 2 razy w odstępie kilku\ndni) minją czerwoną, rozpuszczoną w pokoście.\nSłupy drewniane zgniłe można obcinać — pod\nnapięciem, — podpierając górną część słupa spe-\nR y s. 24\nR o z w o ż e n ie lin k i k o ń m i i\nw o zem\n1-o sio w y m\nL in ia G r ó d e k — G r u d z ią d z , 1925.\nR ys. 23\nC iężk i m o n ta ż słu p a n a r o ż n o -o d c ią g o w e g o sy ste m u\np o r ta lo w e g o . 60)110 k V , 3 X 35 C u. L in ja G ró d ek — T oru ń ,\n1927,\ncjalną podporą o 3 nogach; dodaje się\nwtedy szczudła — najlepiej żelbetowe —\nalbo żelbetowaną rurę jako podziemne\nprzedłużenie słupa (szwedzki wynala­\nzek Mebe'go).\nRura jest 2 do 2,5 m\ndługa, wagi 200 do 350 kg, wewnętrzna\ngórna część posiada płaskie, stożkowa­\nte żebra dla odpływu wody deszczowej\ni dobrej wentylacji.\nW tym celu rura\nposiada poniżej stopy drewnianego drą­\nga kilka poziomych otworów wentyla­\ncyjnych.\nW większych odstępach czasu należy\nskontrolować złączki i żłobki, zaciski,\noraz umocowania przewodów do izola­\ntorów, badając, czy twardsze materjały\n(bronz, żelazo kutolane żłobków, porce­\nlana i t. d.) nie przecierają przewodnika.\nKontrola izolatorów musi się od-\n(„ a rm a tą \" ).\nbywać\nczęściej\n(nawet\nz\nbliskiej\nodległości,\nprzez\nwchodzenie\nna\n\n131\nsłupy), gdy są niesprzyjające warunki (chemiczne\nfabryki, sieci ułożone nad torami kolei parowych\ni t. p.). Do badania łańcuchów wisiorowych istnie­\nją specjalne drążki („macki\"), dozwalające odnale­\nzienie pod napięciem ogniwa pękniętego. Te drą­\nżki okazują normalne napięcie na zdrowem ogni-\nZarządca sieci nie powinien skąpić małego wy­\ndatku na liczniki, kontrolujące straty w sieciach\ni transformatorach. Nie zawsze można się na taki\nwydatek zdobyć; należy wtedy rozłożyć zakup li­\nczników i dodatkowych transformatorków mierni­\nczych na lat kilka.\nJak podczas budowy urządza się\nbardzo dokładną „książkę trasy\",\nzawierającą całą charakterystykę\nlinji i spis właścicieli gruntów, tak\npowinna dla każdej sieci istnieć\n„książka sieci\", w której zapisuje\nsię wszystkie ważniejsze zmiany,\nzjawiska, przeszkody, wykryte błę­\ndy, koszta roczne, straty energji\nodbiorców it. d.; innem słowem —\nżyciorys linji.\nJeżeli powyższy artykuł ma się\nprzyczynić do zdobycia przez na­\nsze młodsze siły fachowe pewnych\npraktycznych wskazówek, to nie\nmogę zamilczeć przestrogi, ażeby\nnie budować lekkomyślnie poważ­\nniejszych linji we własnym zarzą­\ndzie, nie posiadając ani personelu\nwykwalifikowanego,\nani\ntaboru\nmontażowego, lub narzędzi, oraz\nlaboratorjum.\nAle nawet mniej\nważne linje, połączone elektrycz­\nnie lub magnetycznie z ważnemi,\npowinny być traktowane jak te\nważniejsze.\nLepiej choć trochę\ndrożej wykonać sieć, niż wykonać\ntanio a źle, bez doświadczenia.\nŁatwo wymienić nieodpowiednio\nzakupioną maszynę lub aparat, ale\nprzebudowanie nieumiejętnie wy­\nkonanej linji jest zwykle niemo­\nżliwe.\nCo może u nas przyśpieszyć bu­\ndowę nowych i obszernych sieci?\n1)\nObniżenie wymagań naszych\nistniejących i tworzących się prze­\npisów poniżej wymagań takich kra­\njów, jak: Niemcy, Szwajcarja, Fran­\ncja i t. d.\nR y s, 18.\nR o z r y w a n ie p rób cem en tu tą sa m ą m a szy n ą , co n a ry s. 17.\nwie albo przez (nastawiany) zespół kulek\niskiernikowych, albo zapomocą przekładni\nkondensatorowej.\nRoczna kontrola pozwoli także wykryć\new. niebezpieczeństwo, grożące od prze­\nchylania się niewyciętych drzew i t. p.\nPrzy dobrze zorganizowanej eksploa­\ntacji sieci, stale zapisuje się wszelkie zau­\nważone błędy i ich powody. Tylko w ten\nsposób kierownik może z biegiem lat zor­\nientować się, gdzie jest słaba strona sieci\ni na podstawie takiej statystyki wybrać\nskuteczne środki zaradcze. Statystyka taka\nmusi naturalnie równolegle zajmować się\ntakże błędami, znajdowanemi w rozdziel­\nniach\ni\nmaszynach\n(transformatorach\ni prądnicach), gdyż wszystkie te części za­\nkładu elektrycznego wywierają wpływ na\npracę linji.\nR y s. 25.\nNaciąganie przewodów za pomocą wielokrążków i dyna-\nmometrów, 1925.", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1929", "token_count": 1830, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski; Karol Michał Pomianowski; Stanisław Zwierzchowski"} -{"id": "bcpw-public-domain:budownictwo-machin-1830:5cf35f3f:0009", "text": "Budownictwo Machin albo Nauka o Machinach (około 1830)\n\nx ,x\n/ S\ny\na\n^\nS\nj s S ~ У\n^ л , y\nS\nS\ns s ^\n'^\n, •\ns ^ S a i/ S Ś o ts r tS b c t j\nc Z , .'У'** У * * y’. Z ' s z\nУ*\nOL^asSAŚ'\n(\n/Z tcA\n'ty y L A c* 0 ~i\ni'-il АОРАЪ/SS,\nS S . -\nУ * s'S 'c^ S '.'S a' J eS s^ iA A ^\nУ ' /S ' S s r ^ s ' у У У с у Ь 'У г У\nеъ ^ * А <7 ć*\nJ\nJ .■^ r 'Y t'À ìS ' i / S . S\n' a S ? < ,^ Z i m SAsA-SA S srA f^\nS\ny\ns Z ^ ' ' / s ' ' Z s ' ' z i-Ł s. s\n.\nt '^ S s\n'Z y .t'\ns s ś c r e y Sr\nr+ i^ Z s-z* t\nO yA ysJ-^ oSsf y i ^\no i ^\nj S\n- ' ,\n,\nZ Ł r S ^ y j\n\"\n/ У\n-\ny S n - t\nA * y ?->-'\n/<о У г a S - .'\n<7^c*?ets*T A ~ y S Ł * * ^ S * S ^ ' ^\n|\nS ^ s ^ y e -c s s . Z\nz\n/S - * .S Z < y p /^ -\nc s o x x Z S\n\nіу ^ от,У С г^ аА сТ У к.7 '\n^ и Х у ^ - ^ г о / ^ т\nУ\nл Р\n^\n' У\nС\n\n- S y\n/^-\n/У>У\ny^tCZcC\n^ ^£y<^Zjy,AZ2L^y ^ с у\n^ y y ^ y f у~ ~ y p z\ny Z t^c 'S y b -zy\n „, У\n7 ■■ о ■\n.\n'\" :\nУ 1 тСУ у^УАУ^л\n^ 7 tr ? ? y №\n?\n' Т\nг у ^ у * ^\nÓ / ^ J )\n^\nc*o ot,\n, ^\n^ р у �� У Х - с о г Р т У\n<\n^\nУГ-ЯСт У 7 *\n^ «\nyC ć<*^C o7 c-\nJLT^LtL\nsjC^ z%^yr a ^\n__у у » и < Д\n« ^ е л / t .^ to P yD ^o*\n- C ™ JTzzz. ^ у іу у у ^\nу7 {Ог,7\nл^У<~ <\n■\n<7ts/oD\n: ć‘~*\ntlt- ttr to D\n-\n. ^\n^ s z ijc tA\n/\n^*УуУ у/С*У^ ZU\nkJ** J 3 A 6 —\nоУ ^ тЛ-у y i * * 7\n£ ć w ^ n .\n777X^2^\nt.\n( /f a w j Z C\n- ,\nо7*1-О ^Ш к-7 .\nу * Z o to tt? ------\ny p / ^ P c o Z ^ Z c Z\nттУт-'егк^/'^А'\nX\n, ' ^ Ł X\n, ~\ny\n=\n4\n-\ns y Z у\ny ę y\nд\nZ ^ ' y ^ - y\ny\ny\n^\n^ y .\n( f '/'b iw j W\n.\n■■\n.\n,\nуА'-урт-\nX\nPD*Т у і о ' я у AD А£.,.***л*Ау A*”*- Z ,\nZ b c Z -Ł C , J -r ' 'D£, D P ?7--Ć\n7X ? tc Z ? P Ì ~ * Z - i*77\n■ /\n/\n\n/\n\nr '\n' ^ } ~ 7 r z\n•\n)\n0 .\n*,k- У\n; У\nС\n,* > '* » * * V\n^Г лЛ іт аА ^\n07 ' /Х*сы А * сі77-с^ . /T-ŁJb.\n^XCO 0 -* t^ Z ^\n'\nO o& ts\n' ••\n'\no**-f™~J7**\ny _____\n. .\n^\n\n, . ■.t.r^O>-OL'-l7,17,O tf /C oT oT ^ Z ekctT A ,*\n“\nyt^P^APPtoy A ^\n9-,?■' oP-Ao/t*, ^*~7_\nZ j Р ~ ~ у ó^yAso* P D * y ^ - - A /y P P\nо У\nп\n.7 7\nA ^ y S < r Z /£ * * ~\n/ Z\nZ\nZ\n^ * , ź Z\n' <-^<7 -t<7 7 . „\n, ,\n.\n■\n/ / ■\n\nO\n• /\ns Z v ~ t A ' y / ' ' Z S <\nw\n^\n«\nM\nZ Z * c 7 - /'p y ^\n/\nL\nZ\nt l Z\ny A\nl Z\ns . / л Р о < У\n‘X r tO f r r T . Z i\n'\n7^ 72£<*S &Ć4A-A\ny#pecA

f\n,.„ / ‘^ 7 z z y vr^yL,\n, • z\nJ p\nA\nt A\np\nA\nf\ny <\nM\nj _*7 Z\ny\n' ^\ny\n\ny\n^\ny\nZ\n\n■* •*\n^\n\n^\nx\nt x ^ ^ r\n<2 « V\n« Л\nl'tT T -Z '/to t'l-* ^ 1^\n\ne Z .\nDC\nУ\n.\n^AAU ^J^\nо\n.\nу\n\n- -~уэ Z\nУ\no L o A /z ^ A t-L\nо\n\nѲ d Ł f o c .\nux)o'cìi'ùг\n^\nУ\n(. 1.\nос/ f ź //<\n\\//^ U I\n(lì poi\n^ т ^ р /Ь ы л с г ^ р ^\netcіахах^ У J w -i& x d 't-V ? < _ У~ & *г< / ,\n.\n/ '\n^\n'\nK .S C-CćfUc^sS\nc^iXrT^t-'t^rx^A\n, _\ns J Ù t.- J '\n/\n'\n'^-cr\nd r x > x £\n✓ &*4s ł ^ 'V Z ru * .\n/\n4 \"^*> / Ss-L / л у / л\nI\n■» « V 4 * ^\n\"\n,» < * y ^ e \" 'r\nZ ^ - ^ t 'y if+ s\nĆ.\nsZ s^e x Z e X\n■yzr<*f\nѵ И \" '|\n'\n* d\n^\n? ^ У e j y a ^ e ^\nу\n4ге е і+ & У гл _ .} Гу\n>X *SCC f^X..-r\n^с*^лахха\ns 'Z*^/% ^^<^ć>cazc&+\n$Z&fćAlAt+\nĆk-^ĆĆHS dŹpŹ\nС-Г'ф-іЁсх ^рУіХ+АеОхХЬУ^ъА- J\nCdf/ZA. У y ^ * '\nJ\n/-Гл\nУ р ^^лУ ^^^У *\nх Ъ'+^Ы х'СаУ\nr.à~uyS УХУУуУ y^^yyC ^d\n4 * f^\n/\n\n7\nЛ -\n;\n(\n/\n**\n(* ( / yĆV~?yxdr'*-* /X A X zdX > 1? X s X X y /r ~ ~ -\ny ' ----^\n44----\nХХ&іхХ^У&а Х ^ Х-<^Хе^ХхАА_У y f ć c d f ty s ^ ' ^\nСУ£Х-і/&<^С4^ / Г\n/ыХууь/ ^/£&у,ел (^jd\nypx ęxy~~*^-~\nX~£ dX+yy* . ^ J y x t y y y y£lp\n* J ^ZX>~«y_i\nъаауаы чх:>\n■« y r i y ś p *\nу\n.\n< /^\ny j y i t x\ni . / У Х у ^ у ^ . У\n^ У\nd h -Z y >\n.* ‘ £4x > r e < ^\nJ e z z * y ( < ^ X\nf,\nУ\nУ\n-C f\n'у у *\n'.x^v& cr^c\n/ е 'І х У У е с '\nУ\nу\nу\nу\n<—Х У r * — ^\n^\n/^Zl2 u -~ a\n* У\n\n/\nd e .\ne A u y e\n'<*■** У\n■*\nу У У е е Ы\nл\nУ -y e J s p e y f -\n? y £ cy\n\nу\née S У -Д геУ /ы , s * -ie * y d * X S —d & sć ć & -e e +\nіу'а ' ^\nf- r t.tt- ty /у У * S r*\n/ f ^ ^ e t d y d e\" P & ef-d Z s^ M .ttx '& У * г'У іУ у .;s.t/S\nЛ ‘ ^ / Z d /^ . Vе' /\n^ Ы 'е /Ъ ^ ^ у а ./А г , у\nе\nх\n/\n^ Z t'e .Z Z ^ * I*\nу ,\n^ /л Д г * г < у ^\nX & Z tZ f\nг ъ с Ѵ\n/ о\nJ L\n/ f ^\nz t . / e ^\ne ^\n\nА ^ а ^ е х е .\nг / О ^\nА2 / J С ■ Г / Л\n-\n*\nЛ П\n' ' *\nУ J\n: * і2 .\ny ^£у dy '^уУе^ХуУ^У\n' eÀ. zjdy ^ХУ^Ур/\nХ*У\nX S H scZ ret (Уыуі\nу/и+У^У'' У'-ел-'У У У*** '*'\nd- ■ •\n■\nе^-жХи^У\nѴ/ХХеСАсУ\nу\nг<у\n\nУ ^ у У * *\n_____ г. _\nу Л е е - е А е е .е ^ ^ о е ^\n, У е - tx tu e\nJ y S o e ' /ZZ*~c+ezr м\nл\n/\ny ' z v Z z J x y '\nА е У і^ -я -г* # х * * с У * г\nг\n. У\n. ~ /іУ х еѵ -і^ к\n^ ‘У ее-и . & / ź f\nУі^ '\n( Х\nХ\nх . , * ^ У\n.■\nУ\n. „ ,\n„\nj d\n\nУ\nі ^ і У\nХ\nХ\nс У\n? '\n4 J , ' * Т * .\nО\nSXLjX-CAXf PO''\ns\nУ", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "około 1830", "token_count": 3013, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Nieustalony autor"} -{"id": "bcpw-public-domain:budownictwo-machin-1830:5cf35f3f:0035", "text": "Budownictwo Machin albo Nauka o Machinach (około 1830)\n\n-_— ^Уж^*-т у'ЛУ^УУУ^ _\ny ^ź^e * _,\n«\na\n&%£*~z£tyO\nс ^ о о ч р ^ гл с .\n/^ jp o L ^ y . —\nrf/ъ с ъ г у г ^ ^\ny\nó\n^ / f\n^ \\^ P\nvt/ésac^CXC^ty^tsAr ^у/'г.Ул-УУ-/\n(z-rl^i р&> ^ у /$ г & іД с г 4 ^\nг\nх\nу\nс\nУ\nг\n^\nл\nУ\nс\n^\nЩ = >\nу У * < г & * ~\nP\n- ić y г ^ у У\nу ^ г ^ К\n^ . __\n‘X\nł/i\\ ? г* < ^< У\n/ у у /\ny\no\nz\n^\nc\n*\n*\n, ; s i-s /'jy * ''’\nУ < ^у*л*Х / ^\nу ь о -іл У -c* yy-r\nгхУ * ^ ^ л у &\nс Ь с у\n* & 2 > ^лллУ < зУ /м -?хл~' у\n^ ^ - / * * < < /* е < у у ^ * / — -----\nч £ )У У * У y X y d c L ^ y S *\n*Х Л У *глс\n'\n------- ^\n\n'\n' '-'' Л & У У\nо ^У с-О О О * * ^\n\\У *\n^\n\nЛ сЛ слл* Ć t^ ć j\n& і~с< *Л ъел4\nс = 4 _ }=\nууЯ У ууу\n~ У * лУ ъ4 * лУ у *\n, sx y sć Y y » * -r у ^ +\nу у у ^ - а ^ а у Г ^ * 'Г\nУ у л -ѵ\nS*,\nJ У Л Я * ' ^U < r ^ X\n,y ^\nf y\n\n<*> у и ы\nУ\nг\n^\n<^ у у у *\n~\n/\ny y ^ y J ^\nZ\ny\n^\nż b\nł г /\nу\nу\n^\nу\n^\n^\n^\nл\nУ\nу и у ^ У\nу\n< \" г / к\nо\n«\n«\n— * < уа~ -^иг-У ъоУ у\n/у - ^ г у / <-\nісхтУ**-‘\nуЛ-0-+*‘ '' ' ^ ' \"^\n/ ^ ^\n'\n^* іЛ < л р + іл л -^ o y ).js^^ìZ < L y * у\n\nt b - y y * < у /0\n)y e » t t £ - ^ ;« <^\n4\n’'\nУ / -У О\n\n^\nЛ,\ns /* u A\n' / Ł\nY\n<\n.* * y A\n^ T\nA * A y ~ A >\ny\ny\n\nA\n/\ny\nź\ny\nZ\n^\n0^\n?\n3\n\" z z z\n~*.\njfirć Z -C ć r-C tf-trt^-J*\n\n/\n'”4\n*\n.\nr\ny?\n/ ^\n'„ ..y\nА\n/ A < l* * * ± A * . > s * * С С ^ У „\ne c c t y y y y \" -* 'L*\n,AJ^ , /у?~~^ a\n^ a & Z ^y^\n~\nЛ\nу\n-— ^\n, Z\nv\n- ź W\nj y ■—\n\" V ' )\n^\nT\n“ ' ^ 2 .\n/ ^ . ^ A\n\nу ^ А А у у /A y\n. ^ <\nA\n* ' ^\nZ\n\n-\nу ^\n^\nк Л\n/ У\nТ\nyCATZ*-*\nA A\nO\n’Ѵ^^гг£*с^лкт\nг ^ А\nУ\n, г ^ А\nу k\n^ itA\ny „ А Л\nZ\n^ e y À\nA\ny\n/У\n~ <\nЛ\n\n,\n) _\n•\n.\n,\nJ ^ 4 ы>-іЛ 1£ а^ [ л\n' ',/* * £ .\n-'О-с/г/fc/ c-<^\nУ - —\"7^\n/ —\n^\n\n* * л ^ у А * г * * ^ ' А - * .\nг г у У\n\nУ\nѴ 7\n/\n\n/ „\n. ,\n'Q\ny U\nA\ns ■\nУ\nи\nЛ\n^ У\nа\nЛ\n^\n,\n+ ?\n<у А\nА\nл\nу\n* ~ ~ -\n£ ~ А\nу\nу\n/ л\n^\nУ\nJ\nj j ~\n^\n' ' / ™\nр\n^\n\nеЛ * ~ А * * * А ' / W\n\nL -\nУ\n- У\n\nĄ\nk\n/\nУ\n^ л\n^\nЛ\n/ s / y y ^ ,\n. ^\n^\nу\nу\n^\nг\nА ^\n^\n‘^ У\nу Л\nЛ\nу ^\n,jA &\nу\nJ\nj b\ni y D\n^ y j A\n^ “\nУ\nя\nУ\n'Л\n~\n. ; , у\nу\n^\nЛ\nг\n\n^\n~\nу\n.\nу ^\nу : -\nЛ\n/у j y\ny\nЛ\nу ~ ~ ~ '\n■\n/А\n~\n^ А А У у\nі\ny L\n^\n. y y v Z\nл\nу\nА\n- y À\n^ - у\n^ У Г У * '\nг\n\n^\n\nэ -ф\n- ^\nл\nу\nЛ\nт\nк\n- к\nс: у\nу\n• А\n#\n-\nх\nЛ\n\"\n- ” / *\n-\n\"\n\n»\nу\nл\nу\n^\n^\nу\nѵ\n- у\nу\n,\n; У\n/ У\nу У\nу\nу\nЛ\nі ,у : .Л\nу у ^\nЛ\nг ^\nУ\nу У\n' у\n. -\nл\nг\nг\n/\n/ У\n\nZ\n>\n/ у\nЛ\n^\n\nЛ\nу\n- -\nу\nУ\nУ\nр\n/\n\nу\n/ г а\n_ 5 7 ^\n^ / ^\n^\n1\n\nуА ^сА лА у\n^\n' у ^ , А /^ г ^ у А ^ ^ ~ ^\nк\n/\nо\n<\nо\ns y\nr '\nt >\n{ Т Ѵ о ^ ^ - г /\nj\n's / 'S\n- Л ? у\nь\n«ACC»*_\n\nа , ĆX ; /&\n\n------\n< ?*4c< $C s9//(& L b c ^c o\nЯ -^б у /У А * * ^^/\n^\n^\n^\n/ e\n^\nA\n- y\nл /А у С ? ^ л е У л іс л ^ ^ А\nc/«^S£^<^2\nty /A ^^\n\n/ г ^ л o - ix y e /J\nJ t\n+ А Л (&\nс<\n'і^ А\n^ /\n^ с Л е Л ^ Л л •-\n©\nЛ\n!\n'ут хъ ^ -е*?\nć*\nćt-У іьУ ? £*\nд У\n’г У\nу / ^ У\nу У\nг * ’. '* у /\nу ^\n'zd v -e )< S\nо С й г л а ^\n^ ' Л\n- ^ /^ ^ Л\n'л ^ Л\nг ^ у Л\n^ ' ^\n, Л\nу\nЛ\n\n'(К е и /\nУ\nе у ^ г ѵ\n^\n' ^ y A y -* * A & * o\n/ J\nf\n; I\nл л ^ у с Л а А /^ ^ л У х о г ^ л с ^ л х /х х\nА у\n/л * л е * А у\nу У\nУ\n/ *\nУ\ni !\n. ,\n/\nГ1 А *\n'* # * * ' у Л\n/Л\nг У\nу ^ У\nо ^ с с л Л\nу У\n'\n/\n*} У\nУ\n\ns * * * y ^ y\nС Ь ^ѵ -ь ы л ^У ', ёУУ~СУ>Хл\nУ л у г/ѵ Ъ х У , ć o -с л т іх л л У )\n,ё у ь и ч у ё х\ny\nÙ\nA\n^\n^\n^\n^\n/у У У\nЛ л Ъ * ^ ч л Л > л ^ у\n■S ^\n\nу\n/\nУ\nу с ^ ^ У\nІ у\n^\n' у У г> -У ^-^ /& іЬ э~ С л.\nэ f à\n^\nf y\n^\n\nі\nу\n*\n^\nс\n^\nГ /.ІА/\n. . У\nУ л/\n.^*)С.. 'улСг. уЪ24УиУъ^&^0^ '^ S\ns f\nм л л * л г х л у А л У\nгУУУуу^'^ У г ^ и ^ - л ^ г л Л у &\nи У ^ с * .\n■\nе ~ А\nА ^ Л\n'* ^ У\nі* с У у ^ } л л л ы\nл у\n/ - ■\n\n>\nо\nу/УУг^-э-г c**t^A crs*\ny<*J CLsćłt&^cy\n' С^У^ЯСлКУлС\nл х ^ с у ъ &\n^ о А\n^ У\nу і ^ У\n^ у ^ * -\nу л Ч х у т )у у о с У л .------\nу . УЬУ#/ Л > ^\nt Ł -A A Ź o ъ ~ г * А\n< У\n'5 y 7 < A > -y ^ у у у ~ ѵ ~ х >\nt a\nJ\nT\n5^\n--^ С /^ * ^ 5 Аі^г\n< £ w tì^'r J r\n. . .\n• ( У\nу у\n,\nv J >\n'\nA\n/ f У » А ~ ^ у л у у ^\nУ\nJ /c U\ns\n/ ^ А\n^ х\nл у ^ ^ '\n^ -* < А -\nt\n^ Z J C r J fA A ^ y r n ^ ^ J y A ć /A * .* —- у^ы^е- r ^ J ѴЛ ’^ И\" ' ' Д / Г\n\"'\n\nt/c ć p i/ y y -u k u .\n- /а .) а ^ и у У с у ^ - ,\n* *\n$ у у Д\nі У\n* 7 /\nA\ny £ y £ C\n7 p b l ę ^ c ^ / А\nУ\nу і^\n\nt Z\nA\nf y ^ y r * * У ы /\n^\n5\n/* у + -У\nJ\n, j J\nt y\n~\n~\ne\nL\n^\n^\nU\n^\n/ у У\n^ У\n\n'*\n~\ny\nlL*<- Л А 0-&<'а с У > /к „\n^\nу\n^\nѵ у\nу\n\n' С7\n_._\n^\n, х\n7\nr * * k c c t* > k i^ /x _______\n^\n\n«О\n_-7\ny X e ^ f\n/А < > А ~ ^\nУ ^ -У д к У '\ny jk b k L ^ c * У У /к < -& < г\nс Х + ь А ^\n/\nт\nА\nА\n\nІЬ у& Ь\n'\" 7\n0 У\n'у Т\nЖ\nк\n/*Г\n,.<2^гХлс г ^ог ^^г^- г.\ns/o c T .\nJ\n,\nі/>\n\n'7\n/\n'\n’\ns*+ ‘ 7\n6^ * v /* £ t £ f Т У е с ^ е ^ іТ Л /\n/ У\n/* - с У ус^ л У * * * * * * * ,^ * ^ * < < у у и л *< л* у ''\n7\n.\nо\n_\n\nк\nГ\nк\nУ\n^\n7 , у\nс\n■\n-\nА***\nУ\nу\nЖ\n7\n?\n- ~\n0\n0\ny\nt\nz\n/\n7\n%\n3\n&\nk\n- *\n4\n» 7\nr\n7\n7\n7\n/\n7\nf\nX\nУ /> х* ~ У\ny\ny\n^\ns\n^\ny\n\"\n\nУ\nу\nУ\n^\n’\n-\n^\nу\nу\n\n\" Г * * п\nО", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "około 1830", "token_count": 3386, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Nieustalony autor"} -{"id": "bcpw-public-domain:budownictwo-machin-1830:5cf35f3f:0037", "text": "Budownictwo Machin albo Nauka o Machinach (około 1830)\n\n~\n^\n/ ^ л ч і У\nе у у і^ >\nл‘\n^р г а ^ //fir r e ^ y ,\n/ у\n//fil'd * * * * ’\n/* * * b d y c fi* -''\nХ-*-У\nу У\n\ns Оі/ / і // *\nг /< р--< :/^\n^\nJ ffific /y r n ł/ć c * ^ £ X * * jk_ y / 'Т\n\" )\n'd e h ś^)& -\na\ny y / t . ) у\nf i / o /fc fiS /r 7\nJ ///e ty ^ c y fi\n/&\nу у у ? ъ с 4 у у * /\nу / л У\n*\nо О Л с^ сЛ а к а - /\n/\ny d /fJ b /iJ\n/\n/\n\n•УАі ^\nл* /- / .m\nr t j\n, / ^ ^ f i\n/ Х М * * <‘ <-H.\n^ ы\nр - ^ у у о\n/X\nj^ # - Ź - —\n/ / &\n/ / '\n<\nу / * c y ś * d i\n- L\n&\n:\nо\nc /s ć t^ ć A .\nЧя/ ł y\n\n^ Т /г / а У ^С ^-/У а^ * )& 7\nС Л ^ и гх ^ /\n,\nl / / '\n0 ^ fifiL\n/U\nfi/\n^\nj y\n~\nc T /Ć * y & -4 J\n/? У ^ /У У ,//\n^ /fi t t f i y y r P r-r / j \\ /\na< /\n/‘\n'* * * * * * ', .'/ У\n- /\n* fi «\n'* ’ г 'г' ' ' у’ * ** fi-fiy\na < S ! i< fi*?\nt?>\ni f r f i f i i f i f i '\nS '/* -\ny C f i - ^ І ^ І / Л - / /* У А\ns\n/\nv\nt ^\nf /\n/\n/\n/\n\n/\nu / 7\n/\n\n/\nY^/tc/7 x^/^ć& /z^ć< :.& L^cy\nph-dJdX -л\ny\n-\n/ / і ъ\n/-t< * A -/C * /L o ^ ^ fi/^ fic K\nu Z\n^\nУ\nf\n■S Z L y tc Z Ć ^ J o /c * ^ у £ 7 / у * у /\n■ A t-zC /d C fic À + fiiJ /> сі* /У\n^ х**>\n- *\n^ u\nѴ ~\ny * 7 < * f^ м С и &\nУ і- У\n, л < ^ » я ^ 4 , /4У*^*^с*/у*гА\n/Рыаълг\nЛ с /У fie fi/Z t-\n, і /\n^■e/ ’/ ,7\n/\nо\n\n<\n^\nЛ\nв / п ' ' ' „ J z\n^ /fi* y / / 7 7\nс /г ы\n^ у * /*\n/г л У ^ у /У Т * ^ * *\ni <\nj f i / 7\n/ f i *\n«\n^ іп < е > 7 -ж А с ^ * ъ у\nfits d /- *\n* Д\nу / У у і/***А~**тУ/\n' fid7 ,, г *> «-, «Л* А .*>\n^ / ы\nс / і - г л _ /\n0 - j/L\n/ с о\n/ / *\n\nA fir fit^ /У\nс ^ і ^\n^\ni< J z c e i//y * y * * * J\n*\n/ \" /? іЛ A - //- /A ос^еУ -\n^\n’^fifitK . ^ г\nt? sP~Aficfifiifir-4isf\n?*г< /7*^ fij\ni -t ii-t-ts fi * /\nyifi^ C<-‘'-/t\ny\n^ Z\n/ x\ny\n^ /p À\nf\n/> ~ г * * Ъ\n/* у у у * 1 ~ ^ <\n.* ' . . Л\n^ М\nу\n/У /\nST), z .\n\n) / , —\n. rj y y f ~ ■;;\n^\nг ^\nу т\nу\n^\nćT^/p\n- /? ..\n.. .- 7 ./ t / у ^ £ p //7 * y //f\n„ ,А С ,\n7 / а ^\n\ns * fi/fi/c / / ^ і і у\n,yy-c<-\n/ \" \" 7 ,y r ™\n- ~\n^\n----------- f\n7 /\n\n*7\n/\n\n5\nСУ\n/\n\n■\nz ^\n\nil\n- / Г/ ę\n^\nr\n\nу ^ іУ У * * * ^ ^\ny\n/ y\n\ny y a n fiA fò fifi/' /r y j/- c fi> ^ p ź fić ./7 ifi> - fiT ^ / t i f i / .\n< y< \"a icfifir\n' / //* <\n* /£ /\n^ / / T\ni f i f i L\n\n_ //j- fi^ fic y ' ^ / / y y f i t - t - y\n/К у /7 / j\nу &\nр /с //у ™\nі* у 7 '- е'\ny\nj / f i i / /\n\nУ\n^ У\nс г х А у\n^xZa O ^ O O -\n^ ^ y -\n^ S S c )\ny£?*&гѵУ Уу-.У r - /\n(SiTtStfe С\n/X x S c c y S /i Г ,£%>£7£A£ /\n■^ У ’^У\nУ\n^\nу\n/\n* * -у\n-C-^SćSSĆ lec\n^ .-г ' ../З с у * !\n*?0C W i*^p6\n-------- -\nХ*съС4С*Се*46*\ns -r\n^ Х е у *\n«я*--т х ~ у о\n^ S '\nV\n-\n/ /\nf,/\ny - i —cccSŚrć-r\nć f-t-iJ\ny <\n^ £ y ' /\nt\nt\ni\nf\nі ! Г г < ; ^ ^А Г ггре/Z e S\nO\ns S - y\ny Ł ^ f y A n x y y Y fL -A ,Хл_ ySc-CA-cdixZ/^^^A^cyeet^z^eS\ny£S> y S r r - c e y y ^ c Ć L--\n'iZ r y tX C A ,^ y\n^\nS\nx\nt\ns\ne\ny z y ^ * * ^\nĆ^ŁysCO-t^SC-fy-^ у^Ъ-А*y ć c S y S y /ХГ /х ^ г ^ А А 'Д ''^ у £££0* Г yX -^yX ^SyS'C C ^i'SA ^StA S\n*’ с-^^«г.£Л -с<>сУ < 0\n,/Z v 'cst-t*<,CŁA-X\nУ*\ny fa * /Z ^ C s S\nУ ? £ у /< ^ ^ У ^ Г у ^ Г > 'і у с у\n■ У\n/\n\n* 3\nу\n/\nS s ie су С*\nс-С-слха>САРі3.е^с>\ny S ^\nI ćy*\nS> f.-< A y' ŁX_^\nC ert уУ'^Аеъ\n'*.* 1S; e\n*C X #tS< St-lÀ )< y\n/\nĆ-C*&&//? ^геуг\nу * * Л ^ * -* c s ć c K£ *\n, V у / Y ( *y^/r л /\n^y Y\"\n'^лхУепс'уесС- ' yyiic^c>- S ' ^ tt-^rySre.eSScLr te J yCeCZcer* e*\nAAAcSf S**\nO\nl\n^\n\n•\n*iJV\n' ?\n/\n\n^\n5^,\n^\n\ni-^j- Х 'с с ѵ е л ^ y £ * tA v y n\nS &\na 3 S v\n\\e S t\nЗ 3 < * - S r S ttc S\nе ^\n3 Ź >\n'А - ^ - ^ е Г ъ ^ ,\n„ Л\nе * ъ і^ р у / г > S S T\n^ ć U\n^\nCCл/а (Гт-уС— V\n0 ^\n*~^<^'* <Луу'\nѵ tf/cS /Хж^у*-Г- t>t-e-t-<-t,rt\n£*£-££ С^Х-Ае t^s+x-xy\n^\n■yC c^t^C /L L\nг ( w\n\n.jŹ r ić L , ^ jS S e ‘\nyS Z /Z r*\n• , o\n^\n: - ,_ * z) y^t,/ <Аі£гУ*і*у ,- *-r£>'rV ~\n< j-e S /y ^ ,,y\n/ćŹ -t e y S\n' y ^ m S ls S u -\nS\n'< f ,\n3\nC\ny ^ S ^\nt*-'Ct < -* -1 ' / rS 'l +'Iy ylttC t tS /^ ' / ^ f t V\ny S у r O\nt S ’A. S*-f 'Sy £* ^-\ny S\nZ\nf y ic S !-£ -y\nS\n\n^ r J t / Z\nù y\ne S y S S\nX\ny\n/Z . C\n~~*^y\n< £y-1\n,УЛ'^\nS t*\ne* z l ,\nу", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "około 1830", "token_count": 2979, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Nieustalony autor"} -{"id": "bcpw-public-domain:budownictwo-machin-1830:5cf35f3f:0052", "text": "Budownictwo Machin albo Nauka o Machinach (około 1830)\n\nг\nAy^ćyl\n1\ni ' У\n/\nіА s У^у\n1\n/\n<■*л л у ^ У ^ у .\n^/углЫ У > &\nf?\n/ і/лУ а у У e-ecSe^x С т У л лА\n) „\n,г ^ х> У\nW\n—\n~ 7\n7\n^\n\n^\nrj\nу ^ У\n^\nР\nу , у ; у ^ у ) у - у г у\nГ У ІЫ ^у и ^с у У\n'У,.'*,'* \"s*0-\n.7 .\nх\n^ - 1«N\n/\n/\n^ \\ ■\nЛ к А У у ^ А Л * *\n/\n^\n^\n* 4 L ~ * jr * '\n7\n7\n7\n\n^\n7\n7\n^\n\n• -\n^\n'УА-х'\nУлг/Іі.\n'ъ іл У * ъ с у '^\n/?У' /4ѵ.\nи?\nа\n3\n\n- 7\nа\n, 7\n/\nУ\nу З У\nр\nyL/cyJ ^уу^хгАУ^^ - ■ -\n. У у ^\n^\n„\n^\n. s\nx\nj ^y , ^ r ^ A x x y f x X J X *\nS ? r r ,\n- . У ' ^\n-Ѵэ\nfz^ c y e szf-^\n, ' ааУ А^уу/ , '/£У*\n< ? с /и?\n____ _\n7\nр\n.\n^\n^ Л У > » 7\n\n.\n-\n■\n ** • •\n/ У\n^ 'У\nг у / У\n-\n<х<У-У\n^ - е х х г т л л - Л х у iJ\nУ'\n/\n\nG\n^\nQ ~ U y ib\n.\n'\n,\n' Г ' )\n\n^\n/ А\nу\nуу\nА <\nУ у\n: у/и гу^Лу\n~ / —\n^ , / ,\n/ j '\n7\n\n,\n/\n7\n\ns\n/\n7\n\n_\n7\n\n, , , т\n7\n/\n3\n\n1\ncJ& <\nи\nл\nс/^\n^ ^ г-г-у у -и З\n**\n^\n}\n■\n/\n,\n\nО\n^\n'\n^\nА У У У / &\n■/x«YsA «А*\n^■\n/\nf “ ^ ^ Х у у у Х У\n^ и У ~ -\n.АС\n^\n\n^ .\n, - 7 -\n•\nJ\n/ Л\ni - ^ y - /\n^\n7\n( ^ J - J r / y сУ) *-*''\n—'\n'\nЗ\n7\n'\n!\nЗ\nЗ\nЗ\nЗ\nЗ\nЗ\nл\n^\nj\nŹ\n- z\ny\na\n~\n\ny\n<\n-\n' -\n^\nr\n/\n~\n3\ni ^ y / r 3 ,^ ~y~x\nУ\n.* У у - -i\n/ ^\n-\nг У\n^\nу\n- ’ . У\nУ\nЗ\nУ\nУ\nл а\nк\nу .\n/ Р\nС\nу А\n^ ^ А\nу\n-\n^\n\n^\n^ оАа-іх^л^ у ' З^САа УЗ У~' у\nА 'З А / У А ^ г /іу ^ г Л-У<^У<У J ^ у * У у л у ~\n**уа /і< л ^ л М ^\n^ У )/Г у\nл\n■ ч\nг\nР4-У\n\nC oU o/\n* y .^ L ^ s * J z * ^ ^ <^J*,< лсу£ с* * У\n2\nl'oc^y-eŁf\n^\nJŹ Ź > -£\nл\nл\nУ\nІ л\n,\n' * £\n* 5\nЛ\nЛ 6 /\n/ /yftyt^\ntt^A y^cĄ ^^ ,\ni ^ T ;\nz * \" * 1 ^ / ‘\nУ л^< уу^\n^\nуу*у ^\n\n-^ s у е у У ^ у ^ '^ ^\n/eCj^ 1 ^ 0\n/tsO~i>-&'Lr^ /J r t^ r '^(* * b * J\n/4 ^£ > -£ г '^Ć r*-U s^*sZstr*^*J>\n/ ^ t ó A ł - Ł ^ A t\n^ ( « L V W\n^ ^ A A »\n? C •Sl <_SS.*-r\n-__\n^\nV\n^\ną \"\n/\n■\nУ\n\n-\n/ У\n'ОсУггА\nуС У У ^ууууу _.^гУ **Ы *у\n\\ у /'* ’’\ns s iy t\ny 'r\nsUc-Ac,\nf& c A s n ^ f,\n/& *\nУ -t t a\n^/х е с у у с А ы я у ь ^ ***'*)\n^ e d b e -e y d t^ -c x ^ f,\ntrzecy^^-* * сУ y n y y ^ t^ y ^\n/? 2 ^і£ і* у Г\n/О Ы У у^\nС\n/\n‘У\n« * * ут уу/ ■'*^■6\ns s r c y s ^\n\n,с ^ < ^\n/ у\nАУАрсУ Ж У у* ^-* ^/ / Р\nУ\n*\n/\nt&tsLv.\nУ fa k ir a\ns /tć T fr j\n/\nt\n• ^ f ^ Іе г а ^ '^ с У а у у у '^ ’\"\n/ / с*-*\nуа*г *у? ггг 0 гуууу^.у У<>~сгууУу\n^\n'У\nу ѵ\n/\n\n'\n•4г f* /\n^ ^ б и ^ т й с . <■\nz\n\n'\n■\n•\nz\n^\n7\n-\n^\n\n<\nу\nт\n\" \"\n,^ г л у сууг-Г Л -гу\n^ ''f\n.y y tttr ty t.\nsu /t* .è\ny\ny\ns\nу С у ^ г J\n^ y À y /^\nі / ^\n«\nи\nл\n/ ,\nу^4+-і4с-сЖ r ystyr/yt-r-^\n/ ’аУ уа <'Stx. JJ\nyxyó d f-c< er* yźy**ty*--\n^ * «\n«\n<\n«\n^\nt-y^y& y^r's& s.y /..- z e t-\ntiy t^A y y )y ty y ^A c A y y i ,J\ny^rri- ^ y '\n■ ■• ■\"\nг\n- - г\n/ у\nу\nу\n\n/\n\n.\n-\n-\n/\nУА,/ІУ <-<удс г ^ с і Ь ^\nУ % лууг**е'-* y ittc y\nydr& r г/* ,t y\nу у / y ttty y ty y J / jr tJ iy łś y\nĆ ŁfsYy*y*^c*_\n/ify /fc < s\n^\nаУл .<х у £~ ' ^ .^ t^ y ^ ty y .\n/& t-ty tty Z * y УуХУАг-сУ/у\nf j y\nf\n\"\n.\n•\n< V\nу\n\n/\n\n/:\nS Z\n\n,\n_\n/\n\n'\nУ\n/\n/tr/y-ryyy'S łry^f-ć*\n{ у i rcr ty ć t^ iy y y ^ y\njtrfZ 'c& y\nуС*А/*£іУ\na\n.\ns . '. ' )\n• ,\nу*\nУ es&esć* У^-ć/ССууСУ'\\\nЛ*-\nyt-t.A ,\nу ' ‘у ^ л У\n* '\n/ £ ? . ' у\n/£фуІЛУ , ./У < у /Z У с У .\nЪ**Л*-1 У^у\n1*ъ**<уу'УЯу^УУ'\nсУі-ю уУ суілу<у.^\nУ ^г а і-У У ^у /у у у ^? Іу'-гА У У /}У сУ ^р у'' а/ У\n^ '\n‘z,x/«'> *c< 4 ',\nа\n^\n^ , ^ , г^сУ сг^У -\nо г ^ у У -У * '^ )■\n' 'У у yy& ś* ''^< yi& ć\n^< а / ^ У\n^гУ с-У а -^У ^\nу 'У\n” \" У У '* * '*\nS\nУ /\n'^ y J ł / ^ ^ / ''\nУ\nУ \" у\n'а^\nг ^\nГ\n\\\n/\n\nС \"^ У уУ 'У /У /\n/ Ć/ Іг/ ягууУ .,\nt л\nіч t г гУНУс\n' /\n. • / \"\nУ \"\n\"fev /У O r.\n-t 'У ^ ■‘.У tr i Г , ** !<* УУУ-\n/\nх., У \"\ny\nУс'УО/ОС Д-УУ—^\n- ‘ £? ^ ^ -\nyyts fć t\n<У* ( ,\nУуу*-Г'\nьУ,\nух\n^\n^ л у - у\nу\n\" ~~ у\n---------\n--------- y * * ~ f* y - f'ty ----------- 7 - s~~-~ У гу\nу/ѵ ^^'с-сУ сн\nе і^ /С\nу ^ у ^ у у\n*y£j'ć&€yr~\nf t\n\nл - ^ . / 4\n^\n(А х/Л у?'\nл Л б *\n^\np\n^ e\nУС%^У О -с< ^^ее^\n'М У ryxyyyyyCS&i\nJ\n. £\nу /\nг\nГ ^ )\n^\nó4?cx:^rf<**cY\nУ^УТУ-ХУУУУ'\nІ )\n% &7&А\nОСлЛ^&усУ уж^гуи .\nĆ4Z-*\n^уС ^у у^£у^С<у*<£+\nу&гулу^*У%у' уСГ уЪУу S*\nг\nу\nJ\n\n^\n7\n.\n-\n/~ ~ / 7\n'\n--------- У\n•\nУ^гу<№у*уу/1у r-tŁc^ tn £ ty y * y ^\n^ysy,/yo 'e-* * ~ .\nУ у^У л ) у ^ ^ у У\n,\n/ осУа.\n\n'\n'\n,\n•\n/\n•\n\ns\n\n*\n'\n\n'\ny y à A\ny\n+ А А * ы ;\n^ -z\nc-/W ^^»r л\n*zz а^Л Л лллА f>Us\nуі^ А ы ^Ул'^А ^С 'А г\n( %\nг л /\nr - \" .\n„\nA\n- A\n?\n,\n~\n^\n'\n.\n‘~\nZ\n^\nc\n£\nb\n2 ^W-- r\n- - .\n>>7\"/ А с^А ^^гуу/ ■— \"\n✓О .\ny * ^ A\nл Л У о\ncA & *~< ■ / Х\n^ А\n^ У\n/ е Л\n~ > y y *\n^\n^\n/S*rasj*'e^ c^L-y srzJtA ******! £ < j/r& yy ^ ^ ^Х л л-с л\nѵс.<А&оо/*'**^ж-^ (?ъьс£*л\n^ 2 у ~ ry^A ?> ^o^c^yf\n-* уу У’ / ■\n/\na\na\n?\n\n.\n^\n\nw\n_\n_\n\ns x J\na\nJ\nс М\n/ А\n*\n~\nу\n; / ъ ^ , л* .- 4\nw\nл * - \" - ^ - “\n3\n■‘ 'SAAAAA\n■\n~\n'А\n^\n~\n~\nг ^\nА\nу\n£\n~\n\\ ъ\n~\nУ\n/ - *\nл zi*—i\n^\n,-Z a\n^\na ^ ч\ni ~ £ Z A T\n^\nя\n/ ^\n\n/*\n~\n~\nу\nА\nу\nА\n/ ” у / ~ ~ '\nА А <А~?~у ^\nА\nу\n/ ^\n\n*\n^\nА\nЛ\nЛ\n* А и -\nА\nа\nУ У '/^7\nd b , / й\n, ^\n^\n^\n- . ^\n’ £ ~ £\n^\n\n‘ > 3 '\n<ГсА\nу а^/іА ѵ У Л -’\ns / x r J . A\nM\n^\nА\nА\ni у У у'го УУу r> tj* '’\n^CbJtu* Z Z y /^ s syé< Уеууу, 'У*УС*Г у [гу * У yy****-^*Y aJtrY T У?6\n,сУХг*с* .е+ іъеу*\nс-срЬсытсУ У^УУу УуУУу -с/глУ /, -т/гсУ\nелУ У Л і^ fil Jx^/yacy'o<.— ^y\nZ\n^ іу У ^ у\nг^ г ^тсУ . У /г\n* я ^ у , ОтгЛоЛ*-\nс ^ с ы / Х У ^ Х - Х\nогТУу^аУу^, ,у'ууУ< '2л*^ Уол/хУу /хст-Уы^ус /т-тст а/? *У*гУ> 77# *Ь ^\nУ\nу\n\n?rcJ — —-\n/\nЛ\n,\n.. s . / У - j j y _\nt/Угс Z /y y < f\nУУ-г-с*у>лУ t/t^ h c e /^ y\n(У* v'Z.'CA^/fy CCYYY^C\n/У*7£С/\nS\nX\nJ\nf ,\nУ У У ,< У ^ ; А Х ^ *< ' a J x J y X y y /у * л / X Х У\n'Х ' у- Y у у / ^\nу У * * у # Л ууум > . У У у /zA ‘ѵг-сУіиУ /\nХ\nу У\nу * * * ' у\n^\nу\n?\n\n* и » У\nЛ\nу У\n^ У\nУ У у у\n4\nу\nУ /у>\n/ у\n'о\nг ^ у\nу\nУ\n\\\n/ 3 4 У\n\n/У & Ź\nУ '/я У * X\nУ\nу ^ У\nу х У у * /, c /-j\n'Хог+ъУлУ Л-гѵУу\n4<\\*»ѵ У»\n,<УУУУ\nУ7» sY-t^t-ы.\nО У ^ Л A4Y\n^Г*Т'УКС*Х (УтС\n4 r o jj м Х / у ѵ aXtAs г-<-< с ’у -\n/ с У < /i t У г\nУ\n- 1.- 'У Л /^ у ^ У /и ^ ^ У т У Х У -* /?\nУ г,\n-#*«<<\ny J Ą , Уу У^ос'V\n*Ум\nAY^Y /У іАА- ^УСууУ^\nV С*/ obfit, ' j| I\nty£o*cc>\n*УУ£е.-С\ntiY -U A jy/ъ і\n/(ććY **r ' Y? 4^^YY7Y7Yt^^\n^\n^\nsc p jjJ у У У Х\nу y X\nż y ^ } _ /У У У У ^ (\\г 'у х У . !\nуУ /.г.У C^tfcK,///,-^\n-Тыс\nУ\nУ'< chf\nć.l4*ce tO T T\n/r /TYCOt/\nг\nу\n/ X\nX\n\nX\n\nг\nХ\nт\n~\nХ\nу ---------------- W\n^\nX\nT\nj\n\n/\n\ns -\n(У^/*Xćl/^//ftfys^yyfitYslY S /ЪАСАГ\n■іУ Я Х\n'J y J y Y /У ** 'Z y y * ^ ггсгсс-тссУ у Г - г ъ y ^\nijy сУіс/^У— у У с /у ‘fyr' Z J y /T ^T Z crr-y /Zy *■' 'y-T T /zy/zc/cT TC /y/^\no\n;\n,гОггі\nr*1 — SL^ rt^/Yc*» ZcctY^TCM t/ c Y 'i\nY ~ Y\nX\n\n„\nO\nY\nA n t\n4 X r f-ys~- V//8 0 — Ą3f#£*-\nУ сст У Л г-,^-\n\n'ćt\nr'cx Ł 4\n0y Z A\n; л у / и\nы\n\nP\n=\n/\n' 9\n' -\nS / p y t y\nszxc*? л'/ы л с/уХ р /хл^а А ^т У р ^лР хлУ\n/\n— Ц у А £\nJ t y j ^ p ^ y p ^ ^ ' л ^ и м\nм\nу ,\n^\nC2-<^\n<5^7 ы А А л А л с . ) а я р А с > г л Р * .А —\nA p * * y p P\nіѴъъъъ-LyjJcyf ^.<луг------------ у\nу\n' у ^ А\nр\n*\n*\n- f\nУ\n# /Ж\n/\nМ\n^ ^ А\nр\nР\n^ У\nУ\n^\nу\nу\n/ ъ\nу ^ у Л\nу\nІ Р 2 Р Р у ‘^ У ^ / у ^ / y ^ r А г~>-\n^\n\n\\ ~ - - W\n^\n( Ź ) у\n/ и\nЛ\n~\n^\n^\n=\nЛ\n■*J Y\n/ -\n~\n) *-\n\"\n{ /< Ѵ =\n^Ò(y£c*-' 'Ttrlb/~\ndetects C J S\n^\nг>Ж^А^ //^ ° -\nsus/śdłbf-^t'' ćb-^ly\n£b**t^S.\nу^г^-сА-A^^ру ^ ^У\nу/ /.^ tcCAJJ\n^ %Py//Ar с* -^уУаУУ* * exst^c*\nРУе)^* осуУ^\n1 ' Уіх^у\nАС+УСХ^Ьу/\n—Л\n________\n,\n~4\n^\nS ' \n* * +\n* .\n'\n,\nУ\ns *\n\ny\n\n__________.\nÓ\n, 7\n^\n---------------—\nАУ ' У-----------------------\n\"■\n/\nS\nу У у, я v ! z .\nyCt^^ZM^Ot-S\nA\n* э ч /\n! ? &\n~\n\\\nćĆt^ i/o\nі/^Л > 'ІУСА\n'с*чы\nSyty/Cc\nP\nS P\n) .\nоо~-\n*~*А' ^\n^\n\nS\n^cy'eys\nхл'-Ал^ххху/ХХ/клА ^е<>гл*гу\nА С~ ^у £>\nА — jT~ у\nА Z7 7/®\n)\n(А\n'\n/ О у ;\n^\nл * # ’.\nѴ '\nі / — Оу э ч /\nу / \" ~ о, Ѵр\n_\n^\n^ » Ж У\nS ^ ^ S y L A ^ ^ tt£ j\nУ -)\n, )\n, А іУоХяхХ'хЛ/СЛ\n.\n.\n•<_ у\n^ У ,.\n/Z j/Уж У )****\n, • y S ) S ' ~ , ,Лхлг^>*->/ / У\n/\nл*”^\n^\nć ru *\n/UV4+ r\nJ\n^\n\n. у ~ У\n.**Ж *~— , л— у-\n'\nЛ ^ у У у А Р 'У\n___А А .У\nS An и ^хул/Л А у А ^ А Х\n^ <*-4 — '* у '/\" ^ )\nyS ^ A ----S y y y\n(2ś^Ł/ О\n— у «\nу О\n\n^г\" - - \" О ^ ^\n^\nх\nі /\n\n^\n\" T tS f è y k\n,м\n? . S /y jS -\nА\nл\n/\nо\n.\n„\nt.fxA A L ;\nуССЛЬ0~г\n'//гг'бЫлО*^\n^ 7\n_\n^\nÉ\n4\nb\n' ■\nА *— S\nD\nS\nS\n^\nA\nS\ns ' у\nг.,чуАлгмУ Л ^ ^ А 'У\nym\nA\n\n^\n7\n, у\n\n/\n\n.\n- ,\nу і -\n^ АУ у~ ***+*» А /\nГу У\n)\nу\n^\n\n, 1\n/ п\n\nу\nу -\nа\n\nу У\nЖ\nу \"\nа * ¥ * * '\nА\nА\nУ\nУ\n■•\n/ У\nу *\n?\n,\nл ь + у у *\nу\n\n~\n/\n^ ' -\n^\nА\nГ С\nУ\nУ\nу\n~\n^\n\n.\nІ У Ж\nЖ\nу - У ~ у . y A A J\nSrxrr-\n'at\nA ’\n' ty ' / / ft*\"\nіЛ -Л\nУ * Ж Л * -А ЛЪЛ'.'ЛЛС\n>\n■к^Т я S\nj-\nP t _\nх г е У\nу >\n'\nА\n\ny y ę y\n/\n/ У", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "około 1830", "token_count": 3034, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Nieustalony autor"} -{"id": "bcpw-public-domain:cylindry-maszyn-spalinowych-1918:01ebae8a:0001", "text": "Cylindry maszyn spalinowych (1918)\n\n46\nCylindry maszyn działających jednostronnie.\nNajwięcej rozpowszechnione jest ułożenie uszczelki V z klingerytu lub wul-\ncasbestonu na kołnierzu tulei roboczej i dociskanie jej występem, znajdującym się\nprzy łbicy. W celu uzyska­\nnia dobrej szczelności nie\nmoże być U zbyt szerokie\n(10 do 18 mm, zależnie od\nśrednicy cylindra). Na rys. 85\nwykonano również uszczel­\nkę B z tektury prasowanej\ndosyć wazką, aby uzyskać\nmniejsze naprężenie niebez­\npiecznego przekroju kołnie­\nrza K. Z tej samej przyczy­\nny znajduje się przy X ma­\nłe zaokrąglenie.\nNajczęściej\nużywane\nzakończenie tulei roboczej\npokazuje rys 86.\nUszczelnienie na wodę można tutaj osiągnąć przez ułożenie na\npłaszczyźnie B tektury prasowanej lub też przez zastosowanie okrągłego pierścienia\ngumowego G o średnicy 8 do 10 mm. Przy wykonaniu ostatniego rodzaju uszczelnie­\nnia, co do którego nie posiadam osobistych doświadczeń, należy wpustkę na pier-\nKys. 82.\nE y s .\n83.\nścień gumowy wykonać trochę większą, niż przekrój samego pierścienia, aby za­\npewnić dobre uszczelnienie przy U.\nPrzepływ wody z cylindra do łbicy (motor stojący) nie jest przy użyciu\ndwóch przewodów C w ogólności dogodny. Pomijając już trudności wiercenia\notworów skośnych, nie można w danym wypadku otoczyć krawędzi E i F, na\n\nUszczelnienie tulei roboczej po stronie łbicy.\n47\nRys.\n84.\nRys.\n85.\nczem wygląd motoru może ucierpieć. Bez warunkowo lepsze jest przeprowadzanie\nwody dwiema rurami według rys. 83; zamiast kołnierzy na końcach rurki można\nkażdy przepływ wykonać z dwóch zagiętych rurek, z których jedna wkręcona jest\nna gwint w cylinder,\na druga w łbicę, a po­\nłączonych ze sobą w\n^\n. . i . i , , ^ <\nśrodku t. zw. holen­\ndrem.\nU\ncylindrów o\ndużej średnicy zacho­\ndzi obawa, że kołnierz\ntulei roboczej przyczy­\nni się, z powodu swego\npromieniowego wydłu­\nżania się pod wpły­\nwem wysokich tempe­\nratur, do pęknięcia koł­\nnierza płaszcza cylin­\ndrowego. Wypadki te­\ngo rodzaju znane są z\npraktyki, a skutkom\nujemnym można najlepiej zapobiedz przez centrowanie zewnętrzne tulei roboczej\nwedług rys. 87. W celu zmniejszenia kosztów obróbki, płaszczyny E i F zostają prze­\ntoczone tylko z gruba.\nAby zapobiedz niepo­\nżądanemu\nnagroma­\ndzeniu się materyału,\nwybiera się go z koł­\nnierza\npłaszcza\ncy­\nlindrowego pomiędzy\nśrubami.\nKonstrukcyę koł­\nnierzy, przedstawione\nna rys. 88, mają prze-\ndewszystkiem na ce­\nlu osiągnięcie dobrego\nchłodzenia kołnierzy.\nPierścień P, dociska­\njący uszczelkę płaską,\nmusi być luźno dopa­\nsowany. Przepływ wo­\ndy z cylindra do łbicy\n(motor stojący) w dwóch miejscach przy użyciu mosiężnych części C' nie jest szczę-\nśliwem rozwiązaniem konstrukcyjnem.\nNie zastanawiając się nad trudnością, po­\nlegającą na tem, że łbica musi dociskać trzy uszczelki różnego rodzaju, uszczelki G\nznajdują się tutaj w miejscu trudno dostępnem. Oprócz tego, powyższa budowa jest\ni w tym względzie niekorzystna, że nie zapobiega przy zdejmowaniu łbicy z cylin-\n\n48\nCylindry maszyn działających jednostronnie.\ndra dostaniu się pozostałości wody z łbicy do wnętrza tulei roboczej. Jeśli kropel­\nki wody, które w danym przypadku zatrzymały się na tulei roboczej, nie zostały\nzauważone przez maszynistę, powstają uszkodzenia tulei przez rdzę.\nEys. 87.\nRys. 88.\n.\nKonstrukcye, zaprojektowane na rys. 89 i 90, mają również na celu osiągnięcie\ndobrego rozmieszczenia materyału w kołnierzu płaszcza, jak i uzyskanie dobrego\nI\nRys.\n89.\nRys.\n90.\nchłodzenia kołnierza tulei roboczej.\nW celu zastosowania mniejszej grubości tego\nostatniego, występ V jest wykonany odwrotnie, co u maszyn stojących może spra­\nwiać pewno niedogodności przy wkładaniu uszczelki.", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1918", "token_count": 1503, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:cylindry-maszyn-spalinowych-1918:1285b465:0001", "text": "Cylindry maszyn spalinowych (1918)\n\nR O Z D Z I A Ł\nI.\nUwagi ogólne i oznaczanie wielkości przestrzeni\nkompresyjnej*\n1.\nUwagi ogólne.\nCylindry maszyn tłokowych tworzą jedną z najważniejszych ich części skła­\ndowych.\nPraca niezawodna motoru tłokowego zależy bowiem w wielkiej mierze\nod racyonalnej konstrukcyi i umiejętnego wykonania cylindra.\nBudowa cylindrów spalinowych, odlewanych zwykle z żelaza lanego, wymaga\ntak pod względem konstrukcyi jak i wykonania warsztatowego dużego do­\nświadczenia praktycznego, ponieważ działają tutaj wielkie ciśnienia i wysokie\ntemperatury procesu spalinowego. Przy konstrukcyi cylindrów należy przede-\nwszystkiem uwzględnić:\n1) wytrzymałość materyału,\n2) taniość i łatwość wykonania warsztatowego,\n3) wymagania niezawodnego biegu maszyny.\nGrubości ścianek cylindra muszą odpowiadać z zupełną pewnością siłom dzia­\nłającym w czasie ruchu motoru. Obliczenia wytrzymałości zawodzą jednakże często,\nponieważ nie uwzględniają nieobliczalnych, lecz nieuniknionych naprężeń odlewni­\nczych, a drugostronnie opierają się na zbyt niepewnych danych przy obliczaniu\nnaprężeń, powstałych przez odkształcenia.\nPrzyczyną ostatnich są częściowo siły\ndziałające, częściowo i to w daleko większej mierze nierówne wydłużanie się po­\nszczególnych części cylindra pod wpływem wysokich temperatur. Tem tłumaczyć\nmożna sobie wypadki, że cylindry, w których grubość ścianek oznaczono na pod­\nstawie zwykle używanych obliczeń wytrzymałości, pękały podczas ruchu maszyn\nmimo że materyał ich nie wykazywał żadnych wad.\nStosowanie przesadnie grubych ścianek nie daje także dobrych wyników, po­\nnieważ wtedy utrudnione jest chłodzenie dostateczne cylindra.\nBrak wybitnych\ntypów w konstrukcyi cylindrów jednego rodzaju maszyn, zwłaszcza o wielkim sku­\ntku (mocy), wykazuje najlepiej, że nie znaleziono jeszcze rozwiązania najracyonal-\nniejszego. Każda z fabryk budujących motory stara się na podstawie własnych do-\nCyl. masz. spal.\n•\n1", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1918", "token_count": 752, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:cylindry-maszyn-spalinowych-1918:2f931ec3:0000", "text": "Cylindry maszyn spalinowych (1918)\n\nCylinder maszyny Koertinga.\n81\ndwóch zapalniczek tylko w górnej części przestrzeni kompresyjnej, jak to uwi­\ndocznia rys. 123.\nChcąc możliwie zapobiedz zbyt powolnemu spalaniu się mieszanki w pobliżu\nwypustowej komory wentylowej, można umieścić zapalniczkę Y według rys. 124.\nZ powodu jednak braku symetryczności, odlew cylindra nie będzie wtedy tak do­\ngodny, jak przy konstrukcyi według rys. 114.\nUmieszczenie trzech zapalniczek po jednej stronie cylindra, przedstawione na\nrys. 139 dla cylindra z wentylem wypustowym z boku, może być stosowane również\nprzy wentylu wypustowym, umieszczonym na dole. Układ powyższy posiada zwo­\nlenników wśród najpoważniejszych konstruktorów maszyn gazowych. Jest on bo­\nwiem korzystny zarówno pod względem doprowadzania prądu do zapalniczek i apara­\ntów uderzających, jak i łatwej kontroli; posiada jednak wadę, że płomień nie obej­\nmuje z dwóch stron rdzenia mieszanki palnej.\nB. Dwusuwowe maszyny gazowe.\nMaszyny tego typu posiadają długie tłoki, które sterują szczeliny wydmuchowe.\nZ tego względu stosuje się tutaj tłoki wyłącznie z żelaza lanego, spoczywające na\ntulei roboczej również z żelaza lanego.\n1.\nCylinder maszyny Koertinga.\nCylindry dwuściankowe o dwóch tulejach, odlanych w jednej części, mo­\nżna stosować, z powodu zawiłej (skomplikowanej) części środkowej, jedynie w ma­\nszynach mniejsz3>-ch, które jednakże prawie nigdy nie bywają budowane.\nNajwię­\ncej rozpowszechniona jest budowa cylindra z oddzielną tuleją roboczą, składającą\nsię z dwóch części, jak to uwidoczniają rys. 140 do 145. Tuleję wkłada się naj­\nczęściej w cylinder nieco nagrzany, a zatem z pewnym skurczem cylindra, przyczem\njednak każda połowa tulei ma mieć możność swobodnego wydłużania się. W tym\ncelu pozostawia się pomiędzy stykającemi się połowami 2-milimetrową szczelinę.\nPłaszczyzny A smaruje się kitem miniowym, nie stosując tutaj żadnej uszczelki.\nAby zapobiedz dostawaniu się wody do cylindra, przewidziane są wpustki obwodo­\nwe B, z których woda, bez przezwyciężania większych oporów, może przedostać się\notworami G do rury wydmuchowej G.\nW cylindrze, przedstawionym na rys. 140 do 143, tuleja robocza posiada po­\ndłużne szczeliny wypustowe tylko w jednej ze swych połów. Położenie szczelin\nwzględem kołnierzy cylindra należy określić z uwzględnieniem rzeczywistej dłu­\ngości korbowodu. W danym wypadku otrzymuje się po stronie odkorbowej S. O.\nmiarę 1010 mm, po stronie kukorbowej S. K. miarę 975 mm. Szczeliny wykony­\nwa się zwykle tak długie, aby tłok otwierał i zamykał je pomiędzy 50° a 60° kąta\nkorbowego przed martwem, względnie po martwem położeniu korby. Ponieważ\nprzy wyznaczonej w sposób powyższy długości szczeliny po stronie kukorbowej\nzostają mniej więcej całkowicie otwarte przy martwem położeniu korby, natomiast\npo stronie odkorbowej dosyć znaczna ich część jest zakryta tłokiem, przeto niektó­\nrzy kostruktorzy, chcąc osiągnąć po obydwóch stronach tłoka mniej więcej te sa-\nCyl. masz. spal.\nQ\n\n82\nCylindry maszyn działających obustronnie.\nme prędkości gazów wydmuchowych, stosują po stronie S- K. około 50° do 55°,\na po stronie S. 0. około 55° do 60° wspomnianego kąta korbowego.\nKońce szczelin powinny być zaokrąglone promieniem r, aby zapobiedz zbyt\nraptownemu wydmuchowi, który łatwo mógłby spowodować falowanie gazów wy­\ndmuchowych. W tym względzie niektóre fabryki posuwają się jeszcze dalej, nada­\njąc szczelinom kształt, przedstawiony przy M.\nWogóle nie należy umieszczać szczelin w dolnej części tulei roboczej, naprze­\nciwko rury wydmuchowej G, aby uniknąć w niej bezpośredniego uderzenia wy-", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1918", "token_count": 1416, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:cylindry-maszyn-spalinowych-1918:567cebb4:0005", "text": "Cylindry maszyn spalinowych (1918)\n\nOczczelnienie tulei roboczej po stronie łbicy.\n43\nciążenia części, wykonanych z żelaza lanego, nie można uważać tej budowy za\nodpowiednią w warunkach normalnych.\nRys. 73 i 74.\nC. Szczegóły konstrukcyjne.\nW rozdziale tym rozważone zostaną szczegóły konstrukcyjne:\n1) uszczelnienia oddzielnej tulei roboczej względem łbicy i kołnierza pła­\nszcza cylindrowego;\n2) uszczelnienia oddzielnej tulei roboczej względem płaszcza po stronie ramy;\n3) smarowania cylindra.\n1. Uszczelnienie tulei roboczej po stronie łbicy.\nDo uszczelnienia wysokich ciśnień przy wysokich temperaturach, panują­\ncych w cylindrze, używa się najczęściej cienkiego pierścienia z klingerytu orygi­\nnalnego, papieru azbestowego, wulcasbestonu i wulcanfibru, a w małych motorach\nnawet cienkiej tektury, nasyconej olejem lnianym. W ogólności nie można zale­\ncać stosowania uszczelek grubszych niż 1 mm, ponieważ w razie przeciwnym trze­\nba bardzo silnie dociągać śruby, aby zapobiedz rozerwaniu uszczelki przez gazy", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1918", "token_count": 390, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:cylindry-maszyn-spalinowych-1918:6d95a60d:0004", "text": "Cylindry maszyn spalinowych (1918)\n\n16\nCylindry maszyn działających jednostronnie.\nkowane), niepewne dla odlewu niewadliwego, a posiadające ogromne naprężenia\nodlewnicze. Pęknięcia w czasie ruchu motoru mogą tutaj łatwiej zajść niż przy od­\nlaniu każdego cylindra osobno. Jeśli ostatecznie zgodzićby się można na połączenie\ndwóch cylindrów zbudo­\nwanych według rys. 9 i 10\nw jedną całość, to bezwa­\nrunkowo należy unikać,\ngdzie tylko to możliwe,\nwykonywania dwóch cy­\nlindrów -w jednej części\nwedług rys. 12 do 18.\nPęknięcie cylindrów\nmoże tutaj bowiem zajść\nłatwiej, a wymiana na\nnowe dwa cylindry jest\nnie tylko kosztowniejsza,\nlecz i uciążliwsza. Rów­\nnież nabycie cylindra ja­\nko części zapasowej wy­\nmaga stosunkowo duże­\ngo wydatku, a posiada­\nnie cylindra zapasowego\njest bardzo pożądane dla\nwłaściciela podobnej ma­\nszyny\nkilkocylindrowej,\nzwłaszcza jeśli ma ona\nbyć w każdej chwili go­\ntowa do pracy.\nZe słów powyższych wynika, że konstrukeye tego rodzaju są przedewszyst­\nkiem niekorzystne dla odbiorcy, a dla fabrykanta są tańszo w wykonaniu, bo przy­\njąć można, że procent „odlewów nieudałych\" nie będzie przy odpowiedniem wy­\nszkoleniu robotników anormalnie duży. Mimo to można się zapatrywać, że\nw ostateczności szkodzą one także fabrykantowi, wyłączając nawet straty, ponie­\nsione w czasie roku gwarancyjnego za motor, bo wady każdej maszyny rozgła­\nszają się w bardzo krótkim czasie wśród odbiorców i odstręczają ich od kupna\nmaszyny odnośnej fabryki.\nCiekawą konstrukeye cylindra\nstojącej maszyny gazowej, wykonywaną\nprzez fabrykę British Westinghouse Co., przedstawiają rys. 19 i 20. Dwa cylindry\njednostronnie działające z przylanemi skrzynkami wentylowemi tworzą jedną ca­\nłość, i ułożono są jeden nad drugim. Tłok dolny, który spełnia zarazem funkcyę\nwodzika, jest znacznie dłuższy niż górny.\nCylindry oddziela pokrywa chłodzona\nP, którą przytwierdzają kołki, znajdujące się w oLworach F.\nKilka pierścieni\nrozprężnych, umieszczonych na drągu tłokowym, dokonywa uszczelnienia jednego\ncylindra względem drugiego.\nOdlew podobnego cylindra podwójnego jest bez wątpienia niełatwy, choć nie\npotrzeba się obawiać o wyjątkowo wielki procent odlewów wadliwych jak i o nad­\nmiernie wielkie naprężenia odlewnicze. Naprężenia te są u dwóch cylindrów posob-\nPot.\n111.\nMotor w wykonaniu „Eilenburger Motoren Work'-\n\nCylindry d w u ś c i a n k o w e .\n17\nnych, wykonanych z jednej części, bezwarunkowo mniejsze niż u dwóch cylin­\ndrów bliźniaczych, tworzących jeden odlew.\nWiększe wątpliwości może nasuwać kon­\nstrukcya tego rodzaju odbiorcy, ze względu na\nznaczne koszta w razie konieczności wymiany\njednego cylindra. Aby konieczność zastąpie­\nnia cylindra nowym możliwie zmniejszyć, na­\nleży wszystkie części motoru przekonstruo­\nwać i wykonać jak najstaranniej.\nNa odlew należy użyć najodpowiedniej­\nszego materyału, przy ścisłem zachowaniu\ngrubości ścianek i rdzeni odlewniczych, ozna­\nczonych przez konstruktora.\nWewnętrzna\npowierzchnia tulei roboczej powinna być\ntwarda, należy więc ją odlewać z możliwie\nmałym dodatkiem materyału na obrobienie.\nStosownie do twardości tulei roboczej, trze­\nba dobrać odpowiedni materyał na tłoki i pier­\nścienie rozprężne. Części mechanizmu, które\nmogą uszkodzić cylinder, więc przedewszyst-\nkiem Czopy tłokowe, należy jak najstaranniej\nwykonać i ubezpieczyć, a rdzenie odlewnicze\nusunąć w zupełności. W tym celu konstruk­\ntor powinien zaopatrzyć cylinder w dostatecz­\nną liczbę otworów R, rozmieszczonych odpo­\nwiednio, zwłaszcza że służą one zarazem do\nusuwania osadu i kamienia kotłowego, który\npozostawia woda na ściankach cylindra.\nNie mniej ważną rolę, niż racyonalna kon­\nstrukcya i odpowiednie wykonanie, odgrywa\ndla pracy niezawodnej motoru podobnego\numiejętna i sumienna obsługa. Jeśli nie uży­\nwa się do chłodzenia cylindrów wody oczysz-\nszczonej i zmiękczonej, trzeba dosyć często\nusuwać osad, aby zapobiedz pęknięciom, któ­\nre mogą zajść najłatwiej przy ściankach pła­\nskich, łączących tuleje robocze ze skrzynka,\nmi wentylowemi, jak również w blizkości\ngniazd wentyli wypustowych. Pęknięciom za­\npobiega zwykle najlepiej wydajne chłodze­\nnie; mogą być one spowodowane także przez\nosad żarzący, który pozostawiają spaliny na\nsiodłach wentyli wypustowych; dlatego na\nleży i wentyle czyścić często. Również oli­\nwa cylindrowa winna być odpowiednia.\nPrzy zachowaniu wyżej wymienionych ostrożności nie potrzeba unikać sto­\nsowania konstrukcyi cylindrów według rys. 19 i 20. Ponieważ używa się jej zwykle\nJiys. 19 — 20.\nCyl. masz spal.\n2", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1918", "token_count": 1786, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:cylindry-maszyn-spalinowych-1918:7657cee8:0005", "text": "Cylindry maszyn spalinowych (1918)\n\nCylindry\nd w u ś c i a n k o w e .\n71\nnaleźć wybitnych zalet tej konstrukcyi w porównaniu z przedstawioną na rys. 114\ndo 119. Nie jest mi również wiadomo, czy znalazła ona większe rozpowszechnienie\ni czy jest jeszcze obecnie wykonywana przez fabrykę wspomnianą.\nGniazda wentylowe są tutaj przysunięte bliżej do osi podłużnej cylindra. Skut­\nkiem tego wpustowa komora wentylowa jest zupełnie usunięta z pod wpływu naj­\nwyższych temperatur procesu spalinowego, a przez komorę, znajdującą się wokoło\ngniazda wentyla wypustowego, przepływają tylko gazy spalone.\nChoć zmiana powyższa nie usuwa niebezpiecznych przekrojów q i t (rys. 115),\nbyłaby niewątpliwie korzystna, gdyby nie łączyły się z nią inne ujemne strony.\nPrzedewszystkiem cylinder wypada dla skoku 1200 mm o 100 mm dłuższy, niż na\nrys. 114 do 119, pomimo zastosowania niechłodzonych gniazd wentyli wypusto-\nwych i mniejszych rdzeniów odlewniczych, jak i współosiowego układu wentyli.\nChcąc wykonać gniazdo chłodzone, otrzymuje się cylinder jeszcze dłuższy.\nDuża długość skrzynki wypustowej jest ze względów odlewniczych niedogod­\nna. Byłaby ona jednak czynnikiem dodatnim ze względu na nierówne wydłuża-\nRys. 122 i 123.\nnie się poszczególnych części cylindra, gdyby całość tej części cylindra nie była\nusztywniona rurą wydmuchową i nie traciła skutkiem tego elastyczności.\nStosując gniazdo chłodzone dla wentyla wypustowego, należałoby się też za­\nstanowić nad tern, czy nie otrzymałoby się lepszej konstrukcyi przez zmniejszenie\nodległości kołnierza komory wypustowej z 1200 mm do 900 mm. Rura wypustowa\nznajdowałaby się wtedy przy skrzynce, przytwierdzonej do kołnierza komory\nwydmuchowej.\nWspomniano wątpliwości nasuwają się także co do wykonywanej również\nprzez M. A. N. budowy cylindra, którego przekrój widzimy na rys. 124.\nWentyl\nwypustowy jest tutaj umieszczony nizko i zaopatrzony w gniazdo, chłodzone wodą\njak na rys. 114. Przybliżenie wentyla wpustowego do tulei roboczej jest czasem\nkonstrukcyjnie korzystne ze względu na możność umieszczenia wentyla mieszan­\nkowego, względnie gazowego w komorze wentylowej. Usunięcie ścianek tej ostat­\nniej z pod wpływu najwyższych temperatur i ciśnień panujących w cylindrze jest\nbezwątpienia rzeczą dodatnią.\n\n72\nCylindry maszyn d z i a ł a j ą c y c h obustronnie.\nMaszyny gazowe, budowane przez fabrykę Thyssena w Miilheimie nad Rurą\nzapewne nie w mniejszej ilości, niż przez firmę M. A. N., otrzymują cylindry po­\ndobne do konstrukcja, przedstawionej na rys. 125\n1). Jest to również cylinder dwu-\nściankowy, lecz zaopatrzony wewnątrz w cienką tuleję z żelaza lanego. Tuleja ta\nTT,\nE y s .\n124.\nRys.\n125.\n1 °\njest wsadzona w cylinder, ogrzany w piecu formierskim, w ten sposób, że obwodem\nzewnętrznym przylega na całej swej długości do obwodu wewnętrznego cylindra\ndwuściankowego.\nW celu ustalenia położenia tulei względem cylindra, znajduje się w środku\nlub na jednym z jej końców występ, uwidoczniony na rys. 126, którego grubość b\nmusi być o 2 do 3 mm mniejsza,\nniż grubość a.\nWystęp ten, wy­\nstając ponad a na 0,5 mm, zabez­\npiecza zarazem tuleję przeciw wy­\nsunięciu się tak, że właściwie\nokazują się zbytecznymi dwa u-\nbezpieczające kołki K, znajdujące\nsię na końcu tulei o grubszej\nściance a. Obluźnień tulei nie\nspotyka się w praktyce prawie\nnigdy. Obawy co do niedosta­\ntecznego chłodzenia takiej tulei\nusunęła również w zupełności\npraktyka, dająca w tym względzie dobre wyniki.\nWykonanie cylindra z tuleją wewnętrzną według rys. 125 jest kosztowne,\nposiada natomiast kilka cennych zalet. Można bowiem użyć na nią odpowiednio\ntwardego żelaza, a w razie istnienia w odlewie miejsc wadliwych, tanim kosztem\nzastąpić nową.\nRównież wymiana tulei, uszkodzonej podczas ruchu maszyny,\nmoże być wykonana stosunkowo łatwo i tanio.\nE y s .\n126.\nEys.\n127.\n*)\nWbrew\nzasadom rysunkowym wrysowano tutaj średnicę 1640\nmm\nliniami\n. _\naby\nzaoszczędzić drugiej projekcyi.", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1918", "token_count": 1563, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:cylindry-silnikow-spalinowych-1922:5cbf2da6:0011", "text": "Cylindry silników spalinowych (1922)\n\nRozmieszczenie zapalniczek.\n97\nuwidocznioną na rys. 139. Wentyle wpustowe znajdują się tutaj u góry,\na wypustowe na \"bokiTcylindra w osobno przyśrubowanych skrzynkach.\nSkutkiem stycznego przeprowadzenia rury wydmuchowej, smar i pozo­\nstałości\nzostają\nwypchnięte z\ncylindra\nprzy każdym skoku maszyny.\nGłówna\nwada\nbocznego\numieszczenia skrzynek\nwentylowych,\nt. j . niekorzystny\nkształt\nprzestrzeni kompresyjnej, pozostaje i tutaj\nw zupełności, niesymetryczny zaś kształt\ncylindra powiększa naprężenia odlewnicze.\nObok tych konstrukcji, buduje się\nw Ameryce także cylindry, w których\nobydwa wentyle, wpustowy i wypustowy,\nznajdują się obok siebie w dolnej części\ncylindra lub też jeden wentyl po lewej,\na drugi po prawej stronie cylindra w środ­\nkowej jego osi. Typów powyższych nie\nmożna zalecać ze względu na zawiłą\n(skomplikowaną)\nkonstrukcję\ni trudny odlew, oraz niekorzystną przestrzeń kompresyjną dla procesu\nspalinowego.\n3. Rozmieszczenie zapalniczek.\nNa racjonalne przeprowadzenie\nprocesu spalinowego wpływa bez-\nwątpienia w znacznej\nmierze umiejętne rozmieszczenie zapalniczek.\nW silnikach gazowych obustronnie działających stosuje się, ze względu\nna wielkość i kształt przestrzeni kompresyjnej, dwie, a nawet trzy za­\npalniczki na każdym końcu cylindra.\nPodobnie jak w maszynach jednostronnie działających, tak i tutaj\nzapalniczki\npowinny być umieszczone w takich punktach\nprzestrzeni\nkompresyjnej, z których rdzeń mieszanki palnej zostałby możliwie do­\nbrze uchwycony przez płomień, rozszerzający się swobodnie i wszech­\nstronnie na drodze możliwie najkrótszej. Przed zapalniczką\npowinna\nznajdować się mieszanka możliwie dobra, aby zapalenie nastąpiło na­\ntychmiast po przeskoczeniu iskry elektrycznej. Jednak\nbardzo szybkie\nspalanie się mieszanki, uwydatniające się nader silnymi wybuchami,\nmoże łatwo spowodować uderzenia w mechanizmie korbowym. Aby\ntemu zapobiedz, należy przez stosowny dobór mieszanki i przez odpo­\nwiednie zapalanie przed martwem położeniem korbowem\nprzedłużyć\nokres spalania.\nNajróżniejsze możliwości rozmieszczenia zapalniczek znaleźć można\nna rys. 114 do 139. Dawniej był najwięcej rozpowszechniony układ za­\npalniczek według rys. 129 przy Z i T. W pobliżu Z znajduje się mie­\nszanka najczystsza, a zatem łatwo zapalna, w pobliżu zaś T najgorsza,\nOyl. siln. spal.\n7\n\nCylindry silników działających obustronnie.\nnajwięcej zanieczyszczona spalinami procesu poprzedniego, więc iskra\nelektryczna ma zapobiegać zbyt powolnemu spalaniu w tej części prze­\nstrzeni kompresyjnej. Przypuszczać jednak należy, że zapalanie jest tu­\ntaj w części górnej cylindra intensywniejsze, niż w dolnej. Dalej pewną\nujemną stroną wprowadzania zapalniczkowych otworów do skrzynek\nwentylowych jest wadliwy w wielu wypadkach rozkład materjału i zmniej­\nszenie rdzeni odlewniczych w tej części cylindra.\nWątpliwości powyższe były przypuszczalnie powodem następującego\nrozmieszczenia zapalniczek przez fabrykę Cockerilla: jedna\nprzy\nZ\n(rys. 129), a dwie w pokrywie cylindrowej, mianowicie, jedna u góry,\na druga na dole: Rama boczna zmusza jednak, przy zastosowaniu tej\nbudowy, do umieszczenia wentyla rozruchowego przy C, więc przy ko­\nmorze wentyla wypustowego,\nskutkiem czego konstruktor jest ograni­\nczony w swobodnym wyborze wielkości wentyla rozruchowego.\nRdzeń mieszanki palnej zostaje również bardzo dobrze uchwycony\nprzez płomień, wywołany iskrami elektrycznemi, przy rozmieszczeniu\nzapalniczek według rys. 114 przy Z, Y i X, gdzie w pobliżu mieszanki\nnajlepszej znajdują się dwie zapalniczki. Często wykonywa się przy po­\ndobnym układzie, jak już wspomniano, tylko dwie zapalniczki, miano­\nwicie przy Z i Y, a otwór X wypełnia się stosowną częścią, w której\numocowuje się kurek indikatora. Podobne rozwiązanie nie nasuwa także\nżadnych wątpliwości, które natomiast można mieć przy zastosowaniu\ndwóch zapalniczek tylko w górnej części przestrzeni kompresyjnej, jak\nto uwidocznia rys. 123.\nChcąc możliwie zapobiedz zbyt powolnemu spalaniu się mieszanki\nw pobliżu wypustowej komory wentylowej, można umieścić zapalniczkę\nY według rys. 124. Z powodu jednak braku symetryczności, odlew\ncylindra nie będzie wtedy tak dogodny, jak przy budowie według rys. 114.\nUmieszczenie\ntrzech\nzapalniczek\npo jednej\nstronie\ncylindra,\nprzedstawione na rys. 139 dla cylindra z wentylem wypustowym z boku,\nmoże być stosowane również przy wentylu wypustowym, umieszczonym\nna dole. Układ powyższy -posiada zwolenników wśród najpoważniejszych\nkonstruktorów maszyn gazowych. Jest on bowiem korzystny zarówno\npod względem doprowadzania prądu do zapalniczek i aparatów uderza­\njących, jak i łatwej kontroli; posiada jednak wadę, że płomień nie obej.\nmuje z dwóch stron rdzenia mieszanki palnej.\nB. Dwusuwowe maszyny gazowe.\nSilniki tego typu posiadają długie tłoki, które sterują szczeliny\nwydmuchowe.\nZ tego względu stosuje się tutaj tłoki wyłącznie z żelaza\nlanego, spoczywające na tulei roboczej również z żelaza lanego.", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1922", "token_count": 1916, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:hydraulika-machiny-wodne-1873:5cf35f3f:0016", "text": "Wykład hydrauliki wraz z teorią machin wodnych (1873)\n\nPRZEDMOWA.\n2 0\nm m te diretti a confirmare la Teoria e faciliłare la Pratica del misurare\nle acquc correnti. in Torino, 1771), Sm^aton (Experimental inquiry con-\ncerning the natural powers o f w ind and water to ta m mills and other\nmachin es, London, 1794), l.angsdorf (Lehrbuch dvr H ydraulik, Alten-\nburg, i 794), '1'hibault i Ducliemin [Recherches experimentales surles lois\nde la rćsiatance des fluides), Hutton (Tracts on mathemalical and philo-\nsophical suhjects, London, I * 12), Morosi (Bi un nuovo fenomeno osservato\nneW urto delTacqua, Milano, 1819), i wreszcie V/eiśb&ch (Untersvchungen\nim Gebiete der Mechanik und Hydraulik, Lcipzig, 1842) starali się uzu­\npełnić doświadczalnie kwestyą oporu płynów ciekłych i lotnych; ale naj­\nwiększe z nowych doświadczeń wykonał Bidone w roku 1837 i wypadki\nswych poszukiwań ogłosił w Memorie della Reale Accademia delle scienze\nd i Torino, z roku 1838.\nMierzenie prędkości i wydatku prądów stanowi, jak powiedzieliśmy,\ndrugi poddział tej części Hydrauliki. Rozliczne sposoby mierzenia wy­\ndatku opierają się albo na zasadach wypływu cieczy przez otwory lub prze-\nwały, albo na wynikach nauki o biegu wody w rurach i kanałach, albo\nwreszcie na użyciu umyślnie w tym celu sporządzonych przyrządów.\nZ pomiędzy tych ostatnich na największą zasługują uwagę, przyrząd La-\npointe a i przyrząd pp. Loup i Koch niedawno w Paryżu wynaleziony.\nAle najogólniejszy sposób mierzenia wydatku prądów płynnych polega\nna stosowaniu zasad ich ruchu w rurach i kanałach, mając bowiem prze­\ncięcie poprzeczne prądu i średnią jego prędkość, można sobie, natych­\nmiast zdać sprawę z objętości cieczy przepływającej w danym czasie.\nZnany jest w przybliżeniu związek między prędkościami różnych punktów\npoprzecznego przecięcia prądu; znając więc jednę z nich, można wnios­\nkować o prędkości średniej. Cala więc trudność sprowadza się do mie­\nrzenia prędkości pewnych punktów cieczy, czy to na powierzchni, czy to\nna pewnej pod nią głębokości, a opisanie sposobów tego mierzenia jest\nwłaśnie przedmiotem ostatnich ustępów Hydrauliki.\nNajprostszy.i najdawniejszy sposób mierzenia prąd��w ciekłych polega\nna użyciu pływaków, ciałek lekkich puszczonych z wodą, które przebie­\ngając znaną przestrzeń w danym czasie, wyznaczają prędkość strugi na\npowierzchni albo nawet na pewnej głębokości. Sposób ten, umiejętnie\nzastosowany, daje bardzo dokładne wypadki, jak tego dowiodły doświad­\nczenia pp. Ilumphreys i Abbot, przy mierzeniu prędkości rzeki Mis-\nsissipi.\n\n3 0\nPRZEDMOWA.\nWahadło hydromelryczne i tachometr Briinings’a (Briinings Abliand-\nlung uber die Gescliwindigkeit des fliessenden Wassers und von den M it-\ntein, dieselbe a u f allen Tiefen zn bestimmen, Frankfurt a. M., 1798) są\njednymi z pierwszych przyrządów służących do bezpośredniego zmierze­\nnia prędkości. Pierwszy z nich był bardzo często używany, szczególniej\nprzez Ximenes’a, Michelotti’ego, Gerstner’a i Eytelwein’a, a jego ogólną\ni dosyć dokładną teoryą zrobił pierwszy Venturoli w roku 1807 (Elementi\nd'idraułica, Bologna). Oba to przyrządy polegające na mierzeniu zbocze­\nnia, jakiego doznaje ciało zanurzone w cieczy i wystawione na jej ciśnie­\nnie, nie mogły dawać dokładnych wypadków; a pod względem trudności\nich użycia stały znacznie niżej od wynalezionego już w roku 1731 przyrzą­\ndu Pitofa, którego opis znajdujemy w Pamiętnikach paryzkiej A kadem ii\numiejętności'/, roku! 732. PrzyrządPitofa oparty na innej zupełnie zasadzie,\nnadzwyczaj prosty pod względem konstrukcyia łatwy do użycia, nie znalazł\njednak natychmiast wielkiego zastosowania, a to mianowicie z powodu\nbłędnego zapatrywania się na jego teoryą. Małlet i Michelotti wprowa­\ndzili doświadczeniem znaleziony współczynnik poprawki, i odmienili\ncokolwiek zewnętrzny kształt przyrządu, a Weisbach wykonał szereg do­\nświadczeń w celu ostatecznego sprawdzenia tego współczynnika (Poły-\ntechnUches Centralbłatt, 1847). Ale dopiero w r. 1856 udało się pp. Darcy\ni Baumgarten, ulepszyć radykalnie rurkę Pitofa i nadać jej przymioty,\nktóro ją charakteryzują. Przyrząd to zarazem prosty i dogodny, nie\nzmieniający swego współczynnika poprawki i dający się zastosować w bar­\ndzo różnych warunkach. Jego opis podał p. Darcy najprzód w swem\nznakomitem dziele : Fontaines \\publiques de la ville de Dijon, 1850, a\nnastępnie w Annales des Ponts et Chaussees w roku 1858.\nPowyższo pięć ustępów, odnoszące się każdy do jednej z pięciu części,\nna jakie podzieliliśmy Hydraulikę, streszczają przedmiot, historyą, stan\nobecny i podział szczegółowy nauki, którą się zajmujemy. Jeżeli ona\nsama, jak powiedzieliśmy, jest zastosowaniem zasad Mechaniki anality­\ncznej ciał płynnych i składa się ze zbioru prawideł, jakie mają kierować\nInżyniera przy rozwiązywaniu zadań tyczących się ruchu płynów, to\nznów uważana jako teoryą motorów hydraulicznych, Hydraulika stanowi\nwstęp do teoryi machin wodnych. Teoryą ta ma na celu wykazanie\nwarunków zapewniających największy\nskutek machiny, warunków", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1873", "token_count": 1923, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Feliks Kucharzewski; Władysław Kluger"} -{"id": "bcpw-public-domain:kurs-maszyn-parowych-1921:104692fb:0005", "text": "Notatki z kursu maszyn parowych (1921)\n\nścinamy odpowiednie górne części wykreeew ae względu na skraplanie\nwstępne i wykres gotowy,\nZsłłiiast przyjmować wart ©SC Cs^. kompresji dla cy 1 indrs. WP0 j&eźna zało­\nżyć Pc /zawsze mniejsze od p w /, np. Psy** 7,5 Sta. /rys u25/a zakładamy\n8 V i znajdujemy 7 » prowadzimy O vfe„\nz punktu » prostopadłą i mamy Ce^ a\nDla nary rrzagrzanej wykres buduje s i ę tak samo, z tą różnicą, że zamiast\nhyperboli mamy p o l i t r o p ę , jako krzywą ekapansjl dla c y l i n d r a WP& również\nedległośe xy •> jost prawie rawna zeru,,\nCsosem,, bardzo zresztą rzadko, ap. w lokomobilaoh stosuje s i ę przegrzewa-\nnie pary w p r z e l o t n i .\nMając wykres par owy „ przechodź imy do o b l i c z e n i a głównych ^yiaiarów messy*\nay D i Bo Wykresy należy splamiaaatrowasś Jeżeli ozmaeayay prasa 6 W - pele\nwykresu dla c y l i n d r a\n«a* Ojj. - dla niskeprężnsgs, a i e c będaimay?\nPrzy a 5*200 aaie .*y p^ pomne żyś przez 0,9' ze względu aa aieuwsględaioay\ndotychczas wzrost rożnych s t r a t , związany z dużą szybkością biegu^\nfN\"i[\"\nPraw kład >\nMaszyna tandem*\nN 0 = 300 k,m.\nn = 125,\np - 9 ata-\ni^-SOóc\nP\n# « S 9 2 ata,,\n7 ^ = 0,89.\nMo;; i a 3 .\n—\nk\n.\na\n.\nHiaeh Vw • Y N = \"Fw • F N =\nZ wjrkraśu parowego; p< = 2,09 a t a , 9 stąd\nV V o 8 = J^Zzfifialft.\nQ,w?,£ eQ9:S,,12g\n— 2990 Sooa o\nNa s&ce\ntego wzoru nk\n8 BJBJL.\ny«.csa 2\n^ » a a\n8 '\n800\n3740 •\n860.\n900\n3320\nlOOOi.\n2990\n~ % ' ftf* * * • \"\n5 W9 * * »\n8 BJBJL.\ny«.csa 2\n^ » a a\n8 '\n1256\n1186\n1068\nPjfii Pw * s wykresu\nDj,?o)a/i2, 690\n67.0\n650\n619\nProseaor woli duże skoki, bo wtedy\nILiZ/lBi 412\n400\n388. 5\n36©\ncylinder WP,posiada x&iej»zą\nśredni­\n0 3 / B l • 3 9 34\n4 e 17\ncę,\na zatem m i e j s & s szkodliwe po­\n1,16\n1,27\n1,38\n1,61\nwiel- zciinio i saiie jaze nie szczelność i;,\n8 5 D w\n1D94\n2,12\n2,91\nduża prędkość tłokowa j e s t również\nPjj« kg.\nkorzystną,\nP«v*\n'\nF s p f l +\nP J\n\n2 tabelki wybieramy0.\nO = 900 m/mc\n2>N»«6 50\n»\n%3=S90\n\"\n8J%->=r. l\nu 884\nNorsay praktyczne'\n8? D„o = 0 99 do 1,6\"*\ndla maszyn średnich\nSS D„c=: 0 0 9 do 1,1-• d l a maszyn do napędu pomp i kompresorów\n^ • T O X ~ & j e g l g g i 8 a i\nftłffifo\nPłCT\n»*P«oJą » i * bards® rzadko i p*ay~\ntam tylko d l a pary nasyconej na »tatka ©ho Nie dają ona żadnych specjał*\nayah karsysció dwukrotne rozprężania zapobiega\nskraplaniu wstępnemu w\nstopniu aupełnie doetateesnymo Układ, wykazany na szkicu 26 a\ncaęseisj\nstosowany, daje niekorzystny roskład s i ł nacisku tłokowego^ układ na\n;\n: .\nI«PMJ /kolrba ayllnawa BP, prawdo je prawd korbą WP/»\n*\n\n1\n'-\nukład atojący, za względu na rozkład s i ł najlepszy 1 najcseaciej\nstoso»\nwany.\nRaadko się budują maaayny parowe o mocy powyżej 1000 kc.su/wyja>*\n',t~f:\n\"• • ?,\n'.j.,.:-\n-\n•\n..\n•' v.:\"• '•'•/\" v\nJ;/^ i.;/;?\n....\n;^£y tu Biejsc© y»3*><9u5ąe«?\nPrsy potrójnym rozprężaniu stosować..\n•-^.;u^i;-':tnaga ra«pręźania 9\nGbliesania awmiarew głewnyoh naaayny aa sase-\ndsże wykresu również tak samos\nf s-\n:\n\" i f i \" t w * -\nJ\nm «. skala wykresu,\nBtosowaóó\n'tt^ = Oj© do 0,86 - #1Ł ustroju leżącego\n«\no„85\n0,9 •\nw\n•\netojącege,", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1921", "token_count": 1525, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:kurs-maszyn-parowych-1921:2c3e1d45:0011", "text": "Notatki z kursu maszyn parowych (1921)\n\n- 70\nS\nT\nA\nfi\nI\nD Ł\nA\ni\nStawi d2&mi nazywamy mechanizmy dla rozrządu pary. Konstrukcyjnie dzieła\nsię cne na dwu i czterodrogowe; do pierwszych zaliczamy suwaki płaskie lab\ncylindryczne, do drugi eh wentyle- i suwaki kroczkowe\nC0RLI3SA.\nS U W A K I\n.\nZasadniczy układ cylindra i skrzynki suwakowej widoczny jest na rys,, 204;\numieszczenie skrzynki suwakowej na cylindrze powinno umożliwiać samoczynne\nodwadnianie tegoż. Aby zdać sobie dokładnie sprawę z działania suwaka, należy\numieć określać jego położenie odpowiednio dc położenia korby, \"W tym celu -\noznaczmy przez 2R ~ skok maszyny i przez 2r - skok suwaka /rys. 205/. Gdy kor-,\nba / a wiej. .1 tłok/ s&ajduj e się w martwym położeniu\nMBO- /chwilce- nie uwżglę\nnia się długości kórbowodu/, fco kanał dolotowy musi już być cokolwiek o w » fcy:\nwielkość\nU na jaką sterująca,\nkrawędź suwaka jest oddalona\nod krawędzi sterującej gładzi suwakowej nazywa się lin.i*\nnym wlotem pr z edzwr o towym,.Dla osiągnięcia togo celu musi środo.: mimośi ,V\nwyprzedzać korbę o kąt 9C » cT , przyczem kąt efnazywa się kątem przodowa\nn i a . Ponieważ mimośrodoweść r\njest bardzo mała w stosunku do długości H£\ndrążka mimośrodowego, przeto można przyjąć za stałą odległość sterującej\nkra­\nwędzi suwaka od. środka mimośrodu, przesuwając teraz o tę stałą długość oba\nkoła /droga korby i droga środka mimośrodu/ otrzymamy wykres pod suwakiem\n/rys, 206/, Znając kąt 90 • l i n j a drogi suwakowej pozostaje niezmienna.\nWprowadzimy następujące oznaczenia:\n0\n-\nprzysłonięcie wlotowe\na\n-\nszerokość kanału,\n1\n-\nprzysłonięcie wylotowe\nU\n~ Unijny wlot przed zwrot owy w m/m.\nu t - . \"\nwylot\nit\ntt\n\n- 76\nŚrodek koła znajduje się na krawędzi sterującej /jeśli chodzi o wlot pary\nto na krawędzi sterującej wlotem/. Poziome odległości\nX przejawiają stopnio­\nwe otwieranie kanału a\n* Gdy sterująca krawędź N dochodzi do B\" kanał jest\ncałkowicie otwarty,\nZupełnie analogiczny wykres robimy dla krawędzi sterującej wylotem* Gdy kor­\nba doszła do położenia\nH P K kanał wylotowy jest Już otwarty na długości\nU.\nGdy krawędź\nQ dochodzi do G kanał wylotowy zostaje całkowicie otwarty j do­\npiero w G^ zaczyna się ponownie zamykać* Poszczególne odległości, y dają po­\ngląd na otwieranie i zamykanie kanału odpływowego*\nSuwaków bez przysłonięcia nie stosuje się t gdyż te nie dawałyby ekspansji I\nkompresji. Wykresy\nMULLERA dają jeszcze możność określenia położenia suwaka\nprzy pewnym napełnieniu cylindra; naprzykład dla położenia korby\nodchyle­\nnie suwaka od położenia ^środkowego wynosi J * ,\ni otwarcie kanałós równa się Xj\nWykres\nRffiLAOI /nrs. 208/,\nJak poprzednio czynimy R = r , leoz l l n j a drogi tłokowej / L, D.. T./ po­\nzostaje w miejscu natomiast linję drogt suwakowej okręcamy c kąt 90 ł k o t l e rozgrzanym-.. Ten sposób.nie prosa*-\nd z l do c e l u , gdyż wydłużanie zależy od prężności pory w k o t ł a . Dobrą-choć dróż*\nszą j e s t konstrukcja,w której maszyna j e s t zmontowana na p ł y c i e\nfundamentowej\nzwiązanej w jednym miejscu z kotłem. Blachy,-, na których opierają ale. podstawy\nłożysk powinny byc przymocowane do k o t ł a na wysokości jego o s i podłużnej. Ma\nna c e l u uniknięcie szkodliwego wpływu promieniowego wydłużania s i ę kotła", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1921", "token_count": 1979, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:kurs-maszyn-parowych-1921:be0f32c1:0004", "text": "Notatki z kursu maszyn parowych (1921)\n\nh?\notrzymamy n s rK:.-Ax\\\\:x,.:a\ns: a. A\n%\nwsględu jednak na zaokrągla\nmi© rogów ft9 wybieramy h\nniooo więkas©, niż to odpowiada warunkom\ntogo ostatniago row&amiae Wymiar dla h .dobioramy, aby z jednej strony-\nskrzynka suwakowa s i o wypadła abyt szeroka w stosunku do cylindra, s\ndrugiej zas 9 aby a nie wypadło zbyt duże, co powodowałoby zbytnie wydłu­\nżenie całego suwaka poaa cylinder i amstręosałobytrudności konstrukoyjnt\nBłędne ustosunkowanie tych wielkości ujawnia sio często doparo po spo-\nrsądse&iu całkowitego sskiou 0 Odpowiednie wymiary w kanałach suwaka roz­\ndzielczego otraymujomy, wybierając a t = 0 p 9 - 0,8 a, oraz h, nieoo mniej­\nsze od h 0 Szybkość przypływu pary w tych kaaałaoh^po sprawdzaniu drogą\nrachnaku^ai© powinna przekraczać 45\nM/s«o„ - v e., Po ustaleniu tych wy­\nmiarów przystopujemy do sporsądseaia wykresu Muller - Heuleauz« Zakreś­\nlam koło dowolnym promieniem\n/ najwygodniej se względu aa procentowe\noznaczanie punktów parowych r\nN 50\nB/m / r y s 0 2 4 ^ Biorę s wykresu pa­\nrowego wylot przedzwrotowy dla strony tylno% ./Wy^, / oraz równą kompresję\ndla obu stron cylindra C0» Uwzględniając akoaoaeaą długość korbowodu L\n.= 5Re przeaosaę te punkty na okręg, zataczając l u k i promieniem 5rjj 0\nJak zwykle w wykresie Mulł©r-R«ul«aux okręg r ^ wobraża w rożnej s k a l i\nzarawao obieg korby\\ jak też i mlaosrodu suwaka, wskutek czego właśnie\nprzy uwzględni©min długości korbowodu zataczamy łuki promieniem 5r^„\nOtrzymam na okręgu koła punkty 3yt„ Co^, COp. łączę punkty Got i fcy^i\nodcinek prostej nyzm*cza kierunek środkowego położenia suwaka SPS; poło­\nżenie to otrzymam przeprowadzając przez Irodek koła równoległą do pros i\nCo* WT. , Hownoczesfiif wyznaczam kąt SN przodowania suwaka rozdzieloz* -\ngo /kąt &0&/c Przeprowadzając trzecią równoległą a punktu C.Jp, zaajdę\nna okręgu ininkt\n- wylot przedzwrotowy z przodu. Stąd znajdę w i k a -\nl i wykresu\ni ip» oraz wielkość przodal^go srylotu prs©dzwrotcw$go\nw % skoku tłoka, skoro punkt\nprzeniosę łukiem 5rjj na limję drogi\ntłejsowej LDTc Zakładam kąt odpowiadający Unijnemu wlotowi prssdzwr\nWOWŁ k ,/7\ne - .12®/ i odkładam go od punktu 1&0 w kierunku przeciwnym\nbiegswi ma8zyay„ Otrzymuję punkt wlotu / Wi /«, Prowadząc z tego punktu,\nrównoległą do prostej Co^ Wy^ itraymam aa ©kręgo punkt elrspsssj* /Bxp/\nPrzeaeszę tea punkt łukami 5 r H aa,liaję drogi tłekow«j LBT i zi-jduję\nskspaasję przednią i ekspansję tył*ą /Expp i Exp t/ oxas © p - * ^\nważ iawoJt T9*d\"r*.«?r?'TT *!•\n^ * sterorac i>k»pa*s.i«\n: przeto dążył mu­\nlimy, aby najmniejsza ekspansja /Srpaasja przedai«v , j**ą ©a ć*j*,była^\njń^keaa^id maksymalacj ekspansji„ jak© zamierzamy esiągwą* anwakiam", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1921", "token_count": 1214, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:kurs-maszyn-parowych-1921:be0f32c1:0011", "text": "Notatki z kursu maszyn parowych (1921)\n\nprzekroczył krawędzi P. Ze względu na szczelność* dajemy tu jeszcze za­\nbezpieczanie 6\"- 5\n10 %\n3 ff ten sposób długość t a f l i wyniesie\nr\nr 4 *\n+ a'*ó\"% gdybyśmy wybrali większe napełnisnie,tak iż by punkty\nKt i Iy, /rys.249/ l«źały po lesej stronie l i n j i S3, wówczas długość t a f l i\nwyniosłaby r\nr - y m ^ a\np + a, ^ ^\n* Również i tutaj zastanowić się\nmusimy, czy wybierzemy t a f l e symetryczne i przesuniemy oś i c h w kierunku\npoziomym o połowę różnicy odsuwów ku stronie t y l n e j , czy tez pozostawimy\nos na miejscu., a wykonamy tafle niesymetrycznie. Polecony jest sposób\npierwszy.\nPrzykład;; Zbudować, suwak Meyera d l a c y l i n d r a niskoprężnego maszyny\ncompound z wolnym wydmuchem. I) - 550m/m 45° d l a 34% napełnienia\n. Odkładam 34*144\n100\n- 4 9\nV . s\nMW\n/\nZnajduję\n7\nn\nt\n-\n44 a/ f f i .\ny n\nam zatem napełnienia wyrównane po obu\nstronaco. Różnica praypłonięć wynosi ł0 m<4j, c z y l i przy budowlo symetrycz­\nnej przestawienie osi wyniesie 5 %\n#\nZnajdujemy napełnienie maksymalne\na. przodu\ntfxp»\n=\n02 ^ m a? — ? r ~ - - - 5 7 % 1\nd\nU\ntego napeł-\nn i e m a y\nm\na\nx piB —. 70a/ t t.\nOdsuw d l a strony tylnej wynoaio będzie przy bu­\ndowie symetrycznej 60 V K , a napełnienie B g f t ^ | S 7 0 ° / J B J - J S & i S Ł ^\n-\n50 # c Przyjmuję\nd l a napełnienia minimalnego 8 ^raodu y\nH ^ « »\nstąd | min ot\nP\n= 0,5 m/m'» a napełnienie wyniesie a przodu 8 35 jt, a tyłu\n7,5 X\nZ powyższego określimy wymiary w następujący sposób /budowa symetrycsaa/\n1 / Długość t a f l i r r r ? T K f V ^ a 72 +10,5 * 40 *- 5,lT » 128 a/m\n2 / Odległość zewnętrznej krawędzi sterującej na gładzi suwaka roz­\ndzielczego od l i n j i środkowej tego suwaka wyniesie;\n« — —\n&&£«£ 4 długość t a f l i +- połowa odległości między obu\n70 - 60\n2\nmaxap\ntaflami przy napełnieniu maksymalnem ~ 70\n70 - 5 + 128+ 5 * 198\nlub\n+. 128 • 5 =\nymax t **• ^\nM\nJ\n^\nJ\nL\nI\nJ\n+\ndług. t a f l i -f odległość między taflami »\n60 + 5 +128 *• 5 -198\nffi/ao\nSuwak Rider'a«\nSuwak R i d e r ' a podobny jest do suwaka Mayer'a, różnica sas\npolega na tem, że kanały suwaka roadaielcaego\nsterowane przez* suwak eks-\npansyjny są skośne /rys.255/. zmiana napełnienia odbywa się t u przez\nzmianę przysłonięcia y za pomocą r e g u l a c j i prostopadle do ruobu, który\notrzymują oba suwaki od mimośrodów. W suwaku R i d e r ' a jest tylko jeden", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1921", "token_count": 2350, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:kurs-maszyn-parowych-1921:be0f32c1:0016", "text": "Notatki z kursu maszyn parowych (1921)\n\nOdcinek w da nam w s k a l i wykresu szerokość okienka pozioma mierzoną^\nj)la napełnienia minimalnego przyjmuję z tyłu 0£ , stąd znajdęi\n—\n2 7 ^ m 8 y m i n o p z : y\nm\ni\nn\no\nt 4 8m/m =^35\nm/m oraz « a p f r a i\n^ 0 M-\nUstaliwszy te wymiary rysuję rozwinięcie na płaszczyźnie obu suwaków /rys»\n259/ 0 Przyjmuję £ ^ - 4 5 ° « A, powiększam nieco ze względu na zaokrąglenie\n>\n•••\"*'\n' a,.«.-fes .\naby wolny przekrój wynosił faktycznie\n9 Rozpoczynam ou strony od-\nkorbowej i napełnienia maksymalnego*. wryBOwywując następnie położenie przy\nnapełnieniu normalnemu określam długość okienka /mierzoną na rys. •ptewewe- \"\ntak, afcy nie następowało dławienie pary« przy ozem u = 2 m/m 0 Od wewnętrznej\n/prawej/ małej krawędzi pionowej kanału w suwaku rozdziela sysł ©okładami dłu­\ngość\nr\nr * C, gdzie o m S - f l ^ z i otrzymuję położenie krawędzi sterującej\npo drugiej s t r o n i e . wewnętrzna, pochylona po u £ oO krawędź okienka mne^rys,,\n25,9/ po w inne*, w położeniu przy napełnieniu minimalnem, byc oddalona od\nwewnętrznej krawędzi wlotu na suwaku rozdzielczym ar o r\nr + i\naby uniknąć\nwadliwego sterowania tą krawędzią wlotu pary do wyższego kanału,. To rozwa­\nżenie u s t a l i nam położenie górnego kanału, gdy odłożymy-właściwe wymiary«\nPodobnie znajdziemy kanał dolny, oraz symetryczni© kanały naprzeciwległe z\nzachowaniem odległości r +o oraz\nr r + c , 0 Z rys,.259 widzimy., że X , >• 2,\na zatem, żo c nie jest równe o. po obu stronach suwaków, Zatem osiw suwaków\nbędą względem siebie przesunięte. Możnaby pozostawić osie na miejscu i\nzbudować suwak niesymetrycznie,. Konstrukcja t a jednak nie poleca się.\nZ rys„259 rozwinięcia znajdziemys\n<%ISB *707 m/mi, J s ~ 2 2 5 m / m , przesunięcie suwaka przez regulator wyniesie\n^ 1 0 2 m / m , c z y l i\nf\n=\n- &)? 5,\nPrócz rozwinięcia geometrycznego musimy d l a trasera wyrysować rozwinięcie z\nuwzględnieniem grubości ścianek, Według togo rozwinięcia traser będzie-mógł\nwyznaczyć kanały na sewnętrznej powierzchni „ aletotta obrysowywania odlewu\nprzez nałożenie rysunku jest zbyt'mało dokładna\nZamiast wymiarów pomieszcza\nsię na rysunku l i t e r y , a w osobnej t a b e l i wskazuje 3ię odpowiadające im\nwymiary,,\nKonstrukcje zmniejszające szkodliwe przestrzenie i powierzchnie 0 W suwaku\npojedynczym para świeża tą samą drogą wpływa, co wypływa para odlotowa .\nSzkodliwą przestrzeń można zmniejszyć, stosując dwa suwaki po obu stronach\nndra, jednak szkodliwe powierzchnie są tu duże. Pozatem niekorzystnej\n•Jest w tej k o n s t r u k c j i , że para odlotowa przechodzi koło t u l e i\nrobocze;,.\n> . rą konstrukcją z tego względu jest wykonanie na każdym końcu c y l i n d r a\n•\nAby kształtówki mogły być podsuwane pod odpowiednie kule, umieszczamy\nje na tulejkach żeliwnych T /rys.290 i 291/ i przytwierdzamy śru-\noami. Tulejka T urn i osaczona jest na wale sterującym przesuwnie ria,\nk l i n i e , i przesuwana zapomocą sprzęgła z wycięciem poułużnem / B ia", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1930", "token_count": 1821, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:maszyny-parowe-1930:56ad12f3:0001", "text": "Maszyny parowe: notatki z wykładów W. Chrzanowskiego (1930)\n\n- 79 -\nczasie uruchamiania maszyny, i wraz i e zatarcia s i c t>oh P r y v* VJł •,\nodwodnienie skrzynki,\n'\nu\n-\n0 K 3\n- . r r z y ,s mamy\nprzy Wg- cylindra / na obu końcach/'. Na każdym końcu cylindra mamy naci\nto nadlewki I d l a indykatora z otworami o średnicy 10 mm. zakoń-\nczonemi gwintem 3/4\" lub l '\n1\nWhit. ; otworki te dajemy pochylone d l a\nścieku wody.\nJeśli cylinder posiada stawidło z suwakiem tłokowym mamy skrzyn­\nkę suwakową cylindryczną, której ściankę obliczamy tak jak normalną •\nściankę cy1indra. Stosujemy tu na końcach cylindra zawory' bezpieczeń­\nstwa o dostatecznej średnicy, ponieważ suwak tłokowy nie może tak jak\npłaski odchylić się od gładzi suwakowej wrazić uderzenia wodnego.\nG yl i nory mas z yn z avv o rowychA_C , 1 i ndry maszyn zaworowych różnią\nsię w zależności cd tego, ozy maszyna 'pracuje.z parą .nasyconą, czy prze­\ngrzaną.- Dawniej stosowano skrzynki zaworowe, przylane z. boku do l u l e -\ni cylindrów leżących. Dostęp do zaworów był tu prosty, lecz wytrzyma­\nłościowo konstrukcja t a jest niepewna ze względu na płaskie ścianki\nc y l i n d r a . Obecnie przeważnie stosuję się układ, w którym zawory wloto­\nwe są. na górze, a wylotowe na dole. Dwusiedzeniowy zawór rurowy nie\nmoże się unosić przy uderzeniu wodnem, więc cylinder zaworowy tak d l a\npary nasyconej jak przegrzanej musi posiadać dostatecznie duży zawory\nbezpieczeństwa. Duże przekroje zaworów bezpieczeństwa są szczególnie\nważne w maszynach wyciągowych\ni ' nawrotnych. ;\nCylindry d l a pary nasyconej. Topowym cylindrem dla pary nasyconej\nj e s t dwutulejowy cylinder podany na rys. 161. ogrzewany parą świeże,. •\nSkrzynki zaworów wlotowych połączone śą 'jednym'kanałem, wyloto­\nwe - drugim. Kanał, mają płaskie ścianki / ciśnienie do & atm./. Para\ndolotowa dopływa przez rurę R, przyczem wielkość '\"a\" musi być niedu­\nża. Chcąc mimo połączenia skrzynek uzyskać elastyczność, należy \"b\" • '\ndać dostatecznie duże. W ściance zewnętrznej kanału dolotowego musi ••\nbyć otwór J na wyjęcie rdzenia po stronie' przeciwnej rurze R. Ka­\nnał dolotowy jest szeroki i podparty zebrom. Odpływ pary odbywa się\nosobną rura ; przy układaniu rur należy pamiętać o zostawieniu- miej­\nsca na swobodne przejście. )l miejscach I dajemy otwory d l a iadykowa-\n\nn i r , a w miejscu O d l a dodatkowego smarowania. Mamy tu rurę stalową.\n3 wkręconą w tuleję roboczą na gwint gazowy, a d l a uszczelnienia je\ndajemy pierścień miedziany M\nściskany kurkiem d l a smarowania. Zebra\nZ służą d l a oparcia blachy błyszczącej. W miejscach W\ndaj omy zawo­\nry bezpieczeństwa ; l e p i e j umieścić je niżej, aby krawędzie otworów\ntych stykały się z powierzchnią x d l a odwodnienia. W miejscu N ma­\nmy smarowanie zapornocą pompy Mollerupa /otwór z GG- 3/8\"/. Wskazane\njest również umieścić otwór d l a termometru, w górnej części. Osiowa\nodległość skrzynek zaworów wlotowych i wylotowych zależy od odnośnych\nmimośrodów ; zwykle mimośród wlotowy daje się do wewnątrz, więc skrzyn­\nk i wlotowe mniej są oddalone od osi niż wylotowe. Przy obliczaniu na­\nleży zwrócić uwagę na przekrój\nH aby nie było tu dławienia. Dajemy i\nc = 40 m/sek\nw mniejszych maszynach\nc = 60 m/sek\nw większych maszynach.\nRównież ze względu ha dławienie należy zwrócić uwagę na przekroje M i K.\nSłabą stroną omówionego cylindra jest t o , że ściankę\nS omywa pa­\nra wylotowa i dolotowa. Cylinder ten jest ogrzewany parą świeżą, którą\ndoprowadzamy w miejscu A, a odprowadzamy w miejscu B. do garnka kon­\ndensacyjnego. Rurki doprowadzające parę do ogrzewka dajemy o średnicy\n20 dc 25 mm., rurkę B - 25 do 30 mm. Ogrzewanie nie jest tu zbyt ko­\nrzystne, gdyż para świeża wzdłuż ścianki\nS, ogrzewa również parę wylo­\ntową. Jeśli cylinder ten pracuje jako niskoprężny, to do ogrzewka wpro­\nwadzamy parę\no ciśnieniu i temperaturze dolotowej do cylindra WP.\nRys.162 podaje konstrukcję cylindra ogrzewanego płynąoą parą do­\nlotową. Para dopływa przez A\n, opływa dokoła, cylindra i przez otwór B\nwchodzi do kanału C, który łączy skrzynki zaworów wlotowych* Konstruk­\ncja t a jest lżojsza od poprzednio omówionej,.cieplnie zaś daje takie sa­\nme wyniki. Ponieważ odległość - \"o\" mnisi być dostatecznie duża, rdzeń skła*\nda się tu z dwuch części, co podraża.konstrukcję.\nOprócz omówionych konstrukcyj, w maszynach o skoku do S = 1000\nmm.\nspotykamy c y l i n d r y z jednego kawała, lub z przylaną pokrywą przednią etc.\n/ patrz s t r . 5 6 / . Ponieważ cylindry dwuściankowe są znacznie droższe, nie*\nktórzy konstruktorzy stosują nawet w cylindrach niskoprężnych mąszyti o", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1930", "token_count": 1905, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:maszyny-parowe-1930:73be85e2:0000", "text": "Maszyny parowe: notatki z wykładów W. Chrzanowskiego (1930)\n\nK O N S T R U K C J A\nC Z 3 3 C I\n3 K Ł A D O W Y C H\n}i A 3 %' T N Y P A R O 4 & J\nI. Tłoki\nZadaniom tłoka maszyny parówaj jest przonoszenio siły wywoła­\nwę go\nnej przez ciśnienie pary w cylindrze zapomoc* drąga tłoko }~t korbo­\nwe du na wał główny maszyny.\nCelem korzystnego wyzyskania prężności pary, tłok musi być\ns z c z e l n y\n. Szczelność jego można zbadać w wykonanych maszyna\nw następujący sposób ;ustawiamy tłok w martwem położeniu odkorbowem\ni zdejmujemy dno c y l i n d r a , poczerń puszczamy parę o wysokiej prężnoś­\nc i na stronę K. V/ wypadku dostatecznej szczelności zaobserwujemy\npo_stronie dna cylindra na ściankach jego tylko perełki skraplającej\nsię pary.\nNie można uzyskać dostatecznej szczelności tłoka przez dopasów\nnie zewnętrznego obwodu jego cio obwodu wewnętrznego t u l e i roboczej\ncylindra chyba, że przy bardzo małych średnica.ch c y l i n d r a , gdyż w du\nżych maszynach nastąpiło by zacieranie się tłoka dzięki niejednako­\nwym odkształceni m cieplnym tłoka i t u l e i c y l i n d r a . Dlatego też zwyk\nle stosujemy uszczelnienie przez p i e r ś c i e n i e\nu s z e z te\nn i a j % e e , wpuszczone w tłok, które przylegają z pewnom ciśnie­\nniem jednostkowem do wewnętrznej powierzchni t u l e i c y l i n d r a .\nRozróżniają/ dwa zasadnicze typy maszyn :\nw których ciężar tłoka spoczywa na dcągu tłokowym,\nw których ciężar ten spoczywa całkowicie lub częściowo na t u l e i ro­\nboczej c y l i n d r a .\nTłoki maszyn pierwszego typu .posiadaj-.ą średnicę nieco mniejszą\nod średnicy c y l i n d r a : w maszynach stojących ciężar tłoka spoczywa\ncentrycznie na drągu tłokowym, a w maszynach leżących na drągu tłoko­\nwym podpartym z obu stron c y l i n d r a .\nTłoki drugiego rodzaju stosowane są oczywiście tylko w maszy­\nnach leżących, a opierają się częścią dolną obwodu na t u l e i roboczej\ncvi ind-*\"\n\n- 26 -\nSSl\nTłok musi zadośćczyńiĆ dwom warunkom ; musi być s z o z o\nl l\nn y\ni w y t r z y rn a ł y\n. Szczelność uzyskujemy za pośrednie!.-i\nwen pierścieni, wytrzymałość zaś przez stosowanie odpowiedniej bu-I\ndowy i materiału, przyozem ciężar tłoka winien być jaknajmniejszy\n/zwłaszcza w maszynach szybkobieżnych/, abv uzyskać zmniejszenie mai\nw ruchu posuwistym zwrotnym.\n..Pierścienie uszczelniaiu.ce .\nPierścienie winny przylegać do wewnętrznego obwodu cylindra\nz tak dużem ciśnieniem, jakiego wymaga dobru uszczelnienie. Stosów*\nściuranie_\nnie zbyt dużych ciśnień jednostkowych powoduje nadmierne/slę tak\npierścieni jak i wewnętrznej powierzchni c y l i n d r a . Pierścienie nowel\nwinny dawać ciśnienie jednostkowe nieco wyższe ze względu na późnie!\nsze wytarcie. Zle wykonane pierścienie są wielką przeszkodą w pra- I\ncy maszyny.\nRozróżniamy dwa główne typy pierścieni :\n1/ pierścienie wywierające ciśnienie na powierzchnie cylindrajj\ndzięki własnej s i l e sprężynowania, uzyskanej przez stosowną obróbkę.\nSą to pierścienie\nr o z p r ę ż n e / szwockie/.\n2/ pierścienie, przyciskane do powierzchni c y l i n d r a całkowiciej\nlub częściowo siłą sprężyny.\nPierścienie typa pierwszego, najbardziej rozpowszechnione, w;\nkony.wa się prawie wyłącznie z żeliwa, jedynie przy bardzo małych\nśrednicach cylindra, /mniejszych od 50 mm./\nsLosować .można s t a l zlew­\nną lub laną bardzo miękką, które to materjały jednak wycierają znacz]\nńię więcej tuleję cylindra.Niektórzy konstruktorzy stosują stalowe\npierścienie także przy -większych średnicach c y l i n d r a , zwłaszcza w\nmaszynach szybkobieżnych /parowozy/, ponieważ rzekomo doświadczenie\nwskazało pękanie żeliwnych. Żeliwo używane na pierścienie rozprężne\nnie powinno być tak twarde jak materjał t u l o i c y l i n d r a i musi być\ndość kruche, .aby pierścień posiadał dobre sprężynowanie i nie podle­\ngał, odkształć .:niom trwałym.\nPierścienie rozprężne wykonywujem, w rozmaity sposób :\na./ z odlewu cylindrycznego, przy zastosowaniu wykroju,", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1930", "token_count": 1629, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:maszyny-parowe-1930:73be85e2:0005", "text": "Maszyny parowe: notatki z wykładów W. Chrzanowskiego (1930)\n\nkowogo, zaś B - czynna szerokość tłoka, przyczem B Q = B^ - i . s :\ngdzie i - ilość pierścieni, oraz s - szerokość pierścienia /rys.oO/\nOdległość e /rys.61\n7\nwinna być możliwie mała :\ne - 10 do 20 mm., zależnie od średnicy cylindra. Szerokość powierzch­\nni przylegania tłoka do cylindra przed pierwszym i za ostatnim pierś­\ncieniem dajemy najwyżej 5 mm., gdyż na t e j szerokości para doloto­\nwa ciśnie zgćry na tłok, zwiększając znacznie ciśnienie jednostkowe.\nDopuszczalne ciśnienie jednostkowe zależy w głównej mierze\nod jakości materiałów i rodzaju smarowania. Staramy się o t o , aby k\nn i e było zbyt duże : należy więc tłoki budować dostatecznie szerokie,\na przytern możliwie l e k k i e .\n'./.cylindrach wysokoprężnych dajemy : k = 0,3 do 0,5 kg/cm .\n2\nW cylindrach niskoprężnych\nk - 0,4 do 1,0 kg/cm\".\nW maszynach przelotowych buduje się tłoki z lekkich tarczy.\nCzędto. tłoki wykonane z żeliwa, wyposażone są w trzewik z blachy mo­\nsiężnej przynitowany do tłoka.-Trzewik ten tłoczymy na średnicą :\nD, = D\n--\nt\n*\n1000\nKonstrukcja t a jest dobra lecz bardzo kosztowna.\nObliczenie wytrzymałościowe korpusu tłoka.\nObliczenia tego dokonywujemy z dużem przybliżeniem na zasadzie\ndanych doświadczalny cli;\nW wypadku stosowania tłoka bez żeber /rys 4ó3/, przyjmujemy zbież\nność ścianki :\n£ ] •\n=\ng - 2 do 3 mm.\n8>2\n=\nS •\n+\n2 do 3 mm.\nWycinamy ze ścianki tłoka pasek o szerokości 1 cm. i długości 1.\nMoment gnący :\nP . l\nŁ . =\nS\n\n12\nponieważ : P =\n\np . i , zaś wskaźnik : W * ----O\n, więc\n6\n\n- 37 -\n?. ~~— <-— ~\ns Cist,\nitąd\nlr\n±2 f JO\ny\nprzy doDrych materiałach nawet 2>X), przy gorszych - 150 kg/cm .\nNacgół staramy się nie stosować żeber, gdyż tak ze względów\nodlewniczych jak i wytrzymało s c i owych należy unikać konstrukcy j', w\nktórych schodzą się trzy ścianki odlewu. Powstają tu bowiem w odlewie\npęcherze, co obniża wytrzymałość tłoka.\nW cylindrach wysokoprężnych można nie dawać żeber aż do średni­\ncy tłoka Dt -• 500 mm. v7 razie konieczności stosowania żeber, musimy\ndbać o i c h odpowiednie wykonanie. Konstrukcja żebra, podaną linją\nczerwoną na rys.62 jest niewłaściwa, gdyż w przekroju AB, gdzie dzia\nła duży moment gn^cy, przkrój jest za słaby w porównaniu z innemi\nprzekrojami, gdzie panują momenty mniejsze.\nPrawidłowe wykonanie żeber mamy na rys.63. Odległość y\n, któ­\nrą, daje się ze względu na swobodny przwpływ gazów przy odlewie, winna\nwynosić ccnajmniej 40 do 60 mm. Przy dużych średnicach, w obawie\nprzed pęknięciem końca żebra, zakańczamy je teowo / r y s . 6 3 . l i n i a czer­\nwona /.\nDla obliczeń pole pomiędzy żebrami zastępujemy kołem równoważ-\nnem o średnicy ó. /rys.64/. Y/ówczas :\nł WĘ~Ę < 2.00 WZ\nPrzy średnicach Koka większych od 600 mm., poleca się stoso­\nwać ścianki boczne skośne, jak na rys.63.\nW tłokach dwuśóiankowych musimy pamiętać nadto o otworach $!o\nwyjęcia, rdzeni, które umieszczamy pomiędzy żebrami i'zamykamy korkiem\nz gwintem gazowym. Korki te po wkręceniu roznitowuje się i niekiedy\nzabezpiecza się nadto małą śrubką. Korki wykonywujemy z jednej częś­\nc i /rys.65a/, zamiast drogich korków z łbami /rys.65b/. Część c kor\nka z rys.65a wkręcamy w otwór, następnie ucinamy wzdłuż X-X i rożni -\ntowujemy. Otwory do rdzenia dajemy zawsze od t y l n e j strony tłoKa, t . j\nod strony'nakrętki. Przy większych średnicach otwory te :i'ożna umiesz­\nczać w piaście. / r-/s.66 /.\n'", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1930", "token_count": 1445, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:maszyny-parowe-1930:73be85e2:0010", "text": "Maszyny parowe: notatki z wykładów W. Chrzanowskiego (1930)\n\n- 47 -\nI I I . Wodziki. - r,'.-.\nZadaniem wodzika jest łączenie drąga tłokowego z korbowodem i\nprzenoszenie nacisku normalnego na prowadnice ramy. Korpus wodzika\noosiada trzewiki-, któremi opiera się na prowadnicach ramy.\nRozróżniamy następujące typy wodzików :\n1/ Wodziki żeliwne, wykonane jako całość z trzewikami. Stosuje\noi'ę jo przy małych siłach. Wadą ich jest brak nastawności.\n2/ Wodziki żeliwne wykonane oddzielnie z trzewikami.\n3/ Wodziki staliwne widełkowe z żeliwnemi trzewikami.\n4/ Wodziki kute w kształcie łba. o\nTrzewiki wykonywamy wyłącznie z żeliwa, przyozem przy większych\nnaciskach normalnych i większych szybkościach tłoka,.wylewamy jo z re\nguły białym metalem. Trzewiki niewylewane należy szlifować, wylewane\ntylka szabrować.\nKonstrukcje wodzików mamy na rys.70, 79 i 91. Wykonanie z r y s .\n79 nadaje się do dużych maszyn.\nModel wodzika winien posiadać łagodne zaokrąglenia. Odlew pole­\nca się zgruba obrobić, aby odkryć ewentualne rysy w miejscach \"y\"\n/rys.70/, lub \"A\" /rys.71/. Przy obróbce należy unikać ostrych •/cięć.\nBardzo ważne jest połączenie trzewika z wodzikiem : nastawność,\nszczególnie przy większych obrotach, nie powinna być zbyt ułatwiona\nse względu na niepowołane ręce. Przy montażu, należy bardzo uważać\nna dokładność centrowania i luzy, aby nie było kiwania się wodzika\nW okolicach martwych położeń / strzałki \"e\" - i \" f \" rys.70/.\nObliczenie połączenia wodzika z drągiem zostało podane na s t r .\n43 i 44. Wspomnieć należy, iż w przekroju H / rys.91/ możemy iść z\nP\nnaprężeniem aż do 650 łęg/cm,.\nWymiary trzewika liczymy na docisk ;\njeżeli \"a\" oznacza długość trzewika, a \"b\" - jego szerokość, to sto­\nsujemy zwykle :\na = 1,55 do :l,65.b\n% nacisk jednostkowy : / f ~ ~\n<\n}' f ^ y\nt\n'h™*\n/\nA et. />\n\nv\n-\n/ / -\nS\"\n\n- 48 -\ngdzie \" r \" oznacza długość korby, \"1\" - korbowodu, a \"P\" - maksymal­\nny, nacisk tłokowy* W maszynach nąwto.tnych i pracujących z przerwami\nmożna podwyższyć \"k\" do 3,6 kg/cm'°. W maszynach szybkobieżnych daje-\n2\nmy \"k\" mniejsze od 3 kg/cm\".\nTrzewiki muszą być dobrze smarowane /rys.92/.\nC z o p y\nwodzika mogą być cylindryczne lub stożkowe cylindry­\nczne /rys.93/ są tańsze, łatwiej je fabrykować masowo i łatwiej wy­\nmieniać, lecz w ruchu mogą się obluźnić. Najpewniejszem osadzeniem\ndla czopów przenoszących duże siły jest osadzenie stożkowe /rys.94/.\nW czopach stożkowych dajemy :\ns = 0,45 do 0,6.1\nł = 1,2 do l,5.d\nprzyczem mniejsze wartości odnoszą się do wodzików widełkowych, zaś\nwiększe do wodzików z łbem złączonym. Im wyższe \"s\" tern lepiej ze\nwzględu na zginanie.\nPochylenie stożka dajemy :\nt = 1/10 do 1/12,5 do 1/16\nprzyczem mniejsze wartości odnoszą się do większych maszyn. Np. :\nd = 90 mm.; t = 1/10 ; 1 = 110 mm. ; L = 210 mm. ; to wówczas d-L=85nim\na dg = 106 mm.\nCzop liczymy na gięcie według wzoru :\n2(2.\n% iZoóćf*. Ui\n»\nf\nyy-\n/n u\nNaprężenie to n i e . jest decydujące d l a obliczenia,czopa. Ważniejszy\njest nacisk jednostkowy \"k\" , który obliczymy ze wzoru :\n• e\ny\nCzopy wykonywamy zwykle ze s t a l i S.M. nienartowane. Przy więk­\nszych naciskach - ze s t a l i tyglowej, hartowanej na powietrzu.\n\n- 49 -\nIV. Korbowod\nKorbowody wykonywa się przeważnie ze s t a l i zlewnej o wytrzyma-\nłości doraźnej 40 do 52 kg/mm . Dla mniejszych maszyn wykonujemy\nróuież ze s t a l i lanej o przekroju dwuteowym. V/ maszynach szybkobież­\nny en stosujemy korbowody kute też o przekroju dwuteowym, aby możliwie\nzmniejszyć masy będące w ruchu.\nZe względu na wytrzymałość , najlepsze są korbowody z łbami nie-\ndzielonemi /rys,95/, sprawiają one trudność przy demontażu. Konstruk­\ncję tę stosujemy w maszynach o mniejszej i średniej mocy, o i l e mamy\nwodzik widełkowy\ni- zwykłą korbę-. Przy wal-.; wygiętym musimy stosować\nłeb dzielony po stronie korby /rys.96 i 97/. Natomiast przy wodziku\no kształcie łba trzeba stosować zakończenie korbcwodu przy wodziku\nwidełkowate /rys.97/.- Gdy zaś korpus wodzika wykonany jest z jednego\n.kawała z czopem, należy dać konstrukcję jak na rys.98 : widełki dzie­\nlone , a wodzik /rys.99/ musi być tak wykonany,, aby-czapy mogły być\ncementowane. Konstrukcja odtatnia /rys.98/ stosowana w maszynach ok­\nrętowych wymaga bardzo umiejętnego składania całości, bo przy wadii-\nwem dociągnięciu może zajść wypadek, że siłę P przenosić będzie t y l ­\nko jedna odnoga widełek.\nObi i ezeni-e korbowodów.\na/ Jeśli odległość środka czopa wedzikowego od środka czopa kor­\nbowego oznaczymy przez L /rys.95/, to średnicę obliczymy z wzoru na\nwyboczenie ;\nStopień bezpieczeństwa :\n%_\n£ <> fi — m\\ /^' ^\nf <<\ngdzie B - 2200000.\nDuży stopień bezpieczeństwa musi być stosowany w maszynach wolnobież­\nnych a zwłaszcza nawrotnych. \"d\" obliczone z powyższego wzoru oznacza\nśrednicę w środku długości kurbowodu. Dawniej wykonywano korbowody zwę­\nżające się w obie strony. Obecnie dajemy / rys.95/ :\n8 = 1,1.d ;\n.\nA - C,9.d", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1930", "token_count": 2089, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:maszyny-parowe-1930:87573098:0008", "text": "Maszyny parowe: notatki z wykładów W. Chrzanowskiego (1930)\n\n•- 139 -\nPrzy P , w najzimniejszej części / y pobliżu• dopływu wody/\nodbieram, powietrze do pompy powietrznej. Zbyt nisko otworu P nie\nmożna umieszczać, bo pompa powietrzna porywałaby zbyt dużo konden­\nsatu. Dlatego niektórzy konstruktorzy / J o e r f e l / uają otefró* P i\nzasilanie wody na górze, worew naturalnemu eiegowi \"./ody. Dopływ\npary B\njest na rys.626 umieszczony niewłaściwie ; winien on l e ­\nżeć możliwie w środku długości kondensatora i mieć dostatecznie\nduże wymiary d l a swobodnego rozprzestrzeniania się pary. Kondensat\nuchodź.j.cy przez 0 może być. uż. ty wprost do z a s i l e n i a kotłów\n/okręty/, jeśli\" para wylotowa nie zawiera żadnych domieszek smaru.\n'•Rurki skraplacza o średnicy 15 do 28 mm. w -konano są z mo-\nsiądzu. Posiadaj.; one bardzo cienkie ścianki /0,75 do 1 ma/. Od­\nległość i c h wzajemna wynosi 30 do 35 mu. Przy turbinach parowycn\nużywa się rurek o- średnicy 22 urn. Prędkość wódy w rurkr.ch sto­\nsujemy 1 do °- m/sek.. Rurki muszą być podparte co około\nm,\n. Rurki mogą być umocowane przez roz-walcowanie . j e s t to sposób\nnajłatwiejszy i najtausz. .. etosuje $%4 przy niezeyb w i e l k i e j dłLi­\nro ś c i rurek, ponieważ r u r k i\nvdłuża iw się eod działaniem temoe-\nratury pary i rożwaleowanie-staje się nieszczelne.\nPr z. dłuższych rurkach stosuje się doszczelnienie ułoe.nicowe\n/rys.326 wyk.I/. Rurka może się t u swobodnie eydłuz-ć. uakrętka\nlewa posiada występ, o który rurka się zatrzymuje przy przesuwaniu\nsię pod działaniom prądu wody..\n..konanie II na. rys. 326 przedstawia konstriikeję amerykań­\nską z klinem drewnianym. Konstrukcj-a ta. ze względu na specjalny\ngatunek drzewa używana jest tylko w meerycei\n'vi konstrukcji\nI I I r..-s.,.3\"6 mian . okrągły -pierścień 'gumowy\nP o l i t z a dociskany próżnią, wie jest to zoyf korzystne, bo przy uru­\nchomianiu kondensatora nie m^my jeszcze próżni.\nboianki sitowe wykonywuje się z żelaza zlewne. _o. Pr z; używa­\nni u .-od- morskiej metal ..untza.. Obliczamy je na ciśnienie oko­\nło 2 at.a i '-. zm ae n i a: u/ kotwami D. Każde połączenie .wintowe,\n.a być z eronzu aby nie rdzewiało.\n\n-140 -\nZapomocą 1 rrr powierzchni. możnaskroplić Yo do 4o /DO/ km,\npe.ry/godz., c z y l i do skroplenia 1 kg. pory potrzeba 0,018 do\n0,03 m\nw\n\npowierzchni rurek. Jeśli przy-jmi,;om zbyt małą powierzch­\nnię skraplacza, to po pewnym czasie, ,.',zi\nvki zosta..laniu o~adu\nprzez wodę /zwłaszcza W górnych rurkach/, sprawnoió kondensatora\nmaleje. Dlatego stosowanie mał./aondonsatorów, a.wielkich ilości\nwody .jest niewłaściwe., bo nie mamy wówczas rezerw, .\nWydajność kondensatora zależy od czystości rurek i intensyw­\nności odprowadź.*-nia powietrza /zapomocą'ónżektorów porowych, wod­\nnych lub pomp/.\ni muszą posiadać(\nTurbin, parowe, ponieważ nie mogą pracować z wy iYiucnen.\nbyt szybkie ochładzanie kondensatora może spowodować ocknięcie\n7 V , ,\n\\1. f f! fi v t~>i '\nichemot całości urządzenia mamy na r v s . .o.", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1930", "token_count": 1537, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} -{"id": "bcpw-public-domain:maszyny-parowe-1930:c59e4670:0000", "text": "Maszyny parowe: notatki z wykładów W. Chrzanowskiego (1930)\n\n- 8 -\nRODZAJE MASZYN I OBLIGZ^NI^ ICH\nQ-ŁO'v/NYGH WYMIARÓW\n1/ Maszyna iednocylindrowa.\nJt« Projektowanie wykresu indykatora.\nMaszyna pracująca z para nasycona, i wydmuchem\n/rys.13/\nDane ciśnienie dolotowe p-j_ i przeciwciśnienie p . Na osi odciętych\nOL odkładamy objętość skokov/ą V /zwykle 100 mm./ Zależnie od obranych\nstawideł przyjmujemy wielkość przestrzeni szkodliwej S0 w procentach\nobjętości skokowej V . Przyjmujemy pewną skalę ciśnienia i rysujemy\nl i -\nnję 1 atm. p-j_ i p . Przyjmujemy na końcu rozprężania ciśnienie p g i z\npunktu B kreślimy równoległą do osi odciętych. Celem uwzględnienia dła­\nwienia przy napełnieniu przyjmujemy spadek\nC ~ 5 % ciśnienia dolotowe­\ngo pi . Otrzymany stąd punkt A łączymy z punktem 0 i z punktu B bu­\ndujemy wstecz krzywą rozprężania jako hyperbolę równoboczną. Przyjmujemy\nwielkość wylotu przedzwrotowego\nWy . Przyjmujemy pewien % kompresji i\nbudujemy z punktu Oo wstecz krzywą kompresji 'jako hyperbolę równoboczną..\nDajemy zaokrąglenia w pobliżu punktu Ex /koniec napełnienia/ i Wy poczem\nwykres jest gotowy.\nMaszyna pracująca z para, nasycona i kondensacją / rys.14 /\nY/ykres indykatora budujemy w sposób analogiczny jak d l a wypadku po­\nprzedniego.\n2\nRys. 13 i 14 winny mieć pola /mm\n4\"/ pracy różne i różnić się powinny\nwyraźnie napełnienia i kompresje. Na rys.14 Go % powinna być większą\nniż na 13. Porównuje oba wykresy, widzimy, że napełnienie przy pracy z\nkondensacją j e s t d l a warunków podobnych znacznie mniejsze niż przy pracy\nz wydmuchem. Maszyna kondensacyjna zużywa więc mniejszą ilość pary i dzię­\nk i temu, że przy zwiększonym nawet procencie kompresji mamy jednak mniej­\nsze ciśnienie p . Lecz z drugiej strony, dzięki konieczności napędzania\npompy kondensacyjnej sprawność mechaniczna jest tu mniejsza niż przy pra­\ncy z wydmuchem.\nMaszyna jednocyliridrowa pracująca z .tara przegrzana .\nParę przegrzaną stosujemy :\n\n- 9 -\n1, aby zapobiec skraplania wstępnemu\n2, aby uzyskać większy spadek temperatur i większe objętości właś­\nciwe pary.\nNa każde\n50° przegrzania można liczyć około 7 - 1 0 % oszczędnoś­\nc i na zużyciu pary. .\nPrzy tych samych warunkach d l a wytworzenia t e j samej nocy przy\nnormalnem obciążeniu, napełnienie przy zastosowaniu pary przegrzanej mu­\ns i być większe niż przy parze nasyconej / rys..15/. Jeżeli zastosowane\nstawidło nie może dać większego napełnienia to musimy zwiększyć średni­\ncę c y l i n d r a .\nKrzywa rozprężania jest tu pol i t ropą. o równaniu\nk\nk\np.v\n= p^YjL\nWykładnik k zmienia się od 1 - 1,25, przyczem przy wyższych ciś­\nnieniach zależy od stopnia przegrzania. Przy zwiększającym się napełnie­\nniu\nk wzrasta lecz nie Uwzględniamy tego przy projektowaniu wykresu.\n5ci k\nMoc\n200°\n- 250°\n300°\n350°\ndo 50 MK\n1\n1,05\n1,1\n1,15\ndo 250 MK\n1,05\n' \" 1,1\n1,15\n1,18\nod 250 MK\n1,1\n1,15\n1,18\n1,22\npa-\nDane : N Q t\nt p p 0.\nPrzyjmujemy -wykładnik k . Wykres budujemy analogicznie jak d l a \\\nry nasyconej, z tą różnicą , iż ekspansja odbywa się według p o l i t r o p y .\nKrzywą rozprężania rysujemy wstecz z punktu A. zapomocą metody Brauera.\nZe wzoru\n_\n,\n1 + tg£ = / 1 + tgol\nA\nobliczamy kąt ^ przyczem kąto( bierzemy mniejszy od 3 0 ° , aby otrzymać jak\nnajwięcej punktów krzywej . Krzywa kompresji j e s t równoramienną hyperbo-\n±ą.\nB. Obliczenie mocy i oznaczenie głównych wymiarów\nwykres indykatora przedstawia pracę, któr,, oiś\n* Cfsnieme pary wykonywa\n\n- 10 -\nna jeden cm pola tłoka w czasie jednego skoku. Ciśnienie chwilowe pary\nw cylindrze zmienia się wciągu skoku - do obliczenia mocy potrzebna jest\ni ego wartość średnia. ¥ celu znalezienia t e j wartości zamieniamy -wykres\nindykatora na równoważny prostokąt /rys.17./ , Długość jego , odpowiada­\njąca objętości skokowej c y l i n d r a pozostaje bez zmiany, a wysokość daje\nnam wartość średniego ciśnienia indykowanego p^.\nOznaczając główne wymiary maszyny jak na rys.16 otrzymamy czynne\npole tłoka :\nr~\n— -—/is -oł /\njeżeli drąg tłokowy przechodzi przez t y l -\nną pokrywę\nP\nc\n^ — -^Jp*~— cj*7\njeżeli niema drąga po drugiej stronie tł\nc\nka\nPraca po jednej stronie tłoka\n\\7 czasie jednego skoku :\nS*r~=-B. Fjbt 5\nzaś przy n obr/min. • ^\n_ p F\" hi ó Ći\nc indy kowana jedno cylindrowej maszyny parowej -wynosi\nPonieważ średnia prędkość tłoka\nC —\n_ 2 5\ni\n'.»•-• e'-* ł\n'c-'\n•\n-».••• •\"»«'• i\nwięc\nS r e i n i a prędkość tłoka :\nd l a maszyn o średniej mocy\n1,5 - 2 m/sek.\no skoku ponad 800 mm.\n2\n- 5 m/sek.\nStosunek S/D przyjmujemy 1,7 - 2.\nMniejsze wartości stosujemy w lokomobilach /aby móc zmieścić na kot­\nl e / i w maszynach stojących /aby maszyna nie była zbyt wysoka/.\nMaksymalny nacisk tłokowy :\np, = F o • P at", "source": "bcpw-public-domain", "added": "2026-11-07", "created": "1930", "token_count": 2002, "license": "Public domain (BCPW metadata: domena publiczna)", "author": "Wiesław Chrzanowski"} +{"id": "bibliotekanauki-automation:152967:0003", "text": "Proces testowania oprogramowania zintegrowanego systemu monitorowania i sterowania\n\n[1] Florczyk M., Winiecki W.: The Parametric Method for Functional \nTesting of Virtual Instruments, Intelligent Data Acquisition and \nAdvanced Computing Systems: Technology and Applications, 2005. \nIDAACS 2005. IEEE , vol., no., pp.310-315, 5-7 Sept. 2005. \n[2] Azam F., Gull H., Bibi S., Amjad S.: Back and Forth (BnF) Software \nProcess Model, Computer Engineering and Applications (ICCEA), \n2010 Second International Conference on Computer Engineering and \nApplications , vol.1, no., pp.426-430, 19-21 March 2010. \n[3] Yingchong Xia, Juan Li: User-Centered & Experience Design trend \noverview, Computer-Aided Industrial Design & Conceptual Design, 2009. \nCAID & CD 2009. IEEE 10th International Conference on Computer-\nAided Industrial Design & Conceptual Design, pp. 1424-1426, 2009. \n[4] Zhang Sen, Yao Zheng: The Relation of CMM and Software Lifecycle \nModel, Software Engineering, Artificial Intelligence, Networking, and \nParallel/Distributed Computing, Eighth ACIS International Conference \non Software Engineering, Artificial Intelligence, Networking, and \nParallel/Distributed Computing, vol.3, pp. 864-869, 2007.\n\n_____________________________________________________ \notrzymano / received: 04.08.2010\n\nprzyjęto do druku / accepted: 01.10.2010 \nartykuł recenzowany", "source": "bibliotekanauki-automation", "added": "2026-11-07", "created": "2010", "token_count": 361, "license": "CC BY: Creative Commons Attribution 3.0 Unported", "author": "M. Florczyk"} +{"id": "bibliotekanauki-engineering-new:56092817:0007", "text": "Metryki chrztów, ślubów i zgonów szlachty w parafiach Koźminek i Lisków z XVIII wieku. Materiały do genealogii szlachty powiatu kaliskiego – część II\n\n291\nMetryki chrztów, ślubów i zgonów szlachty w parafii Koźminek i Lisków z XVIII wieku. Materiały do genealogii ...\nCzyżewska61 (gen.), panna; chrztu udzielił Tomasz Czyżewski, prepozyt w  Koźminku \n27 listopada 1770 roku – ADWł., sygn. 5111521/1, nr aktu 10, s. 14 (k. 7v),\n– Fawerski/Faworski Józef Jan, syn Jana (fam.) i Elżbiety [Kwaśniewskiej]; urodzony \n1 stycznia 1769 roku w Koźminku; chrzestni: Jan Kiełczewski62 (gen., mag.), chorąży \nkowalski i Balbina z Turskich Kiełczewska63, jego żona; chrztu udzielił Hiacynt Urbański \n10 stycznia 1769 roku – ADWł., sygn. 5111521/1, nr aktu 2, s. 29 (k. 15),\n– Faworska Dorota, córka Jana (fam.) i  Elżbiety [Kwaśniewskiej]; urodzona \nw Koźminku; chrzestni: Stanisław Potocki64 (ill.), kanonik łowicki, prepozyt koźmiński \ni Julianna Jeziorska/Jezierska (mag.) w asystencji Wieńczysława Jeziorskiego/Jezierskie-\ngo (mag.) i Salomei Łukoskiej (mag.), panny; chrztu udzielił Adalbert Augustynowicz65 \n27 stycznia 1780 roku – ADWł., sygn. 5111521/1, s. 73 (k. 37),\n– Faworska Estera, córka Jana66 (nob.) i  Elżbiety [Kwaśniewskiej]; urodzona \nw  Koźminku, chrzestni: Tomasz Czyżewski67 (ill.), prepozyt koźmiński i  Francisz-\nka z Czyżewskich Szulmińska68 (gen.); chrztu udzielił Teodor Reysner, ordynariusz św. \nFranciszka 16 czerwca 1767 roku – ADWł., sygn. 5111521/1, nr aktu 16, s. 24 (k. 12v),\n– Faworska Katarzyna, córka Jana (fam.) i  Elżbiety [Kwaśniewskiej]; urodzona \nw  Koźminku; chrzestni: Tomasz Czyżewski (ill.), Katarzyna Frasunkiewiczowa69, \nFranciszek Frasunkiewicz, Agnieszka Fredrychowa, Walenty Przedzyński70 i Katarzyna \nKozanecka71; chrztu udzielił Józef Jabłoński 25 listopada 1775 roku – ADWł., sygn. \n5111521/1, s. 57 (k. 29),\nEwangelisty w Koźminku, sygn. 5111523/1, s. 73.\n61  Czyżewska Teresa, prawdopodobnie córka Andrzeja Czyżewskiego – TD, Grodzkie i ziemskie, \nGniezno, Część 1, zapis 16699.\n62  Kiełczewski Jan, chorąży kowalewski, dziedzic Koźminka zmarł przed 1771 – TD, Grodzkie \ni ziemskie, Kalisz, Inskrypcje, XVII/XVIII wiek, zapis 6835.\n63  Kiełczewska z Turskich Balbina zmarła 1770/1773 – TD, Grodzkie i ziemskie, Kalisz, Inskrypcje, \nXVII/XVIII, zapis 6835 i 6989.\n64  Potocki Stanisław zmarł w  Koźminku 30 marca 1802 roku, w  wieku 63 lat – ADWł, sygn. \n5111523/1, s. 9 (19).\n65  Augustynowicz Adalbert, zmarł jako proboszcz w Rajsku w wieku 78 lat (52 lata w kapłaństwie) 20 \nlipca 1829 roku, pogrzeb 23 lipca 1829 roku – ADWł,. Księga zgonów parafii św. Michała w Rajsku, \nsygn. 5112273/2, s. 78.\n66  Faworski Jan (fam.) zmarł z Koźminku 12 czerwca 1808 roku w wieku 82 lat – ADWł., Księga \nzgonów parafii św. Jana Ewangelisty w Koźminku, sygn. 5111523/1, s. 27v (56). \n67  Czyżewski Tomasz, syn Jana i Teresy Kąsinowskiej – TD, Grodzkie i ziemskie, Kalisz, Inskrypcje, \nXVII/XVIII wiek, zapis 7274.\n68  Szulmińska Franciszka, córka Stanisława Czyżewskiego i  Ewy Linowskiej, żona Andrzeja \nSzulmierskiego, syna Jana – TD, Grodzkie i ziemskie, Konin, zapis 13889.\n69  Frasunkiewicz Katarzyna, żona Stanisława (fam.) z Koźminka – ADWł., Księga chrztów parafii \nśw. Jana Ewangelisty w Koźminku, sygn. 5111521/1, nr aktu 17/1771, s. 9 (17) – chrzest ich córki \nMagdaleny 21 lipca 1771 roku. Katarzyna (fam.) zmarła w Koźminku 27 lipca 1806 roku w wieku 66 \nlat – ADWł, księga zgonów parafii św. Jana Ewangelisty w Koźminku, sygn. 5111523/1, s. 17 (35).\n70  Przedzyński Walenty (fam.) zmarł w Koźminku 21 marca 1801 roku w wieku 80 lat - ADWł., \nksięga zgonów parafii św. Jana Ewangelisty w Koźminku, sygn. 5111523/1, s. 8 (17).\n71  Kozanecka Katarzyna, żona Wojciecha (fam) z Koźminka – ADWł., Księga chrztów parafii św. Jana \nEwangelisty w Koźminku, sygn. 5111521/1, nr aktu 2/1766, s. 5 (9), nr aktu 22/1767, s. 13 (25), nr aktu \n34/1769, s. 17 (33), nr aktu 17/1771, s. 9 (17) i nr aktu 28/1773, s. 2 (43) – chrzest ich dzieci: Kaspra \n(Gaspara) Baltazara 9 stycznia 1766 roku, Jakuba 23 lipca 1771 roku, Mateusza 21 września 1769 roku, \nJadwigi 12 października 1769 roku i Jadwigi 18 października 1773 roku. Żoną Kaspra była Katarzyna, \nktórych dzieci są chrzczone w Koźminku od 1791 roku, a żoną Jakuba była Marcjanna – dzieci od 1799 \nroku (zob. wykaz nr 2 – śluby). Kasper (fam.) zmarł w Koźminku 19 lipca 1809 roku w wieku 54 lat – \nADWł., Księga zgonów parafii św. Jana Ewangelisty w Koźminku, sygn. 5111523/1, s. 72.", "source": "bibliotekanauki-engineering-new", "added": "2026-11-07", "created": "2024", "token_count": 2147, "license": "CC BY: Creative Commons Attribution 4.0", "author": "Piotr Maciej Dziembowski"} +{"id": "bibliotekanauki-maintenance:113429:0005", "text": "Projektowanie innowacyjnych i nietypowych maszyn górniczych z wykorzystaniem nowoczesnych technik komputerowych\n\n79 \ncych na zmontowanie dużych elementów obudowy poza przodkiem i przetranspor-\ntowanie ich po zakończeniu urabiania. W Katedrze MGPiT postanowiono wrócić do \npomysłów realizowanych w latach 80-tych ubiegłego wieku czyli zmechanizowa-\nnych, tymczasowych obudów chodnikowych. Pozwala to na pracę maszyn pod stro-\npem zabezpieczonym taką obudową a równolegle za tą obudowa realizowany jest \nproces stawiania obudowy ostatecznej. Stosowane wtedy obudowy nie miały dużych \nmożliwości dostosowania się do zmiennych parametrów geometrycznych chodnika a \nponadto ich cykliczne rozpieranie i rabowanie wpływało niekorzystnie na stan stro-\npu [6]. \nW Katedrze MGPiT założono, że obudowa taka będzie dostosowana do współ-\npracy zarówno z kombajnem chodnikowym jak i maszynami stosowanymi w meto-\ndzie tradycyjnej – urabianie MW. Ponadto będzie miała możliwość zwiększania swo-\njej długości poprzez dodawanie modułowych segmentów nawet do 16 m a za nią \nbędzie stawiania obudowa stalowa łukowa typu ŁP. Inną różnicą będzie rabowanie \nna czas przemieszczania obudowy elementów spągowych i przesuwanie obudowy w \nkontakcie ze stropem. Na podstawie powyższych założeń opracowano wstępną kon-\ncepcję tymczasowej zmechanizowanej obudowy chodnikowej. Została ona zaprojek-\ntowana jako konstrukcja modułowa, z możliwością dodawania lub odejmowania \nposzczególnych segmentów [6]. Widok zestawu składającego się z sześciu segmen-\ntów przedstawiono na rysunku 17.\n\nRys. 17 Model tymczasowej zmechanizowanej obudowy chodnikowej: \n1  odrzwia skrajne, 2  odrzwia wewnętrzne, 3  siłowniki rozpierania, \n4  siłowniki przesuwu, 5  prowadzenia rurowe \nŹródło: [6]\n\nObudowa w tej wersji składa się z dwóch odrzwi skrajnych (1) oraz czterech iden-\ntycznych odrzwi wewnętrznych (2). Łuki w dolnej, prostej części wyposażone są w si-\nłowniki rozpierania o skoku 300 mm (3), przy czym nominalny wymiar obudowy uzy-\n\n2018 \nVolume \n7 issue 1 \nRedakcja naukowa tomu: W. BIAŁY, H. BADURA, A. CZERWIŃSKA-LUBSZCZYK\n\n80 \nskuje się przy wysunięciu tych siłowników o 150 mm a pozostałe 150 mm jest w rezer-\nwie. Poszczególne segmenty są połączone ze sobą czterema siłownikami przesuwu (4). \nZe względu na sposób pracy, siłowniki te przy skrajnych odrzwiach są siłownikami dwu-\nstronnego a pozostałe jednostronnego działania. \nŁuki połączone są prowadzeniami rurowymi (5) zapewniającymi ich stateczność \npodczas rabowania a znaczna część powierzchni odrzwi pokryta jest specjalną wy-\nkładką, osłaniającą wyrobisko przed rumoszem skalnym. Obudowa jest przystosowa-\nna do drążenia wyrobisk o przekrojach dostosowanych do obudowy ŁP 9 i ŁP 10. Prze-\nsuw jednego zestawu względem drugiego wynosi 280 mm i wynika z przyjętego skoku \nsiłowników przesuwu. Podziałka, czyli odległość pomiędzy poszczególnymi segmen-\ntami w czasie pracy, przy wysuniętych siłownikach przesuwu, wynosi 900 mm [6]. \nPo zabudowie zestawu obudowy na długość uwarunkowaną typem maszyny lub \nmaszyn do urabiania i ładowania, można rozpocząć cykl jej pracy. W miarę postępu \nprzodka chodnika, rabowane są przez zsunięcie siłowników umieszczonych w stopach \npodporowych poszczególne segmenty obudowy, począwszy od czoła przodka i prze-\nmieszczane za pomocą siłowników przesuwu do przodu. Po przesunięciu segmentu \njest on ponownie rozpierany, a następnie realizowane jest sekwencyjne przesuwanie \npozostałych segmentów obudowy aż do ostatniego. Zakłada się sterowanie w jednym \ncyklu po 2 lub 3 odrzwia. Dla prawidłowego zrealizowania tej operacji koniecznym \nbyło opracowanie i wykonanie układu sterowania dla poszczególnych odrzwi obudo-\nwy. \nNa podstawie opracowanego projektu w zakładach Hydromel wykonano proto-\ntyp sześcioelementowej tymczasowej zmechanizowanej obudowy chodnikowej wraz z \nukładem zasilania i sterowania (rys. 8). Podczas prób stanowiskowych, jak również \ndołowych przeprowadzonych w ZG Janina w Libiążu obudowa ta realizowała popraw-\nnie wszystkie założone czynności. Jedynie należy dopracować hydrauliczny układ zasi-\nlania i sterowania pod kątem jego zautomatyzowania, obecnie sterowanie realizowane \njest ręcznie. \nObudowa przystosowana jest do współpracy zarówno z kombajnami chodnikowymi jak \ni maszynami wchodzącymi w skład kompleksu do drążenia metodami strzałowymi. W \nobu przypadkach maszyny te pracują pod ochroną obudowy tymczasowej, której dłu-\ngość może wynosić nawet 16 metrów. Wszystkie maszyny i urządzenia podstawowe \nkompleksu znajdują się pod sukcesywnie przemieszczającą się w miarę drążenia chod-\nnika obudową. Za obudową realizowany jest montaż obudowy ostatecznej stalowej łu-\nkowej ŁP. Można do tego wykorzystać gotowe rozwiązania platform roboczych z mani-\npulatorami.\n\nSYSTEMY WSPOMAGANIA w INŻYNIERII PRODUKCJI \nGÓRNICTWO– PERSPEKTYWY i ZAGROŻENIA. \nWegiel, tania czysta energia i miejsca pracy \n2018 \nVolume 7 \nissue 1\n\n81\n\nRys. 18 Widok prototypu tymczasowej zmechanizowanej obudowy chodnikowej \nprzed próbami stanowiskowymi\n\nW Katedrze MGPiT opracowano własną koncepcje takiej platformy z manipulato-\nrem przemieszczającym się na szynie podwieszonej pod wcześniej wykonaną obudową \nŁP (rys. 19). Na platformie zabudowany jest hydrauliczny manipulator, którego kon-\nstrukcja umożliwia zarówno podnoszenie elementów obudowy ze spągu jak i ich prze-\nmieszczanie i montaż w gotowe łuki obudowy [7].\n\nRys. 19 Koncepcja platformy i manipulatora do zakładania \nostatecznej obudowy łukowej ŁP \nŹródło: [7]\n\nKompleks szybowy z zespołem do mechanicznego urabiania i ładowania \nTechnologia drążenia szybów w Polsce oparta jest przede wszystkim na meto-\ndzie strzałowej ale w okręgu LGOM wykonywane są one także specjalną technologią \nwykorzystującą urabianie mechaniczne skał. Zastosowano w niej kombajn szybowy \nKDS-2 z ramieniem kombajnu ścianowego KWB-6, wyposażonym w jeden frezujący \norgan ślimakowy, zbrojony nożami promieniowymi. Warunki górniczo-geologiczne\n\n2018 \nVolume \n7 issue 1 \nRedakcja naukowa tomu: W. BIAŁY, H. BADURA, A. CZERWIŃSKA-LUBSZCZYK", "source": "bibliotekanauki-maintenance", "added": "2026-11-07", "created": "2018", "token_count": 2265, "license": "CC BY: Creative Commons Attribution 4.0", "author": "K. Kotwica"} +{"id": "open_agh_chemistry_pl_566", "text": "Rozpuszczanie w wyniku reakcji chemicznej\n\nRozpuszczająca się substancja reaguje z cząsteczkami rozpuszczalnika lub innej, wcześniej rozpuszczonej substancji, tworząc nowy związek chemiczny. Przykładem może być rozpuszczanie metali w kwasach, np. cynk metaliczny roztwarza się w roztworze kwasu i powstaje roztwór który zawiera nowy związek - sól cynku.\n\n\\(\\ce{Zn + 2HCl \\rightarrow ZnCl_2 + H_2}\\)\n\nRównież tlenki kwasowe rozpuszczając się w wodzie reagują z jej cząsteczkami i otrzymujemy roztwory kwasów:\n\n\\(\\ce{CO_2 + H_2O \\rightarrow H_2CO_3}\\)\n\n\\(\\ce{P_2O_5 + 3H_2O \\rightarrow 2H_3PO_4}\\)", "source": "open_agh_chemistry_pl", "added": "2026-11-07", "created": "2018-01-01", "token_count": 255, "license": "CC-BY-SA-4.0", "author": "Maria Starowicz"} +{"id": "rock_pollub_pl_a6c38c5d-ba8f-47ac-a3e6-b50df14a595b", "text": "Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych\n\nM O N O G R A F I E\nRada Naukowa Wydawnictwa Politechniki Lubelskiej\nPrzewodnicząca:\nAgnieszka Rzepka\nDyrektor CINT:\nKatarzyna Weinper\nPrzedstawiciele dyscyplin naukowych Politechniki Lubelskiej:\nMarzenna Dudzińska\nMałgorzata Franus\nArkadiusz Gola\nBeata Kowalska\nGrzegorz Komarzyniec\nJarosław Latalski\nTomasz Lipecki\nZbigniew Łagodowski\nLucjan Pawłowski\nNatalia Przesmycka\nHalina Rarot\nMagdalena Rzemieniak\nArkadiusz Syta\nWydawnictwo Politechniki Lubelskiej:\nMagdalena Chołojczyk\nKarolina Famulska-Ciesielska\nKatarzyna Pełka-Smętek\nP O L I T E C H N I K I L U B E L S K I E J\n\nDobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych\nMonika Kulisz\nLublin 2025\n\nR E C E N Z E N C I :\nprof. dr hab. Anna Burduk (Politechnika Wrocławska) dr hab. inż. Radosław Wajman, prof. PŁ (Politechnika Łódzka)\nA U T O R :\ndr inż. Monika Kulisz, ORCID: 0000-0002-8111-2316\nPolitechnika Lubelska – ROR: https://ror.org/024zjzd49\nRedaktor prowadzący: Karolina Famulska-Ciesielska\nKorekta językowa: zespół redakcyjny\nSkład i łamanie: Łukasz Maj\nProjekt graficzny serii: Łukasz Maj\nZdjęcie na okładce i stronie przedtytułowej pochodzi ze strony internetowej www.freepik.com.\nJeśli nie wskazano źródła ilustracji, stanowi ona opracowanie własne autorki.\nPublikacja wydana za zgodą Rektora Politechniki Lubelskiej\nISBN: 978-83-7947-635-0 (wersja drukowana)\nISBN: 978-83-7947-636-7 (wersja elektroniczna)\nDOI: 10.35784/9788379476367\nWydawca: Wydawnictwo Politechniki Lubelskiej www.wpl.pollub.pl ul. Nadbystrzycka 36C, 20-618 Lublin tel. (81) 538-46-59\nKsiążka udostępniona jest na licencji Creative Commons Uznanie autorstwa – na tych samych warunkach\n4.0 Międzynarodowe (CC BY-SA 4.0)\nNakład: 50 egz.\n\nSpis treści\nWykaz ważniejszych skrótów i symboli 9\n1. Wstęp 11\n2. Cel i zakres pracy 17\n3. Sztuczne sieci neuronowe 21\n3.1. Sieci neuronowe – inspiracja ludzkim mózgiem 24\n3.2. Perceptron wielowarstwowy 28\n3.3. Rekurencyjne sieci neuronowe LSTM 31\n3.4. Konwolucyjne sieci neuronowe 34\n3.5. Transfer learning 39\n3.6. Dobór odpowiedniej architektury sieci neuronowej 41\n3.7. Kluczowe aspekty podczas uczenia sieci neuronowych 46\n3.7.1. Metody optymalizacyjne w sieciach neuronowych 49\n3.7.2. Techniki regularyzacji w sieciach neuronowych 53\n3.8. Wskaźniki oceny jakości sieci neuronowych 54\n3.8.2. Wskaźniki oceny jakości sieci neuronowych dla problemów klasyfikacyjnych 58\n4. Optymalizacja parametrów obróbki skrawaniem 63\n4.1. Proces frezowania stopów magnezu 65\n4.2. Identyfikacja procesu na podstawie modelu doświadczalnego 67\n4.3. Metodyka prowadzonych badań eksperymentalnych 69\n4.4. Optymalizacja parametrów obróbki frezowaniem w celu uzyskania zadanych wartości chropowatości powierzchni 72\n4.4.1. Metodyka modelowania parametrów chropowatości 73\n4.4.2. Wyniki modelowania wybranych parametrów chropowatości 2D 77\n4.4.3. Optymalizacja parametrów obróbki 89\n4.5. Optymalizacja parametrów obróbki przy ograniczeniach siłowych 98\n4.5.1. Metodyka modelowania siły skrawania 99\n4.5.2. Wyniki modelowania siły skrawania 100\n4.5.3. Optymalizacja parametrów obróbki 104\n5. Ocena jakości wyrobów gotowych 115\n5.1. Wykrywanie wad w odlewanych wyrobach gotowych – problem klasyfikacyjny 117\n5.1.1. Metodyka prowadzonych badań 118\n5.1.2. Wyniki działania klasyfikatorów 130\n5.1.3. Ocena jakości wyrobów gotowych na podstawie wykrywania wad w odlewach 133\n5.1.4. Koncepcja implementacji modelu do wykrywania wad w odlewach w kontroli jakości 136\n\n5.2. Wykrywanie błędów kształtu na linii produkcyjnej – problem klasyfikacyjny 142\n5.2.1. Metodyka prowadzonych badań oraz przygotowanie danych do modelowania 143\n5.2.2. Wyniki modelowania klasyfikatora 149\n5.2.3. Implementacja aplikacji do wykrywania błędów 151\n5.3. Określenie twardości po odpuszczaniu wyrobów gotowych – problem regresyjny 159\n5.3.1. Metodyka prowadzonych badań 160\n5.3.2. Wyniki modelowania twardości po procesie odpuszczania 162\n5.3.3. Ocena jakości wyrobów gotowych na podstawie twardości po procesie odpuszczania 173\n6. Predykcja awarii maszyn 177\n6.1. Metodyka modelowania predykcji awarii 179\n6.2. Wyniki modelowania klasyfikatora dotyczącego wystąpienia awarii 182\n6.3. Wyniki modelowania klasyfikatora dotyczącego określania typu awarii 192\n6.4. Wyniki modelowania klasyfikatora dotyczącego określania typu awarii na ograniczonym zbiorze danych 199\n6.5. Predykcja awarii maszyn z wykorzystaniem odpowiedniego interfejsu 207\n7. Metodyka doboru architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych 217\n8. Zakończenie 235\n8.1. Uwagi końcowe i wnioski 236\n8.2. Kierunki dalszych badań 240\nLiteratura 243\n\nS T R E S Z C Z E N I E / A B S T R A C T\nDobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych\nCelem pracy jest zaproponowanie sposobu doboru architektury oraz parametrów procesu uczenia sztucznych sieci neuronowych, które mogą być skutecznie zastosowane w doskonaleniu procesów produkcyjnych. Praca koncentruje się na wykorzystaniu modeli neuronowych w następujących trzech obszarach: optymalizacji parametrów obróbki skrawaniem, ocenie jakości wyrobów gotowych oraz predykcji awarii maszyn. W ramach pracy poddano analizie wybrane architektury sieci neuronowych, takie jak perceptrony wielowarstwowe, rekurencyjne sieci LSTM oraz konwolucyjne sieci neuronowe. Opracowano szczegółową metodykę doboru odpowiednich architektur oraz parametrów ich uczenia, która obejmowała kompleksowy proces przygotowania danych, selekcji odpowiednich modeli oraz ich dostosowania do specyficznych wymagań poszczególnych zastosowań przemysłowych. Kluczowym aspektem tej metodyki było uwzględnienie charakterystyki dostępnych danych oraz specyfiki zadań, co pozwoliło na optymalny dobór architektury sieci neuronowej dla każdego z analizowanych obszarów.\nSłowa kluczowe: s ztuczne sieci neuronowe, architektura sieci neuronowej, proces uczenia sieci neuronowej, doskonalenie procesów produkcyjnych\nSelection of neural network architecture and training parameters for manufacturing process improvement\nThe objective of this study is to propose a methodology for selecting the architecture and training parameters of artificial neural networks that can be effectively applied to the enhancement of manufacturing processes. The research focuses on the utilization of neural network models in three key areas: optimization of machining parameters, quality assessment of finished products, and prediction of machine failures. The study examines selected neural network architectures, including multilayer perceptrons, recurrent LSTM networks, and convolutional neural networks.\nA detailed methodology was developed to determine suitable architectures and training parameters, encompassing a comprehensive process of data preparation, model selection, and adaptation to the specific requirements of individual industrial applications. A key part of this method was taking into account the types of data that were available and the specifics of the tasks. This let the best neural network architectures be chosen for each of the domains that were being studied.\nKeywords: a rtificial neural networks, neural network architecture, neural network training process, manufacturing process improvement\n\nWykaz ważniejszych skrótów i symboli\nANN – sztuczna sieć neuronowa (ang. artificial neural networks)\nAUC – krzywa AUC (ang. area under the curve)\nCNN – konwolucyjna sieć neuronowa (ang. convolutional neural network)\nBR – algorytm uczenia – regularyzacja Bayesowska\nDNN – głęboka sieć neuronowa (ang. deep neural networks)\nFFNN – sieć jednokierunkowa (ang. feedforward neural networks)\nFPR – wskaźnik fałszywie pozytywnych wyników (ang. false positive rate)\nGPU – jednostka przetwarzania grafiki (ang. graphics processing unit)\nLM – algorytm uczenia Levenberga–Marquardta\nLSTM – sieć LSTM (ang. long short-term memory)\nMAE – średni błąd bezwzględny (ang. mean absolute arror)\nMAPE – średni bezwzględny błąd procentowy (ang. mean absolute percentage error)\nMLP – perceptron wielowarstwowy (ang. multi layer perceptron)\nMSE – błąd średniokwadratowy (ang. mean squared error)\nR – współczynnik korelacji\nRIE – względny błąd informacji (ang. relative information error)\nRMSE – pierwiastek błędu średniokwadratowego (ang. root mean squared error)\nRNN – rekurencyjne sieci neuronowe (ang. recurrent neural network)\nROC – krzywa ROC (ang. receiver operating characteristic)\nSCG – algorytm uczenia – gradient skalowany sprzężony (ang. scaled conjugate gradient)\nSVM – maszyna wektorów nośnych (ang. support vector machine)\nTPR – wskaźnik prawdziwie pozytywnych wyników (ang. true positive rate)\nTPU – jednostka przetwarzania tensora (ang. tensor processing unit) a – głębokość skrawania p a – szerokość skrawania e f – posuw na ostrze\nF x – składowa siły skrawania wzdłuż osi X\nF y – składowa siły skrawania wzdłuż osi Y\nF z – składowa siły skrawania wzdłuż osi Z n – prędkość obrotowa\nRa – średnia arytmetyczna bezwzględnych rzędnych profilu chropowatości\nRz – największa wysokość profilu chropowatości\nRSm – średnia szerokość rowków elementów profilu chropowatości v – prędkość skrawania c\n\n1. Wstęp\nDoskonalenie procesów produkcyjnych stanowi jedno z najważniejszych wyzwań, przed którymi stoi współczesny przemysł. W obliczu rosnącej konkurencji na globalnym rynku oraz dynamicznie zmieniających się potrzeb konsumentów przedsiębiorstwa produkcyjne muszą nieustannie dążyć do zwiększania efektywności, redukcji kosztów oraz podnoszenia jakości oferowanych produktów. W literaturze przedmiotu podkreśla się, że doskonalenie procesów produkcyjnych polega na systematycznym usprawnianiu wszystkich aspektów produkcji: od planowania i projektowania, przez zarządzanie zasobami, aż po kontrolę jako��ci i logistykę [1].\nIstotnym elementem doskonalenia procesów produkcyjnych jest optymalizacja zarządzania zasobami, która obejmuje nie tylko zarządzanie surowcami i materiałami, ale także efektywne wykorzystanie maszyn, narzędzi oraz pracy ludzkiej. W tym kontekście wdrażanie nowoczesnych metod zarządzania produkcją, takich jak Lean Manufacturing czy Six Sigma, umożliwia znaczną redukcję marnotrawstwa oraz zwiększenie wydajności produkcji [2,3]. Dzięki tym podejściom przedsiębiorstwa mogą osiągnąć wyższą jakość produktów przy jednoczesnym obniżeniu kosztów produkcji, co jest kluczowe w kontekście utrzymania konkurencyjności na rynku globalnym [4].\nKontrola jakości stanowi kolejny istotny obszar doskonalenia procesów produkcyjnych. Współczesne podejście do zarządzania jakością zakłada integrację narzędzi informatycznych z procesami produkcyjnymi, co umożliwia\n\nbieżącą analizę i monitorowanie jakości produktów na różnych etapach produkcji. Zastosowanie zaawansowanych technik, takich jak statystyczne sterowanie procesem (SPC) oraz systemy wczesnego ostrzegania o odchyleniach od norm pozwala na szybkie reagowanie na wszelkie nieprawidłowości, co przekłada się na zmniejszenie liczby wadliwych produktów i zwiększenie satysfakcji klienta [5]. Równie ważnym aspektem doskonalenia procesów produkcyjnych jest elastyczność systemów produkcyjnych, która pozwala na szybkie dostosowanie się do zmieniających się warunków rynkowych. Elastyczność ta staje się szczególnie istotna w kontekście globalizacji i wzrostu złożoności łańcuchów dostaw, które wymagają szybkiego reagowania na zmiany w popycie, różnorodność produktów oraz skracanie cykli życia produktów [6].\nW kontekście doskonalenia procesów produkcyjnych kluczowe jest zrozumienie, że każdy element procesu może zostać zoptymalizowany, co w konsekwencji prowadzi do poprawy całego systemu [7]. Obejmuje to zarówno techniczne aspekty związane z maszynami i narzędziami, jak i organizacyjne, dotyczące zarządzania ludźmi, czasem i zasobami [8,9]. Właściwie przeprowadzona optymalizacja procesów produkcyjnych prowadzi do zwiększenia produktywności, obniżenia kosztów operacyjnych oraz poprawy jakości produktów, co jest ważne dla utrzymania konkurencyjności na rynku [10].\nW ramach doskonalenia procesów produkcyjnych wyróżnia się wiele istotnych obszarów, w tej monografii jednak uwaga zostanie skierowana na trzy z nich: optymalizację parametrów obróbki skrawaniem, ocenę jakości wyrobów oraz predykcję awarii maszyn.\nOptymalizacja parametrów obróbki jest niezbędna do zapewnienia, że proces produkcyjny przebiega w sposób jak najbardziej efektywny. Dobre zarządzanie parametrami, takimi jak prędkość skrawania, posuw, głębokość obróbki czy temperatura w strefie skrawania pozwala na osiągnięcie optymalnych wyników produkcji zarówno pod względem jakości wyrobów, jak i efektywności energetycznej. Precyzyjne dostosowanie tych parametrów prowadzi do zmniejszenia zużycia narzędzi, redukcji ilości odpadów, a także minimalizacji czasu produkcji, co przekłada się na niższe koszty i wyższą rentowność produkcji [7].\nOcena jakości wyrobów to istotny element w procesie produkcyjnym, który bezpośrednio wpływa na satysfakcję klientów i reputację marki. Współczesne standardy jakości wymagają, aby każdy produkt opuszczający linię produkcyjną spełniał określone normy i specyfikacje. Skuteczna kontrola jakości nie tylko zapobiega wprowadzeniu na rynek wadliwych produktów, ale także pozwala na szybkie zidentyfikowanie i eliminowanie problemów w procesie produkcyjnym,\n\nco zapobiega powielaniu błędów. Regularne monitorowanie i ocena jakości wyrobów są zatem niezbędne dla utrzymania wysokiego poziomu zadowolenia klientów oraz uniknięcia kosztownych reklamacji [11,12].\nZapobieganie awariom maszyn jest kluczowe dla zapewnienia ciągłości produkcji i minimalizacji kosztów związanych z przestojami. Awarie maszyn mogą prowadzić do nieplanowanych przestojów, które generują wysokie koszty oraz mogą opóźniać realizację zamówień, co negatywnie wpływa na relacje z klientami. Wprowadzenie skutecznych strategii utrzymania ruchu, które pozwalają na wczesne wykrywanie problemów i prewencyjne usuwanie usterek, jest nieodzowne dla zachowania ciągłości produkcji [13]. Przewidywanie i zapobieganie awariom pozwala na lepsze planowanie działań serwisowych, optymalne zarządzanie zasobami oraz wydłużenie żywotności maszyn, co przekłada się na zmniejszenie kosztów operacyjnych i zwiększenie efektywności produkcji [14].\nWspółczesne przedsiębiorstwa produkcyjne muszą nieustannie poszukiwać innowacyjnych rozwiązań, które pozwolą na doskonalenie procesów produkcyjnych. Zastosowanie technologii informatycznych, takich jak systemy\nERP, sztuczna inteligencja (AI) oraz internet rzeczy (IoT), umożliwia automatyzację i integrację procesów produkcyjnych, co przyczynia się do zwiększenia efektywności oraz redukcji kosztów. W kontekście dynamicznego rozwoju technologii cyfrowych istotną rolę odgrywają sztuczne sieci neuronowe (ANN), które w ostatnich latach zyskały ogromne znaczenie. Stały się jednym z narzędzi stosowanych w przemyśle wytwórczym, oferują bowiem znaczny potencjał optymalizacji procesów, zwiększania wydajności, obniżenia kosztów i poprawy jakości produktów. Integracja ANN z produkcją jest częścią szerszego trendu w kierunku cyfryzacji i przyjęcia zaawansowanych technologii, takich jak AI,\nIoT i systemy cyber-fizyczne. Te elementy wspólnie napędzają transformację w kierunku inteligentnej produkcji i Przemysłu 4.0 [15,16].\nSztuczne sieci neuronowe nie tylko odgrywają kluczową rolę w optymalizacji obecnych procesów produkcyjnych, ale także mają potencjał, aby zrewolucjonizować przyszłość przemysłu. W miarę jak technologie oparte na ANN rozwijają się, mogą stać się fundamentem nowych, inteligentnych systemów zarządzania produkcją, które autonomicznie monitorują, zarządzają i optymalizują wszystkie aspekty procesu produkcyjnego. Takie systemy, dzięki zdolności do uczenia się na podstawie dużych ilości danych oraz adaptacji do zmieniających się warunków, mogą znacznie przewyższyć efektywność i precyzję tradycyjnych metod zarządzania. W konsekwencji integracja\nANN z procesami wytwórczymi nie tylko umożliwia osiąganie lepszej jakości\n\nproduktów i większej wydajności, ale również przyczynia się do powstania w pełni zautomatyzowanych, inteligentnych fabryk przyszłości [17].\nPotencjał sztucznych sieci neuronowych w doskonaleniu procesów produkcyjnych wynika z ich zdolności do przetwarzania i analizy dużych ilości danych w czasie rzeczywistym. Dzięki możliwości uczenia się na podstawie danych historycznych oraz bieżących sieci neuronowe są w stanie identyfikować wzorce, przewidywać zachowania systemów produkcyjnych oraz podejmować decyzje optymalizacyjne, które są trudne do osiągnięcia za pomocą tradycyjnych metod [18,19]. W kontekście współczesnych technologii wytwarzania takie zdolności są niezwykle cenne, gdyż umożliwiają dynamiczne dostosowywanie parametrów procesów produkcyjnych do zmieniających się warunków i wymagań.\nANN znajdują szerokie zastosowanie w przemyśle, znacząco wpływając na różne aspekty produkcji i utrzymania ruchu. Stosowane są do monitorowania wydajności przekładni turbin wiatrowych, wspierając strategię predykcyjnego utrzymania ruchu poprzez analizę danych SCADA (systemów informatycznych nadzorujących przebieg procesów produkcyjnych) [20]. W przemyśle motoryzacyjnym ANN optymalizują predykcyjne utrzymanie generatorów Diesla, zwiększając ich niezawodność i efektywność [21]. W sektorze chłodniczym przyczyniają się do oszczędności energii oraz poprawy efektywności systemów chłodniczych [22]. W przemyśle meblarskim ANN odgrywają istotną rolę w monitorowaniu defektów i poprawie kontroli jakości, co pozwala na szybkie identyfikowanie i eliminowanie wad produkcyjnych, a tym samym zwiększenie efektywności całego procesu produkcji [23]. W branży obróbki materiałowej sieci neuronowe są wykorzystywane do przewidywania chropowatości powierzchni oraz tempa usuwania materiału podczas obróbki strumieniowo-\n-ściernej nanokompozytów, co prowadzi do optymalizacji procesów i zwiększenia precyzji wytwarzania [24]. W kontekście optymalizacji projektowania\nANN znajdują zastosowanie w poprawie wydajności wymienników ciepła oraz redukcji kosztów produkcji, co przekłada się na bardziej efektywne i ekonomiczne rozwiązania w przemyśle [25].\nWażnym aspektem stosowania sztucznych sieci neuronowych w przemyśle jest umiejętność doboru odpowiedniej architektury oraz parametrów procesu uczenia sieci, co ma kluczowe znaczenie dla uzyskania ich wysokiej jakości.\nDobór architektury sieci neuronowej musi być precyzyjnie dostosowany do specyfiki danego problemu, ponieważ różne zadania – takie jak klasyfikacja czy predykcja – wymagają odmiennych podejść. Równie istotnym czynnikiem wpływającym na wybór architektury i parametrów sieci jest wielkość zestawu\n\ndanych, na których model będzie trenowany. W przypadku dużych zestawów danych bardziej złożone architektury, takie jak głębokie sieci neuronowe, mogą okazać się bardziej efektywne. Większy zasób danych pozwala na skuteczne trenowanie modeli o dużej liczbie warstw i parametrów, co z kolei może prowadzić do lepszego uchwycenia skomplikowanych zależności i wzorców w danych. Z kolei w sytuacjach, gdy dostępne są jedynie małe zestawy danych, należy zastosować inne podejście. Zdarza się, że w takich przypadkach złożone modele prowadzą do nadmiernego dopasowania, co skutkuje słabą generalizacją na danych testowych. Dlatego w przypadku małych zbiorów danych preferowane mogą być prostsze modele.\nWielkość zestawu danych wpływa także na dobór parametrów procesu uczenia, takich jak: liczba neuronów w warstwie ukrytej, liczba epok, metod optymalizacji czy technik regularyzacji. Wszystkie te czynniki podkreślają znaczenie świadomego i precyzyjnego doboru architektury oraz parametrów procesu uczenia sieci neuronowych w zależności od charakterystyki problemu oraz dostępnych danych. Umiejętne zarządzanie tymi aspektami pozwala na tworzenie modeli, które nie tylko osiągają wysoką dokładność, ale także są zdolne do efektywnej generalizacji w rzeczywistych warunkach produkcyjnych.\n\n2. Cel i zakres pracy\nCelem pracy jest zaproponowanie sposobu doboru architektury oraz parametrów procesu uczenia sztucznych sieci neuronowych, które mogą być skutecznie zastosowane w doskonaleniu procesów produkcyjnych. Autorka pracy koncentruje się na wykorzystaniu modeli neuronowych w następujących trzech obszarach:\noptymalizacji parametrów obróbki skrawaniem, ocenie jakości wyrobów gotowych oraz predykcji awarii maszyn. W ramach pracy poddano analizie wybrane architektury sieci neuronowych, takie jak: perceptrony wielowarstwowe (MLP), rekurencyjne sieci LSTM oraz konwolucyjne sieci neuronowe (CNN).\nProblem badawczy podejmowany w niniejszej pracy dotyczy opracowania metodyki doboru odpowiednich architektur sieci neuronowych oraz parametrów ich uczenia, które najlepiej wspierają poprawę efektywności i jakości procesów produkcyjnych. Badania koncentrują się na trzech konkretnych przypadkach zastosowania: optymalizacji parametrów obróbki frezowaniem, ocenie jakości wyrobów gotowych w kontekście problemów klasyfikacyjnych oraz regresyjnych, a także predykcji awarii maszyn, w tym identyfikacji rodzaju awarii. Istotnym zagadnieniem jest ustalenie, które typy sieci neuronowych oraz jakie parametry procesu uczenia są najskuteczniejsze w odniesieniu do specyficznych wyzwań związanych z tymi obszarami produkcyjnymi.\nNowość pracy polega na oryginalnym podejściu do doboru architektur i parametrów uczenia sieci neuronowych w różnych kontekstach produkcyjnych, co pozwala na elastyczne i wszechstronne ich zastosowanie w zależności\n\nod specyfiki problemu, uwarunkowań organizacyjnych oraz dostępnych danych.\nW pracy przedstawiono konkretne przykłady zastosowania sieci neuronowych, takie jak: optymalizacja parametrów obróbki frezowaniem, ocena jakości wyrobów gotowych w problemach klasyfikacyjnych oraz regresyjnych, a także predykcja awarii maszyn. Przykłady te służyły jako tło dla opracowania metodyki doboru architektury i parametrów sieci, a nie były celem samym w sobie. Praca podkreśla, że w zależności od charakterystyki zadania – czy to klasyfikacji, predykcji czy też dostępności danych – różne architektury sieci neuronowych mogą okazać się bardziej odpowiednie, co świadczy o ich zdolności do adaptacji w zróżnicowanych warunkach produkcyjnych. Przedstawione rozwiązania mają na celu nie tylko teoretyczne rozwinięcie wiedzy, ale również dostarczają praktycznych narzędzi, które mogą zostać bezpośrednio zaimplementowane w przemyśle, co stanowi istotny wkład w rozwój nowoczesnych technologii wytwarzania i obszar inżynierii produkcji.\nZakres pracy obejmuje szczegółowe omówienie zagadnień związanych z zastosowaniem sztucznych sieci neuronowych w doskonaleniu procesów produkcyjnych. Praca została podzielona na kilka rozdziałów, z których każdy koncentruje się na odrębnym aspekcie omawianej tematyki. Wstęp wprowadza w tematykę pracy. Omówiono w nim znaczenie doskonalenia procesów produkcyjnych wobec współczesnych wyzwań przemysłowych oraz roli zaawansowanych technologii, takich jak sztuczne sieci neuronowe, w optymalizacji i transformacji produkcji. Przedstawiono również cel i zakres pracy.\nRozdział trzeci poświęcony jest szczegółowemu omówieniu teorii sztucznych sieci neuronowych. Rozpoczyna się od historycznego zarysu rozwoju tej technologii, a następnie przedstawia różne typy architektur sieci neuronowych, w tym MLP, rekurencyjne sieci LSTM oraz CNN. W rozdziale omówiono również koncepcję transfer learning, czyli wykorzystania wcześniej wytrenowanych modeli w nowych zadaniach, co znacząco zwiększa efektywność i skraca czas trenowania modeli. Rozdział obejmuje także analizę kluczowych kwestii związanych z doborem odpowiedniej architektury sieci neuronowej, a także szczegółowe omówienie aspektów dotyczących procesu uczenia, takich jak wybór funkcji aktywacji, zastosowanie algorytmów optymalizacji oraz metod oceny jakości opracowanych modeli.\nW czwartym rozdziale podjęto zagadnienie optymalizacji parametrów obróbki skrawaniem z wykorzystaniem sztucznych sieci neuronowych. Omówiono proces frezowania stopów magnezu, metodykę badań eksperymentalnych procesu frezowania oraz wyniki modelowania parametrów chropowatości powierzchni.\nRozdział zawiera również szczegółową analizę optymalizacji parametrów obróbki\n\npod kątem uzyskania odpowiedniej chropowatości powierzchni. Dodatkowo zaprezentowano wyniki modelowania składowej F siły skrawania oraz optymalizację x parametrów obróbki z uwzględnieniem ograniczeń siłowych wpływających na jakość procesu obróbki.\nPiąty rozdział koncentruje się na ocenie jakości wyrobów gotowych z wykorzystaniem zaawansowanych metod sztucznych sieci neuronowych, obejmując szczegółową analizę zarówno problemów klasyfikacyjnych, jak i regresyjnych.\nRozdział ten w szczególności dogłębnie analizuje problematykę klasyfikacji wyrobów, zwracając szczególną uwagę na wykrywanie wad w odlewach, co stanowi istotny element w zapewnieniu wysokiej jakości produktów. Zaprezentowano metodę wykrywania wad z zastosowaniem CNN. Ponadto w rozdziale przedstawiono analizę problemów związanych z klasyfikacją błędów kształtu na liniach produkcyjnych, co jest istotne dla utrzymania dokładności i powtarzalności wytwarzanych elementów. W rozdziale zawarto również omówienie zastosowania sieci neuronowych w problemach regresyjnych, z naciskiem na przewidywanie twardości wyrobów po procesie odpuszczania. Przedstawiono metodykę tworzenia modeli regresyjnych oraz ich zastosowanie w precyzyjnym przewidywaniu właściwości mechanicznych wyrobów. Dodatkowo rozdział prezentuje koncepcję implementacji modeli opartych na sieciach neuronowych do wykrywania wad w ramach systemów kontroli jakości.\nRozdział szósty pracy poświęcony jest predykcji awarii maszyn przy wykorzystaniu zaawansowanych technik sztucznych sieci neuronowych. Rozdział rozpoczyna się od omówienia metodyki modelowania predykcji awarii, następnie zaprezentowano różne architektury sieci neuronowych, w tym MLP oraz rekurencyjne sieci neuronowe LSTM. Rozdział ten zawiera również omówienie praktycznych aspektów implementacji aplikacji do predykcji awarii maszyn poprzez zaprojektowanie odpowiedniego interfejsu użytkownika.\nW rozdziale siódmym skoncentrowano się na opracowaniu szczegółowej metodyki, która pozwala na skuteczny dobór zarówno architektury sieci neuronowych, jak i parametrów procesu ich uczenia. Metodyka ta jest zaprojektowana z myślą o zastosowaniu w różnych procesach produkcyjnych w celu ich doskonalenia, z uwzględnieniem specyfiki analizowanych problemów czy dostępnych danych.\nW zakończeniu zawarto podsumowanie wyników przeprowadzonych badań oraz wnioski z analizy zastosowania sztucznych sieci neuronowych w procesach produkcyjnych. Przedstawiono również propozycje dalszych kierunków badań, które mogą przyczynić się do efektywniejszego wykorzystania sztucznych sieci neuronowych w przemyśle.\n\n3. Sztuczne sieci neuronowe\nSztuczne sieci neuronowe (ang. artificial neural networks, ANN) stanowią fundament współczesnych technologii związanych z uczeniem maszynowym i sztuczną inteligencją. Ich inspiracja sięga biologicznych układów nerwowych, w szczególności ludzkiego mózgu, co nadaje im unikalne właściwości pozwalające na przetwarzanie informacji w sposób zbliżony do działania ludzkiego umysłu. Aby zrozumieć pełnię ich możliwości i zastosowań, warto przyjrzeć się historii ich rozwoju oraz podstawowym zasadom funkcjonowania.\nPoczątki idei sztucznych sieci neuronowych sięgają lat 40. XX wieku, kiedy to Warren McCulloch i Walter Pitts opublikowali przełomowy artykuł na temat logicznego rachunku idei immanentnych w układach nerwowych. Ich model, znany jako neuron McCullougha–Pittsa, był pierwszym matematycznym modelem neuronu, który pozwalał na realizację funkcji logicznych [26].\nTo otworzyło drogę do dalszych badań nad sztucznymi systemami przypominającymi biologiczne mózgi. Również w tym okresie, w 1949 roku, Donald\nHebb wprowadził ważną koncepcję w dziedzinie neuropsychologii, która miała ogromny wpływ na rozwój sztucznych sieci neuronowych. Przedstawił zasadę, która jest obecnie znana jako reguła Hebba. Stwierdza ona, że „neurony, które wspólnie działają, łączą się”. Innymi słowy, jeśli dwa neurony są aktywowane jednocześnie, połączenie między nimi jest wzmacniane. Ta zasada Hebba stała się podstawą dla stworzenia teorii uczenia się w sieciach neuronowych, która sugeruje, że synaptyczne połączenia między neuronami mogą się wzmacniać\n\npoprzez powtarzane współdziałanie [27]. Integracja modelu McCullougha–\nPittsa i reguły Hebba stanowiła fundament, na którym zbudowano wczesne modele sztucznych sieci neuronowych.\nW latach 50. i 60. XX wieku nastąpił dalszy rozwój tej dziedziny, zwłaszcza dzięki pracom Franka Rosenblatta, który stworzył perceptron – podstawowy model sieci neuronowej zdolny do uczenia się na podstawie dostarczonych danych [28]. Perceptron był w stanie klasyfikować dane liniowo separowalne, co jednak stanowiło jego ograniczenie. W tym okresie także Bernard Widrow i Marcian Hoff opracowali model ADALINE (ang. adaptive linear neuron), który wykorzystywał algorytm delta do dostosowywania wag w sieci neuronowej [29]. Był to kolejny krok w kierunku bardziej zaawansowanych modeli sieci neuronowych.\nPrawdziwy przełom nastąpił w latach 80. XX wieku wraz z wprowadzeniem algorytmu propagacji wstecznej przez Geoffreya Hintona, Davida Rumelharta i Ronalda Williamsa. Algorytm ten umożliwił trenowanie wielowarstwowych sieci neuronowych, co z kolei pozwoliło na rozwiązywanie znacznie bardziej złożonych problemów [30]. Dzięki temu sztuczne sieci neuronowe zyskały na popularności i stały się jednym z głównych narzędzi w obszarze uczenia maszynowego.\nW latach 90. rozwój sieci neuronowych był częściowo ograniczony przez problemy związane z mocą obliczeniową komputerów oraz z trudnościami w trenowaniu głębszych sieci. Niemniej jednak prace nad nowymi architekturami i technikami trenowania były kontynuowane. W 1998 roku Yann LeCun i jego współpracownicy zaprezentowali CNN, które zrewolucjonizowały analizę obrazów [31].\nNa początku XXI wieku nastąpił kolejny znaczący przełom, głównie dzięki rozwojowi mocy obliczeniowej oraz dostępności dużych zbiorów danych. W 2006 roku Geoffrey Hinton i jego zespół stworzyli głębokie sieci neuronowe, które stały się fundamentem nowoczesnych technologii AI [32]. Ich prace były kontynuowane przez wielu innych badaczy, co przyczyniło się do dynamicznego rozwoju tej dziedziny.\nW 2012 roku Alex Krizhevsky, Ilya Sutskever i Geoffrey Hinton przedstawili sieć AlexNet, która wygrała konkurs ImageNet Large Scale Visual Recognition\nChallenge (ILSVRC) z dużą przewagą, pokazując skuteczność głębokich sieci neuronowych w rozpoznawaniu obrazów [33]. To wydarzenie zapoczątkowało nową erę w badaniach nad sieciami neuronowymi. Kolejnym ważnym osiągnięciem była praca nad rekurencyjnymi sieciami neuronowymi (RNN) i ich ulepszonymi wersjami, takimi jak long short-term memory (LSTM) oraz gated recurrent\n\nunits (GRU). Okazały się bardzo skuteczne w przetwarzaniu sekwencji danych, co znalazło zastosowanie w analizie tekstu i mowy [34,35].\nSztuczne sieci neuronowe znajdują szerokie zastosowanie w różnych dziedzinach. W medycynie na przykład są wykorzystywane do diagnozowania chorób na podstawie obrazów medycznych, takich jak zdjęcia rentgenowskie czy skany MRI, zwiększając obiektywność i dokładność diagnoz oraz umożliwiając spersonalizowane plany leczenia [36–38]. W finansach sieci neuronowe są stosowane do przewidywania trendów rynkowych i oceny ryzyka kredytowego [39]. Technologia ta ponadto jest używana w rozpoznawaniu mowy i przetwarzaniu języka naturalnego, co umożliwia tworzenie zaawansowanych asystentów głosowych, takich jak Siri czy Alexa [40,41]. Dodatkowo połączenie rozpoznawania głosu z innymi funkcjami AI, takimi jak wykrywanie i rozpoznawanie twarzy, może prowadzić do stworzenia bardziej spersonalizowanych i intuicyjnych asystentów AI. Systemy te są w stanie wykonywać zadania, takie jak ustawianie przypomnień, wysyłanie wiadomości e-mail i odtwarzanie muzyki, poprawiając w ten sposób interakcję człowiek-komputer i zmniejszając wysiłek człowieka w różnych sektorach [42]. Zastosowanie zaawansowanych modeli językowych, takich jak GPT-3, dodatkowo poprawia inteligencję i szybkość reakcji tych wirtualnych asystentów, umożliwiając im funkcjonowanie jako wydajne interfejsy czatu, które mogą rozumieć i wykonywać polecenia mówione [43].\nW produkcji sztuczne sieci neuronowe mogą odgrywać kluczową rolę w monitorowaniu procesów produkcyjnych oraz optymalizacji linii produkcyjnych. Dzięki analizie danych z czujników oraz innych źródeł sieci neuronowe mogą identyfikować anomalie i przewidywać awarie, co pozwala na przeprowadzenie prewencyjnych działań konserwacyjnych. Na przykład sieci neuronowe mogą być wykorzystywane do monitorowania stanu maszyn i wykrywania odchyleń od normy, co pozwala na wczesne rozpoznawanie potencjalnych problemów [44]. Potrafią one między innymi identyfikować wzorce, przewidywać przyszłe zdarzenia, segmentować dane oraz obrazy, klasyfikować elementy w zbiorach, wspierać procesy decyzyjne, a także tworzyć reprezentacje danych [45–47]. W monitorowaniu produkcji sieci neuronowe mogą analizować dane w czasie rzeczywistym, wykrywać nieprawidłowości i przewidywać przyszłe zdarzenia, co umożliwia bardziej efektywne zarządzanie procesami produkcyjnymi [48,49].\nW sektorze energetycznym sieci neuronowe są wykorzystywane do prognozowania zużycia energii oraz optymalizacji jej dystrybucji. Na przykład sieci neuronowe mogą analizować dane historyczne dotyczące zużycia energii\n\noraz przewidywać przyszłe potrzeby, co pozwala na bardziej efektywne zarządzanie zasobami energetycznymi [50,51]. W rolnictwie ANN są stosowane do monitorowania rozwoju roślin oraz prognozowania plonów. Dzięki analizie danych z sensorów oraz zdjęć satelitarnych sieci neuronowe mogą identyfikować choroby roślin oraz przewidywać ich rozwój, co sprzyja szybkim i skutecznym działaniom prewencyjnym [52].\nW logistyce sieci neuronowe mogą optymalizować trasy transportowe oraz zarządzanie łańcuchem dostaw. Analiza danych dotyczących ruchu drogowego, warunków pogodowych oraz innych czynników pozwala na optymalizację tras i minimalizację czasu dostaw, co przekłada się na redukcję kosztów oraz zwiększenie efektywności operacyjnej [53–55].\n3.1. Sieci neuronowe – inspiracja ludzkim mózgiem\nSztuczne sieci neuronowe czerpią inspirację z ludzkiego mózgu, który jest niezwykle złożonym i efektywnym systemem przetwarzania informacji. Mózg ludzki składa się z miliardów neuronów, które są połączone ze sobą za pomocą synaps. Neurony komunikują się poprzez przekazywanie impulsów elektrycznych i chemicznych, co pozwala na przetwarzanie ogromnych ilości informacji w czasie rzeczywistym. Poniżej przedstawiono, jak te biologiczne inspiracje przekładają się na modele sieci neuronowych, które są wykorzystywane w uczeniu maszynowym i sztucznej inteligencji (ryc. 3.1).\nRyc. 3.1. Model ludzkiego neuronu\nOpracowanie własne na podstawie pixabay.com (licencja CC0)\nNeuron, podstawowa jednostka przetwarzania w mózgu, składa się z ciała komórki, dendrytów odbierających sygnały oraz aksonu przekazującego sygnały\n\ndalej. Impulsy elektryczne, zwane potencjałami czynnościowymi, przemieszczają się wzdłuż aksonu do synaps, gdzie są przekazywane do kolejnych neuronów [56]. Ten proces komunikacji jest kluczowy dla funkcjonowania układu nerwowego, umożliwiając mózgowi wykonywanie skomplikowanych operacji poznawczych i motorycznych.\nW modelach sztucznych sieci neuronowych neurony są reprezentowane przez proste jednostki obliczeniowe, które otrzymują sygnały wejściowe, przetwarzają je i generują sygnały wyjściowe. Podstawowy model matematyczny neuronu sztucznego został zaproponowany przez McCullocha i Pittsa [26].\nWykonuje on operację ważonej sumy swoich wejść, do której dodaje wartość progową, a następnie stosuje funkcję aktywacji, aby wygenerować wyjście.\nMatematyczny model neuronu można opisać następująco (ryc. 3.2):\n1. Sygnały wejściowe (x): Każdy neuron otrzymuje sygnały wejściowe x , x , ... , x od innych neuronów lub bezpośrednio z otoczenia.\n1 2 n\n2. Wagi (w): Każdemu sygnałowi wejściowemu przypisana jest waga w , w , ..., w , która określa siłę wpływu danego sygnału na neuron.\n1 2 n\n3. Sumowanie (Σ): Neuron sumuje swoje ważone wejścia. Sumowanie to można wyrazić wzorem:\n(3.1) gdzie z jest sumą ważoną, a b jest wartością progową, pewną stałą (bias).\nBias b nie musi być indeksowany tak jak wagi w , ponieważ stanowi dodatkową stałą wartość, która przesuwa całą funkcję aktywacji w przestrzeni.\nW klasycznym modelu neuronu, który przedstawiono na ryc. 3.2, bias jest jednolity dla danego neuronu, niezależnie od liczby jego wejść. Bias pełni funkcję przesunięcia progu aktywacji, umożliwiając neuronowi lepsze dopasowanie się do danych wejściowych poprzez przesunięcie funkcji aktywacji w poziomie, co jest niezależne od wartości sygnałów wejściowych.\n4. Funkcja aktywacji (φ): Suma ważona z jest następnie przetwarzana przez funkcję aktywacji φ(z), która wprowadza nieliniowość do modelu. Popularne funkcje aktywacji to m.in. funkcja sigmoidalna, ReLU (ang. rectified linear unit) i funkcja tangens hiperboliczny (tanh).\n5. Wyjście (y): Wynik funkcji aktywacji jest sygnałem wyjściowym neuronu:\ny = φ(z).\n\nRyc. 3.2. Model sztucznego neuronu\nFunkcje aktywacji wprowadzają nieliniowość do modelu, co pozwala sieciom neuronowym na rozwiązywanie skomplikowanych problemów.\nNieliniowość jest ważna, ponieważ bez niej, niezależnie od liczby warstw, model sieci neuronowej byłby równoważny jednej warstwie liniowej. Oto kilka najczęściej używanych funkcji aktywacji:\n1. Funkcja sigmoidalna\n(3.2)\nFunkcja sigmoidalna jest jedną z najstarszych i najbardziej popularnych funkcji aktywacji, szczególnie we wczesnych modelach sieci neuronowych.\nPrzekształca dowolne wejście w wartość w przedziale (0 ÷ 1). Jest często używana w sieciach neuronowych do klasyfikacji binarnej [57]. Jednak ma tendencję do problemu zanikania gradientu, co utrudnia trenowanie głębokich sieci [58].\n2. Funkcja ReLU\n(3.3)\nFunkcja ReLU (ang. rectified linear unit) jest jedną z najczęściej używanych funkcji aktywacji w nowoczesnych sieciach neuronowych, szczególnie w głębokich sieciach konwolucyjnych. Stosuje się ją głównie w warstwach\n\nukrytych nowoczesnych sieci neuronowych ze względu na prostotę i efektywność obliczeniową, co prowadzi do szybszej konwergencji podczas trenowania [59]. Jednak ReLU może prowadzić do problemu „umierających” neuronów, gdzie neurony mogą przestać się aktywować (dawać wyjście zero) na zawsze.\n3. Funkcja tangens hiperboliczny (tanh)\n(3.4)\nFunkcja tangens hiperboliczny jest podobna do funkcji sigmoidalnej, ale przekształca wartości wejściowe w przedziale (-1, 1). Funkcja tanh jest często używana w sieciach neuronowych, gdzie wartości wyjściowe mogą być zarówno dodatnie, jak i ujemne. Jest centralnie symetryczna wokół zera, co może prowadzić do szybszej konwergencji niż funkcja sigmoidalna [58].\n4. Funkcja softmax\n(3.5)\nFunkcję softmax często używa się w warstwach wyjściowych sieci neuronowych do klasyfikacji wieloklasowej. Funkcja softmax przekształca wartości wejściowe w przedziale (0, 1) dla każdej klasy, a suma wszystkich wyjść wynosi\n1. Jest używana w klasyfikacji wieloklasowej, ponieważ zapewnia prawdopodobieństwa przypisania do poszczególnych klas [58].\n5. Funkcja Leaky ReLU ś\n(3.6) ś gdzie α jest małą stałą (np. 0,01).\nFunkcja Leaky ReLU jest wariantem funkcji ReLU, który stara się rozwiązać problem „umierających” neuronów ReLU. Leaky ReLU przekształca wartości wejściowe w przedział (– . Jest szeroko stosowana w nowoczesnych sieciach neuronowych, ponie∞w,a ∞ż p)rzez małą dodatnią wartość dla z 0, neurony mają mniejszą tendencję do „umierania” [60]. [UNREADABLE_GLYPH]\n\nKażda z tych funkcji ma unikalne właściwości, które wpływają na efektywność uczenia i działanie sieci, umożliwiając im przetwarzanie danych w sposób analogiczny do biologicznych procesów neuronalnych. Wprowadzenie tych funkcji jest kluczowe dla głębokiego uczenia, umożliwiając modelom neuronowym adaptację i generalizację w różnych zastosowaniach sztucznej inteligencji. Generalizacja oznacza zdolność modelu do skutecznego przewidywania wyników na nowych, niewidzianych wcześniej danych testowych. Jest to kluczowa właściwość modelu, która zależy od odpowiedniego doboru danych uczących, architektury modelu i technik regularyzacji.\n3.2. Perceptron wielowarstwowy\nW dziedzinie sieci neuronowych istnieje wiele różnych typów i architektur, z których każda ma swoje unikalne cechy i zastosowania. Jednym z najbardziej znanych i szeroko stosowanych typów jest perceptron wielowarstwowy (z ang. multi layer perceptron, MLP). Koncepcja ta została zapoczątkowana przez badaczy, takich jak Rumelhart i McClelland w 1986 roku i od tego czasu stanowi podstawę wielu systemów uczenia maszynowego i sztucznej inteligencji [30]. Opis tej architektury można znaleźć w licznych podręcznikach dotyczących sieci neuronowych, takich jak prace Tadeusiewicza (1993) [61] czy Bishopa (1995) [57].\nPerceptron wielowarstwowy składa się z trzech głównych typów warstw:\nwarstwy wejściowej, jednej lub więcej warstw ukrytych oraz warstwy wyjściowej. Każda z tych warstw odgrywa kluczową rolę w przetwarzaniu informacji i generowaniu wyników.\nWarstwa wejściowa składa się z neuronów, które otrzymują dane wejściowe.\nLiczba neuronów w tej warstwie jest równa liczbie cech w danych wejściowych.\nWarstwy ukryte znajdują się pomiędzy warstwą wejściową a wyjściową. Każdy neuron w warstwie ukrytej otrzymuje sygnały od neuronów z poprzedniej warstwy, przetwarza je i przesyła dalej. Neurony te obliczają ważoną sumę swoich wejść, do której dodawana jest wartość progowa (ang. bias). Wynik tej sumy jest następnie przetwarzany przez funkcję aktywacji, która wprowadza nieliniowość do modelu. Liczba neuronów i warstw ukrytych jest hiperparametrem, który można dostosowywać w zależności od złożoności problemu. Warstwa wyjściowa składa się z neuronów, które generują finalne wyniki sieci. Liczba neuronów w tej warstwie zależy od charakteru problemu – w przypadku klasyfikacji binarnej będzie to jeden neuron, zaś w klasyfikacji wieloklasowej liczba neuronów odpowiada liczbie klas [62].\n\nPerceptron wielowarstwowy jest to rodzaj sieci jednokierunkowych, w których sygnały przetwarzane są tylko w jednym kierunku – od warstwy wejściowej, przez warstwy ukryte, aż do warstwy wyjściowej. W tych sieciach brak sprzężenia zwrotnego oznacza, że sygnały nie wracają do poprzednich warstw.\nKażdy neuron w sieci jednokierunkowej przetwarza swoje wejścia za pomocą funkcji aktywacji, co pozwala na modelowanie nieliniowych zależności. Proces uczenia najczęściej opiera się na algorytmie propagacji wstecznej, który minimalizuje błąd pomiędzy przewidywaniami sieci a rzeczywistymi wynikami.\nProces uczenia perceptronu wielowarstwowego przedstawia się następująco:\n1. Inicjalizacja wag\nProces uczenia rozpoczyna się od losowej inicjalizacji wag połączeń między neuronami. Ta losowa inicjalizacja jest niezbędna, aby zapewnić różnorodność początkowych ścieżek propagacji sygnałów i uniknąć symetrii w sieci, która mogłaby utrudnić proces uczenia.\n2. Propagacja w przód\nDane wejściowe są przesyłane przez sieć neuronową, warstwa po warstwie. Każdy neuron oblicza swoją ważoną sumę wejść, dodaje wartość biasu, stosuje odpowiednią funkcję aktywacji, a następnie przekazuje wynik do neuronów w następnej warstwie. Proces ten powtarza się aż do uzyskania wyjścia w ostatniej warstwie.\n3. Obliczanie błędu\nW warstwie wyjściowej wyniki sieci są porównywane z rzeczywistymi wartościami docelowymi za pomocą funkcji kosztu (ang. loss function, funkcja strat), takich jak m.in. funkcja błędu średniokwadratowego czy entropii krzyżowej. Funkcja kosztu mierzy różnicę między przewidywaniami sieci a rzeczywistymi wartościami, co stanowi podstawę do dalszych modyfikacji wag.\n4. Propagacja wsteczna\nNa podstawie obliczonego błędu gradienty funkcji kosztu względem wag są obliczane z wykorzystaniem reguły łańcuchowej. Gradienty te wskazują, jak bardzo każda waga wpływa na całkowity błąd. Proces ten umożliwia sieci stopniowe dostosowywanie swoich wag, aby minimalizować błąd.\n5. Aktualizacja wag\nWagi są aktualizowane zgodnie z obliczonymi gradientami. Najczęściej stosowane algorytmy optymalizacji to stochastic gradient descent (SGD) oraz Adam. Aktualizacje te przesuwają wagi w kierunku zmniejszenia funkcji kosztu, co prowadzi do stopniowego ulepszania działania sieci.\nAktualizacja wag odbywa się zgodnie z regułą:\n\nwaga = waga – współczynnik uczenia × gradient (3.7)\nPerceptron wielowarstwowy jest fundamentalną architekturą w obszarze sieci neuronowych, umożliwiającą rozwiązywanie skomplikowanych problemów dzięki swojej zdolności do modelowania nieliniowych zależności.\nWprowadzenie warstw ukrytych i odpowiednich funkcji aktywacji pozwala na efektywne przetwarzanie i analizowanie danych w różnych zastosowaniach.\nDzięki swojej zdolności do modelowania nieliniowych zależności między danymi sieci MLP znalazły szerokie zastosowanie w wielu różnorodnych dziedzinach, które wymagają przetwarzania danych o złożonej strukturze. Jednym z istotnych obszarów zastosowań MLP jest analiza danych tabelarycznych oraz zadania klasyfikacji i regresji. W tych kontekstach MLP pozwala na modelowanie skomplikowanych relacji między cechami wejściowymi a wynikami, co czyni je niezwykle użytecznym narzędziem w biotechnologii, gdzie są wykorzystywane do klasyfikacji wzorców oraz regresji funkcji, czerpiąc inspirację z biologicznych sieci neuronowych. Takie zastosowania podkreślają fundamentalną rolę MLP w rozwoju sztucznej inteligencji oraz ich zdolność adaptacji do różnych dziedzin, takich jak inżynieria, finanse czy medycyna [63]. Kolejnym istotnym obszarem, w którym sieci MLP są szeroko stosowane, jest przetwarzanie danych ciągłych, szczególnie w zadaniach, takich jak prognozowanie finansowe oraz analiza szeregów czasowych. Zdolność MLP do aproksymacji nieliniowych funkcji umożliwia efektywne modelowanie zależności między zmiennymi w danych czasowych, co pozwala na skuteczne przewidywanie przyszłych wartości na podstawie historycznych obserwacji. Przykładem tego zastosowania jest prognozowanie cen akcji, gdzie wykorzystanie MLP przyniosło znaczące korzyści w zakresie dokładności przewidywań w porównaniu z tradycyjnymi metodami [64].\nW obszarze planowania produkcji MLP okazały się również niezwykle skuteczne. Wykorzystując dane historyczne dotyczące produkcji i sprzedaży, sieci MLP są zdolne do prognozowania przyszłego zapotrzebowania na surowce, co sprzyja bardziej efektywnemu planowaniu produkcji oraz optymalizacji zasobów magazynowych [65]. Zastosowanie MLP w prognozowaniu wskaźnika produkcji maszyn tnących w kamieniołomach pozwoliło na znaczne zwiększenie dokładności tych przewidywań, co z kolei umożliwiło optymalizację procesów cięcia kamienia. Efektem było bardziej precyzyjne planowanie i zwiększenie wydajności pracy maszyn, co bezpośrednio przełożyło się na poprawę efektywności całego procesu produkcyjnego [66]. MLP zostały ponadto zastosowane do przewidywania czasu cyklu na liniach produkcyjnych, co umożliwiło lepsze zarządzanie czasem i zasobami. Dokładne\n\nprognozy czasu cyklu są ważne dla utrzymania płynności produkcji oraz minimalizacji przestojów, co z kolei przekłada się na wyższe zyski oraz lepszą kontrolę nad procesami produkcyjnymi [67]. W odniesieniu do nowoczesnych rozwiązań produkcyjnych, związanych z Przemysłem 4.0, sieci MLP odegrały istotną rolę w opracowaniu hybrydowego systemu wspomagania decyzji, który integruje MLP z systemami eksperckimi w kontroli procesu produkcji gipsu.\nZastosowanie tego systemu przyczyniło się do precyzyjnej identyfikacji krytycznych punktów kontrolnych (CCP) w procesie produkcji, co jest niezbędne dla utrzymania wysokiej jakości produktów oraz zmniejszenia liczby defektów, szczególnie w zautomatyzowanych środowiskach produkcyjnych [68].\nPerceptrony wielowarstwowe mogą znaleźć szerokie zastosowanie w inżynierii produkcji dzięki swojej zdolności do modelowania złożonych i nieliniowych zależności w danych. Mogą być wykorzystywane do optymalizacji procesów produkcyjnych, gdzie analizują sygnały z czujników i dane operacyjne, aby minimalizować przestoje i zwiększać ich efektywność. Dodatkowo MLP mogą być stosowane do prognozowania popytu na produkty na podstawie analizy danych historycznych, co jest kluczowe dla efektywnego planowania produkcji i zarządzania zapasami. W obszarze zarządzania utrzymaniem ruchu sieci neuronowe mogą przewidywać awarie maszyn, umożliwiając proaktywne działania konserwacyjne i minimalizując koszty napraw. Dzięki swojej wszechstronności i zdolności do przetwarzania złożonych danych MLP stają się nieocenionym narzędziem w nowoczesnych systemach produkcyjnych.\n3.3. Rekurencyjne sieci neuronowe LSTM\nSieci long short-term memory (LSTM) stanowią jeden z najbardziej zaawansowanych i wszechstronnych typów rekurencyjnych sieci neuronowych, zaprojektowanych w celu rozwiązania problemów związanych z długoterminowymi zależnościami w danych sekwencyjnych. Tradycyjne rekurencyjne sieci neuronowe (RNN) napotykają na istotne trudności podczas próby uczenia się informacji z dłuższych sekwencji danych, co jest spowodowane zjawiskiem znanym jako problem zanikającego gradientu [35,69]. W miarę propagacji błędu wstecz przez czas w procesie uczenia gradienty mogą się zmniejszać do niemal zerowych wartości lub, w innych przypadkach, eksplodować, co znacząco utrudnia proces optymalizacji modelu. To zjawisko prowadzi do sytuacji, w której sieci RNN mają trudności z utrzymaniem i wykorzystywaniem informacji, które pojawiły się w dalszej przeszłości sekwencji.\n\nW odpowiedzi na te wyzwania Sepp Hochreiter i Jürgen Schmidhuber zaproponowali w 1997 roku architekturę LSTM, która została zaprojektowana w celu przezwyciężenia tych ograniczeń. Istotnym elementem LSTM jest jego zdolność do przechowywania informacji przez dłuższy czas bez degradacji sygnału, co czyni go idealnym narzędziem do analizy danych sekwencyjnych, takich jak teksty, serie czasowe czy sygnały. Architektura LSTM składa się z jednostek pamięci (ang. memory cells), które są odpowiedzialne za przechowywanie informacji, oraz trzech rodzajów bramek: zapominania (ang. forget gate), wejściowej (ang. input gate) i wyjściowej (ang. output gate) [35,49].\nKażda z tych bramek jest siecią neuronową, która uczy się, jak manipulować przepływem informacji, aby optymalnie przechowywać i wykorzystywać dane sekwencyjne [70]. Bramki w sieciach LSTM [49,71,72]:\n1. Bramka zapominania: Bramka decyduje, które informacje z poprzedniego stanu komórki powinny zostać zapomniane. Działa poprzez przyjęcie bieżącego stanu wejściowego oraz poprzedniego stanu ukrytego i przetworzenie ich przez funkcję sigmoidalną, która zwraca wartości między 0 a 1.\nTe wartości określają, które informacje są zachowywane (wartość bliska 1), a które zapominane (wartość bliska 0).\n2. Bramka wejściowa: Decyduje, które nowe informacje zostaną dodane do stanu komórki, steruje poziomem aktualizacji stanu komórki. Proces ten obejmuje dwa kroki. Pierwszy to zastosowanie funkcji sigmoidalnej do bieżącego wejścia i poprzedniego stanu ukrytego, co decyduje, które wartości będą aktualizowane. Drugi krok to stworzenie wektora nowych wartości kandydujących przez funkcję tanh, które są następnie dodawane do stanu komórki.\n3. Bramka wyjściowa: Określa, które informacje z aktualnego stanu komórki zostaną użyte do obliczenia wyjścia. Stan komórki jest przekształcany przez funkcję tanh i mnożony przez wynik bramki wyjściowej, co daje końcowe wyjście tej komórki LSTM.\nArchitektura warstwy LSTM przedstawiona została na ryc. 3.3. Diagram ten ilustruje przepływ danych przez warstwę LSTM z wejściem x i wyjściem y, przy T krokach czasowych. W diagramie h oznacza wyjście (znane również\nT jako stan ukryty), a c oznacza stan komórki w kroku czasowym t. Jeśli war-\nT stwa LSTM generuje pełną sekwencję wyjść, to wynikiem są wartości y , ..., y ,\n1 T które odpowiadają h , ..., h . Natomiast jeśli warstwa LSTM zwraca wyłącznie\n1 T wynik z ostatniego kroku czasowego, to wynikiem jest y , które odpowiada h .\nT T\nLiczba kanałów w wyjściu odpowiada liczbie jednostek ukrytych w warstwie\nLSTM [73].\n\nRyc. 3.3. Architektura warstwy LSTM [73]\nPierwsza operacja w sieci LSTM wykorzystuje początkowy stan RNN oraz pierwszy krok czasowy sekwencji, aby obliczyć pierwsze wyjście oraz zaktualizowany stan komórki. W kroku czasowym t operacja wykorzystuje bieżący stan\nRNN (c , h ) oraz kolejny krok czasowy sekwencji, aby obliczyć aktualne t−1 t−1 wyjście oraz zaktualizowany stan komórki c. Stan warstwy LSTM składa się t z ukrytego stanu (znanego również jako stan wyjściowy) oraz stanu komórki.\nUkryty stan w kroku czasowym t zawiera wyjście warstwy LSTM dla tego kroku czasowego. Stan komórki przechowuje informacje wyuczone z poprzednich kroków czasowych. W każdym kroku czasowym warstwa dodaje lub usuwa informacje ze stanu komórki. Te aktualizacje są kontrolowane przez odpowiednie bramki [73].\nDzięki swojej zdolności do utrzymywania długoterminowych zależności sieci LSTM znalazły szerokie zastosowanie w wielu różnorodnych dziedzinach, które wymagają analizy danych sekwencyjnych. Jednym z obszarów, w którym\nLSTM stosuje się na szeroką skalę, jest przetwarzanie języka naturalnego (NLP).\nW tej dziedzinie LSTM umożliwia modelowanie złożonych zależności między słowami i frazami w tekstach, co jest istotne dla zadań, takich jak tłumaczenie maszynowe, generowanie tekstu czy analiza sentymentu. Przykładem może być praca zespołu Sutskevera (2014), w której wykorzystano LSTM do tłumaczenia sekwencji tekstu z jednego języka na inny, co przyniosło znaczące ulepszenia w jakości tłumaczeń w porównaniu z wcześniejszymi metodami[74].\nRozpoznawanie mowy to kolejna dziedzina, w której LSTM znalazły szerokie zastosowanie. Dzięki zdolności do uchwycenia sekwencyjnej natury mowy\nLSTM są wykorzystywane w systemach takich jak Siri, Google Assistant czy\nCortana, gdzie modele te uczą się rozpoznawać wzorce w danych mowy i przekształcać je na tekst. Graves i współpracownicy (2013) pokazali, jak LSTM może być zastosowane do rozpoznawania mowy z wysoką dokładnością, dzięki zdolności do uwzględnienia długoterminowych zależności w sygnałach mowy [75].\nW dziedzinie prognozowania popytu LSTM są używane do przewidywania\n\nzapotrzebowania na produkty czy usługi na podstawie danych historycznych, co jest istotne dla optymalizacji łańcuchów dostaw i zarządzania zasobami.\nModele LSTM pozwalają na uwzględnienie sezonowych wzorców i trendów, co prowadzi do dokładniejszych prognoz.\nLSTM znalazły również szerokie zastosowanie w procesach wytwarzania i produkcji, znacznie poprawiając konserwację predykcyjną, wykrywanie anomalii, monitorowanie procesów i harmonogramowanie produkcji.\nW konserwacji predykcyjnej sieci LSTM są wykorzystywane do przewidywania i diagnozowania awarii komponentów maszyny poprzez analizę danych czujników, zmniejszając w ten sposób czas przestojów maszyny, obniżając koszty i wydłużając cykle jej życia. Na przykład hybrydowy model CNN-LSTM osiągnął wysoką dokładność w przewidywaniu awarii jednostek produkcyjnych powietrza (APU) [76]. Integracja LSTM z CNN była również skuteczna w dynamicznym łączeniu taktycznego planowania produkcji i konserwacji predykcyjnej, zmniejszając całkowite koszty produkcji i konserwacji poprzez dokładne przewidywanie pozostałej żywotności systemów [77].\nPodsumowując, sieci LSTM to zaawansowane narzędzie w dziedzinie uczenia maszynowego, które może odgrywać kluczową rolę w inżynierii produkcji. Dzięki swojej zdolności do modelowania długoterminowych zależności w danych sekwencyjnych LSTM znalazły szerokie zastosowanie w konserwacji predykcyjnej, wykrywaniu anomalii, monitorowaniu procesów oraz optymalizacji harmonogramów produkcji. Ich innowacyjna architektura, obejmująca mechanizmy bramek, pozwala na efektywne przetwarzanie informacji, co przekłada się na dokładniejsze prognozy i lepsze zarządzanie zasobami.\nWprowadzenie LSTM może znacząco poprawić efektywność i niezawodność procesów produkcyjnych, czyniąc je nieocenionym narzędziem w nowoczesnej inżynierii produkcji.\n3.4. Konwolucyjne sieci neuronowe\nKonwolucyjne sieci neuronowe (z ang. convolutional neural networks, CNN) to wyspecjalizowana klasa głębokich sieci neuronowych (DNN), które zrewolucjonizowały pole widzenia komputerowego i przetwarzania obrazu, wykorzystując operację matematyczną zwaną konwolucją zamiast ogólnego mnożenia macierzy w co najmniej jednej z ich warstw [78,79]. CNN są zaprojektowane do automatycznego i adaptacyjnego uczenia się przestrzennych hierarchii elementów z obrazów wejściowych, co czyni je wysoce skutecznymi w zadaniach,\n\ntakich jak klasyfikacja obrazów, wykrywanie obiektów i segmentacja [80,81].\nCNN znajdują również zastosowanie w analizie sygnałów czasowych, takich jak rozpoznawanie mowy czy analiza sekwencji wideo, dzięki swojej zdolności do wykrywania wzorców zarówno w danych przestrzennych, jak i czasowych [82].\nCNN są inspirowane biologicznym systemem wzrokowym, co polega na sposobie przetwarzania obrazów przez neurony w warstwach wizualnych kory mózgowej, które reagują na specyficzne cechy wizualne, takie jak krawędzie czy tekstury. Podobnie w sieciach konwolucyjnych warstwy konwolucyjne automatycznie uczą się wykrywać te cechy bez konieczności ręcznego wyodrębniania cech z danych wejściowych [83].\nPodstawowym elementem CNN jest warstwa konwolucyjna, która przekształca dane wejściowe za pomocą filtrów (jąder) przesuwających się po całym obrazie, generując mapy cech (ang. feature maps). Filtry te automatycznie uczą się wykrywać różne cechy, takie jak krawędzie, tekstury czy wzory w procesie trenowania sieci [84].\nArchitektura typowej sieci konwolucyjnej składa się z kilku warstw konwolucyjnych i poolingowych, zakończonych jedną warstwą lub kilkoma warstwami w pełni połączonymi (ang. fully connected layer). Klasyczny przykład takiej architektury to AlexNet. Typowa struktura CNN może wyglądać następująco [31,58,59,84]:\n1. Warstwa wejściowa\nWarstwa wejściowa jest pierwszą warstwą sieci, która przyjmuje surowe dane wejściowe. Dla obrazów może to być macierz pikseli o wymiarach odpowiadających wysokości, szerokości i liczbie kanałów (np. RGB). Na tym etapie dane są zwykle normalizowane, aby wartości pikseli były w odpowiednim zakresie (np. [0, 1] lub [-1, 1]), co przyspiesza proces uczenia.\n2. Pierwsza warstwa konwolucyjna\nPierwsza warstwa konwolucyjna jest kluczowym elementem CNN. Stosuje ona kilka filtrów (jąder konwolucyjnych) do danych wejściowych w celu wykrywania niskopoziomowych cech, takich jak krawędzie, tekstury, linie czy kąty.\nKażdy filtr przesuwa się po obrazie i oblicza splot, co prowadzi do utworzenia mapy cech. Każda mapa cech jest wynikiem działania jednego filtra. Filtry są zwykle mniejsze niż rozmiar obrazu (np. 3 × 3, 5 × 5), a operacja przesuwania się filtra po obrazie nazywana jest krokowaniem.\n(3.8)\n\ngdzie:\nS(i,j) – wartość w mapie cech w punkcie (i,j);\nI – macierz obrazu;\nK – macierz filtra;\nm, n – indeksy przesunięcia filtra.\n3. Warstwa poolingowa\nWarstwa poolingowa (ang. pooling layer) redukuje wymiary map cech, co zmniejsza liczbę parametrów i obliczeń w sieci oraz pomaga w zapobieganiu przeuczeniu (ang. overfitting). Przeuczenie odnosi się do sytuacji, w której model zbyt dokładnie odwzorowuje dane uczące, co prowadzi do pogorszenia wyników na danych testowych. Jest to szczególnie problematyczne w przypadku małych zbiorów danych i złożonych modeli o dużej liczbie parametrów.\nNajczęściej stosowane techniki poolingowe to max pooling i average pooling.\nMax pooling wybiera maksymalną wartość w każdym podobszarze (np. 2 × 2) mapy cech. To pozwala na zachowanie najistotniejszych cech. Average pooling oblicza średnią wartość w każdym podobszarze, co prowadzi do wygładzenia wartości. Operacja poolingowa nie zawiera parametrów do uczenia i jest stosowana głównie w celu zmniejszenia rozmiaru reprezentacji oraz wprowadzenia pewnej translacyjnej niezmienniczości.\n4. Kolejne warstwy konwolucyjne i poolingowe\nKolejne warstwy konwolucyjne i poolingowe są stosowane do wykrywania coraz bardziej złożonych i abstrakcyjnych cech na wyższych poziomach.\nPodczas gdy pierwsze warstwy mogą wykrywać proste krawędzie i tekstury, kolejne warstwy są w stanie rozpoznawać bardziej złożone struktury, takie jak kształty, wzory, jak również całe obiekty. Zazwyczaj architektura CNN składa się z kilku takich bloków konwolucyjno-poolingowych, które stopniowo redukują rozmiar przestrzenny danych i zwiększają liczbę kanałów cech.\n5. Warstwa w pełni połączona\nWarstwa w pełni połączona (ang. fully connected layer) jest końcową częścią sieci, która łączy wszystkie neurony z poprzedniej warstwy z każdym neuronem w tej warstwie. Warstwy w pełni połączone działają podobnie jak w tradycyjnych sieciach neuronowych i są odpowiedzialne za integrację cech wykrytych przez wcześniejsze warstwy konwolucyjne oraz dokonanie ostatecznej klasyfikacji lub przewidywania. Każdy neuron w warstwie w pełni połączonej oblicza sumę ważoną swoich wejść i przekazuje ją przez funkcję aktywacji. Typową funkcją aktywacji używaną w tych warstwach jest ReLU lub, w przypadku warstwy wyjściowej, softmax dla klasyfikacji wieloklasowej.\n\nJak już wspomniano wcześniej, klasyczny przykład takiej architektury to\nAlexNet (ryc. 3.4). Składa się z kilku warstw konwolucyjnych, przeplatanych warstwami poolingowymi oraz w pełni połączonymi warstwami [84]. Cała sieć została zaprojektowana tak, aby przetwarzać obrazy o rozmiarze 227 × 227 pikseli, z trzema kanałami kolorów (RGB). Pierwsza warstwa konwolucyjna zawiera 96 filtrów o rozmiarze 11 × 11, z krokiem 4 pikseli, co pozwala na wyodrębnienie podstawowych cech obrazu. Po tej warstwie następuje funkcja aktywacji ReLU, która przyspiesza proces uczenia i zmniejsza problem zanikania gradientu. Następnie wprowadzana jest warstwa max pooling, która zmniejsza rozmiar map cech poprzez wybieranie maksymalnej wartości z okna o rozmiarze 3 × 3, przesuwanego o 2 piksele.\nDruga warstwa konwolucyjna składa się z 256 filtrów o rozmiarze 5 × 5 i kroku 1, co pozwala na bardziej złożone wyodrębnienie cech z obrazów.\nPodobnie jak wcześniej, warstwa ta jest połączona z funkcją aktywacji ReLU i warstwą max pooling, która również zmniejsza rozmiar map cech. Trzecia, czwarta i piąta warstwa konwolucyjna mają odpowiednio 384, 384 i 256 filtrów o rozmiarze 3 × 3. Każda z tych warstw również korzysta z funkcji aktywacji\nReLU. Piąta warstwa konwolucyjna kończy się kolejną warstwą max pooling, która ponownie zmniejsza rozmiar cech map.\nPo warstwach konwolucyjnych następują trzy w pełni połączone warstwy. Pierwsza i druga z nich mają po 4096 neuronów, a ostatnia, trzecia warstwa, zawiera 1000 neuronów, odpowiadających liczbie klas w zbiorze danych\nImageNet. Warstwy te również korzystają z funkcji aktywacji ReLU, a na końcu trzeciej warstwy stosowana jest funkcja softmax, która przekształca wartości wyjściowe w prawdopodobieństwa przypisania do poszczególnych klas.\nAby zapobiec przetrenowaniu sieci, w AlexNet zastosowano technikę dropout w dwóch pierwszych w pełni połączonych warstwach, gdzie losowo wyłączane jest 50% neuronów podczas procesu uczenia. Dodatkowo, w celu zwiększenia ogólności modelu, stosowane są techniki augmentacji danych, takie jak losowe wycinanie fragmentów obrazów oraz odbicie lustrzane.\nCNN mają kilka zalet, w tym zdolność do automatycznego wykrywania istotnych cech z surowych danych, co eliminuje potrzebę ręcznego tworzenia cech. Są również skalowalne, co pozwala na przetwarzanie obrazów o różnych rozdzielczościach i skali. Charakteryzują się wysoką wydajnością, osiągając bardzo dobre wyniki w zadaniach związanych z rozpoznawaniem obrazów i wizją komputerową. Jednakże CNN mają także swoje ograniczenia. Trenowanie tych sieci wymaga dużych zasobów obliczeniowych, zwłaszcza w przypadku większych zbiorów danych. Ponadto, aby osiągnąć dobrą generalizację, potrzebują\n\none dużej ilości danych uczących. Sieci o dużej liczbie parametrów mogą być podatne na przeuczenie, co jest szczególnie problematyczne przy niewystarczającej ilości danych uczących [85–87].\nRyc. 3.4. Architektura sieci AlexNet\nCNN są stosowane w różnorodnych dziedzinach ze względu na ich zdolność do przetwarzania i analizy obrazów oraz sygnałów dźwiękowych. W rolnictwie CNN zostały z powodzeniem wykorzystane do identyfikacji i klasyfikacji chorób roślin, jak w przypadku badania dotyczącego chorób roślin bawełny, gdzie osiągnięto dokładność na poziomie 98,53% [88]. W innym badaniu CNN były używane do diagnostyki awarii mechanicznych na podstawie sygnałów dźwiękowych, co pozwoliło na osiągnięcie wysokiej dokładności w rozpoznawaniu usterek [89]. CNN znalazły również zastosowanie w ocenie jakości plonów, gdzie dzięki analizie obrazów roślin możliwe było precyzyjne określenie\n\njakości produktów rolnych [90]. Ponadto CNN były stosowane w produkcji opisów obrazów, łącząc techniki przetwarzania języka naturalnego i wizji komputerowej, co zwiększyło dokładność generowanych opisów w miarę wzrostu rozmiaru zbioru danych [91].\nCNN odgrywają w przemyśle istotną rolę w automatyzacji i poprawie procesów produkcyjnych. Przykładem może być wykorzystanie CNN w połączeniu z wizją maszynową do wykrywania wad w kompresorach mechanicznych, co znacznie poprawiło wydajność i dokładność w rozpoznawaniu defektów [92].\nCNN znalazły również zastosowanie w monitorowaniu jakości w produkcji urządzeń AGD, gdzie umożliwiły wykrywanie nietypowych dźwięków w pralkach z dokładnością sięgającą 99,3%, co znacznie usprawniło kontrolę jakości [93]. Ponadto CNN w połączeniu z głębokimi autoenkoderami były stosowane do przewidywania pozostałego czasu eksploatacji łożysk tocznych, co jest ważne dla efektywnego planowania konserwacji w systemach produkcji mechanicznej [94].\nZastosowanie CNN w przemyśle wykazuje ogromny potencjał, szczególnie w kontekście automatyzacji, poprawy efektywności procesów produkcyjnych oraz zwiększenia jakości i niezawodności produktów. Ich wszechstronność, pozwalająca na precyzyjną analizę obrazów i sygnałów, umożliwia ich zastosowanie w diagnostyce, monitorowaniu jakości, przewidywaniu właściwości materiałów oraz ocenie pozostałego czasu eksploatacji urządzeń. Perspektywy dalszego rozwoju i integracji CNN z innymi nowoczesnymi technologiami, takimi jak IoT i big data, sugerują, że CNN mogą stać się narzędziem w przyszłych innowacjach w przemyśle produkcyjnym, znacząco przyczyniając się do wzrostu konkurencyjności i efektywności w sektorze inżynierii produkcji.\n3.5. Transfer learning\nTransfer learning, jako zaawansowana technika w dziedzinie uczenia maszynowego, odgrywa ważną rolę w poprawie efektywności modeli głębokiego uczenia poprzez wykorzystanie wiedzy z jednego zadania lub usprawnieniu procesu uczenia w innym, powiązanym zadaniu. W tradycyjnym podejściu do uczenia maszynowego każdy model jest uczony od podstaw na nowym zbiorze danych, co wymaga dużej ilości danych i mocy obliczeniowej. Transfer learning zmienia ten paradygmat, ponieważ wykorzystuje wstępnie wytrenowane modele, aby przyspieszyć proces trenowania i poprawić uogólnienie modeli w nowych zadaniach, co skraca czas uczenia i poprawia generalizację modelu\n\nna nowych danych. Technika ta jest szczególnie korzystna w scenariuszach, w których uzyskanych danych jest mało lub ich zdobycie jest kosztowne [95].\nTransfer learning stał się szczególnie popularny w zastosowaniach związanych z przetwarzaniem obrazów, gdzie modele, takie jak ResNet, Inception czy DenseNet, wytrenowane na dużych zbiorach danych, takich jak ImageNet, mogą być łatwo dostosowane do specyficznych zadań, takich jak klasyfikacja obrazów medycznych, rozpoznawanie obiektów w obrazach przemysłowych czy analiza danych satelitarnych.\nPodstawową zasadą działania transfer learningu jest możliwość adaptacji wytrenowanego modelu do nowego zadania poprzez modyfikację jego ostatnich warstw i ponowne trenowanie, co pozwala na uwzględnienie specyfiki nowych danych. W praktyce proces ten polega na wykorzystaniu modelu uprzednio wytrenowanego na dużym zbiorze danych ogólnych (np. ImageNet, który zawiera miliony obrazów z tysięcy różnych kategorii) i dostosowaniu go do specyficznych potrzeb nowego zadania. Przykładowo model ResNet, który osiągnął wysoką dokładność w zadaniach klasyfikacji obrazów, może być użyty jako baza dla klasyfikatora w dziedzinie medycznej, gdzie dostępność danych jest ograniczona [96]. Dzięki temu możliwe staje się znaczne skrócenie czasu trenowania modelu oraz zwiększenie dokładności w porównaniu z modelami trenowanymi od podstaw na niewielkich zbiorach danych.\nW kontekście przemysłowym transfer learning znajduje zastosowanie w wielu obszarach, takich jak optymalizacja przepływów metabolicznych w zmodyfikowanych mikroorganizmach, gdzie pozwala na przewidywanie i optymalizację wyników w oparciu o uprzednio zebrane dane z podobnych systemów biologicznych [97]. Innym przykładem jest wykorzystanie transfer learningu w detekcji wad w obrazach przemysłowych, gdzie wiedza z obszaru analizy obrazów może być przeniesiona do nowych typów obrazów, co zwiększa efektywność systemów kontroli jakości [98]. Transfer learning wykazuje również potencjał w medycynie, gdzie ograniczona ilość danych do trenowania jest często wyzwaniem. Technika ta umożliwia wykorzystanie modeli wytrenowanych na dużych zbiorach danych medycznych do detekcji i klasyfikacji chorób na podstawie obrazów diagnostycznych, co poprawia jakość diagnostyki przy mniejszych zasobach danych [99].\nTaka elastyczność transfer learningu w przetwarzaniu obrazów wynika z głębokiej reprezentacji cech, których modele uczą się w procesie trenowania na ogólnych zbiorach danych. Te cechy, takie jak krawędzie, tekstury czy kształty, są na tyle uniwersalne, że mogą być skutecznie przenoszone do nowych zadań, minimalizując potrzebę gromadzenia dużych ilości danych specyficznych dla nowego zadania. Dzięki temu transfer learning zyskał szeroką\n\npopularność w rozwiązywaniu problemów, gdzie dostęp do dużych, specyficznych zbiorów danych jest ograniczony, ale istnieje potrzeba wysokiej dokładności i efektywności modeli analizy obrazów.\nWykorzystanie transfer learningu w różnych dziedzinach przemysłowych i badawczych podkreśla jego wszechstronność i potencjał do rozwiązywania złożonych problemów, z którymi tradycyjne metody uczenia maszynowego mogą sobie nie poradzić. Dzięki możliwości szybkiej adaptacji do nowych zadań i zwiększenia dokładności modeli transfer learning staje się nieodzownym narzędziem w nowoczesnej analityce danych.\n3.6. Dobór odpowiedniej architektury sieci neuronowej\nDobór odpowiedniej architektury sieci neuronowej jest kluczowym etapem w procesie budowy skutecznych modeli uczenia maszynowego. Wybór architektury musi być uzależniony od charakterystyki danych, rodzaju problemu, a także dostępnych zasobów obliczeniowych, co warunkuje ostateczną efektywność i wydajność modelu (ryc. 3.5).\nRyc. 3.5. Czynniki wpływające na dobór odpowiedniej architektury sieci neuronowej\nDane wejściowe różnią się znacznie pod względem swojej struktury i charakterystyki, co determinuje wybór specyficznych typów sieci neuronowych.\nDla danych tabelarycznych, gdzie każde wejście reprezentowane jest przez\n\nwektor cech, najlepszym wyborem są sieci jednokierunkowe (ang. feedforward neural networks, FFNN), w których informacje przepływają tylko w jednym kierunku – od wejścia do wyjścia. Jednym z najpopularniejszych rodzajów FFNN jest perceptron wielowarstwowy. MLP, jak już wspomniano w poprzednich podrozdziałach, składa się z jednej warstwy wejściowej, jednej warstwy lub kilku warstw ukrytych oraz jednej warstwy wyjściowej, gdzie każda z warstw jest w pełni połączona z kolejną. MLP stosuje się w wielu zastosowaniach, takich jak klasyfikacja i regresja, ponieważ potrafi modelować złożone nieliniowe relacje między danymi wejściowymi a wyjściowymi. Te proste sieci neuronowe, złożone z warstw w pełni połączonych, pozwalają na efektywne przetwarzanie danych strukturalnych.\nAlternatywnie, w przypadku danych tabelarycznych, warto również rozważyć zastosowanie algorytmów, takich jak gradient boosting machines (GBM), które mogą oferować lepszą wydajność niż tradycyjne sieci neuronowe. GBM to technika uczenia zespołowego, która łączy wiele słabych modeli (zazwyczaj drzew decyzyjnych) w jeden silny model. Działa on poprzez iteracyjne dodawanie nowych modeli do zespołu, gdzie każdy nowy model koryguje błędy popełnione przez poprzednie. Jest to bardzo skuteczna metoda dla danych tabelarycznych, szczególnie w przypadku problemów regresji i klasyfikacji.\nW literaturze GBM jest uznawany za jeden z najbardziej wydajnych algorytmów uczenia maszynowego [100].\nDla danych sekwencyjnych, takich jak serie czasowe czy tekst, bardziej odpowiednie są rekurencyjne sieci neuronowe (RNN). W przeciwieństwie do sieci jednokierunkowych RNN mają wewnętrzne stany (pamięć), które pozwalają im na modelowanie zależności czasowych. Klasyczne RNN mają jednak problemy z długotrwałymi zależnościami, co prowadzi do problemu zanikania gradientu. W literaturze RNN są szeroko stosowane w zadaniach przetwarzania języka naturalnego i przewidywania szeregów czasowych [101].\nZaawansowane warianty RNN to LSTM (ang. long short-term memory) i GRU\n(ang. gated recurrent units). LSTM został zaprojektowany w celu rozwiązania problemu zanikania gradientu. Wprowadza specjalne jednostki pamięci, które mogą długotrwale przechowywać informacje, co pozwala na skuteczniejsze modelowanie długotrwałych zależności w danych sekwencyjnych.\nLSTM znalazły szerokie zastosowanie w takich zadaniach, jak tłumaczenie maszynowe, rozpoznawanie mowy i generowanie tekstu. Nowoczesne badania pokazują, że modele LSTM w połączeniu z optymalizatorem Adam są bardziej dokładne w przewidywaniu zużycia energii w inteligentnych sieciach energetycznych, co potwierdzają niższe wartości błędów średniokwadratowych\n\ni średnich błędów absolutnych [35,102]. GRU jest prostszy niż LSTM, ale równie skuteczny, wprowadza mechanizmy bramek, które regulują przepływ informacji wewnątrz jednostki rekurencyjnej, co umożliwia efektywne uczenie się zależności czasowych. GRU są często wybierane ze względu na ich prostszą strukturę i porównywalną wydajność do LSTM [103]. Badania pokazują, że\nGRU osiąga najlepsze wyniki w prognozowaniu poziomów glukozy we krwi w porównaniu z modelami RNN i LSTM [104].\nW przypadku danych obrazowych najbardziej efektywnymi modelami są konwolucyjne sieci neuronowe. Architektury CNN, które szczegółowo opisano w podrozdziale 3.4, dzięki zastosowaniu warstw konwolucyjnych, są zdolne do wydobywania złożonych cech z obrazów, co jest istotne w zadaniach, takich jak klasyfikacja obrazów, detekcja obiektów czy segmentacja. Dodatkowo do generowania nowych obrazów i poprawy jakości istniejących wykorzystuje się generative adversarial networks (GAN). To rodzaj sieci neuronowych stosowanych do generowania nowych danych, takich jak obrazy, które są podobne do danych uczących. GAN składają się z dwóch sieci: generatora, który tworzy nowe dane, oraz dyskryminatora, który ocenia, czy dane są prawdziwe czy wygenerowane. Uczenie GAN polega na rywalizacji tych dwóch sieci, co prowadzi do generowania coraz bardziej realistycznych danych. GAN znalazły zastosowanie w zadaniach, takich jak tworzenie obrazów i poprawa jakości obrazów [105].\nRodzaj problemu, który model ma rozwiązać, ma również wpływ na wybór architektury sieci neuronowej. W problemach klasyfikacyjnych warstwa wyjściowa modelu często zawiera funkcję aktywacji softmax, która przekształca wyjścia sieci w prawdopodobieństwa klas. Dla prostych problemów klasyfikacyjnych można stosować FFNN, podczas gdy dla bardziej złożonych problemów z obrazami lub tekstem lepszym wyborem będą odpowiednio CNN lub RNN.\nW obszarze inżynierii mechanicznej sieci neuronowe są szeroko stosowane do różnych zadań klasyfikacyjnych. Przykładowo CNN były wykorzystywane do klasyfikacji sygnatur wibracji w maszynach wirujących, co pozwala na proaktywne monitorowanie stanu i diagnostykę awarii, a tym samym zwiększa precyzję oceny stanu technicznego [106]. Ponadto CNN zostały zastosowane do wykrywania elips w obrazach przemysłowych, co umożliwia precyzyjne pomiary części mechanicznych przypominających elipsy w produkcji przemysłowej [107].\nW problemach regresyjnych, w których celem jest przewidywanie ciągłych wartości numerycznych, warstwa wyjściowa modelu zazwyczaj nie posiada funkcji aktywacji lub używa funkcji liniowej. W takich przypadkach proste\n\nFFNN mogą być wystarczające, podczas gdy CNN lub RNN mogą być używane do bardziej skomplikowanych danych obrazowych lub sekwencyjnych. Na przykład sieci neuronowe były ważnym elementem w rozwijaniu modeli opartych na danych do przewidywania wydajności odwiertów na polu naftowym, co pozwoliło na dokładniejsze prognozowanie wydajności płynów w trudnych warunkach morskich [108]. Dodatkowo sieci neuronowe zostały zastosowane do prognozowania zużycia nanokompozytów stopów ZA-27 z dodatkiem nanocząstek Al O , co pokazało ich wyższość w przewidywaniu zużycia w porów-\n2 3 naniu z tradycyjnymi metodami [109].\nSkalowalność i złożoność modelu są kolejnymi istotnymi czynnikami w wyborze architektury. Dla małych zbiorów danych należy unikać zbyt złożonych modeli, aby zapobiec przeuczeniu. W takich przypadkach proste FFNN mogą być odpowiednie, a techniki regularyzacji i augmentacji danych mogą dodatkowo poprawić wydajność modelu. Wynika to z faktu, że prostsze modele są mniej podatne na nadmierne dopasowanie i mogą lepiej uogólniać przy mniejszej liczbie próbek na klasę [110]. Natomiast dla dużych zbiorów danych głębokie sieci neuronowe, które mogą uchwycić bardziej złożone wzorce, stają się korzystniejsze. Modele CNN o wysokiej złożoności, takie jak ResNet, LeNet i AlexNet, wykazały rewolucyjny sukces w przetwarzaniu dużych zbiorów danych obrazowych, ale mogą nie działać optymalnie na mniejszych zbiorach danych ze względu na problemy z nadmiernym dopasowaniem i niestabilnością [111]. W niektórych przypadkach warto zastosować architektury hybrydowe, takie jak połączenie CNN i RNN dla danych obrazowo-sekwencyjnych. Na przykład badania wykazały, że integracja architektur RNN i CNN w wykrywaniu ataków typu Denial of Service (DoS) w architekturze mikrousług pozwala osiągnąć wysokie wskaźniki wykrywalności, wynoszące odpowiednio 98,4% i 97,0% [112].\nDostępne zasoby obliczeniowe stanowią istotny czynnik w procesie wyboru odpowiedniej architektury modelu. W przypadku ograniczonych zasobów bardziej odpowiednie mogą okazać się lżejsze modele, takie jak mniejsze sieci CNN lub uproszczone wersje RNN, które oferują efektywność przy niższym zapotrzebowaniu na moc obliczeniową. Z kolei optymalizacja kodu oraz wykorzystanie akceleratorów sprzętowych, takich jak GPU\n(graphics processing unit, jednostka przetwarzania grafiki) czy TPU (tensor processing unit, jednostka przetwarzania tensora), może znacząco zwiększyć szybkość trenowania modeli, szczególnie w kontekście przetwarzania dużych zbiorów danych oraz bardziej złożonych architektur. W sytuacji, gdy dostępne zasoby obliczeniowe są znaczne, można zastosować bardziej\n\nskomplikowane architektury, które charakteryzują się wyższą skutecznością w realizacji złożonych zadań. Niezwykle istotne jest również rozważenie strategii zarządzania pamięcią oraz efektywnego przetwarzania danych.\nStandardowe podejścia zakładają, że cały zbiór danych uczących zostaje załadowany do pamięci operacyjnej (RAM) przed rozpoczęciem procesu trenowania. Tego rodzaju strategia jest prosta w implementacji i umożliwia szybkie przetwarzanie danych oraz optymalne dostosowanie modelu. Jednakże w warunkach ograniczonej pamięci załadowanie pełnego zbioru danych może skutkować znacznym obciążeniem systemu, a nawet prowadzić do problemów z wydajnością. W takich przypadkach ważną rolę odgrywają techniki optymalizacji pamięci oraz zarządzania danymi. Akceleratory sprzętowe, takie jak GPU i TPU, pozwalają na równoległe przetwarzanie wielu operacji matematycznych, co jest szczególnie istotne przy trenowaniu złożonych modeli na dużych zbiorach danych. Dzięki odpowiednim technikom optymalizacji i zarządzania pamięcią możliwe jest efektywne trenowanie nawet zaawansowanych architektur, mimo ograniczeń związanych z dostępnymi zasobami obliczeniowymi.\nW procesie doboru odpowiedniej architektury sieci neuronowej jedną z metod stosowanych do analizy wpływu poszczególnych komponentów na wydajność modelu jest technika ablacyjna. Polega ona na systematycznym usuwaniu lub modyfikowaniu wybranych elementów sieci, takich jak warstwy, neurony czy połączenia, a następnie ocenie, jak te zmiany wpływają na jakość wyników modelu. Dzięki temu możliwe jest zidentyfikowanie komponentów kluczowych dla skuteczności modelu oraz tych, które mogą być mniej istotne lub zbędne. Technika ablacyjna wspomaga proces optymalizacji złożonych sieci, umożliwiając projektantom identyfikację i ewentualne usunięcie niepotrzebnych elementów, co może prowadzić do uproszczenia architektury oraz poprawy efektywności obliczeniowej. Jest to metoda, która dostarcza cennych informacji na temat wpływu różnych części modelu na jego zdolność do generalizacji, co może być szczególnie przydatne przy pracy z różnorodnymi danymi i zadaniami [113].\nWybór odpowiedniej architektury sieci neuronowej zależy od specyfiki danych, rodzaju problemu oraz dostępnych zasobów. Istotnym elementem jest dobranie modelu, który najlepiej pasuje do charakterystyki zadania, co często wymaga eksperymentowania z różnymi architekturami i ich konfiguracjami.\n\n3.7. Kluczowe aspekty podczas uczenia sieci neuronowych\nPodczas uczenia sieci neuronowych ważne jest, aby zwrócić uwagę na kilka kluczowych aspektów, które mogą wpływać na skuteczność i wydajność modelu\n(ryc. 3.6).\nRyc. 3.6. Kluczowe aspekty podczas uczenia sieci neuronowych\nTe aspekty mogą się różnić w zależności od tego, czy pracujemy z danymi regresyjnymi czy klasyfikacyjnymi. Te drugie dotyczą problemów, w których celem jest przypisanie danych wejściowych do jednej z kilku dyskretnych kategorii lub klas. Dane regresyjne odnoszą się do problemów, w których celem jest przewidywanie ciągłych wartości liczbowych.\nPrzygotowanie danych wejściowych jest również ważnym etapem w procesie uczenia sieci neuronowych. Dane wejściowe powinny być odpowiednio przetworzone i znormalizowane, aby uniknąć problemów z gradientami oraz przyspieszyć proces uczenia. Normalizacja danych polega na skalowaniu wartości do określonego zakresu, co pozwala na bardziej efektywne przetwarzanie danych przez sieć neuronową. Typowe metody normalizacji obejmują skalowanie do zakresu [0, 1] lub [-1, 1]. W przypadku danych obrazowych skalowanie pikseli do zakresu [0, 1] jest standardową praktyką, która stabilizuje proces uczenia się i pomaga uniknąć problemów z gradientami, takich jak ich zanikanie lub eksplozja [114].\n\nKolejnym ważnym aspektem jest inicjalizacja wag, która jest istotna dla efektywnego uczenia sieci neuronowej. Proces ten rozpoczyna się od losowej inicjalizacji wag, co jest konieczne do przerwania symetrii między neuronami i umożliwia efektywne uczenie. Odpowiednia inicjalizacja wag jest niezwykle istotna, ponieważ zbyt małe lub zbyt duże wartości mogą prowadzić do problemów z gradientami, takich jak zanikający lub eksplodujący gradient. Wagi w sieci neuronowej pełnią rolę parametrów, które decydują o tym, jak silnie poszczególne wejścia wpływają na wyjście neuronu. Proces uczenia polega na optymalizacji tych wag, aby sieć neuronowa mogła jak najdokładniej przewidywać wyniki dla nowych danych. Początkowo wagi są zazwyczaj inicjalizowane losowo lub przy użyciu bardziej zaawansowanych metod, takich jak inicjalizacja He [115] czy Xavier[116], które pomagają w szybszym i bardziej stabilnym uczeniu sieci. Następnie wagi są modyfikowane podczas procesu trenowania, który obejmuje wiele iteracji propagacji w przód i wstecz [117].\nWybór funkcji aktywacji ma istotne znaczenie dla skuteczności sieci neuronowej, a jej rola może się różnić w zależności od tego, czy model jest stosowany do klasyfikacji czy do regresji. W modelach klasyfikacyjnych funkcje aktywacji mają na celu przekształcenie wyjść neuronów do postaci prawdopodobieństw klas. Najczęściej stosowane funkcje aktywacji w kontekście klasyfikacji to sigmoidalna, tanh oraz softmax. W modelach regresyjnych mają one na celu generowanie ciągłych wartości numerycznych. W przypadku regresji najczęściej stosowanymi funkcjami aktywacji są ReLU oraz funkcja liniowa.\nFunkcja liniowa, określona wzorem φ(z) = z, jest jedną z najprostszych funkcji aktywacji. Wartość wyjściowa równa się wartości wejściowej, co oznacza, że nie wprowadza nieliniowości do modelu. Często używa się jej w warstwach wyjściowych modeli regresji, gdzie model musi przewidzieć rzeczywiste wartości. Chociaż nie jest odpowiednia dla warstw ukrytych w głębokich sieciach neuronowych, ponieważ nie wprowadza nieliniowości, jest przydatna w określonych przypadkach, takich jak zadania regresyjne, gdzie liniowe zależności między wejściami a wyjściami są pożądane.\nFunkcja kosztu, znana również jako funkcja strat (ang. loss function), jest podstawowym elementem w procesie uczenia maszynowego, który mierzy, jak dobrze model przewiduje pożądane wyniki. Stanowi miarę różnicy między wartościami przewidywanymi przez model a rzeczywistymi etykietami (danymi wyjściowymi). Głównym celem funkcji kosztu jest dostarczenie modelowi informacji zwrotnej, którą wykorzystuje się do dostosowywania wag sieci neuronowej w celu minimalizacji tej różnicy. Proces ten, nazywany optymalizacją,\n\npozwala na stopniowe poprawianie dokładności modelu poprzez iteracyjne zmniejszanie wartości funkcji kosztu. Powinna być dobrana odpowiednio do rodzaju problemu. Dla problemów regresyjnych typową funkcją kosztu jest błąd średniokwadratowy (MSE), podczas gdy dla problemów klasyfikacyjnych używa się zazwyczaj funkcji entropii krzyżowej [118].\nOptymalizacja jest ważna w procesie uczenia sieci neuronowych, w którym algorytmy, takie jak gradient descent, Adam, AdaGrad, RMSProp, Levenberga–\nMarquardta, regularyzacja Bayesowska oraz gradient skalowany sprzężony są używane do aktualizacji wag na podstawie obliczonych gradientów, w celu minimalizacji funkcji kosztu. Wybór odpowiedniego algorytmu zależy od specyfiki problemu oraz dostępnych zasobów obliczeniowych. Proces ten jest iteracyjny i polega na zastosowaniu algorytmów optymalizacyjnych, które obliczają gradienty funkcji kosztu względem wag sieci, a następnie modyfikują te wagi w taki sposób, aby zmniejszyć wartość funkcji kosztu. Główne algorytmy optymalizacyjne różnią się tym, jak adaptują się do zmian gradientów, co bezpośrednio wpływa na szybkość i stabilność procesu uczenia [119].\nWybór odpowiedniej techniki regularyzacji jest również istotny dla uzyskania modelu o dobrej zdolności generalizacji. W praktyce często stosuje się kombinację różnych metod regularyzacji. Celem regularyzacji jest poprawa zdolności modelu do generalizacji, czyli jego umiejętności przewidywania na nowych, niewidzianych wcześniej danych. Regularyzacja pomaga zapobiegać przeuczeniu, które ma miejsce, gdy model uczy się zbyt szczegółowo wzorców ze zbioru uczącego, co prowadzi do słabej wydajności na danych testowych. Na przykład można zastosować L2 regularyzację, aby utrzymać małe wagi, oraz dropout, aby zapewnić, że model nie stanie się zbyt zależny od określonych neuronów. Gong (2009) wskazuje na istotność technik regularyzacji w poprawie wydajności modeli sieci neuronowych. Zastosowanie takich technik pomaga w tworzeniu modeli, które są bardziej odporne na szum i lepiej radzą sobie z nowymi danymi, co jest ważne w praktycznych zastosowaniach uczenia maszynowego [120].\nDobór odpowiedniej architektury sieci neuronowej, przygotowanie danych, inicjalizacja wag, wybór funkcji aktywacji, optymalizacja oraz regularyzacja to kluczowe aspekty, które łącznie wpływają na efektywność i wydajność modeli sieci neuronowych, a ich odpowiednie zastosowanie pozwala na osiągnięcie lepszych wyników w różnorodnych zadaniach.\n\n3.7.1. Metody optymalizacyjne w sieciach neuronowych\nW procesie uczenia sztucznych sieci neuronowych istotną rolę odgrywają metody optymalizacyjne, które odpowiadają za efektywną aktualizację wag modelu w celu minimalizacji funkcji kosztu. Dobór odpowiedniego algorytmu optymalizacyjnego ma znaczący wpływ na szybkość uczenia, stabilność procesu oraz ostateczną jakość wytrenowanego modelu. W literaturze można spotkać różne metody optymalizacyjne. Wśród najczęściej stosowanych w sieciach neuronowych znajdują się: gradient descent (GD), adaptive moment estimation\n(Adam), adaptive gradient algorithm (AdaGrad), root mean square propagation\n(RMSProp), Levenberga–Marquardta (LM), regularyzacja Bayesowska (BR) oraz gradient skalowany sprzężony (SCG). Każdy z tych algorytmów charakteryzuje się odmiennym podejściem do adaptacji wag, co czyni je bardziej lub mniej odpowiednimi do określonych typów problemów i danych.\nGradient descent (GD) jest jedną z najbardziej fundamentalnych metod optymalizacyjnych stosowanych w uczeniu maszynowym, w tym w trenowaniu sztucznych sieci neuronowych. Jego głównym celem jest minimalizacja funkcji kosztu, która mierzy, jak dobrze model dopasowuje się do danych uczących. W procesie optymalizacji GD iteracyjnie aktualizuje wagi modelu, przesuwając je w kierunku przeciwnym do gradientu funkcji kosztu względem tych wag. W standardowej wersji gradient descent gradienty są obliczane na podstawie całego zbioru danych uczących. Oznacza to, że przed każdą aktualizacją wag modelu algorytm przetwarza wszystkie próbki w zbiorze uczącym, co zapewnia dokładne obliczenie gradientu, ale może być bardzo kosztowne obliczeniowo, zwłaszcza przy dużych zbiorach danych. W takich przypadkach każda iteracja może być czasochłonna, co spowalnia proces uczenia [121].\nAdam jest zaawansowanym algorytmem optymalizacyjnym, który łączy zalety dwóch innych metod: AdaGrad i RMSProp. Adam śledzi średnie pierwszego momentu (średnia gradientów) oraz drugiego momentu (kwadrat gradientów) w celu dynamicznego dostosowywania współczynnika uczenia się dla każdej wagi [122]. Automatycznie dostosowuje współczynniki uczenia się na podstawie historycznych gradientów, co pozwala na szybsze i bardziej stabilne zbieżności, oraz wykorzystuje technikę momentum, która pomaga w łagodzeniu oscylacji gradientów, co prowadzi do bardziej stabilnych i szybszych aktualizacji wag.\nAdaGrad jest metodą optymalizacyjną, która dostosowuje współczynniki uczenia się dla każdej wagi na podstawie sumy kwadratów gradientów, jakie waga napotkała w czasie uczenia modelu [123]. Zmniejsza współczynniki uczenia\n\nsię dla często aktualizowanych wag i zwiększa je dla rzadziej aktualizowanych, co jest korzystne dla rzadkich danych. AdaGrad jest szczególnie efektywny dla rzadkich i gęstych danych, ale jego główną wadą jest to, że współczynniki uczenia się mogą stać się bardzo małe, co prowadzi do powolnej zbieżności.\nRMSProp, podobnie jak AdaGrad, dostosowuje współczynniki uczenia się dla każdej wagi, ale robi to w sposób, który zapobiega problemowi zbyt małych współczynników uczenia się. Wykorzystuje eksponencjalnie ważoną średnią kwadratów gradientów, co pozwala na stabilniejsze i szybsze uczenie się w porównaniu z AdaGrad. RMSProp utrzymuje współczynniki uczenia się na bardziej stałym poziomie, co zapobiega problemowi powolnej zbieżności [124].\nLevenberg–Marquardt (LM) to często najszybsza metoda optymalizacyjna dla małych i średnich problemów. Algorytm ten okazuje się szczególnie efektywny w przypadkach, gdy sieć neuronowa jest stosunkowo niewielka i nie wymaga ekstremalnie dużych zasobów pamięciowych [125]. Algorytm LM jest iteracyjną metodą optymalizacji, łączącą cechy metody gradientu prostego i metody Newtona. Często stosuje się go w trenowaniu sieci neuronowych ze względu na swoje szybkie tempo zbieżności. Algorytm LM aktualizuje parametry sieci neuronowej według wzoru:\n(3.9) gdzie:\n– wektor wag w iteracji k;\n– macierz Jacobiego funkcji błędu w iteracji k;\n– parametr regularyzacji;\n– macierz jednostkowa;\n– wektor błędów w iteracji k.\nMacierz Jacobiego J zawiera pierwsze pochodne funkcji błędu względem wag, co pozwala na przybliżenie drugich pochodnych, jak w metodzie Newtona, ale z dodatkowym parametrem regularyzacji, który kontroluje kroki aktualizacji. Algorytm ten jest znany ze swojej efektywności w zastosowaniach, takich jak inwersja kinematyczna dla robotów [126].\nRegularyzacja Bayesowska (BR) wprowadza regularyzację poprzez zastosowanie metod bayesowskich, mając na celu uniknięcie przeuczenia poprzez dodanie do funkcji celu członu regularyzacyjnego penalizującego duże wartości wag. Funkcja kosztu w regularyzacji Bayesowskiej składa się z dwóch członów:\n\n(3.10) gdzie:\n– funkcja błędu (np. suma kwadratów błędów);\n– człon regularyzacyjny (np. suma kwadratów wag);\n– współczynnik regularyzacji, który kontroluje wpływ regularyzacji na funkcję kosztu.\nCelem jest maksymalizacja a posteriori (MAP) rozkładu prawdopodobieństwa wag. MAP rozkładu prawdopodobieństwa wag to metoda wnioskowania statystycznego, która łączy informacje z danych (obserwacji) z wcześniejszą wiedzą o rozkładzie prawdopodobieństwa wag (ang. prior). Formuła Bayesa jest podstawą do obliczenia rozkładu a posteriori:\n(3.11) gdzie:\n– rozkład a posteriori, czyli rozkład prawdopodobieństwa wag w po uwzględnieniu danych D;\n– rozkład prawdopodobieństwa danych D przy zadanych wagach w;\n– a priori rozkład prawdopodobieństwa wag, czyli wcześniejsza wiedza o wagach przed uwzględnieniem danych;\n– rozkład prawdopodobieństwa danych, który jest normalizatorem\n(niezależnym od wag).\nCelem MAP jest znalezienie wartości wag w, które maksymalizują rozkład a posteriori . W praktyce oznacza to znalezienie takich wag, które są najbardziej prawdopodobne przy uwzględnieniu zarówno danych, jak i wcześniejszej wiedzy o wagach. Proces ten polega na maksymalizacji wyrażenia:\n(3.12) gdzie: oznaczenia jak powyżej.\nPonieważ jest stałą niezależną od wag, można ją pominąć w maksymalizacji. Dlatego proces MAP sprowadza się do maksymalizacji iloczynu\n. MAP uwzględnia oba te elementy: zarówno dopasowanie modelu do danych, jak i wcześniejszą wiedzę o tym, jak wagi powinny się rozkładać. Maksymalizując , MAP znajduje taki zestaw wag, który jest najbardziej prawdopodobny, jeśli uwzględni się oba te źródła informacji.\n\nRegularyzacja Bayesowska prowadzi do lepszej ogólnej wydajności oraz mniejszej podatności na przeuczenie w miarę wzrostu rozmiaru sieci, co wykazano w badaniach symulacyjnych [127].\nAlgorytm gradientu skalowanego sprzężonego (SCG) jest wariantem metody gradientu sprzężonego, zoptymalizowanym do zastosowań w sieciach neuronowych. SCG poprawia wydajność i stabilność poprzez wprowadzenie skalowania w kierunku poszukiwania. Algorytm SCG iteracyjnie aktualizuje wagi według wzoru:\n(3.13) gdzie:\n– optymalny krok w kierunku ;\n– kierunek poszukiwania w iteracji k.\nKierunek poszukiwania jest aktualizowany na podstawie gradientu funkcji celu oraz poprzednich kierunków poszukiwania:\n(3.14) gdzie:\n– gradient funkcji celu w iteracji k+1;\n– współczynnik określający, jak wiele z poprzedniego kierunku jest zachowane.\nAlgorytm SCG znany jest ze swojej skuteczności w zastosowaniach takich jak przetwarzanie sygnałów sonarowych [128].\nWybór odpowiedniej metody optymalizacyjnej jest niezbędny do skutecznego trenowania sztucznych sieci neuronowych, a każda z przedstawionych metod ma swoje unikalne zalety i ograniczenia. GD jest podstawową techniką, która mimo swojej prostoty, może być nieefektywna przy dużych zbiorach danych. Adam, łącząc cechy AdaGrad i RMSProp, oferuje dynamiczne dostosowywanie współczynników uczenia, co umożliwia szybszą i bardziej stabilną zbieżność. AdaGrad i RMSProp dostosowują współczynniki uczenia dla każdej wagi, ale różnią się podejściem do utrzymywania stabilności procesu uczenia.\nLM jest niezwykle efektywny dla małych i średnich sieci, szczególnie gdy priorytetem ma być szybkie zbieganie do minimum funkcji kosztu. BR wprowadza regularyzację, aby zapobiegać przeuczeniu, natomiast SCG optymalizuje proces uczenia przez wprowadzenie skalowania w kierunku poszukiwania. Każdy z tych algorytmów można dostosować do specyficznych warunków i potrzeb\n\ndanego projektu, co podkreśla ich wszechstronność w kontekście różnorodnych zastosowań sieci neuronowych.\n3.7.2. Techniki regularyzacji w sieciach neuronowych\nRegularyzacja jest ważnym elementem w procesie trenowania modeli uczenia maszynowego, który ma na celu poprawę zdolności modelu do generalizacji na nowych, nieznanych danych. W przypadku sieci neuronowych i innych modeli predykcyjnych regularyzacja pomaga zapobiegać przeuczeniu, które może prowadzić do nadmiernego dopasowania modelu do danych uczących, a w konsekwencji do niskiej wydajności na zbiorach testowych.\nWśród technik regularyzacji można wyróżnić m.in. następujące:\n1. Regularyzacja L2\n(3.15) gdzie:\n– oryginalna funkcja kosztu;\n– wagi modelu;\n– współczynnik regularyzacji.\nRegularyzacja L2, znana również jako Ridge Regression, wprowadza dodatkowy człon do funkcji kosztu, proporcjonalny do sumy kwadratów wag modelu. Dodanie tego członu powoduje, że model jest karany za dużą wartość wag, co prowadzi do zmniejszenia ich wartości. Regularyzacja L2 sprawdza się szczególnie w przypadku problemów z wieloma cechami, ponieważ pomaga w utrzymaniu małych wag i zmniejsza ryzyko przeuczenia modelu. W efekcie model staje się bardziej odporny na szum w danych [129].\n2. Regularyzacja L1\n(3.16)\nRegularyzacja L1, znana również jako Lasso Regression, dodaje do funkcji kosztu karę proporcjonalną do sumy wartości bezwzględnych wag modelu. W przeciwieństwie do regularyzacji L2, regularyzacja L1 ma tendencję do prowadzenia do rzadkości modelu, co oznacza, że niektóre wagi mogą stać się dokładnie zerowe. To sprawia, że L1 staje się szczególnie użyteczna, gdy celem jest selekcja cech [130].\n\n3. Dropout\nDropout jest techniką regularyzacji specyficzną dla sieci neuronowych.\nPolega na losowym „wyłączaniu” (czyli ustawianiu na zero) pewnego procentu neuronów w warstwie podczas uczenia. Przykładowo, dla danej warstwy neuronowej co epokę losowy podzbiór neuronów jest „wyłączany” i nie bierze udziału w przetwarzaniu danych. W czasie testowania wszystkie neurony są aktywne, ale ich wagi przeskalowane w celu kompensacji dropoutu podczas uczenia. Dropout zmusza sieć do bardziej niezależnej pracy neuronów i zapobiega przeuczeniu poprzez redukcję nadmiernego dopasowania się do danych uczących [131].\n4. Wczesnego zatrzymania\nTechnika wczesnego zatrzymania (ang. early stopping) polega na monitorowaniu wydajności modelu na zbiorze walidacyjnym podczas uczenia i przerwaniu uczenia, gdy wydajność na zbiorze walidacyjnym przestaje się poprawiać.\nTypowy algorytm wczesnego zatrzymania obejmuje:\nÒ rozdzielenie danych na zbiór uczący i walidacyjny;\nÒ uczenie modelu na zbiorze uczących oraz monitorowanie wydajności na zbiorze walidacyjnym;\nÒ zatrzymanie uczenia modelu, gdy wydajność na zbiorze walidacyjnym przestaje się poprawiać przez określoną liczbę epok (np. 6).\nTechnika wczesnego zatrzymania jest prostą i efektywną metodą, która zapobiega nadmiernemu dostosowywaniu modelu do danych uczących, zapewniając lepszą generalizację na nowych danych [132,133].\nKażda z powyżej omówionych technik wprowadza dodatkowe mechanizmy do procesu trenowania modelu, które pomagają w kontrolowaniu złożoności modelu oraz w poprawie jego zdolności do przewidywania na podstawie nowych danych. Ich zastosowanie w praktyce pozwala na budowanie bardziej niezawodnych modeli, które potrafią skutecznie przewidywać wyniki na podstawie nowych, nieznanych danych, co jest kluczowe dla sukcesu w zastosowaniach sieci neuronowych.\n3.8. Wskaźniki oceny jakości sieci neuronowych\nWskaźniki oceny jakości sieci neuronowych odgrywają istotną rolę w analizie i interpretacji wyników uzyskiwanych przez modele uczenia maszynowego.\nIch wybór oraz interpretacja zależą od rodzaju problemu, który jest poddawany\n\nanalizie – czy dotyczy problemu klasyfikacyjnego, czy regresyjnego. Każdy typ problemu wymaga różnych miar jakości, które pomagają w ocenie skuteczności modelu.\nDla problemów regresyjnych, w których przewidywane są wartości ciągłe, stosuje się inne wskaźniki oceny niż dla problemów klasyfikacyjnych. Jednym z podstawowych wskaźników dla problemów regresyjnych jest błąd średniokwadratowy (ang. mean squared error, MSE), który mierzy średnią wartość kwadratów różnic między wartościami przewidywanymi a rzeczywistymi. Kolejnym wskaźnikiem jest pierwiastek z błędu średniokwadratowego (ang. root mean squared error, RMSE), będący pierwiastkiem kwadratowym z MSE, który zapewnia intuicyjną interpretację błędu w tych samych jednostkach, co dane wyjściowe.\nŚredni błąd bezwzględny (ang. mean absolute error, MAE) oblicza średnią wartość bezwzględnych różnic między wartościami przewidywanymi a rzeczywistymi, co jest mniej wrażliwe na ekstremalne błędy. Wskaźnik R (współczynnik korelacji) mierzy, jaka część zmienności w danych jest wyjaśniona przez model, co pozwala na ocenę ogólnego dopasowania modelu do danych.\nDodatkowo istnieją bardziej specyficzne wskaźniki, takie jak względny błąd informacji (ang. relative information error, RIE) oraz średni bezwzględny błąd procentowy (ang. mean absolute percentage error, MAPE). RIE jest miarą względną, która ocenia jakość modelu względem prostego modelu bazowego, podczas gdy MAPE mierzy średni błąd jako procent wartości rzeczywistej, co jest szczególnie przydatne w kontekście danych, gdzie wartości mają różne skale.\nProblemy klasyfikacyjne dotyczą przypisania próbek do jednej z wielu klas. W takich przypadkach istotne jest określenie, jak dokładnie model przewiduje klasy dla nowych danych. Dokładność jest jednym z podstawowych wskaźników oceny, definiowanym jako procent poprawnych klasyfikacji spośród wszystkich prób. Jest on szczególnie użyteczny, gdy klasy są zbalansowane i nie ma jednej klasy dominującej. Macierz pomyłek to tabela, która przedstawia liczbę prawdziwie pozytywnych, fałszywie pozytywnych, prawdziwie negatywnych i fałszywie negatywnych klasyfikacji, co pomaga zrozumieć, które klasy są najczęściej mylone. Precyzja jest stosunkiem liczby prawdziwie pozytywnych klasyfikacji do liczby wszystkich pozytywnych klasyfikacji (prawdziwych i fałszywych), co jest szczególnie ważne w przypadku, gdy koszt fałszywych pozytywów jest wysoki. Czułość to stosunek liczby prawdziwie pozytywnych klasyfikacji do liczby wszystkich rzeczywistych pozytywnych przypadków, co jest istotne, gdy ważne jest wykrycie wszystkich pozytywnych przypadków.\nF1-score to harmoniczna średnia precyzji i czułości, która stanowi zbalansowaną miarę uwzględniającą zarówno fałszywe pozytywy, jak i fałszywe negatywy.\n\nWybór odpowiedniego wskaźnika oceny jakości jest istotny dla prawidłowej interpretacji wyników modelu i zależy od specyfiki analizowanego problemu. W dalszej części tego rozdziału opisano szczegółowo wymienione powyżej wskaźniki jakości oceny sieci neuronowych.\n3.8.1. Wskaźniki oceny jakości sieci neuronowych dla problemów regresyjnych\nW kontekście problemów regresyjnych ocena jakości modeli sieci neuronowych jest istotna, aby zapewnić ich skuteczność i dokładność. Istnieje kilka wskaźników jakości, które są powszechnie stosowane do oceny wyników predykcji modeli regresyjnych. W analizowanych w tej monografii badaniach szczegółowo omówione zostaną takie wskaźniki, jak: współczynnik korelacji\n(R), błąd średniokwadratowy (MSE), pierwiastek z błędu średniokwadratowego (RMSE), względny błąd informacji (RIE), średni bezwzględny błąd procentowy (MAPE) oraz średni błąd bezwzględny (MAE).\nWspółczynnik korelacji (R) mierzy siłę i kierunek liniowej zależności między dwiema zmiennymi. Jest obliczany jako:\nε (3.17) gdzie:\n– rzeczywiste wartości;\n– wartości przewidywane przez model;\n– kowariancja rzeczywistych i przewidywanych wartości;\n– odchylenie standardowe rzeczywistych wartości;\n– odchylenie standardowe wartości przewidywanych.\nWartość R w zakresie od 0 do 1 wskazuje na liniową zależność między zmiennymi. Wartość bliska 1 oznacza silną dodatnią korelację, a wartość bliska\n0 wskazuje na brak liniowej korelacji. W kontekście procesów produkcyjnych wysoki współczynnik korelacji między rzeczywistymi a przewidywanymi wartościami może wskazywać na skuteczność modelu w prognozowaniu wydajności produkcji lub jakości produktów.\nBłąd średniokwadratowy (MSE) mierzy średnią kwadratów różnic między rzeczywistymi a przewidywanymi wartościami [134]. Niższe wartości MSE wskazują na lepsze dopasowanie modelu do danych. MSE jest czuły na duże błędy, ponieważ różnice są podnoszone do kwadratu. Formuła, według której jest on obliczany, to:\n\n(3.18) gdzie: oznaczenia jak powyżej.\nPierwiastek z błędu średniokwadratowego (RMSE) to pierwiastek z MSE.\nRMSE bardziej penalizuje większe błędy w porównaniu z mniejszymi, co oznacza, że duże odchylenia od rzeczywistych wartości mają znacząco większy wpływ na końcowy wynik tego wskaźnika. Innymi słowy, im większy błąd predykcji, tym bardziej jest on akcentowany w wartości RMSE, co czyni ten wskaźnik szczególnie wrażliwym na duże błędy w predykcjach. Wylicza się go za pomocą następującej formuły [134–136]:\n(3.19) gdzie: oznaczenia jak powyżej.\nWzględny błąd informacji (RIE) mierzy względny błąd predykcji, uwzględniając różnice między rzeczywistymi a przewidywanymi wartościami w kontekście całkowitej informacji w danych. Jest szczególnie użyteczny w przypadkach, gdy ważne jest zrozumienie błędów względnych, a nie bezwzględnych.\nJest wyrażany matematycznie jako [137]:\n(3.20) gdzie: oznaczenia jak powyżej.\nŚredni bezwzględny błąd procentowy (MAPE) mierzy średni bezwzględny procentowy błąd między rzeczywistymi a przewidywanymi wartościami [134,\n138]. MAPE wyraża błąd w procentach, co czyni go łatwym do interpretacji.\nDefiniuje się go następująco [136]:\n(3.21) gdzie: oznaczenia jak powyżej.\n\nŚredni błąd bezwzględny (MAE) mierzy średnią bezwzględną różnicę między rzeczywistymi a przewidywanymi wartościami [134]. MAE jest prostą i intuicyjną miarą błędu. Ponieważ nie uwzględnia kwadratów różnic, nie jest tak czuły na duże błędy, jak MSE czy RMSE. Często stosuje się go w przypadkach, gdzie równomierne traktowanie wszystkich błędów jest pożądane.\nOblicza się go jako [135]:\n(3.22) gdzie: oznaczenia jak powyżej.\nOcena jakości modeli regresyjnych w kontekście produkcji jest kluczowa dla zapewnienia ich skuteczności i dokładności. Wskaźniki, takie jak R, MSE,\nRMSE, RIE, MAPE i MAE oferują różne perspektywy na dokładność i precyzję modeli, umożliwiając wybór najbardziej odpowiednich miar w zależności od specyfiki danego zastosowania produkcyjnego. Właściwy wybór i interpretacja tych wskaźników może znacząco poprawić procesy decyzyjne w kontekście przemysłowym.\n3.8.2. Wskaźniki oceny jakości sieci neuronowych dla problemów klasyfikacyjnych\nWskaźniki oceny modeli klasyfikacyjnych są niezbędne dla zrozumienia, jak dobrze model radzi sobie z przypisywaniem próbek do odpowiednich klas.\nIstnieje wiele miar, które można wykorzystać do oceny wydajności modelu, z których każda dostarcza unikalnych informacji na temat jego skuteczności.\nKlasyczne wskaźniki, takie jak dokładność, precyzja, czułość i F1-score, pozwalają na ocenę różnych aspektów wyników klasyfikacji. Analiza tych wskaźników wspierana przez narzędzia, takie jak macierz pomyłek czy krzywa ROC, pozwala na głębokie zrozumienie wydajności modelu i jest nieodzowna w procesie doskonalenia algorytmów klasyfikacyjnych. Wprowadzenie tych miar jest niezbędne do wyboru najlepszego modelu do konkretnego zadania oraz identyfikacji obszarów wymagających poprawy.\nMacierz pomyłek jest narzędziem wykorzystywanym do oceny wydajności algorytmów klasyfikacyjnych. Jest to tabela używana do wizualizacji wyników działania algorytmu klasyfikacji, która porównuje rzeczywiste klasy próbek z klasami przewidywanymi przez model. Pozwala ona na szczegółową analizę błędów klasyfikacji. Strukturę macierzy pomyłek przedstawia tabela 3.1.\n\nTabela 3.1. Struktura macierzy pomyłek\nPredykcja negatywna Predykcja pozytywna\nStan rzeczywisty przypadki\nFN FP negatywne\nStan rzeczywisty przypadki\nTN TP pozytywne\nW przypadku klasyfikacji binarnej macierz pomyłek składa się z czterech podstawowych elementów:\nÒ TP (True Positives) – prawdziwie pozytywne klasyfikacje, przypadki poprawnie zidentyfikowane jako pozytywne;\nÒ TN (True Negatives) – prawdziwie negatywne klasyfikacje, przypadki poprawnie zidentyfikowane jako negatywne;\nÒ FP (False Positives) – fałszywie pozytywne klasyfikacje, przypadki błędnie zidentyfikowane jako pozytywne;\nÒ FN (False Negatives) – fałszywie negatywne klasyfikacje, przypadki błędnie zidentyfikowane jako negatywne.\nMacierz pomyłek dostarcza pełnego obrazu działania modelu klasyfikacji, pokazując, ile przypadków każdej klasy zostało poprawnie i błędnie sklasyfikowanych. Pozwala to na identyfikację specyficznych problemów modelu, takich jak tendencja do fałszywie pozytywnych lub fałszywie negatywnych klasyfikacji. Analizując macierz pomyłek, można wyciągnąć wnioski na temat koniecznych usprawnień modelu [139,140]. W obszarze produkcji macierz pomyłek może pomóc zidentyfikować, które rodzaje wad są najczęściej błędnie klasyfikowane. Na przykład jeżeli system kontroli jakości w fabryce ma tendencję do błędnej klasyfikacji pewnych typów wad, macierz pomyłek pomoże zidentyfikować te problemy i skierować wysiłki na ich poprawę.\nMacierz pomyłek stanowi podstawę do obliczenia innych kluczowych wskaźników oceny, takich jak dokładność, precyzja, czułość i F1-score.\nDokładność to miara, która określa procent poprawnych klasyfikacji spośród wszystkich prób, niezależnie od klasy. Dokładność to intuicyjny i łatwy do zrozumienia wskaźnik, szczególnie użyteczny w sytuacjach, gdy klasy są zbalansowane. W przeciwnych przypadkach (np. gdy jedna klasa znacznie przewyższa liczebnie inną), dokładność może być myląca. Na przykład model, który zawsze przewiduje dominującą klasę, może mieć wysoką dokładność, mimo że nie rozpoznaje mniejszościowych klas poprawnie [139,140]. W produkcyjnych przypadkach, gdzie jedna klasa może być znacznie liczniejsza, dokładność może być myląca. Na przykład w systemie monitorującym jakość produktów\n\nna linii produkcyjnej, jeżeli większość produktów jest bez wad, model przewidujący, że wszystkie produkty są dobre, może osiągnąć wysoką dokładność, pomimo że nie wykrywa wadliwych produktów.\n(3.23) ł ść gdzie: oznaczenia jak powyżej.\nPrecyzja to miara dokładności przewidywań modelu, która określa procent prawdziwie pozytywnych klasyfikacji wśród wszystkich przypadków sklasyfikowanych jako pozytywne. Precyzja ma kluczowe znaczenie w sytuacjach, gdy koszt fałszywie pozytywnych klasyfikacji jest wysoki. Na przykład w systemach medycznych fałszywie pozytywne diagnozy mogą prowadzić do niepotrzebnych i kosztownych badań oraz leczenia. W obszarze produkcji fałszywie pozytywne klasyfikacje mogą oznaczać, że dobry produkt został błędnie oznaczony jako wadliwy, co prowadzi do niepotrzebnych kosztów związanych z jego ponowną kontrolą lub odrzuceniem. Wysoka precyzja oznacza, że model rzadko przypisuje wadę dobremu produktowi [139–141]:\n(3.24) gdzie: oznaczenia jak powyżej.\nCzułość to miara skuteczności modelu w wykrywaniu wszystkich pozytywnych przypadków. Wskaźnik ten odgrywa istotną rolę w sytuacjach, gdy priorytetem jest wykrycie wszystkich pozytywnych przypadków. W obszarze produkcji wysoka czułość oznacza, że model rzadko przeocza wadliwy produkt, co jest ważne dla utrzymania wysokiej jakości produkcji i minimalizacji ryzyka dostarczenia wadliwych produktów do klienta [139,140]:\n(3.25) ł ść gdzie: oznaczenia jak powyżej.\nF1-score to harmoniczna średnia precyzji i czułości, zapewniająca zbalansowaną miarę wydajności modelu. F1-score uwzględnia zarówno fałszywe pozytywy, jak i fałszywe negatywy, będąc wskaźnikiem przydatnym, gdy istnieje potrzeba równoważenia między precyzją a czułością. W produkcji F1-score jest szczególnie ważny, gdy zarówno fałszywie pozytywne, jak i fałszywie negatywne wyniki są kosztowne. Na przykład równoważenie między wykrywaniem wszystkich wadliwych produktów (wysoka czułość) a minimalizowaniem\n\nliczby dobrych produktów błędnie oznaczonych jako wadliwe (wysoka precyzja) jest istotne dla efektywnego systemu kontroli jakości [139,140]:\n(3.26) gdzie: oznaczenia jak powyżej.\nKrzywa ROC (ang. receiver operating characteristic) to narzędzie używane do oceny jakości modeli klasyfikacyjnych, szczególnie w kontekście problemów z niezbalansowanymi danymi. Krzywa ROC przedstawia zależność między czułością (wskaźnikiem prawdziwie pozytywnych wyników – TPR) a specyficznością (1 – wskaźnikiem fałszywie pozytywnych wyników – FPR) dla różnych progów decyzyjnych [142]. Wykres ten pozwala na ocenę, jak dobrze model radzi sobie z rozróżnianiem między klasami. Aby stworzyć krzywą ROC, dla każdego możliwego progu decyzyjnego wylicza się wskaźniki czułości i specyficzności, a następnie przedstawia się je na wykresie, gdzie:\nÒ oś x (pozioma) reprezentuje 1 – specyficzność (wskaźnik fałszywie pozytywnych wyników);\nÒ oś y (pionowa) reprezentuje czułość (wskaźnik prawdziwie pozytywnych wyników).\nKrzywą ROC można wykorzystać również jako miernik jakości klasyfikatora, wyznaczając pole powierzchni pod krzywą (AUC – ang. area under the curve). Wartość AUC mieści się w przedziale od 0 do 1, gdzie wartość 1 oznacza model doskonały, a wartość 0,5 model losowy. Im wyższa wartość AUC, tym lepsza jest zdolność modelu do rozróżniania między klasami. Krzywa\nROC może być szczególnie przydatna do oceny, jak zmieniają się wyniki klasyfikacji wraz ze zmianą progu decyzyjnego [143]. Na przykład w systemach kontroli jakości można być bardziej zainteresowanym minimalizowaniem fałszywych negatywów (przegapionych wadliwych produktów) kosztem większej liczby fałszywie pozytywnych klasyfikacji (błędne oznaczenie dobrego produktu jako wadliwy). Analiza krzywej ROC pozwala na znalezienie optymalnego punktu pracy, który najlepiej odpowiada specyficznym wymaganiom danego procesu produkcyjnego. Krzywa ROC oraz AUC stanowią narzędzie uzupełniające inne miary jakości klasyfikacji, takie jak dokładność, precyzja, czułość i F1-score [144,145].\nOcenianie jakości modeli klasyfikacyjnych jest kluczowym elementem procesu budowy i wdrażania sieci neuronowych. W kontekście problemów klasyfikacyjnych odpowiednie wskaźniki pozwalają na zrozumienie, jak dobrze model radzi sobie z przypisywaniem obserwacji do odpowiednich kategorii.\n\nDobór właściwych miar oceny jest istotny zarówno dla samego procesu trenowania modelu, jak i dla późniejszej oceny jego wydajności w środowisku produkcyjnym. Dzięki temu można nie tylko określić, który model najlepiej spełnia określone wymagania, ale także zidentyfikować potencjalne obszary do poprawy.\n\n4. Optymalizacja parametrów obróbki skrawaniem\nOptymalizacja parametrów obróbki skrawaniem z wykorzystaniem sztucznych sieci neuronowych stanowi jedno z najnowocześniejszych podejść w inżynierii produkcji, które integruje zaawansowane techniki modelowania i analizy z praktyką przemysłową. Współczesne procesy produkcyjne charakteryzujące się rosnącymi wymaganiami dotyczącymi precyzji, efektywności oraz jakości produktów, stawiają przed inżynierami wyzwania, którym tradycyjne metody optymalizacji nie zawsze są w stanie sprostać. W tym kontekście zastosowanie\nANN pozwala na znaczący postęp w dziedzinie optymalizacji procesów obróbkowych, umożliwiając nie tylko precyzyjne dostosowanie parametrów obróbki, ale również dynamiczne reagowanie na zmieniające się warunki produkcyjne.\nWprowadzenie sztucznych sieci neuronowych do optymalizacji procesów obróbki wynika z ich zdolności do modelowania nieliniowych, złożonych relacji między wieloma zmiennymi. Tradycyjne metody, oparte na analizach statystycznych lub metodach prób i błędów, często okazują się niewystarczające, zwłaszcza w przypadku obróbki materiałów o trudnych właściwościach fizykochemicznych, takich jak stopy magnezu. Stopy te, ze względu na swoją niską gęstość, wysoką wytrzymałość w stosunku do masy oraz doskonałe właściwości tłumienia drgań, znajdują szerokie zastosowanie w zaawansowanych branżach przemysłowych, takich jak lotnictwo, motoryzacja czy elektronika.\nJednak ich obróbka stawia specyficzne wyzwania technologiczne, związane z wysoką reaktywnością chemiczną i niską temperaturą zapłonu, co zwiększa\n\nryzyko wystąpienia niebezpiecznych sytuacji, takich jak samozapłon podczas procesu skrawania.\nZastosowanie ANN w optymalizacji parametrów obróbki pozwala na precyzyjne modelowanie tych ryzyk oraz na identyfikację optymalnych warunków pracy, które minimalizują możliwość wystąpienia niepożądanych zdarzeń.\nDzięki zdolności do uczenia się na podstawie danych doświadczalnych sieci neuronowe są w stanie przewidywać wpływ zmian parametrów obróbki, takich jak prędkość skrawania, posuw czy głębokość skrawania, na końcowe właściwości powierzchni, zużycie narzędzi oraz bezpieczeństwo procesu. Co więcej,\nANN mogą być wykorzystane do dynamicznej optymalizacji procesu w czasie rzeczywistym, co ma szczególnie znaczenie w produkcji seryjnej, gdzie minimalizacja odchyłek od założonych parametrów jest istotna dla utrzymania wysokiej jakości produktów.\nW niniejszym rozdziale omówione zostaną: metodyka identyfikacji procesu na podstawie modelu doświadczalnego oraz zaawansowanych technik modelowania parametrów chropowatości powierzchni, które stanowią miarę jakości wyrobu końcowego. Współczesne wymagania przemysłowe dotyczące jakości powierzchni są coraz bardziej rygorystyczne, co wymusza konieczność precyzyjnej kontroli parametrów obróbki. ANN, dzięki swojej zdolności do dokładnego modelowania relacji między parametrami procesu a właściwościami powierzchni, pozwalają na optymalizację tych parametrów w celu uzyskania pożądanej chropowatości, co bezpośrednio przekłada się na funkcjonalność i trwałość produktów.\nRozdział ten kończy szczegółowa analiza optymalizacji parametrów obróbki z uwzględnieniem ograniczeń siłowych, co stanowi kolejny istotny element efektywnego zarządzania procesami produkcyjnymi. Siły skrawania mają bezpośredni wpływ na jakość powierzchni oraz na trwałość narzędzi, a ich optymalizacja jest niezbędna do zapewnienia stabilności procesu oraz do minimalizacji kosztów produkcji. ANN, poprzez modelowanie sił skrawania, umożliwiają identyfikację takich kombinacji parametrów, które minimalizują negatywne efekty siły skrawania, jednocześnie maksymalizując wydajność procesu. Dzięki temu możliwe jest nie tylko zapewnienie wysokiej jakości produktów, ale również zwiększenie efektywności energetycznej procesów produkcyjnych, co ma istotne znaczenie w obliczu globalnych trendów zmierzających do zrównoważonego rozwoju i redukcji emisji gazów cieplarnianych.\nOptymalizacja parametrów obróbki skrawaniem z wykorzystaniem ANN to zaawansowane narzędzie, które może umożliwić inżynierom nie tylko zwiększenie efektywności procesów produkcyjnych, ale również zapewnienie\n\nnajwyższych standardów jakości i bezpieczeństwa. Rozdział ten dostarczy kompleksowego wglądu w te zagadnienia, przedstawione zostaną zarówno teoretyczne podstawy, jak i praktyczne zastosowania ANN w optymalizacji procesów obróbki materiałów, z uwzględnieniem specyficznych wyzwań związanych z obróbką trudnych materiałów, takich jak stopy magnezu.\n4.1. Proces frezowania stopów magnezu\nFrezowanie stanowi proces obróbki skrawaniem, który znajduje szerokie zastosowanie w produkcji komponentów z różnych materiałów, w tym szczególnie stopów magnezu. Stopy magnezu ze względu na swoje unikalne właściwości fizykochemiczne, takie jak niska gęstość, wysoka wytrzymałość w stosunku do masy oraz doskonała zdolność tłumienia drgań, zyskują coraz większą popularność w zaawansowanych zastosowaniach inżynieryjnych [146]. Niska gęstość stopów magnezu sprawia, że są one wyjątkowo atrakcyjne w przemyśle lotniczym, motoryzacyjnym oraz elektronicznym [147].\nDzięki wysokiej wytrzymałości mechanicznej w stosunku do masy stopy magnezu pozwalają na projektowanie lekkich, a zarazem wytrzymałych konstrukcji, co jest szczególnie istotne w aplikacjach lotniczych, gdzie każda redukcja masy przekłada się na znaczne oszczędności paliwa i zwiększenie zasięgu lotu [148].\nW motoryzacji zastosowanie stopów magnezu prowadzi do zmniejszenia masy pojazdów, co w konsekwencji redukuje zużycie paliwa oraz emisję spalin, a tym samym przyczynia się do ochrony środowiska [149]. Stopy magnezu ponadto charakteryzują się doskonałymi właściwościami tłumienia drgań, co jest szczególnie korzystne w przemyśle elektronicznym, gdzie minimalizacja wibracji jest kluczowa dla poprawy wydajności i trwałości urządzeń elektronicznych [150].\nWykorzystanie stopów magnezu w zaawansowanych aplikacjach inżynieryjnych pozwala na znaczną redukcję masy komponentów, co jest niezwykle istotne w obliczu globalnych trendów zmierzających do poprawy efektywności energetycznej oraz redukcji emisji gazów cieplarnianych [151].\nJednakże frezowanie stopów magnezu wiąże się z pewnymi istotnymi wyzwaniami technologicznymi, wynikającymi z unikalnych właściwości fizykochemicznych tych materiałów. Magnez i jego stopy charakteryzują się wysoką reaktywnością chemiczną oraz niską temperaturą zapłonu, co czyni je szczególnie podatnymi na samozapłon podczas procesów obróbki skrawaniem.\nW wyniku oddziaływania sił skrawających oraz tarcia generowane są wysokie temperatury, które mogą przekraczać próg zapłonu magnezu, prowadząc do\n\negzotermicznych reakcji spalania, trudnych do opanowania i stwarzających poważne zagrożenie dla bezpieczeństwa pracy [151].\nDrobne wióry, pył czy cienkie elementy magnezu powstające podczas frezowania są szczególnie niebezpieczne, gdyż ich stosunek powierzchni do objętości jest wysoki, co sprzyja szybkiemu nagrzewaniu i zapłonowi. W celu minimalizacji ryzyka samozapłonu istotne jest przestrzeganie ściśle określonych parametrów obróbki. Optymalna prędkość skrawania powinna być dostosowana do właściwości obrabianego stopu magnezu, aby zredukować generowanie nadmiernego ciepła. Dodatkowo skuteczne chłodzenie narzędzi skrawających oraz powierzchni obrabianych jest niezbędne, aby efektywnie odprowadzać ciepło i zapobiec osiągnięciu temperatury zapłonu [151].\nWłaściwe zarządzanie procesem frezowania stopów magnezu ma duże znaczenie nie tylko z powodów ekonomicznych, ale przede wszystkim z punktu widzenia bezpieczeństwa i efektywności produkcji. Zarządzanie tym procesem wymaga ścisłej kontroli parametrów obróbki oraz zastosowania zaawansowanych technologii, które pozwalają na optymalizację procesu pod kątem jakości otrzymanych wyrobów, kosztów oraz bezpieczeństwa. Zaawansowane strategie obróbki, takie jak frezowanie trochoidalne, mogą znacznie zwiększyć stabilność procesu poprzez zmniejszenie sił skrawania i drgań, które mają znaczenie dla zachowania dokładności i jakości wytwarzanych elementów [152,153].\nModelowanie procesu frezowania stopów magnezu stanowi istotny krok w kierunku zwiększenia efektywności i bezpieczeństwa obróbki tych materiałów. Modelowanie komputerowe pozwala na symulację różnych scenariuszy obróbki, co umożliwia identyfikację optymalnych parametrów procesu bez konieczności przeprowadzania kosztownych i czasochłonnych eksperymentów. Dzięki modelowaniu można przewidzieć zachowanie materiału w różnych warunkach obróbki, co pozwala na lepsze zrozumienie mechanizmów skrawania oraz minimalizację ryzyka zapłonu.\nKomputerowe modelowanie procesu frezowania stopów magnezu umożliwia symulację różnych kombinacji prędkości skrawania, posuwu oraz głębokości skrawania, co pozwala na określenie najbardziej efektywnych ustawień zapewniających wysoką jakość powierzchni oraz minimalne zużycie narzędzi. Na przykład badania przeprowadzone przez Ritti i Bhat (2021) wykazały, że odpowiednie modelowanie narzędzi do procesów, takich jak friction stir processing (obróbka metodą zgrzewania tarciowego), pozwala na projektowanie narzędzi o minimalnej deformacji, niskim naprężeniu oraz wysokiej trwałości zmęczeniowej, co jest istotne dla skutecznego przetwarzania stopów magnezu [154].\n\nModelowanie procesów pozwala na redukcję liczby niezbędnych prób eksperymentalnych, co przekłada się na znaczne oszczędności finansowe, gdyż pozwala na identyfikację problemów przed rozpoczęciem rzeczywistej obróbki, minimalizując straty materiałowe i czasowe. Ponadto dzięki możliwości symulacji różnych scenariuszy można lepiej przewidzieć potencjalne zagrożenia, takie jak zapłon materiału, i wdrożyć odpowiednie środki zapobiegawcze, co zwiększa bezpieczeństwo procesu. Modelowanie umożliwia również szybkie testowanie innowacyjnych rozwiązań i technologii obróbczych, co przyspiesza wdrażanie nowych metod produkcji.\nModelowanie procesu frezowania stopów magnezu jest niezwykle złożonym zadaniem, wymagającym precyzyjnej identyfikacji wszystkich kluczowych parametrów i zależności. Właściwe zrozumienie i opisanie mechanizmów zachodzących podczas frezowania jest podstawą do stworzenia wiarygodnego modelu, który może służyć do optymalizacji procesów produkcyjnych. Aby osiągnąć taki poziom precyzji i dokładności w modelowaniu, niezbędne jest przeprowadzenie dokładnej identyfikacji procesu obróbki.\n4.2. Identyfikacja procesu na podstawie modelu doświadczalnego\nIdentyfikacja procesów ma charakter iteracyjny i polega na porównywaniu modeli o różnych strukturach danych. Model jest uproszczonym przedstawieniem rzeczywistości, skonstruowanym w konkretnym celu, eliminującym szczegóły nieistotne dla jego osiągnięcia. Modele umożliwiają lepsze zrozumienie badanych zjawisk, co jest niezbędne w badaniach naukowych. Model doświadczalny odwzorowuje przebieg procesu oraz jego cechy, co jest kluczowe w rozwiązywaniu problemów praktycznych, zwłaszcza gdy matematyczne opisanie procesu bywa skomplikowane [155–157].\nProces identyfikacji rozpoczyna się od oszacowania parametrów prostych modeli strukturalnych. Jeżeli model nie spełnia wymagań dotyczących dokładności, stopniowo zwiększa się jego złożoność. Ostatecznie wybiera się najprostszy model, który najlepiej opisuje dynamikę systemu. Ważne jest, aby rozpocząć od modeli prostych, ponieważ bardziej złożone modele nie zawsze są dokładniejsze. Ponadto, przy zwiększeniu złożoności modelu wzrasta niepewność oszacowań parametrów i wymagana jest większa ilość danych [158,159].\nIdentyfikacja procesu obróbki polega na szczegółowym badaniu i analizie wszystkich czynników wpływających na przebieg frezowania, takich jak\n\nprędkość skrawania, posuw, głębokość skrawania, rodzaj narzędzia, warunki chłodzenia czy właściwości materiału. Każdy z tych parametrów ma bezpośredni wpływ na efektywność obróbki, jakość powierzchni, zużycie narzędzi oraz bezpieczeństwo procesu. Na przykład prędkość skrawania i posuw determinują ilość ciepła generowanego podczas obróbki, co jest istotne dla minimalizowania ryzyka zapłonu łatwopalnych stopów magnezu.\nRzetelna identyfikacja procesu umożliwia zrozumienie wzajemnych zależności między parametrami obróbki a wynikowymi właściwościami produktu.\nPozwala to na przewidywanie, w jaki sposób zmiany w jednym parametrze wpłyną na inne aspekty procesu, co jest niezbędne do optymalizacji parametrów obróbki w celu osiągnięcia najlepszych wyników. Bez tej wiedzy próby optymalizacji mogłyby prowadzić do nieprzewidywalnych rezultatów, zwiększając ryzyko nieefektywnej produkcji lub niebezpiecznych sytuacji.\nZnajomość dynamicznych właściwości procesu frezowania umożliwiłaby przewidywanie istotnych parametrów wyjściowych, takich jak chropowatość powierzchni czy siła skrawania. Modelowanie zjawisk zachodzących w strefie skrawania jest jednak złożone i nieliniowe. Wynika to z dynamicznych interakcji siłowych między narzędziem a przedmiotem obrabianym oraz z niestacjonarności procesu, jak w przypadku frezowania. Frez kontaktuje się z materiałem w zmieniających się warunkach, co powoduje zmiany w sztywności i warunkach skrawania. Aby przewidzieć te zmiany, należy traktować proces frezowania jako system sterowania i przeprowadzić jego identyfikację, określając wejścia i wyjścia modelu. Model „czarnej skrzynki” jest tutaj szczególnie użyteczny, ponieważ dopasowuje dane wejściowe i wyjściowe uzyskane z systemu.\nJako sterowalne i dostępne dane wejściowe do modelu należy uznać parametry obróbki (np. prędkość skrawania (v), posuw na ostrze (f) oraz głębokość c skrawania (a )), mając jednak świadomość, że powstałe siły skrawania oraz p drgania mogą zmieniać się ze względu na lokalne warunki procesu w różnych punktach toru narzędzia skrawającego. Ważnym krokiem w procesie identyfikacji jest również zbieranie danych eksperymentalnych. Pomiar sił skrawania czy analiza jakości powierzchni obrabianego materiału pozwalają na stworzenie dokładnych baz danych, które są niezbędne do kalibracji i weryfikacji opracowywanego modelu. Dane te mogą pochodzić z rzeczywistych prób frezowania lub z zaawansowanych eksperymentów laboratoryjnych.\nPo zebraniu danych i ich analizie możliwe jest stworzenie modelu, który odzwierciedla rzeczywiste zależności zachodzące podczas procesu frezowania.\nModel taki może być następnie wykorzystany do symulacji różnych scenariuszy\n\nobróbki. Właściwa identyfikacja procesu frezowania stopów magnezu jest istotnym elementem skutecznego modelowania. Pozwala na dokładne zrozumienie mechanizmów skrawania oraz zależności między parametrami procesu a wynikami obróbki. Dzięki temu możliwe jest stworzenie wiarygodnego modelu doświadczalnego, który przyczynia się do optymalizacji procesu, zwiększenia jego efektywności oraz zapewnienia bezpieczeństwa produkcji.\n4.3. Metodyka prowadzonych badań eksperymentalnych\nBadania eksperymentalne dotyczące obróbki frezowaniem przeprowadzono w Katedrze Podstaw Inżynierii Produkcji Wydziału Mechanicznego Politechniki\nLubelskiej. Badania wykonano dla stopu AZ91D. Jego skład chemiczny przedstawia tabela 4.1. Eksperyment przeprowadzono na pionowym centrum Avia\nVMC 800HS z systemem sterowania Heidenhain iTNC 530 z maksymalną prędkością obrotową wrzeciona 24 000 obr/min i maksymalną prędkością posuwu 40 m/min (ryc. 4.1).\nTabela 4.1. Skład chemiczny stopu magnezu AZ91D [160]\nSkład Al Zn Mn Cu Be Mg\nSi [%] Fe [%] Ni [%] chemiczny [%] [%] [%] [%] [%] [%]\nAZ91D 8,91 0,66 0,22 0,016 0,002 0,002 0,001 0,001 pozostałe\nRyc. 4.1. Centrum Avia VMC 800HS\n\nW badaniach dotyczących chropowatości powierzchni wykorzystano frez o średnicy Ø16 mm z wymiennymi ostrzami z polikrystalicznego diamentu\n(PCD) firmy Guhring z kątem pochylenia λ = 0°. Dla poprawy stabilności s obróbki frez zamocowano w uchwycie narzędziowym Shrinkfit SFD z adapterem HSK-A63 firmy Seco. Układ narzędzie-uchwyt został dynamicznie wyważony zgodnie z normą ISO 21940-11: 2016 [160]. W przypadku badań składowych sił skrawania wykorzystano również frez o średnicy Ø16 mm, jednak z innym kątem pochylenia – λ = 20° [161].\ns\nProces frezowania przeprowadzono przy następujących parametrach obróbki: szerokość skrawania a = 15 [mm], prędkość skrawania e v = 400÷1200 [m/min], posuw na ostrze f = 0,05÷0,3 [mm/ostrze] oraz głęboc z kość skrawania a = 0,5÷6 [mm]. Schemat obiektu badań przedstawia ryc. 4.2.\np\nRyc. 4.2. Schemat obiektu badań\nParametry chropowatości 2D zostały zmierzone za pomocą profilometru Hommel Roughness Tester T1000 od Hommel Etamic (ryc. 4.3), z wykorzystaniem cyfrowego filtra Gaussa (M1), zgodnie z międzynarodową normą\nISO 11562. Szczegółowe parametry pomiaru obejmowały: długość przejazdu lt = 4,8 [mm] oraz długo��ć odcinka pomiarowego ln = 0,8 [mm], prędkość skanowania vt = 0,5 [mm/s], a także zakresy pomiarowe i rozdzielczość\nM = ±320 [μm]/0,04 [μm]. Każdy pomiar był wykonywany pięciokrotnie na powierzchni, aby zapewnić wystarczającą ilość danych do obliczenia wartości średnich i odchylenia standardowego wyników.\nDo pomiaru składowych siły skrawania zastosowano siłomierz piezoelektryczny Kistler 9257B (ryc. 4.4) wykonujący pomiar w zakresie -5 [kN] ÷ 5 [kN] wraz ze wzmacniaczem 5017B oraz analizator LMS SCADAS Mobile SCM05.\nWyniki badań eksperymentalnych: wybranych parametrów chropowatości (Ra, Rz, RSm) [160] oraz składowych siły skrawania (F , F, F ) [161] zostały x y z wykorzystane do przygotowania modeli wykorzystywanych do optymalizacji parametrów obróbki.\n\nRyc. 4.3. Profilometr Hommel Roughness Tester T1000\nRyc. 4.4. Siłomierz piezoelektryczny Kistler 9257B\n\n4.4. Optymalizacja parametrów obróbki frezowaniem w celu uzyskania zadanych wartości chropowatości powierzchni\nOptymalizacja parametrów obróbki frezowaniem w celu uzyskania zadanych wartości chropowatości powierzchni jest kluczowym aspektem w procesie produkcji elementów wykonanych z różnych materiałów, w tym ze stopów magnezu. Chropowatość powierzchni, będąca miarą mikrogeometrii powierzchni, odgrywa istotną rolę w określeniu jakości produktu końcowego. Właściwie zoptymalizowane parametry obróbki wpływają nie tylko na wygląd i funkcjonalność komponentów, ale również na ich trwałość i wydajność w eksploatacji.\nZ punktu widzenia jakości produkcji kontrola chropowatości powierzchni jest niezbędna do spełnienia specyfikacji technicznych oraz wymagań klientów.\nElementy o zbyt wysokiej chropowatości mogą prowadzić do zwiększonego tarcia, szybszego zużycia i obniżenia wydajności operacyjnej. Z kolei powierzchnie o zbyt niskiej chropowatości mogą być wynikiem nadmiernej obróbki, co niepotrzebnie zwiększa koszty produkcji i zużycie narzędzi. Dlatego precyzyjne ustalenie i utrzymanie optymalnej chropowatości jest ważne dla zapewnienia wysokiej jakości produktów przy minimalnych kosztach produkcji.\nZarządzanie produkcją wymaga zatem ciągłej optymalizacji parametrów obróbki, takich jak: prędkość skrawania, posuw, głębokość skrawania oraz warunki chłodzenia. Poprzez dokładne dostosowanie tych parametrów można uzyskać pożądane wartości chropowatości, co bezpośrednio przekłada się na poprawę wydajności procesów produkcyjnych. Optymalizacja parametrów obróbki prowadzi do redukcji czasu cyklu produkcyjnego, zmniejszenia zużycia narzędzi oraz ograniczenia liczby wadliwych produktów, co z kolei zwiększa ogólną efektywność produkcji [162–164].\nW kontekście stopów magnezu optymalizacja parametrów obróbki jest szczególnie istotna ze względu na specyficzne właściwości tego materiału, takie jak niska gęstość i wysoka wytrzymałość. Właściwa obróbka magnezu wymaga precyzyjnego zarządzania procesem, aby uniknąć problemów związanych z jego łatwopalnością oraz zapewnić wymagane parametry powierzchniowe. Badania pokazują, że zastosowanie odpowiednich parametrów skrawania, takich jak odpowiednia prędkość, posuw i głębokość skrawania, ma znaczenie dla osiągnięcia optymalnej chropowatości powierzchni i minimalizacji zużycia narzędzi [165].\n\n4.4.1. Metodyka modelowania parametrów chropowatości\nWspółczesna technologia produkcji charakteryzuje się coraz większymi wymaganiami dotyczącymi jakości powierzchni. Kontrola chropowatości powierzchni jest elementem, który wpływa na funkcjonalność i trwałość wytworzonych elementów. Parametry chropowatości, takie jak Ra, Rz, i RSm, są powszechnie stosowane w celu oceny jakości powierzchni w różnych gałęziach przemysłu, od automatyki po zaawansowane technologie biomedyczne. Ra (średnia arytmetyczna bezwzględnych rzędnych profilu chropowatości) [166] jest jednym z najczęściej używanych parametrów chropowatości, służącym do określania ogólnej tekstury powierzchni poprzez średnią wartość bezwzględnych odchyłek profilu od linii środkowej. Ra dostarcza podstawowych informacji o stanie powierzchni i jest uznawany za wskaźnik ogólnego stopnia wygładzenia. Jest szeroko stosowany, mimo że nie umożliwia wnioskowania o wielu istotnych cechach profilu chropowatości, dlatego zaleca się jego stosowanie do monitorowania ustabilizowanych procesów [167,168].\n(4.1) gdzie:\nl – długość odcinka elementarnego;\nz(x) – wartości rzędnych wewnątrz odcinka elementarnego.\nRz (największa wysokość profilu chropowatości) [166] jest parametrem, który daje bardziej szczegółowy obraz topografii powierzchni. Rz jest definiowany jako suma wysokości najwyższego wzniesienia profilu oraz głębokości najniższego wgłębienia profilu wewnątrz odcinka elementarnego. Rz jest użyteczny w aplikacjach, gdzie szczyty i doliny na powierzchni mają bezpośredni wpływ na działanie i żywotność produktu, np. w elementach stykowych maszyn, gdzie mogą wpływać na tarcie i zużycie.\nRSm (średnia szerokość rowków elementów profilu chropowatości) to parametr określający średnią szerokość elementów profilu wewnątrz odcinka elementarnego [166,167]. RSm jest przydatny w ocenie regularności i rozkładu cech tekstury powierzchni, co ma istotne znaczenie w przypadku materiałów, które muszą spełniać określone kryteria funkcjonalne dotyczące przyczepności, smarowania czy przepływu płynów po powierzchni [169].\n\n(4.2) gdzie:\nXs – szerokość i-tego elementu profilu;\ni m – liczba elementów profilu.\nWybór tych trzech parametrów dla modelowania chropowatości 2D jest uzasadniony ich zdolnością do zapewnienia kompleksowej charakterystyki powierzchni, co ma znaczenie w wielu zastosowaniach technicznych i przemysłowych. Ra, Rz i RSm wspólnie dostarczają pełnego obrazu różnych aspektów chropowatości, umożliwiając lepsze zrozumienie wpływu obróbki powierzchniowej na właściwości użytkowe i funkcjonalne produktów. Ponadto analiza tych parametrów pozwala na optymalizację procesów produkcyjnych i poprawę jakości końcowych produktów, co jest decydujące w utrzymaniu konkurencyjności na rynku.\nW warstwie wejściowej zdefiniowano trzy neurony wejściowe, tj. zmienne parametry obróbki v , f i a . W warstwie wyjściowej zdefiniowano jeden neuc z p ron – modelowany parametr. Zestaw danych eksperymentalnych składający się z 46 obserwacji ustalono w proporcji 75% : 25%, gdzie pierwsza wartość oznacza udział danych uczących, a druga – danych walidacyjnych. Podział ten był ustalony przed rozpoczęciem procesu trenowania i nie zmieniał się w kolejnych epokach. Ze względu na małą ilość danych pominięto dane testowe. Taki podział pozwala na efektywniejsze wykorzystanie ograniczonej ilości danych do trenowania modelu, umożliwiając jednocześnie walidację i dostosowanie hiperparametrów. Walidacja jest niezbędna do monitorowania nadmiernego dopasowania i regulacji modelu w trakcie uczenia [58].\nModelowanie przeprowadzono za pomocą sieci neuronowych MLP w oprogramowaniu Matlab 2023a. Wybór architektury sieci neuronowej MLP w niniejszym badaniu został podyktowany specyficznymi wymaganiami wynikającymi z bardzo małego zestawu danych. Mała liczba próbek (46 obserwacji) wymagała zastosowania modelu, który z jednej strony jest wystarczająco złożony, aby uchwycić istotne zależności w danych, a z drugiej na tyle prosty, aby uniknąć problemów związanych z nadmiernym dopasowaniem. Złożone architektury, takie jak głębokie sieci neuronowe, mogłyby prowadzić do przeuczenia modelu, co znacznie obniżyłoby jego zdolność do generalizacji na nowych, nieznanych danych. W związku z tym zdecydowano się na użycie MLP z jedną warstwą ukrytą, której liczba neuronów od 2 do 12 była iteracyjnie dostosowywana w celu znalezienia optymalnej konfiguracji. Dodatkowo, przy tak małej ilości danych\n\nzalecane jest, aby liczba neuronów w warstwie ukrytej nie przekraczała liczby obserwacji w zbiorze danych. Zalecenie to wynika z doświadczeń, które pokazują, że przekroczenie tej liczby może prowadzić do sytuacji, w której model zbyt dokładnie zapamiętuje dane uczące, zamiast uczyć się ogólnych wzorców – co z kolei skutkuje nadmiernym dopasowaniem. W kontekście małych zbiorów danych mniejsza liczba neuronów pomaga w zachowaniu zdolności modelu do generalizacji, co umożliwia lepsze radzenie sobie z danymi, które nie były widziane podczas treningu. Taka konfiguracja wspomaga również stabilność modelu i redukuje ryzyko wystąpienia problemów związanych z przeuczeniem, co jest kluczowe przy pracy z ograniczonymi zestawami danych.\nPodczas doboru parametrów uczenia sieci zastosowano domyślną metodę inicjalizacji wag, która zapewnia stabilne warunki początkowe dla procesu uczenia. Odpowiednia inicjalizacja wag pozwala modelowi na skuteczne rozpoczęcie procesu optymalizacji, co jest szczególnie ważne przy ograniczonej ilości danych.\nW warstwie ukrytej sieci zastosowano funkcję aktywacji typu sigmoidalnego, która jest szeroko stosowana w modelowaniu nieliniowych zależności między zmiennymi wejściowymi a wyjściowymi. Funkcja ta umożliwia modelowi uchwycenie skomplikowanych wzorców w danych wejściowych, co jest niezbędne dla osiągnięcia wysokiej dokładności predykcji. Do oceny jakości modelu zastosowano funkcję kosztu MSE, która jest powszechnie używana w problemach regresji.\nProces trenowania sieci neuronowej został przeprowadzony z wykorzystaniem kilku metod optymalizacyjnych: algorytmu Levenberga–Marquardta\n(LM), regularyzacji Bayesowskiej (BR) oraz gradientu skalowanego sprzężonego (SCG). W procesie projektowania sieci neuronowych istotne jest określenie optymalnej liczby neuronów, która pozwoli uzyskać najlepszą jakość modelu. Początkowym etapem było zatem zastosowanie algorytmu LM, szeroko stosowanego ze względu na swoje efektywne właściwości szybkiej zbieżności, szczególnie w problemach, gdzie stosunkowo mniejsza iloś�� danych może stanowić wyzwanie. Dzięki temu podejściu udało się wyłonić konfigurację sieci, która zapewniła najwyższą jakość przetwarzania danych. Następnie, wykorzystując ustaloną liczbę neuronów, przystąpiono do trenowania pozostałych sieci z wykorzystaniem innych algorytmów: SCG oraz BR. To podejście pozwoliło na bezpośrednie porównanie efektywności poszczególnych algorytmów optymalizacyjnych przy identycznej architekturze sieci, co umożliwiło rzetelną ocenę ich wydajności i efektywności w różnych scenariuszach.\nW celu uniknięcia przeuczenia sieci został zastosowany mechanizm wczesnego zatrzymania, który ustawiono na poziomie 6, co oznacza, że proces\n\ntrenowania modelu zostanie zatrzymany, gdy przez 6 kolejnych epok nie nastąpi poprawa wyników na zbiorze walidacyjnym.\nOcena wydajności i jakości sieci została przeprowadzona przy użyciu wskaźników jakościowych, takich jak: R, MSE, RMSE, RIE, MAPE i MAE, które zostały szczegółowo opisane we wcześniejszych podrozdziałach.\nDodatkowo, aby porównać skuteczność sieci neuronowych, wykonano modelowanie z wykorzystaniem gradient boosting machines (GBM). GBM opiera się na idei połączenia wielu słabych modeli, zazwyczaj drzew decyzyjnych, w celu stworzenia jednego, silnego predyktora. Iteracyjnie buduje on model, dodając w każdej iteracji nowy słaby model, który redukuje błędy poprzednich modeli. Każdy nowy model stara się poprawić wynik poprzez minimalizację funkcji kosztu (np. błędu kwadratowego w przypadku regresji).\nNa początku ustawia się początkową wartość predykcji F , która jest zazwyczaj średnią wartością zmiennej celu w przypadku regresji.\n(4.3) gdzie:\nL – funkcja kosztu (np. średni błąd kwadratowy);\ny – rzeczywista wartość zmiennej celu;\ni\n– wartość początkowej predykcji.\nW każdej iteracji m GBM dodaje nowy słaby model , który jest trenowany na resztach (błędach) dotychczasowego zespołu modeli.\n(4.4) gdzie:\n– predykcja zespołu modeli po m-tej iteracji;\n– współczynnik uczenia;\n– słaby model trenowany w m-tej iteracji.\nDane podczas modelowania GBM zostały podzielone na zestaw uczący oraz testowy przy użyciu walidacji krzyżowej z 25% próbą testową. Modele\nGBM trenowano przy użyciu różnej liczby drzew, od 50 do 1000 z krokiem co 50, tak aby znaleźć najlepszy model na podstawie minimalnego błędu\nMSE. Najlepszy model był wybierany i oceniany na podstawie zestawu testowego, a wyniki zostały wykorzystane do oceny jakości modelu w porównaniu z ANN.\n\n4.4.2. Wyniki modelowania wybranych parametrów chropowatości 2D\nPierwszym modelowanym parametrem chropowatości był parametr Ra.\nWykorzystując algorytm LM do uczenia, najlepsze parametry jakościowe otrzymano dla sieci MLP z warstwą ukrytą zawierającą sześć neuronów, co udało się osiągnąć w ciągu 7 epok. Następnie dla sześciu neuronów w warstwie ukrytej trenowano sieci, wykorzystując dwa pozostałe algorytmy: SCG oraz BR.\nTabela 4.2 przedstawia wskaźniki wydajności trzech modeli sieci neuronowych wytrenowanych przy użyciu różnych algorytmów: LM, SCG i BR. Wydajność każdego modelu jest oceniana na podstawie wskaźników jakości, w tym R,\nMSE, RMSE, RIE, MAPE i MAE.\nTabela 4.2. Wskaźniki jakości dla różnych algorytmów uczenia sieci MLP dla parametru Ra\nAlgorytm uczenia sieci MLP LM SCG BR\nEpoka 9 12 89\nR (cały zbiór danych) 0,9869 0,9749 0,9723\nMSE 0,00008 0,00012 0,00011\nRMSE 0,009 0,0114 0,0106\nRIE 0,0232 0,0292 0,0274\nMAPE 0,0166 0,0261 0,0199\nMAE 0,0062 0,0101 0,0085\nW wyniku przeprowadzenia analizy porównawczej można stwierdzić, że w odniesieniu do wskaźników jakości sieci, R, który odnosi się do korelacji między wartościami przewidywanymi a rzeczywistymi na całym zbiorze danych, wszystkie trzy algorytmy osiągnęły podobne wyniki, uzyskując nieco wyższą wartość z LM (0,9869) w porównaniu z SCG (0,9749) i BR (0,9723). To wskazuje, że LM może być nieco lepszy w dopasowaniu danych.\nAnaliza MSE oraz RMSE również pokazuje różnice między algorytmami.\nNajniższy MSE (0,00008) oraz RMSE (0,009) osiągnął LM, co sugeruje, że ten algorytm był najdokładniejszy. SCG i BR miały podobne, ale wyższe wartości MSE i RMSE, co może wskazywać na nieco gorszą dokładność tych metod w porównaniu z LM. Dalsze wskaźniki, takie jak RIE, MAPE, i MAE, które odnoszą się do różnych aspektów błędów przewidywania, także ukazują lepsze wyniki dla LM. SCG i BR osiągnęły podobne, ale ogólnie gorsze wartości dla tych wskaźników.\n\nRyc. 4.5 ilustruje najlepszą wydajność modeli z różnymi algorytmami optymalizacyjnymi: a) LM, b) SCG, c) BR. Wykresy te dostarczają informacji o dynamice uczenia się modeli. Każdy z algorytmów prezentuje różne charakterystyki zbieżności i wydajności, co może być użyteczne przy wyborze odpowiedniego modelu do konkretnego rodzaju danych i problemu, który ma zostać rozwiązany. Algorytm LM osiąga najlepszą wydajność walidacyjną już w 3. epoce. Wydajno��ć na danych uczących i walidacyjnych dla algorytmu SCG wykazuje dużą stabilność po osiągnięciu minimum, co sugeruje dobre dopasowanie modelu do danych. Wykres c) ilustruje działanie algorytmu BR, który stopniowo poprawia swoją wydajność, osiągając najlepszy wynik w 54. epoce. Mimo większej liczby epok potrzebnych do osiągnięcia tego wyniku, wydaje się, że ten algorytm zapewnia bardzo stabilną poprawę wydajności modelu w czasie.\na b\n\nc\nRyc. 4.5. Najlepsza wydajność modelu Ra dla sieci MLP z algorytmem uczenia:\na) LM, b) SCG, c) BR a b c\nRyc. 4.6. Wykresy korelacji dla modelu Ra dla sieci MLP z algorytmem uczenia:\na) LM, b) SCG, c) BR\n\nNa ryc. 4.6 przedstawiono wykresy korelacji dla zestawów danych uczących, walidacyjnych i całych zestawów danych dla modeli z różnymi algorytmami uczenia: a) LM, b) SCG, c) BR.\nPodsumowując, analiza porównawcza wyników dla modelowania parametru chropowatości Ra wskazuje, że algorytm Levenberga–Marquardta wydaje się najbardziej efektywny pod względem szybkości uczenia, dokładności oraz ogólnej jakości wyników w porównaniu z SCG oraz BR.\nNa ryc. 4.7 przedstawiono dane dotyczące chropowatości powierzchni uzyskane z modelu MLP z wykorzystaniem algorytmu LM. Ze względu na fakt, że w badaniu uwzględniono trzy parametry wejściowe, zmiany wartości parametru chropowatości Ra przedstawiono dwukrotnie pod wpływem pary parametrów skrawania: v /f i f /a . Symulacje zostały uruchomione po wproc z z p wadzeniu danych wejściowych (tj. parametrów frezowania v , a , f ) do oproc p z gramowania Matlab i otrzymano wyjście z modelu w postaci parametru Ra.\na b\nRyc. 4.7. Parametr chropowatości Ra uzyskany z modelu dla sieci MLP w zależności od v/f i f/a c z z p\nW przypadku kolejnego modelowanego parametru chropowatości Rz najlepszą wydajność i jakość sieci MLP z wykorzystaniem algorytmu LM otrzymano dla dziewięciu neuronów w warstwie ukrytej. Model ten otrzymano w 22 epokach. Następnie dla takiej samej liczby neuronów w warstwie ukrytej trenowano sieci, wykorzystując dwa pozostałe algorytmy: SCG oraz BR.\nWskaźniki jakościowe najlepszych sieci otrzymanych podczas trenowania z różnymi algorytmami uczenia przedstawia tabela 4.3.\n\nTabela 4.3. Wskaźniki jakości dla różnych algorytmów uczenia sieci MLP dla parametru Rz\nAlgorytm uczenia sieci MLP LM SCG BR\nEpoka 22 13 1000\nR (cały zbiór danych) 0,9894 0,9353 0,9119\nMSE 0,0017 0,0089 0,0153\nRMSE 0,0418 0,0946 0,1237\nRIE 0,0165 0,0373 0,0487\nMAPE 0,0090 0,0324 0,0404\nMAE 0,0235 0,0792 0,0950\nW wyniku przeprowadzenia analizy porównawczej można stwierdzić, że algorytm LM potrzebował zaledwie 22 epok, aby osiągnąć wysoką wartość współczynnika korelacji na poziomie 0,9894, co sugeruje bardzo dobrą zdolność modelu do wyjaśniania zmienności danych. Dodatkowo najniższe wartości błędów MSE, RMSE, MAPE oraz MAE świadczą o wysokiej dokładności predykcji tego modelu. Wyniki te wskazują na efektywność algorytmu LM w szybkim osiąganiu wiarygodnych wyników z minimalną liczbą obliczeń. Algorytm SCG, choć potrzebował mniej epok (13), wykazuje nieco gorsze wskaźniki jakości w porównaniu z LM. Wartość R wynosi 0,9353, co jest nadal dobrym wynikiem, ale wskazuje na mniejszą zdolność do adekwatnego modelowania danych w porównaniu z LM. Wartości błędów są wyższe niż w przypadku LM, co potwierdza mniejszą precyzję tego algorytmu w modelowaniu danych. Ostatni algorytm BR wymagał znacznie więcej epok (1000), co może wskazywać na trudności w osiągnięciu optymalnej zbieżności. Jego wartość R to 0,9119, co jest najniższym wynikiem wśród omawianych modeli, a wysokie wartości błędów wskazują na znacznie gorszą dokładność predykcji w porównaniu z pozostałymi algorytmami.\n\na b c\nRyc. 4.8. Najlepsza wydajność modelu Rz dla sieci MLP z algorytmem uczenia: a) LM, b) SCG, c) BR\nNa ryc. 4.8 można zauważyć trzy wykresy, które przedstawiają proces uczenia sieci neuronowych za pomocą analizowanych algorytmów: LM,\nSCG i BR. Każdy wykres ilustruje zmiany w wartości błędu średniokwadratowego (MSE) na przestrzeni kolejnych epok dla zestawów danych uczących\n82 i walidacyjnych, a także wskazuje najlepsze wyniki uzyskane w procesie\n\nwalidacji. Dla algorytmu LM szybkie zmniejszenie wartości MSE w początkowej fazie uczenia sugeruje efektywną zbieżność algorytmu. Najlepsza wydajność modelu na danych walidacyjnych, z wartością MSE równą 0,006, została osiągnięta w 16. epoce, co pokazuje, że model szybko osiągnął optymalne dopasowanie. Algorytm SCG wykazuje bardzo dobrą wydajność, z niskim błędem MSE na poziomie 0,0026, który osiągnięty został już w 7. epoce.\nStabilność wartości MSE na niskim poziomie przez resztę procesu uczenia wskazuje na skuteczność tego algorytmu w kontekście dopasowania i generalizacji modelu. Z kolei proces uczenia przy użyciu algorytmu BR jest znacznie dłuższy, rozciąga się aż do 1000 epok, z najlepszym wynikiem\nMSE osiągniętym na poziomie 0,0064. Długi czas potrzebny do osiągnięcia optymalnej wartości MSE wskazuje na wolniejszą zbieżność tego algorytmu w porównaniu z pozostałymi.\na b c\nRyc. 4.9. Wykresy korelacji dla modelu Rz dla sieci MLP z algorytmem uczenia: a) LM, b) SCG, c) BR\n\nRyc. 4.9 ilustruje wykresy korelacyjne dla różnych zestawów danych – uczących, walidacyjnych oraz całego zestawu danych – stosowanych w modelach z użyciem różnych algorytmów uczenia: a) LM, b) SCG, c) BR.\nPodsumowując, algorytm LM okazał się najbardziej efektywny zarówno pod względem szybkości osiągania zbieżności, jak i dokładności modelowania.\nAlgorytm SCG również prezentuje dobre wyniki, lecz nie dorównuje algorytmowi LM. BR, mimo że jest w stanie osiągnąć zbieżność, wymaga znacznie większego nakładu obliczeniowego i czasowego, a jego wyniki są mniej precyzyjne.\nNa ryc. 4.10 przedstawiono wyniki dotyczące parametru chropowatości powierzchni Rz uzyskane z modelu MLP korzystającego z algorytmu\nLM. W analizie uwzględniono trzy zmienne wejściowe, a zmiany w wartościach parametru chropowatości Rz zaprezentowano w kontekście dwóch kombinacji parametrów skrawania: v /f i f /a . Symulacje przeprowadzono c z z p po wprowadzeniu danych wejściowych – parametrów frezowania v , a , f c p z\n– do oprogramowania Matlab, skąd uzyskano wyniki w postaci wartości parametru Rz.\na b\nRyc. 4.10. Parametr chropowatości Rz uzyskany z modelu dla sieci MLP w zależności od v/f i f/a c z z p\nW przypadku modelowania ostatniego z wybranych parametrów chropowatości RSm najwyższą skuteczność oraz jakość sieci MLP uzyskano przy użyciu algorytmu LM, stosując dziesięć neuronów w warstwie ukrytej. Optymalny model wygenerowano po zaledwie 10 epokach. Ustalając tę samą liczbę neuronów, kontynuowano następnie uczenie sieci za pomocą dwóch pozostałych algorytmów: SCG oraz BR.\n\nWyniki jakości najlepszych modeli, które uzyskano w wyniku tych procesów uczenia, prezentuje tabela 4.4. Porównując otrzymane wyniki, można zauważyć istotne różnice w wydajności każdego z algorytmów. Algorytm\nLM, który osiągnął optymalizację modelu już po 10 epokach, wykazuje bardzo dobre wyniki, z wartością współczynnika korelacji wynoszącą 0,911, co wskazuje na wysoką zdolność modelu do wyjaśniania zmienności danych.\nDodatkowo wartość MSE oraz pozostałych błędów jest najniższa spośród porównywanych algorytmów, co świadczy o bardzo dokładnym dopasowaniu modelu do danych. Algorytm SCG, który potrzebował 12 epok do osiągnięcia optymalizacji, wykazuje niższe wartości R na poziomie 0,752. Jest to znacznie słabsza zdolność do modelowania danych w porównaniu z LM, co sugeruje, że może nie być on tak efektywny w przypadku tego konkretnego zestawu danych. W przypadku algorytmu BR, który wymagał największej liczby epok (55), do osiągnięcia najlepszego dopasowania, wartości R są niższe niż dla LM, wynoszące 0,7743. Wskazuje to na umiarkowaną zdolność modelu do przewidywania zmienności danych.\nTabela 4.4. Wskaźniki jakości dla różnych algorytmów uczenia sieci MLP dla parametru RSm\nAlgorytm uczenia sieci MLP LM SCG BR\nEpoka 10 12 55\nR (cały zbiór danych) 0,911 0,752 0,7743\nMSE 0,000004 0,000009 0,000014\nRMSE 0,0019 0,0030 0,0038\nRIE 0,0493 0,0780 0,0971\nMAPE 0,0256 0,0673 0,0492\nMAE 0,0010 0,0025 0,0017\nNa ryc. 4.11 przedstawiono trzy wykresy zmian wartości MSE podczas procesu uczenia sieci neuronowych z wykorzystaniem trzech algorytmów:\na) LM, b) SCG, c) BR, w kontekście modelowania parametru chropowatości\nRSm. Na wykresie a) dla algorytmu LM można zaobserwować szybki spadek wartości MSE, który osiąga swoje minimum już w 10. epoce. MSE na danych uczących kontynuuje delikatne obniżanie się, co wskazuje na efektywność i stabilność tego algorytmu w szybkim osiąganiu optymalnych wyników. Wykres b) ilustrujący algorytm SCG pokazuje, że najlepszy wynik walidacji zostaje osiągnięty w 6. epoce. Wartości MSE stabilizują się na stosunkowo niskim poziomie zarówno dla danych uczących, jak i walidacyjnych, co świadczy o dobrej generalizacji modelu, chociaż nie osiąga on tak niskich wartości MSE,\n\njak algorytm LM. Na wykresie c), gdzie zastosowano algorytm BR, zaobserwować można dłuższy proces uczenia, który trwa do 55 epok. Najlepszy wynik uczenia sieci osiągnięty zostaje pod koniec tego okresu.\na b c\nRyc. 4.11. Najlepsza wydajność modelu RSm dla sieci MLP z algorytmem uczenia:\na) LM, b) SCG, c) BR\n\na b c\nRyc. 4.12. Wykresy korelacji dla modelu RSm dla sieci MLP z algorytmem uczenia:\na) LM, b) SCG, c) BR\nNa ryc. 4.12 przedstawiono wykresy korelacyjne dla modelu RSm wykorzystujące trzy różne algorytmy uczenia: a) LM, b) SCG, c) BR. Wykresy te ilustrują zależność między rzeczywistymi wartościami danych (oznaczone jako\n„Data”) a wartościami przewidzianymi przez model (oznaczone jako „Fit”), a także pokazują współczynniki korelacji R dla różnych zbiorów danych: uczących, walidacyjnych oraz całego zestawu danych. Dla algorytmu LM wartości przewidziane są bardzo zbliżone do rzeczywistych. Wysokie współczynniki korelacji dla danych uczących (0,922) i walidacyjnych (0,897), a także dla całego zbioru danych (0,911) wskazują na dobrą zdolność modelu do przewidywania i generalizacji. Algorytm SCG prezentuje się nieco inaczej. Mimo że współczynniki dla danych uczących (0,721) i walidacyjnych (0,819) są niższe niż w LM, model utrzymuje umiarkowaną zdolność do generalizacji, jak to widać w wyniku R=0,752 dla całego zbioru danych. Algorytm BR prezentuje słabsze\n\nwyniki od pozostałych modeli. Mimo że współczynnik korelacji R dla danych uczących osiąga wysoką wartość 0,9988, co wskazuje na doskonałe dopasowanie modelu do danych uczących, to jednak wartość dla danych walidacyjnych jest dużo niższa (0,8765). Może to sugerować, że model jest nieco przeuczony w stosunku do danych uczących, co wpływa na jego generalizację na danych walidacyjnych z wynikiem 0,7743 dla całego zbioru danych. Podsumowując, algorytm LM okazał się najbardziej efektywny zarówno pod względem szybkości osiągania zbieżności, jak i dokładności modelowania.\nNa ryc. 4.13 zaprezentowano wyniki dotyczące parametru chropowatości powierzchni RSm, które zostały uzyskane za pomocą modelu wykorzystującego algorytm LM. Analiza opierała się na trzech zmiennych wejściowych, a wynikowe zmiany wartości parametru chropowatości RSm zostały przedstawione w odniesieniu do dwóch kombinacji parametrów skrawania: v/f i f /a .\nc z z p a b\nRyc. 4.13. Parametr chropowatości RSm uzyskany z modelu dla sieci MLP w zależności od v/f i f/a .\nc z z p\nPodsumowując, analiza porównawcza różnych algorytmów uczenia sieci neuronowych wykazała, że algorytm LM osiąga najlepsze wyniki pod względem szybkości uczenia, dokładności przewidywań oraz ogólnej jakości modeli dla wszystkich analizowanych parametrów chropowatości Ra, Rz i RSm. Algorytmy\nSCG i BR, mimo pewnych zalet, nie dorównują efektywnością algorytmowi LM, co czyni go najskuteczniejszym narzędziem do modelowania chropowatości powierzchni w przedstawionych badaniach.\nNastępnie przeprowadzono modelowanie parametrów chropowatości Ra,\nRz i RSm z wykorzystaniem GBM. Dla każdego z parametrów przetestowano liczbę drzew od 50 do 1000. Otrzymane wyniki przedstawia tabela 4.5.\n\nTabela 4.5. W skaźniki jakości dla modelowania parametrów chropowatości Ra, Rz i RSm z wykorzystaniem GBM\nParametr chropowatości Ra Rz RSm\nLiczba drzew 500 50 500\nMSE 0,0019 0,0266 0,000031\nRMSE 0,0445 0,1633 0,0055\nRIE 0,1098 0,0648 0,1352\nMAPE 0,0497 0,0502 0,1323\nMAE 0,0231 0,125 0,0054\nW przypadku modelowania parametrów chropowatości z wykorzystaniem\nGBM najlepsze wyniki uzyskano przy liczbie drzew odpowiednio 500 dla Ra,\n50 dla Rz oraz 500 dla RSm. Modele GBM również wykazały wysoką dokładność predykcji, jednakże ich jakość jest nieco gorsza w porównaniu z najlepszymi wynikami uzyskanymi przez MLP z algorytmem LM. Wartości MSE,\nRMSE, MAPE i MAE są wyższe dla GBM niż dla LM.\nPodsumowując, algorytm LM w sieciach neuronowych MLP okazał się najskuteczniejszym narzędziem do modelowania parametrów chropowatości powierzchni 2D, oferując najlepszą kombinację szybkości uczenia, dokładności oraz ogólnej jakości modeli. GBM, choć również efektywny, nie osiągnął tak wysokiej dokładności, jak LM, co sugeruje, że MLP z algorytmem LM jest bardziej odpowiednie do modelowania tego typu danych. W związku z powyższym modele otrzymane z wykorzystaniem algorytmu LM zostaną wykorzystane w dalszej analizie optymalizacyjnej.\n4.4.3. Optymalizacja parametrów obróbki\nKolejnym etapem prowadzonych badań był proces optymalizacji parametrów obróbki v , f i a , mający na celu uzyskanie określonych wartości parametrów c z p chropowatości powierzchni: Ra, Rz oraz RSm. Optymalizacja została przeprowadzona przy użyciu najlepszych modeli sieci neuronowych opracowanych na wcześniejszym etapie badań dla każdego z tych parametrów, które zostały zaprezentowane w podrozdziale 4.4.2.\nAby zoptymalizować parametry obróbki, najpierw określono zakresy oraz kroki zmian dla trzech głównych parametrów wejściowych: prędkości skrawania (v), posuwu na ostrze (f ) oraz głębokości skrawania (a ). Zakresy te zostały c z p dobrane na podstawie praktycznych wartości stosowanych w procesie obróbki,\n\nczyli w zakresach takich jak podczas prowadzenia badań doświadczalnych\n(v = 400÷1200 [m/min], f = 0,05÷0,3 [mm/ostrze] oraz a = 0,5÷6 [mm]).\nc z p\nZałożono, że prędkość skrawania może się zmieniać co 50 [m/min], posuw na ostrze co 0,05 [mm/ostrze], zaś głębokość skrawania co 0,5 [mm].\nNastępnie zdefiniowano zakresy docelowe dla parametrów wyjściowych, które założono do uzyskania w wyniku optymalizacji. Zakresy te odpowiadają minimalnym i maksymalnym wartościom Ra, Rz oraz RSm, które są akceptowalne pod względem jakości powierzchni po obróbce.\nW procesie optymalizacji przestrzeń parametrów została przeszukana w celu znalezienia takich wartości v , f i a , które minimalizują błąd w stoc z p sunku do zadanych zakresów Ra, Rz i RSm. Dla każdego parametru chropowatości zdefiniowano funkcję błędu w stosunku do zakresu docelowego:\nż ż ż ż (4.5) ż ż gdzie:\n, , – funkcje błędu dla poszczególnych parametrów chropowatości Ra, Rz i RSm;\n, , – dolne granice zakresów docelowych parametrów chropowatości Ra, Rz i RSm;\n, , – górne granice zakresów docelowych parametrów chropowatości Ra, Rz i RSm;\n, , – wyliczona wartość parametrów chropowatości przez sieć neuronową dla zadanych wartości odpowiednio dla parametru Ra, Rz i RSm.\nŁączny błąd jest sumą poszczególnych błędów:\n(4.6)\n\nFunkcja optymalizacyjna może być zapisana jako:\n(4.7)\nOpracowany algorytm 4.1 przeszukiwał wszystkie kombinacje zadanych wartości wejściowych, a następnie obliczał wartość wyjściową przy użyciu wcześniej wytrenowanych sieci neuronowych.\nAlgorytm 4.1. Optymalizacja parametrów obróbki\n% Inicjalizacja zmiennych do przechowywania najlepszych wyników bestParams = [];\nbestError = inf;\n% Przeszukiwanie przestrzeni parametrów for vc = vcValues for fz = fzValues for ap = apValues\n% Aktualne wartości parametrów wejściowych params = [vc, fz, ap];\n% Wyznaczanie wartości wyjściowych z sieci neuronowych\nRa = netRa(params');\nRz = netRz(params');\nRSm = netRSm(params');\n% Obliczanie błędu\nRaError = calculateError(Ra, RaTarget);\nRzError = calculateError(Rz, RzTarget);\nRSmError = calculateError(RSm, RSmTarget);\ntotalError = RaError + RzError + RSmError;\n% Aktualizacja najlepszych wyników if totalError < bestError bestError = totalError;\nbestParams = params;\nbestRa = Ra;\nbestRz = Rz;\nbestRSm = RSm;\nend end end end\n\nAlgorytm 4.1. Optymalizacja parametrów obróbki, cd.\n% Tworzenie komunikatu wyników resultMessage = sprintf(‚Optymalne parametry:\\nvc = %.2f\\nfz = %.2f\\ nap = %.2f\\nOdchylenie od założonego zakresu = %.4f\\n\\nOtrzymane wartości:\\nRa = %.4f\\nRz = %.4f\\nRSm = %.4f\\n', ...\nbestParams(1), bestParams(2), bestParams(3), bestError, bestRa, bestRz, bestRSm);\n% Wyświetlanie wyników w osobnym oknie dialogowym msgbox(resultMessage, 'Wyniki optymalizacji');\n% Definicja funkcji do obliczania błędu function error = calculateError(value, targetRange) if value < targetRange(1) error = targetRange(1) - value;\nelseif value > targetRange(2) error = value - targetRange(2);\nelse error = 0; % Wartość jest w zakresie docelowym end end\nAby korzystanie z algorytmu optymalizacyjnego było bardziej przyjazne i intuicyjne dla użytkownika, stworzono interfejs graficzny, który pozwala na łatwe wprowadzanie danych wejściowych oraz szybkie uzyskiwanie wyników optymalizacji. Dzięki temu użytkownicy mogą skupić się na analizie wyników bez konieczności zagłębiania się w szczegóły kodu źródłowego.\nInterfejs graficzny został zaprojektowany tak, aby był prosty i intuicyjny w obsłudze (ryc. 4.20). W górnej części interfejsu znajduje się nagłówek „Optymalizacja parametrów chropowatości”, który jasno informuje użytkownika o celu aplikacji. Centralną część stanowią pola tekstowe, w których użytkownik może wprowadzić zakresy docelowe dla trzech parametrów chropowatości: Ra [μm], Rz [μm] oraz RSm [mm]. Każdy z tych parametrów ma osobne pole tekstowe umożliwiające wprowadzenie wartości minimalnych i maksymalnych.\nPod polami wprowadzania znajduje się przycisk „Optymalizuj”. Po jego kliknięciu uruchamiany jest algorytm optymalizacyjny, który przeszukuje przestrzeń parametrów, aby znaleźć optymalne wartości. W dolnej części interfejsu wyświetlane będą wyniki przeprowadzonej optymalizacji. W tej sekcji użytkownik może zobaczyć optymalne parametry, czyli najlepsze wartości prędkości skrawania (v ), posuwu na ostrze (f ) oraz głębokości skrawania (a ) uzyskane c z p\n\nw wyniku optymalizacji. Dodatkowo wyświetlana będzie wartość błędu, informująca o tym, jak dobrze uzyskane wyniki mieszczą się w zadanych zakresach docelowych. Ostatecznie prezentowane będą również przewidywane wartości parametrów Ra, Rz i RSm, które zostały obliczone na podstawie optymalnych parametrów wejściowych.\nRyc. 4.14. Interfejs użytkownika aplikacji do optymalizacji parametrów chropowatości\nPrzedstawiony poniżej kod ilustruje sposób implementacji opisanego interfejsu graficznego (algorytm 4.2).\nAlgorytm 4.2. Implementacja interfejsu graficznego do optymalizacji parametrów chropowatości function Optymalizacja_Chropowatosci()\n% Ładowanie wytrenowanych sieci load('netRa.mat', 'netRa'); % Sieć Ra load('netRz.mat', 'netRz'); % Sieć Rz load('netRSm.mat', 'netRSm'); % Sieć RSm\n% Tworzenie interfejsu graficznego fig = figure('Position', [100, 100, 600, 600], 'Name',\n'Optymalizacja Parametrów Chropowatości', 'Color', [1, 0.85, 0.8]);\n% Nagłówek uicontrol('Style', 'text', 'Position', [100, 550, 450, 40],\n'String', 'Optymalizacja parametrów chropowatości', 'FontSize',\n16, 'FontWeight', 'bold', 'BackgroundColor', [1, 0.85, 0.8],\n'HorizontalAlignment', 'center');\n\nAlgorytm 4.2. Implementacja interfejsu graficznego do optymalizacji parametrów chropowatości, cd.\n% Ramka wokół pól wprowadzania danych uicontrol('Style', 'frame', 'Position', [25, 320, 550, 220],\n'BackgroundColor', [0.9, 0.9, 0.9]);\n% Pola wprowadzania zakresów docelowych uicontrol('Style', 'text', 'Position', [50, 500, 200, 20],\n'String', 'Ra [μm] (min-max)', 'BackgroundColor', [0.9, 0.9, 0.9],\n'FontSize', 13, 'HorizontalAlignment', 'left');\nraMinInput = uicontrol('Style', 'edit', 'Position', [300, 500, 80,\n20], 'FontSize', 12);\nraMaxInput = uicontrol('Style', 'edit', 'Position', [400, 500, 80,\n20], 'FontSize', 12);\nuicontrol('Style', 'text', 'Position', [50, 450, 200, 20],\n'String', 'Rz [μm] (min-max)', 'BackgroundColor', [0.9, 0.9, 0.9],\n'FontSize', 13, 'HorizontalAlignment', 'left');\nrzMinInput = uicontrol('Style', 'edit', 'Position', [300, 450, 80,\n20], 'FontSize', 12);\nrzMaxInput = uicontrol('Style', 'edit', 'Position', [400, 450, 80,\n20], 'FontSize', 12);\nuicontrol('Style', 'text', 'Position', [50, 400, 200, 20],\n'String', 'RSm [mm] (min-max)', 'BackgroundColor', [0.9, 0.9, 0.9],\n'FontSize', 13, 'HorizontalAlignment', 'left');\nrsmMinInput = uicontrol('Style', 'edit', 'Position', [300, 400,\n80, 20], 'FontSize', 12);\nrsmMaxInput = uicontrol('Style', 'edit', 'Position', [400, 400,\n80, 20], 'FontSize', 12);\n% Przycisk do optymalizacji optimizeButton = uicontrol('Style', 'pushbutton', 'Position',\n[250, 330, 100, 40], 'String', 'Optymalizuj', 'BackgroundColor',\n[0.2, 0.6, 0.8], 'ForegroundColor', 'white', 'FontWeight', 'bold',\n'FontSize', 12, 'Callback', @optimizeCallback);\n% Pole do wyświetlania wyników resultText = uicontrol('Style', 'text', 'Position', [50, 50, 500,\n250], 'String', '', 'FontSize', 14, 'BackgroundColor', [1, 0.85,\n0.8], 'HorizontalAlignment', 'left');\n% Callback do przycisku optymalizacji function optimizeCallback(~, ~)\n% Pobieranie danych wejściowych\nRaTarget = [str2double(get(raMinInput, 'String')), str2double(get(raMaxInput, 'String'))];\nRzTarget = [str2double(get(rzMinInput, 'String')), str2double(get(rzMaxInput, 'String'))];\n\nAlgorytm 4.2. Implementacja interfejsu graficznego do optymalizacji parametrów chropowatości, cd.\nRSmTarget = [str2double(get(rsmMinInput, 'String')), str2double(get(rsmMaxInput, 'String'))];\n% Sprawdzenie poprawności danych wejściowych if any(isnan([RaTarget, RzTarget, RSmTarget])) set(resultText, 'String', 'Błąd: Proszę wprowadzić poprawne dane wejściowe.');\nreturn;\nend\n% Definicja zakresów przeszukiwania vcValues = 400:50:1200;\nfzValues = 0.05:0.05:0.3;\napValues = 0.5:0.5:6;\n% Inicjalizacja zmiennych do przechowywania najlepszych wyników bestParams = [];\nbestError = inf;\nbestRa = NaN;\nbestRz = NaN;\nbestRSm = NaN;\n% Przeszukiwanie przestrzeni parametrów for vc = vcValues for fz = fzValues for ap = apValues\n% Aktualne wartości parametrów wejściowych params = [vc, fz, ap];\n% Wyznaczanie wartości wyjściowych z sieci neuronowych\nRa = netRa(params');\nRz = netRz(params');\nRSm = netRSm(params');\n% Obliczanie błędu\nRaError = calculateError(Ra, RaTarget);\nRzError = calculateError(Rz, RzTarget);\nRSmError = calculateError(RSm, RSmTarget);\ntotalError = RaError + RzError + RSmError;\n% Aktualizacja najlepszych wyników if totalError < bestError bestError = totalError;\nbestParams = params;\nbestRa = Ra;\nbestRz = Rz;\nbestRSm = RSm;\n\nAlgorytm 4.2. Implementacja interfejsu graficznego do optymalizacji parametrów chropowatości, cd.\nend end end end\n% Tworzenie komunikatu wyników resultMessage = sprintf('Optymalne parametry:\\nvc = %.2f m/ min\\nfz = %.2f mm/ostrze\\nap = %.2f mm\\nOdchylenie od założonego zakresu = %.4f\\n\\nOtrzymane wartości:\\nRa = %.4f μm\\nRz = %.4f μm\\ nRSm = %.4f mm\\n', ...\nbestParams(1), bestParams(2), bestParams(3), bestError, bestRa, bestRz, bestRSm);\n% Wyświetlanie wyników w interfejsie set(resultText, 'String', resultMessage);\nend\n% Definicja funkcji do obliczania błędu function error = calculateError(value, targetRange) if value < targetRange(1) error = targetRange(1) - value;\nelseif value > targetRange(2) error = value - targetRange(2);\nelse error = 0; % Wartość jest w zakresie docelowym end end end\nInterfejs został zaprojektowany z myślą o zapewnieniu przejrzystości oraz łatwości obsługi, co umożliwia szybkie uzyskanie rezultatów i analizę ich zgodności z założonymi wymaganiami. Dzięki graficznemu przedstawieniu procesu optymalizacji użytkownik może w łatwy sposób monitorować wyniki i dokonywać potrzebnych zmian w parametrach wejściowych.\nPrzykład 1. działania algorytmu dla założonych parametrów obróbki: Ra w zakresie 0,35÷0,39 [μm], Rz w zakresie 2,3÷2,5 [μm] oraz RSm w zakresie\n0,04÷0,05 [mm] przedstawia ryc. 4.15. Po weryfikacji otrzymanych wartości parametrów chropowatości można stwierdzić, że zawierają się w założonych granicach.\n\nRyc. 4.15. Przykład 1. działania algorytmu optymalizującego\nPrzykład 2. działania algorytmu dla założonych parametrów obróbki w następujących zakresach: Ra 0,39÷0,42 [μm], Rz 2,7÷2,8 [μm] oraz RSm 0,035÷0,04 [mm] przedstawia ryc. 4.16. Po weryfikacji otrzymanych wartości parametrów chropowatości można stwierdzić, że mieszczą się w założonych granicach, podobnie jak miało to miejsce w poprzednim przypadku.\nNa podstawie przeprowadzonych badań oraz optymalizacji parametrów obróbki można stwierdzić, że zaproponowany algorytm skutecznie znajduje optymalne wartości parametrów wejściowych (v , f , a ), które prowadzą c z p do uzyskania założonych wartości parametrów chropowatości powierzchni\n(Ra, Rz, RSm). Wyniki pokazują, że zarówno w pierwszym, jak i drugim przykładzie otrzymane wartości parametrów chropowatości mieszczą się w zakładanych granicach, potwierdzając efektywność zastosowanego podejścia.\nOptymalizacja parametrów obróbki przy użyciu sieci neuronowych pozwala na precyzyjne dostosowanie procesu do wymagań jakościowych powierzchni.\n\nRyc. 4.16. Przykład 2. działania algorytmu optymalizującego\n4.5. Optymalizacja parametrów obróbki przy ograniczeniach siłowych\nModelowanie sił skrawania odgrywa ważną rolę w procesie wytwarzania elementów maszyn i urządzeń, zwłaszcza przy użyciu nowoczesnych materiałów, takich jak stopy magnezu. W przemyśle lotniczym, gdzie dąży się do zmniejszenia masy elementów konstrukcyjnych, coraz częściej obrabia się części cienkościenne technologią frezowania, w tym frezowania HSM (High-\nSpeed Machining). Siły skrawania, będące jednym z głównych wskaźników skrawalności, mają istotny wpływ na odkształcenia elementów obrabianych, a ich nadmierna wartość może prowadzić do pogorszenia jakości powierzchni oraz zwiększenia drgań w systemie OUPN (Obrabiarka-Uchwyt-Przedmiot-\nNarzędzie) [170,171].\nModelowanie tych sił jest więc istotne dla optymalizacji procesu obróbki, pozwala na określenie parametrów skrawania, które minimalizują negatywne skutki, takie jak nadmierne odkształcenia czy pogorszenie jakości powierzchni. Tradycyjne metody analityczne często zawodzą z powodu\n\nzłożoności i nieliniowości procesów obróbkowych. Stąd zastosowanie sztucznych sieci neuronowych skutkuje stworzeniem dokładniejszych modeli przyczynowo-skutkowych między parametrami skrawania a siłami skrawania.\nJednak samo zamodelowanie składowej czy składowych siły skrawania nie przekłada się na wskazanie dla technologa konkretnych parametrów obróbki, otrzymanego modelu nie można bezpośrednio wykorzystać do doboru optymalnych parametrów obróbki. Zakładając, że proces produkcji będzie przebiegał w warunkach odpowiadających tym, w których stworzono model, konieczne jest wyselekcjonowanie z wielowymiarowej przestrzeni parametrów kontrolnych takiego zestawu, który zapewni osiągnięcie wymagań zapisanych w dokumentacji technicznej produktu. Ponadto nie może to być dowolny zestaw spełniający te wymagania (nieprzekroczenie wartości siły), ale taki, który gwarantuje maksymalną wydajność procesu. W takich przypadkach wykorzystuje się tzw. inżynierię odwrotną, której celem jest znalezienie optymalnej przestrzeni parametrów wejściowych prowadzących do osiągnięcia zamierzonego parametru wyjściowego. Proces ten polega na selekcji zestawu parametrów, który spełnia określone kryteria, takie jak np.\nwydajność procesu.\nTaki model siły skrawania może jednak zostać wykorzystany do stworzenia algorytmu optymalizującego parametry obróbki, którego celem będzie wyznaczenie jednego rozwiązania spełniającego maksymalną wydajność obróbki.\n4.5.1. Metodyka modelowania siły skrawania\nW ramach badań nad modelowaniem sił skrawania, ze względu na dominujący wpływ składowej siły F na odkształcenia przedmiotu obrabianego, x przyjęto ten parametr jako wielkość wyjściową w budowanym modelu i tylko tą składową modelowano. Proces modelowania przeprowadzono za pomocą sieci neuronowych MLP w oprogramowaniu Matlab 2023a. W ramach badań nad modelowaniem sił skrawania zdecydowano się na zastosowanie sieci neuronowej MLP ze względu na specyficzne wymagania wynikające z bardzo małego zestawu danych. Liczba próbek (46 obserwacji) wymagała wyboru modelu, który jest wystarczająco złożony, aby uchwycić istotne zależności w danych, ale jednocześnie na tyle prosty, aby uniknąć problemów związanych z nadmiernym dopasowaniem. Z tego powodu zastosowano MLP z jedną warstwą ukrytą, której liczba neuronów była iteracyjnie dostosowywana w celu znalezienia optymalnej konfiguracji, w zakresie od 2 do 12 neuronów.\n\nWarstwa wejściowa modelu składała się z trzech neuronów wejściowych, reprezentujących zmienne parametry obróbki: prędkość skrawania (v), posuw c na ostrze (f ) i głębokość skrawania (a ). Warstwa wyjściowa składała się z jedz p nego neuronu, który modelował składową F siły skrawania.\nx\nW badaniu zastosowano domyślną metodę inicjalizacji wag, która zapewnia stabilne warunki początkowe dla procesu uczenia. W warstwie ukrytej sieci zastosowano funkcję aktywacji typu sigmoidalnego. W procesie oceny jakości modelu zastosowano funkcję kosztu typu MSE. W badaniu analizowano trzy algorytmy uczenia: LM, BR oraz SCG. Celem było określenie optymalnej liczby neuronów w warstwie ukrytej, która zapewni najlepszą jakość modelu. Proces rozpoczęto od zastosowania algorytmu LM ze względu na jego efektywne właściwości szybkiej zbieżności, szczególnie w problemach z ograniczoną ilością danych. Iteracyjnie testowano różne konfiguracje liczby neuronów w warstwie ukrytej (od 2 do 12), używając algorytmu LM. W wyniku tego podejścia udało się wyłonić konfigurację sieci, która zapewniła najwyższą jakość przetwarzania danych. Następnie, wykorzystując ustaloną liczbę neuronów, przystąpiono do trenowania sieci za pomocą pozostałych algorytmów: SCG oraz BR. Procedura została przeprowadzona analogicznie, jak w przypadku modelowania parametrów chropowatości. Dzięki identycznej architekturze sieci możliwe było bezpośrednie porównanie efektywności poszczególnych algorytmów.\nZestaw danych eksperymentalnych składał się z 46 obserwacji, podzielonych w proporcji 75% : 25%, gdzie pierwsza wartość oznaczała udział danych uczących, a druga – danych walidacyjnych. Ze względu na małą ilość danych pominięto dane testowe. Aby uniknąć przeuczenia sieci, zastosowano mechanizm wczesnego zatrzymania, ustawiony na poziomie 6. Wydajność i jakość sieci oceniano przy użyciu wskaźników jakościowych, takich jak: R, MSE, RMSE, RIE, MAPE i MAE.\n4.5.2. Wyniki modelowania siły skrawania\nSkładową siły skrawania, która została zamodelowana z wykorzystaniem sieci neuronowych MLP, była składowa F . W procesie uczenia, wykorzystując algox rytm LM, uzyskano najlepsze parametry jakościowe dla sieci neuronowej z siedmioma neuronami w warstwie ukrytej. Osiągnięto to po 9 epokach uczenia.\nNastępnie dla warstwy ukrytej zawierającej siedem neuronów trenowano sieci neuronowe MLP z wykorzystaniem dwóch pozostałych algorytmów: SCG oraz\nBR. Tabela 4.6 przedstawia wskaźniki jakości trzech modeli sieci neuronowych.\nAlgorytm LM wymagał 9 epok do osiągnięcia najlepszych wyników, podczas gdy\nSCG i BR wymagały odpowiednio 19 i 83 epok. Współczynnik korelacji R dla\n\nLM wyniósł 0,999, co wskazuje na najwyższą dokładność w porównaniu z SCG i BR. Pod względem MSE algorytm LM osiągnął wartość 160,59, co jest znacznie niższe niż dla SCG i BR. Podobnie przedstawiają się wartości dla wszystkich pozostałych analizowanych błędów. Na podstawie tych wskaźników można stwierdzić, że algorytm LM zapewnia najlepszą jakość modelowania składowej\nF w porównaniu z algorytmami SCG i BR.\nx\nTabela 4.6. Wskaźniki jakości dla różnych algorytmów uczenia sieci MLP dla składowej F x\nAlgorytm uczenia sieci MLP LM SCG BR\nEpoka 9 19 83\nR (cały zbiór danych) 0,999 0,989 0,993\nMSE 160,59 1657,24 1120,38\nRMSE 12,67 40,71 33,47\nRIE 0,0168 0,0542 0,0446\nMAPE 0,0193 0,0439 0,0317\nMAE 10,56 29,67 20,75 a b\n\nc\nRyc. 4.17. Najlepsza wydajność modelu F dla sieci MLP z algorytmem uczenia: a) LM, b) SCG, c) BR x\nRyc. 4.17 ilustruje wykresy z najlepszą wydajnością modelu F dla sieci x z trzema różnymi algorytmami uczenia: LM, SCG i BR. Analiza wykresów wskazuje na różnice w efektywności i zbieżności trzech algorytmów uczenia sieci neuronowych dla modelu F . Algorytm LM wykazał się najniższym x\nMSE podczas walidacji, co sugeruje jego najwyższą precyzję w modelowaniu składowej F . Zbieżność algorytmu LM jest również szybsza, osiąga najx lepsze wyniki już po 16 epokach. Algorytm SCG, choć wymagał mniej epok do osiągnięcia najlepszej wydajności walidacji w porównaniu z BR, charakteryzował się znacznie wyższym MSE, co wskazuje na jego niższą dokładność. Algorytm BR, mimo większej liczby epok, osiągnął lepsze wyniki niż\nSCG, ale nie dorównał precyzji LM. Wnioski te sugerują, że dla modelowania składowej F w analizowanym kontekście algorytm LM jest najbardziej x efektywny i precyzyjny.\nNa ryc. 4.18 przedstawiono wykresy korelacji dla zestawów danych uczących, walidacyjnych i całych zestawów danych dla modeli MLP z różnymi algorytmami uczenia: a) LM, b) SCG, c) BR.\n\na b c\nRyc. 4.18. Wykresy korelacji dla modelu F z algorytmem uczenia: a) LM, b) SCG, c) BR x\nPodsumowując, analiza porównawcza wyników dla modelowania składowej siły skrawania F wskazuje, że algorytm LM wydaje się najbardziej x efektywny pod względem szybkości uczenia, dokładności oraz ogólnej jakości wyników w porównaniu z dwoma pozostałymi.\nNa ryc. 4.19 zilustrowano wielkość składowej F siły skrawania uzyskaną x z modelu MLP z wykorzystaniem algorytmu LM. W badaniu uwzględniono trzy parametry wejściowe, dlatego zmiany wartości składowej F zostały zilux strowane w kontekście par parametrów skrawania: v/f i f /a . Symulacje przec z z p prowadzono, wprowadzając dane wejściowe (tj. parametry frezowania v, a , f ) c p z do oprogramowania Matlab, a następnie uzyskano wynik z modelu w postaci składowej F siły skrawania.\nx\n\na b\nRyc. 4.19. Składowa F siły skrawania uzyskana z modelu MLP z algorytmem uczenia LM x w zależności od v/f i f/a c z z p\n4.5.3. Optymalizacja parametrów obróbki\nW procesie optymalizacji parametrów obróbki celem jest znalezienie optymalnych wartości prędkości skrawania (v ), posuwu na ostrze (f ) oraz głębokoc z ści skrawania (a ), które minimalizują siłę skrawania F przy jednoczesnym p x zachowaniu wysokiej wydajności procesu (maksymalizowaniu wydajności objętościowej frezowania). Optymalizacja została przeprowadzona przy użyciu modelu sieci neuronowej MLP, który został wcześniej wytrenowany na danych eksperymentalnych. Model ten przewiduje wartość składowej F siły x skrawania na podstawie wartości parametrów obróbki v , f i a .\nc z p\nZakresy oraz kroki zmian dla trzech głównych parametrów wejściowych zostały określone na podstawie praktycznych wartości stosowanych w procesie obróbki frezowaniem:\nÒ prędkość skrawania (v ): 400÷1200 [m/min] (krok: 10 [m/min]);\nc\nÒ posuw na ostrze (f ): 0,05÷0,3 [mm/ostrze] (krok: 0,01 [mm/ostrze]);\nz\nÒ głębokość skrawania (a ): 0,5÷6 [mm] (krok: 0,1 [mm]).\np\nZakresy docelowe dla parametru F zostały zdefiniowane na podstawie x dopuszczalnych wartości sił skrawania, które nie powodują nadmiernych odkształceń obrabianego przedmiotu.\nFunkcja celu w optymalizacji parametrów obróbki jest zdefiniowana jako negatywna wydajność objętościowa frezowania. Negatywną wartość stosuje się, aby optymalizacja polegała na maksymalizowaniu wydajności poprzez minimalizację negatywnej wartości.\nWydajność objętościowa frezowania jest obliczana na podstawie prędkości obrotowej wrzeciona, prędkości posuwowej oraz szerokości i głębokości frezowania.\n\nÒ Prędkość obrotowa wrzeciona [172]:\n(4.8) gdzie:\nn – prędkość obrotowa wrzeciona [min-1];\nv – prędkość skrawania [m/min];\nc\nD – średnica narzędzia [mm].\nÒ Prędkość posuwowa [172]:\n(4.9) gdzie:\nv – prędkość posuwowa [mm/min];\nf f – posuw na ostrze [mm/ostrze];\nz z – liczba ostrzy frezu.\nÒ Wydajność objętościowa frezowania[173]:\n(4.10) gdzie:\nQ – wydajność objętościowa frezowania [cm3/min];\na – szerokość frezowania [mm];\ne a – głębokość skrawania [mm].\np\nMatematycznie funkcja celu jest zdefiniowana jako:\nWydajność = –Q (4.10)\nW kodzie Matlab funkcja celu jest zdefiniowana jako algorytm 4.3.\nAlgorytm 4.3. Definicja funkcji celu\n% Definicja funkcji celu (wydajność objętościowa frezowania) function Q = calculateVolumeEfficiency(vc, fz, ap) n = (vc * 1000) / (D * pi); % Prędkość obrotowa wrzeciona [min^-1] vf = fz * z * n; % Prędkość posuwowa [mm/min]\nQ = (ae * ap * vf) / 1000; % Wydajność objętościowa [cm^3/min] end\n% Definicja funkcji celu (negatywna wydajność objętościowa) objectiveFunction = @(x) -calculateVolumeEfficiency(x(1), x(2), x(3));\n\nDla składowej siły F zdefiniowano funkcję błędu w stosunku do zakresu x docelowego, aby określić, czy wyliczone wartości siły mieszczą się w zadanych granicach:\nż ż (4.12) gdzie:\nE (v , F , a ) – funkcja błędu dla składowej siły F ;\nFx c z p x\nF – maksymalna dopuszczalna wartość siły F ;\nxmax xmax\n– wyliczona wartość składowej siły F przez sieć neux ronową dla zadanych wartości .\nProcedura optymalizacji polega na przeszukiwaniu przestrzeni parametrów v , f i a w zadanych zakresach i krokach zmian, aby znaleźć kombinac z p cję parametrów, która minimalizuje funkcję celu i jednocześnie spełnia ograniczenia. Przeszukiwanie przestrzeni parametrów realizowane jest w wyniku działania kodu przedstawionego jako algorytm 4.4.\nAlgorytm 4.4. Przeszukiwanie przestrzeni parametrów\n% Przeszukiwanie przestrzeni parametrów for vc = vc_values for fz = fz_values for ap = ap_values\n% Aktualne wartości parametrów wejściowych params = [vc, fz, ap];\n% Wyznaczanie wartości wyjściowych z sieci neuronowej\nFx = net(params’);\n% Obliczanie błędu if Fx < Fx_max error = Fx_max - Fx;\nelse error = Fx - Fx_max;\nend\n% Aktualizacja najlepszych wyników if error < bestError bestError = error;\nbestParams = params;\n\nAlgorytm 4.4. Przeszukiwanie przestrzeni parametrów, cd.\nbestFx = Fx;\nend end end end\nKolejny etap to zaokrąglenie wyników otrzymanych po optymalizacji parametrów wejściowych: v do najbliższej wielokrotności 10 [m/min], f do dwóch c z miejsc po przecinku (0,01 [mm]), a a do jednego miejsca po przecinku (0,1 p\n[mm]). Dalej następuje wyliczenie wartości składowej F dla zaokrąglonych parax metrów wejściowych oraz wyświetlenie wyników. W celu łatwiejszego korzystania z przygotowanego algorytmu zaproponowano prosty interfejs użytkownika.\nZostał przedstawiony na ryc. 4.20.\nRyc. 4.20. Interfejs użytkownika aplikacji doboru optymalnych parametrów obróbki\nInterfejs graficzny składa się z trzech głównych paneli: „Wartość Graniczna”,\n„Parametry Wejściowe” oraz „Wyniki Optymalizacji”. Panel „Wartość Graniczna” zawiera pole edycyjne służące do wprowadzania wartości granicznej siły F .\nx\nUżytkownik wprowadza tutaj maksymalną dopuszczalną wartość siły skrawania.\nPole edycyjne do wprowadzenia wartości granicznej siły F ma domyślną wartość x ustawioną na 500. Panel „Parametry Wejściowe” zawiera pola edycyjne służące do\n\nwprowadzania zakresu przestrzeni parametrów wejściowych, w których poszukuje się optymalnych wartości. Użytkownik może tutaj określić minimalne i maksymalne wartości prędkości skrawania (v), posuwu na ostrze (f) oraz głębokości c z skrawania (a ). Panel „Wyniki Optymalizacji” wyświetla wyniki procesu optyp malizacji, w tym optymalne wartości parametrów obróbki oraz obliczoną maksymalną wydajność i przewidywaną wartość F . Pola tekstowe w panelu obejmują:\nx\nÒ Optymalne v : Wyświetla optymalną wartość prędkości skrawania;\nc\nÒ Optymalny f : Wyświetla optymalną wartość posuwu na ostrze;\nz\nÒ Optymalny a : Wyświetla optymalną wartość głębokości skrawania;\np\nÒ Maksymalna wydajność: Wyświetla maksymalną wydajność objętościową frezowania;\nÒ Wyliczone F : Wyświetla przewidywaną wartość siły skrawania F na x x podstawie optymalnych parametrów.\nPrzycisk „Optymalizuj” uruchamia proces optymalizacji na podstawie wprowadzonych danych. Po jego naciśnięciu funkcja callback (opisana w algorytmie 4.5) przeprowadza optymalizację parametrów skrawania (uruchamia odpowiedni fragment kodu), wyznaczając optymalne wartości v , f i a , c z p które minimalizują siłę skrawania F przy jednoczesnym maksymalizowaniu x wydajności objętościowej frezowania. Interfejs graficzny został zaprojektowany w sposób intuicyjny, umożliwiając użytkownikowi łatwe wprowadzenie niezbędnych danych wejściowych, uruchomienie procesu optymalizacji oraz przeglądanie wyników. Budowa pełnego algorytmu optymalizacyjnego łącznie z interfejsem została przedstawiona jako algorytm 4.5.\nAlgorytm 4.5. Algorytm optymalizacyjny parametrów obróbki przy ograniczeniach siłowych function skrawanie_optimalizer\n% Wczytaj lub zdefiniuj tutaj swoją sieć neuronową 'net' load('net.mat', 'net'); % Przykład wczytania sieci z pliku%\nTworzenie głównego okna GUI f = figure('Position', [300, 300, 500, 650], 'Name',\n'Optymalizacja Parametrów Skrawania', 'NumberTitle', 'off');\n% Panel do wprowadzenia wartości granicznej Fx p1 = uipanel('Title', 'Wartość Graniczna', 'FontSize', 12,\n'Position', [0.05 0.85 0.9 0.1]);\nuicontrol('Parent', p1, 'Style', 'text', 'Position', [20, 20,\n140, 20], 'String', 'Graniczna wartość Fx:', 'HorizontalAlignment',\n'left');\nfxEdit = uicontrol('Parent', p1, 'Style', 'edit', 'Position',\n[180, 20, 100, 20], 'String', '500');\n% Panel do wprowadzenia parametrów wejściowych\n\nAlgorytm 4.5. A lgorytm optymalizacyjny parametrów obróbki przy ograniczeniach siłowych, cd.\np2 = uipanel('Title', 'Parametry Wejściowe', 'FontSize', 12,\n'Position', [0.05 0.45 0.9 0.4]);\nuicontrol('Parent', p2, 'Style', 'text', 'Position', [20, 180,\n140, 20], 'String', 'Minimalna prędkość vc:', 'HorizontalAlignment',\n'left');\nvcMinEdit = uicontrol('Parent', p2, 'Style', 'edit', 'Position',\n[180, 180, 100, 20], 'String', '400');\nuicontrol('Parent', p2, 'Style', 'text', 'Position', [20, 150, 140,\n20], 'String', 'Minimalny posuw fz:', 'HorizontalAlignment', 'left');\nfzMinEdit = uicontrol('Parent', p2, 'Style', 'edit', 'Position',\n[180, 150, 100, 20], 'String', '0.05');\nuicontrol('Parent', p2, 'Style', 'text', 'Position', [20, 120,\n140, 20], 'String', 'Minimalna głębokość ap:', 'HorizontalAlignment',\n'left');\napMinEdit = uicontrol('Parent', p2, 'Style', 'edit', 'Position',\n[180, 120, 100, 20], 'String', '0.5');\nuicontrol('Parent', p2, 'Style', 'text', 'Position', [20, 90, 140,\n20], 'String', 'Maksymalna prędkość vc:', 'HorizontalAlignment',\n'left');\nvcMaxEdit = uicontrol('Parent', p2, 'Style', 'edit', 'Position',\n[180, 90, 100, 20], 'String', '1200');\nuicontrol('Parent', p2, 'Style', 'text', 'Position', [20, 60, 140,\n20], 'String', 'Maksymalny posuw fz:', 'HorizontalAlignment', 'left');\nfzMaxEdit = uicontrol('Parent', p2, 'Style', 'edit', 'Position',\n[180, 60, 100, 20], 'String', '0.3');\nuicontrol('Parent', p2, 'Style', 'text', 'Position', [20, 30, 140,\n20], 'String', 'Maksymalna głębokość ap:', 'HorizontalAlignment',\n'left');\napMaxEdit = uicontrol('Parent', p2, 'Style', 'edit', 'Position',\n[180, 30, 100, 20], 'String', '6');\n% Przycisk do wywołania optymalizacji uicontrol('Style', 'pushbutton', 'Position', [190, 260, 120, 30],\n'String', 'Optymalizuj', 'Callback', @(~,~) optimizeCallback(net));\n% Panel do wyświetlania wyników p3 = uipanel('Title', 'Wyniki Optymalizacji', 'FontSize', 12,\n'Position', [0.05 0.05 0.9 0.35]);\nuicontrol('Parent', p3, 'Style', 'text', 'Position', [20, 130, 140,\n20], 'String', 'Optymalne vc:', 'HorizontalAlignment', 'left');\nvcOptText = uicontrol('Parent', p3, 'Style', 'text', 'Position',\n[180, 130, 100, 20], 'String', '', 'BackgroundColor', 'white');\nuicontrol('Parent', p3, 'Style', 'text', 'Position', [20, 100,\n140, 20], 'String', 'Optymalny fz:', 'HorizontalAlignment', 'left');\n\nAlgorytm 4.5. A lgorytm optymalizacyjny parametrów obróbki przy ograniczeniach siłowych, cd.\nfzOptText = uicontrol(‘Parent’, p3, ‘Style’, ‘text’, ‘Position’,\n[180, 100, 100, 20], ‘String’, ‘’, ‘BackgroundColor’, ‘white’);\nuicontrol(‘Parent’, p3, ‘Style’, ‘text’, ‘Position’, [20, 70, 140,\n20], ‘String’, ‘Optymalny ap:’, ‘HorizontalAlignment’, ‘left’);\napOptText = uicontrol('Parent', p3, 'Style', 'text', 'Position',\n[180, 70, 100, 20], 'String', '', 'BackgroundColor', 'white');\nuicontrol('Parent', p3, 'Style', 'text', 'Position', [20, 40, 140,\n20], 'String', 'Maksymalna wydajność:', 'HorizontalAlignment', 'left');\nmaxEffText = uicontrol('Parent', p3, 'Style', 'text', 'Position',\n[180, 40, 100, 20], 'String', '', 'BackgroundColor', 'white');\nuicontrol('Parent', p3, 'Style', 'text', 'Position', [20, 10, 140, 20],\n'String', 'Wyliczone Fx:', 'HorizontalAlignment', 'left');\nfxCalcText = uicontrol('Parent', p3, 'Style', 'text', 'Position',\n[180, 10, 100, 20], 'String', '', 'BackgroundColor', 'white');\n% Funkcja callback dla przycisku optymalizacji function optimizeCallback(net)\n% Pobieranie wartości z pól edycyjnych\nFx_max = str2double(get(fxEdit, ‘String’));\nvc_min = str2double(get(vcMinEdit, ‘String’));\nfz_min = str2double(get(fzMinEdit, ‘String’));\nap_min = str2double(get(apMinEdit, ‘String’));\nvc_max = str2double(get(vcMaxEdit, ‘String’));\nfz_max = str2double(get(fzMaxEdit, ‘String’));\nap_max = str2double(get(apMaxEdit, ‘String’));\nD = 16; % Średnica narzędzia [mm] z = 2; % Liczba ostrzy frezu ae = 15; % Szerokość frezowania [mm]\n% Zakresy i kroki zmian parametrów wejściowych vc_values = vc_min:10:vc_max;\nfz_values = fz_min:0.01:fz_max;\nap_values = ap_min:0.1:ap_max;\n% Definicja funkcji celu (wydajność objętościowa frezowania) function Q = calculateVolumeEfficiency(vc, fz, ap) n = (vc * 1000) / (D * pi); % Prędkość obrotowa wrzeciona [min^-1] vf = fz * z * n; % Prędkość posuwowa [mm/min]\nQ = (ae * ap * vf) / 1000; % Wydajność objętościowa [cm^3/min] end\n% Definicja funkcji celu (negatywna wydajność objętościowa) objectiveFunction = @(x) -calculateVolumeEfficiency(x(1), x(2), x(3));\n\nAlgorytm 4.5. A lgorytm optymalizacyjny parametrów obróbki przy ograniczeniach siłowych, cd.\n% Definicja funkcji ograniczeń function [c, ceq] = constraints(x, net, Fx_max)\n% Wejścia do sieci neuronowej inputs = [x(1); x(2); x(3)];\n% Przewidywana wartość Fx z sieci neuronowej\nFx_pred = net(inputs);\n% Ograniczenia nierównościowe (Fx <= Fx_max) c = Fx_pred - Fx_max;\n% Brak ograniczeń równościowych ceq = [];\nend\n% Inicjalizacja zmiennych do przechowywania najlepszych wyników bestParams = [];\nbestError = inf;\n% Przeszukiwanie przestrzeni parametrów for vc = vc_values for fz = fz_values for ap = ap_values\n% Aktualne wartości parametrów wejściowych params = [vc, fz, ap];\n% Wyznaczanie wartości wyjściowych z sieci neuronowej\nFx = net(params’);\n% Obliczanie błędu if Fx < Fx_max error = Fx_max - Fx;\nelse error = Fx - Fx_max;\nend\n% Aktualizacja najlepszych wyników if error < bestError bestError = error;\nbestParams = params;\nbestFx = Fx;\nend end end end\n% Zaokrąglenie wyników vc_opt_rounded = round(bestParams(1) / 10) * 10;\nfz_opt_rounded = round(bestParams(2) * 100) / 100;\nap_opt_rounded = round(bestParams(3) * 10) / 10;\n\nAlgorytm 4.5. A lgorytm optymalizacyjny parametrów obróbki przy ograniczeniach siłowych, cd.\n% Wyznaczanie wartości wyjściowych z sieci neuronowej dla zaokrąglonych wyników inputs_opt_rounded = [vc_opt_rounded; fz_opt_rounded;\nap_opt_rounded];\nFx_pred_opt_rounded = net(inputs_opt_rounded);\nmaxEfficiency = calculateVolumeEfficiency(vc_opt_rounded, fz_ opt_rounded, ap_opt_rounded);\n% Wyświetlenie wyników w GUI set(vcOptText, 'String', num2str(vc_opt_rounded, '%.2f'));\nset(fzOptText, 'String', num2str(fz_opt_rounded, '%.2f'));\nset(apOptText, 'String', num2str(ap_opt_rounded, '%.2f'));\nset(maxEffText, 'String', num2str(maxEfficiency, '%.2f'));\nset(fxCalcText, 'String', num2str(Fx_pred_opt_rounded,\n'%.2f'));\nend end\nPrzykład 1. działania algorytmu dla założonej wartości granicznej\nF = 500 [N], przedstawia ryc. 4.21, zaś przykład 2. dla założonej wartości x granicznej F = 600 [N] – ryc. 4.22. Po weryfikacji otrzymanych wartości parax metrów można stwierdzić, że zawierają się one w założonych granicach.\nW ramach przeprowadzonych analiz opracowano algorytm optymalizacyjny parametrów obróbki, mający na celu znalezienie optymalnych wartości prędkości skrawania (v), posuwu na ostrze (f ) oraz głębokości skrawania (a ), c z p które minimalizują składową siły skrawania F , przy jednoczesnym maksyx malizowaniu wydajności objętościowej frezowania. Optymalizacja została przeprowadzona przy użyciu modelu sieci neuronowej wytrenowanego na danych eksperymentalnych, przewidującego wartość składowej F siły skrax wania na podstawie parametrów obróbki. Przykłady działania algorytmu dla różnych wartości granicznych F potwierdziły, że otrzymane parametry mieszx czą się w założonych granicach, co świadczy o skuteczności zaproponowanego podejścia.\n\nRyc. 4.21. Przykład 1. działania algorytmu optymalizacyjnego dla założonej wartości granicznej F = 500 [N] x\nRyc. 4.22. Przykład 2. działania algorytmu optymalizacyjnego dla założonej wartości granicznej F = 600 [N] x\n\n5. Ocena jakości wyrobów gotowych\nOcena jakości wyrobów gotowych z wykorzystaniem sztucznych sieci neuronowych w procesach produkcyjnych jest zagadnieniem, które w dużym stopniu determinuje efektywność i konkurencyjność współczesnych zakładów produkcyjnych. W zależności od podejścia do problemu jakości analiza ta może przyjmować charakter zarówno klasyfikacyjny, jak i regresyjny, co ma znaczenie dla doboru odpowiednich metod i narzędzi analizy. ANN, dzięki swojej elastyczności i zdolności do modelowania złożonych zależności, oferują szerokie spektrum możliwości w tym zakresie, jednakże wybór odpowiedniego modelu zależy od specyfiki zadania i rodzaju analizowanych danych.\nKlasyfikacja i regresja jako dwa podstawowe podejścia w ocenie jakości różnią się zasadniczo pod względem celu analizy. Problemy klasyfikacyjne koncentrują się na przypisaniu badanego obiektu do jednej z określonych klas, co ma szczególne znaczenie w przypadkach, gdzie konieczne jest jednoznaczne określenie, czy dany wyrób spełnia określone standardy jakości, czy też nie. Przykładem może być wykrywanie wad odlewniczych, gdzie klasyfikacja obrazu jako „bez wad” lub „z wadami” decyduje o dalszym losie produktu w procesie produkcyjnym. Z kolei regresję stosuje się w przypadkach, gdzie istotne jest przewidywanie ciągłych wartości związanych z jakością, takich jak grubość powłoki, chropowatość powierzchni czy inne parametry fizyczne, które wymagają dokładnej kwantyfikacji, a nie tylko binarnego podziału na klasy.\n\nW niniejszym rozdziale, w kolejnych podrozdziałach omówione zostaną oba podejścia z uwzględnieniem specyficznych przypadków zastosowań ANN w procesach produkcyjnych. W pierwszej kolejności przedstawiony zostanie problem klasyfikacyjny związany z wykrywaniem wad w odlewach. W ramach tych badań zastosowano technikę transfer learning, która umożliwia adaptację wcześniej wytrenowanych modeli do specyficznych zadań przemysłowych.\nTakie podejście pozwala na skrócenie czasu potrzebnego na uczenie sieci oraz na znaczną poprawę efektywności kontroli jakości. Drugi przypadek klasyfikacyjny dotyczy problemu wykrywania błędów kształtu na dynamicznych liniach produkcyjnych, gdzie obrazy obiektów są rozmyte z powodu ich ruchu na taśmociągu. Tutaj również zastosowanie znajdują techniki klasyfikacyjne, które pozwalają na precyzyjną identyfikację i lokalizację obiektów o niepożądanych kształtach, co jest istotne dla np. automatyzacji kontroli jakości w czasie rzeczywistym.\nW rozdziale zostanie również omówiony problem regresyjny, gdzie ANN wykorzystywane są do przewidywania twardości wyrobów gotowych po procesie odpuszczania, co jest ważnym aspektem w ocenie jakości materiałów metalowych. Odpuszczanie jako proces cieplny stosowany w przemyśle metalurgicznym ma na celu poprawę właściwości mechanicznych materiału, takich jak twardość, wytrzymałość i plastyczność. Precyzyjne określenie twardości po odpuszczaniu jest niezbędne, aby zapewnić, że wyrób końcowy spełnia wymagania techniczne oraz normy jakościowe.\nKolejnym istotnym aspektem, który zostanie omówiony, jest różnica w analizie danych w zależności od tego, czy rejestrujemy pojedynczy obiekt, czy obraz z linii produkcyjnej, na którym znajduje się wiele obiektów jednocześnie. Analiza pojedynczych obiektów, jak na przykład detekcja defektów w indywidualnych odlewach, jest relatywnie prostsza, ponieważ model koncentruje się na jednym, dobrze zdefiniowanym elemencie. W takich przypadkach istotny jest wybór sieci neuronowej o odpowiedniej głębokości i zdolności do rozpoznawania wzorców na poziomie detalu, co pozwala na dokładną klasyfikację lub regresję.\nZ kolei w przypadku analizy obrazów z linii produkcyjnej, gdzie na jednym obrazie znajduje się wiele obiektów, pojawia się dodatkowe wyzwanie związane z koniecznością lokalizacji, segmentacji oraz klasyfikacji wielu elementów jednocześnie. W takich przypadkach wybór odpowiedniej architektury sieci neuronowej, jak również parametrów modelu, zależy od specyfiki zadania.\nCNN w takich przypadkach mogą być bardziej efektywne ze względu na ich zdolność do analizowania skomplikowanych układów obiektów oraz wykrywania subtelnych różnic między nimi. Dodatkowo w takich scenariuszach często\n\nstosuje się techniki augmentacji danych oraz transfer learning, aby poprawić zdolność modelu do generalizacji na nowych danych produkcyjnych.\nWybór odpowiedniego podejścia do oceny jakości wyrobów gotowych za pomocą ANN zależy od wielu czynników, w tym od charakterystyki analizowanych danych oraz specyficznych wymagań procesu produkcyjnego. W dalszych częściach rozdziału omówione zostaną szczegółowo przykłady zastosowań zarówno klasyfikacyjnych, jak i regresyjnych modeli ANN, z uwzględnieniem różnic w analizie obrazów pojedynczych obiektów oraz tych pochodzących z linii produkcyjnych. Rozdział ten dostarczy wszechstronnego wglądu w możliwości, jakie oferują sztuczne sieci neuronowe w kontekście oceny jakości wyrobów gotowych, oraz przedstawi perspektywy ich zastosowania w różnych procesach produkcyjnych.\n5.1. Wykrywanie wad w odlewanych wyrobach gotowych – problem klasyfikacyjny\nWykrywanie wad w odlewanych wyrobach gotowych stanowi jedno z wyzwań współczesnej produkcji przemysłowej, szczególnie w branży metalurgicznej. Odlewanie jest zaawansowanym procesem produkcyjnym, polegającym na wlewaniu ciekłego materiału, najczęściej metalu, do formy zawierającej wnękę o precyzyjnie zaprojektowanym kształcie, który odpowiada wymiarom gotowego wyrobu. Po wypełnieniu formy materiał jest pozostawiany do stwardnienia, co pozwala na uzyskanie pożądanego kształtu i struktury odlewu. Proces ten, choć powszechnie stosowany, wiąże się z ryzykiem powstawania różnorodnych wad, które mogą znacząco obniżyć jakość wyrobów finalnych.\nDo najczęściej występujących wad odlewniczych należą pęcherze gazowe, mikropory, zadziory, wady skurczowe, wady materiału formy, wady wlewanego metalu oraz wady metalurgiczne. Każda z tych nieregularności może prowadzić do istotnych problemów funkcjonalnych lub estetycznych wyrobu, co w konsekwencji wpływa na jego wartość rynkową i trwałość.\nWady odlewnicze są szczególnie niepożądane w przemyśle, ponieważ mogą prowadzić do znacznych strat finansowych. W przypadku ich wykrycia cała partia produkcyjna może zostać odrzucona, co nie tylko generuje bezpośrednie koszty związane z utratą surowców i energii, ale także wpływa na reputację producenta oraz opóźnia realizację zamówień. Dlatego często firma zaangażowana w procesy odlewnicze posiada dedykowany dział kontroli jakości, którego zadaniem jest identyfikacja wadliwych produktów przed ich wprowadzeniem na rynek.\n\nGłównym problemem tradycyjnych metod kontroli jakości jest ich manualny charakter. Mimo że proces prowadzony jest przez wykwalifikowanych specjalistów, wymaga dużo czasu i podatny na błędy ludzkie. Ręczne inspekcje nie są w pełni dokładne, a ich efektywność zależy od wielu czynników, takich jak zmęczenie inspektorów, złożoność kontrolowanych wyrobów oraz warunki oświetleniowe. W rezultacie nawet niewielkie defekty mogą zostać przeoczone, co prowadzi do dalszych komplikacji w procesie produkcyjnym.\nW obliczu tych wyzwań automatyzacja procesu wykrywania wad staje się nie tylko pożądana, ale wręcz niezbędna. Rozwój technologii głębokiego uczenia, w szczególności wstępnie wytrenowanych CNN, otwiera nowe możliwości w dziedzinie automatycznej kontroli jakości. Wykorzystanie technik transfer learning umożliwia adaptację sieci neuronowych, które zostały wcześniej wytrenowane na dużych zbiorach danych obrazowych, do specyficznych zadań związanych z wykrywaniem defektów w odlewach [98,174,175].\nDzięki modyfikacji warstw końcowych takich sieci, jak ResNet50, ResNet101 czy Darknet53, oraz ich ponownemu trenowaniu na mniejszych, specyficznych zbiorach danych, możliwe jest osiągnięcie wysokiej skuteczności w identyfikacji wadliwych wyrobów.\nZastosowanie wstępnie wytrenowanych sieci CNN w przemyśle odlewniczym ma zatem ogromny potencjał. Nie tylko redukuje czas i zasoby potrzebne do trenowania nowych modeli, ale także podnosi jakość i dokładność procesu kontroli, minimalizując ryzyko związane z błędami ludzkimi. W efekcie automatyzacja procesu wykrywania wad z wykorzystaniem zaawansowanych technik głębokiego uczenia może przyczynić się do znacznego zwiększenia efektywności produkcji, redukcji strat oraz poprawy konkurencyjności przedsiębiorstw na rynku. W kontekście dynamicznie rozwijającej się technologii i rosnących wymagań jakościowych wprowadzenie takich innowacyjnych rozwiązań staje się elementem strategii rozwoju nowoczesnych zakładów produkcyjnych.\n5.1.1. Metodyka prowadzonych badań\nCelem prowadzonych w tej części badań jest ocena skuteczności różnych sieci CNN w klasyfikacji obrazów na dwie kategorie: odlew bez wad (OK) oraz odlew z wadami (defektami). Algorytmy klasyfikacyjne były testowane przy użyciu publicznie dostępnego zestawu obrazów pod nazwą „casting product image data for quality inspection”, który został udostępniony w licencji\nCC BY-NC-ND 4.0 [176].\n\nBaza danych dotyczy produktów wytwarzanych w procesie odlewania, zawiera zdjęcia wykonane z góry produktu, jakim jest wirnik pompy głębinowej. Łącznie w bazie znajduje się 7348 zdjęć w rozdzielczości 300 × 300 pikseli w skali szarości, na których zastosowano augmentację. W bazie występuje 3137 zdjęć bez wad oraz 4167 zdjęć z wadami odlewów. Na ryc. 5.1 przedstawiono przykładowe obrazy z obu kategorii, zarówno te z pęknięciami, jak i bez pęknięć.\na b c d\nRyc. 5.1. Przykładowe zdjęcia z bazy danych: a, b) bez wad; c, d) z wadami\nŹródło: Baza danych „casting product image data for quality inspection” [176]\nWybór architektury sieci neuronowej w badaniach dotyczących klasyfikacji obrazów odlewów został podyktowany specyficznymi wymaganiami zadania, a mianowicie koniecznością dokładnego rozróżnienia między odlewami bez wad a odlewami z defektami. Zdecydowano się na zastosowanie CNN ze względu na ich wyjątkową skuteczność w analizie i klasyfikacji obrazów.\nArchitektura CNN jest szczególnie dobrze przystosowana do przetwarzania danych wizualnych, ponieważ potrafi automatycznie rozpoznać i wyodrębnić istotne cechy z obrazów, co jest ważne przy zadaniach, takich jak wykrywanie defektów w odlewach. Dodatkowo w celu maksymalizacji efektywności klasyfikacji zastosowano metodologię transfer learning. Transfer learning\n\nszczególnie dobrze sprawdza się w wykrywaniu defektów, ponieważ pozwala na skorzystanie z gotowych, wytrenowanych modeli, które mają już zdolność rozpoznawania złożonych wzorców wizualnych To sprawia, że proces uczenia przebiega znacznie szybciej, a dokładność klasyfikacji wzrasta. Dzięki temu podejściu możliwe jest uzyskanie wysokiej jakości wyników nawet przy ograniczonej ilości danych specyficznych dla danego zadania, jak to ma miejsce w przypadku klasyfikacji obrazów odlewów.\nTego rodzaju podejście nie jest nowe w literaturze naukowej, a jego skuteczność została już wcześniej potwierdzona przez różnych badaczy. Przykładowo\nGupta i in. przeprowadzili szczegółową analizę wydajności kilku modeli, w tym\nEfficientNetB3, ResNet18, VGG16 oraz ResNet50, ostatecznie wybierając model\nResNet50 jako najefektywniejszy w zadaniu wykrywania wad odlewniczych.\nIch badania pokazały, że ResNet50, jako model o odpowiedniej głębokości i zdolności do generalizacji, jest wyjątkowo skuteczny w identyfikacji różnorodnych defektów [175]. Z kolei Prasad i in. zastosowali w swoim badaniu sieć ShuffleNet\nV2, która, choć jest mniej złożona i nie posiada tak dużej głębokości jak inne sieci, oferuje znacznie mniejsze zapotrzebowanie na moc obliczeniową. Dzięki temu model ten jest szczególnie użyteczny w środowiskach, gdzie zasoby sprzętowe są ograniczone, choć może to odbywać się kosztem nieco niższej dokładności w porównaniu z głębszymi sieciami neuronowymi [174].\nW prowadzonych badaniach zastosowano podejście, które częściowo różni się od dotychczasowych badań, wykorzystując nie tylko sieci neuronowe stosowane przez innych badaczy, ale także te same modele, aby móc je bezpośrednio porównać. W szczególności, podobnie jak Gupta i in. [175], uwzględniono model ResNet50, który służył jako punkt odniesienia dla oceny skuteczności innych sieci. Dodatkowo w badaniach zastosowano sieci, takie jak ResNet101, Darknet53, Xception, InceptionResNet-v2 oraz Densenet201, które różnią się strukturą i złożonością obliczeniową. Dzięki temu możliwa była dokładna analiza, jak te bardziej złożone modele radzą sobie w porównaniu z ResNet50 w zadaniu identyfikacji defektów w odlewach. Modele te zostały uporządkowane według rosnącej złożoności struktury oraz czasu obliczeń, co pozwoliło na dokładną ocenę ich efektywności i zdolności do identyfikacji defektów w odlewach.\nTakie podejście jest uzasadnione z kilku powodów. Po pierwsze, zastosowanie modeli o różnej złożoności struktury umożliwia porównanie ich wydajności i znalezienie optymalnego balansu pomiędzy dokładnością klasyfikacji a wymaganiami obliczeniowymi. Modele, takie jak ResNet50 i ResNet101, choć bardziej złożone, oferują wysoką dokładność, podczas gdy sieci, takie\n\njak Darknet53 czy Xception mogą dostarczyć lepszy kompromis pomiędzy dokładnością a szybkością przetwarzania. Po drugie, wybór głębokich sieci, takich jak Densenet201 i InceptionResNet-v2, pozwala na wykorzystanie ich zdolności do uchwycenia bardziej złożonych wzorców, co może być ważne w przypadku trudnych do wykrycia defektów. Zastosowanie tej zróżnicowanej puli modeli umożliwia uzyskanie wszechstronnych i solidnych wyników w zadaniu wykrywania wad w odlewach, co ma istotne znaczenie w kontekście przemysłowej kontroli jakości.\nW przypadku sieci konwolucyjnych, takich jak Inception-ResNet-v2,\nResNet50, ResNet101, Darknet53 oraz Xception, proces ten jest znacznie szybszy i mniej zasobochłonny w porównaniu z trenowaniem sieci od podstaw.\nNa przykład sieć Inception-ResNet-v2, wytrenowana na ponad milionie obrazów z bazy ImageNet, posiada zdolność klasyfikacji obrazów do 1000 kategorii.\nPrzez zamianę warstwy końcowej na warstwę binarną (dwuklasową) i ponowne trenowanie na nowych danych, możliwe jest przystosowanie tej sieci do wykrywania konkretnych defektów w obiektach.\nResNet50 to 50-warstwowa sieć konwolucyjna, która jest częścią rodziny\nResNet (Residual Networks) opracowanej przez zespół badawczy He [177].\nSieć ta wykorzystuje technikę residual learning, która polega na wprowadzeniu połączeń przeskakujących umożliwiających propagację sygnału z pominięciem jednej lub więcej warstw. Dzięki temu sieć może efektywnie trenować głębsze modele bez problemu znikającego gradientu. ResNet50 jest powszechnie używana w różnych zastosowaniach związanych z rozpoznawaniem obrazów i klasyfikacją ze względu na swoją wysoką dokładność i efektywność obliczeniową. Listę warstw tej sieci przedstawia tabela 5.1, gdzie przedstawiono dane dotyczące 22 warstw. Zgrupowano w niej główne typy warstw i bloki resztkowe jako pojedyncze pozycje. W rzeczywistości sieć ResNet50 składa się z 50 warstw, które obejmują wszystkie warstwy konwolucyjne, normalizacyjne, aktywacyjne oraz dodatkowe warstwy w powtarzających się blokach resztkowych. Każdy blok resztkowy składa się z kilku warstw, co w sumie daje pełne\n50 warstw w architekturze ResNet50.\n\nTabela 5.1. Lista warstw sieci ResNET50\nLp. Typ warstwy Opis\n1 Conv2D 64 filtry, 7 × 7, krok 2\n2 Batch Normalization Normalizacja\n3 ReLU Warstwa aktywacji z funkcją ReLU\n4 MaxPooling2D 3 × 3, krok 2\n5 Conv2D 64 filtry, 1 × 1, krok 1\n6 Batch Normalization Normalizacja\n7 ReLU Warstwa aktywacji z funkcją ReLU\n8 Conv2D 64 filtry, 3 × 3, krok 1\n9 Batch Normalization Normalizacja\n10 ReLU Warstwa aktywacji z funkcją ReLU\n11 Conv2D 256 filtry, 1 × 1, krok 1\n12 Batch Normalization Normalizacja\n13 Conv2D 256 filtry, 1 × 1, krok 2 (ścieżka skrótu)\n14 Batch Normalization Normalizacja (ścieżka skrótu)\n15 Add Dodanie wyników ze ścieżki głównej i ścieżki skrótu\n16 ReLU Warstwa aktywacji z funkcją ReLU\n17 Blok resztkowy ×3 Powtórzenie bloków: 64 filtry, 64 filtry, 256 filtry\n18 Blok resztkowy ×4 Powtórzenie bloków: 128 filtry, 128 filtry, 512 filtry\n19 Blok resztkowy ×6 Powtórzenie bloków: 256 filtry, 256 filtry, 1024 filtry\n20 Blok resztkowy ×3 Powtórzenie bloków: 512 filtry, 512 filtry, 2048 filtry\n21 AveragePooling2D 7 × 7\n22 Fully Connected 1000 neuronów (dla klasyfikacji ImageNet)\nResNet101 to rozszerzona wersja sieci ResNet50, składająca się ze 101 warstw [177]. Podobnie jak ResNet50, wykorzystuje technikę residual learning, co pozwala na trenowanie jeszcze głębszych modeli. ResNet101 oferuje wyższą dokładność klasyfikacji w porównaniu z ResNet50, jednak kosztem zwiększonego czasu obliczeń. Sieć ta jest również szeroko stosowana w badaniach i aplikacjach przemysłowych ze względu na swoją zdolność do skutecznego rozpoznawania wzorców w skomplikowanych zbiorach danych. Listę warstw tej sieci przedstawia tabela 5.2, gdzie znajdują się dane dotyczące 22 warstw.\nZgrupowano w niej główne typy warstw i bloki resztkowe jako pojedyncze pozycje, analogicznie jak to zostało przedstawione dla sieci ResNet50 powyżej.\n\nTabela 5.2. Lista warstw sieci ResNET101\nLp. Typ warstwy Opis\n1 Conv2D 64 filtry, 7 × 7, krok 2\n2 Batch Normalization Normalizacja\n3 ReLU Warstwa aktywacji z funkcją ReLU\n4 MaxPooling2D 3 × 3, krok 2\n5 Conv2D 64 filtry, 1 × 1, krok 1\n6 Batch Normalization Normalizacja\n7 ReLU Warstwa aktywacji z funkcją ReLU\n8 Conv2D 64 filtry, 3 × 3, krok 1\n9 Batch Normalization Normalizacja\n10 ReLU Warstwa aktywacji z funkcją ReLU\n11 Conv2D 256 filtry, 1 × 1, krok 1\n12 Batch Normalization Normalizacja\n13 Conv2D 256 filtry, 1 × 1, krok 2 (ścieżka skrótu)\n14 Batch Normalization Normalizacja (ścieżka skrótu)\n15 Add Dodanie wyników ze ścieżki głównej i ścieżki skrótu\n16 ReLU Warstwa aktywacji z funkcją ReLU\n17 Blok resztkowy ×3 Powtórzenie bloków: 64 filtry, 64 filtry, 256 filtry\n18 Blok resztkowy ×4 Powtórzenie bloków: 128 filtry, 128 filtry, 512 filtry\n19 Blok resztkowy ×23 Powtórzenie bloków: 256 filtry, 256 filtry, 1024 filtry\n20 Blok resztkowy ×3 Powtórzenie bloków: 512 filtry, 512 filtry, 2048 filtry\n21 AveragePooling2D 7 × 7\n22 Fully Connected 1000 neuronów (dla klasyfikacji ImageNet)\nDarknet53 to 71-warstwowa sieć konwolucyjna, która jest częścią platformy programistycznej Darknet używanej w systemie YOLO do detekcji obiektów w czasie rzeczywistym. Darknet53 charakteryzuje się wysoką dokładnością klasyfikacji i jest zoptymalizowana pod kątem szybkich obliczeń, co czyni ją idealną do zastosowań wymagających przetwarzania obrazu w czasie rzeczywistym. Tabela 5.3 przedstawia strukturę tej sieci, która składa się z 23 warstw. Liczba warstw wynika z charakterystycznej architektury tej sieci, w której występują powtarzające się bloki resztkowe, mające na celu głębsze przetwarzanie danych wejściowych. W przeciwieństwie do sieci ResNet50 czy ResNet101 ostatnia warstwa Darknet53 nie jest warstwą klasyfikacyjn��. Wynika to z faktu, że Darknet53 stosuje się głównie jako część większych systemów, takich jak YOLO do detekcji obiektów, gdzie dalsze warstwy są odpowiedzialne za lokalizację i klasyfikację obiektów w obrazie, a nie za klasyfikację całego obrazu do jednej z określonych klas.\n\nTabela 5.3. Lista warstw sieci Darknet53\nLp. Typ warstwy Opis\n1 Conv2D 32 filtry, 3 × 3, krok 1\n2 Batch Normalization Normalizacja\n3 Leaky ReLU Warstwa aktywacji z funkcją Leaky ReLU\n4 Conv2D 64 filtry, 3 × 3, krok 2\n5 Batch Normalization Normalizacja\n6 Leaky ReLU Warstwa aktywacji z funkcją Leaky ReLU\n7 Blok resztkowy ×1 Powtórzenie bloków: 32 filtry, 32 filtry\n8 Conv2D 128 filtry, 3 × 3, krok 2\n9 Batch Normalization Normalizacja\n10 Leaky ReLU Warstwa aktywacji z funkcją Leaky ReLU\n11 Blok resztkowy ×2 Powtórzenie bloków: 64 filtry, 64 filtry\n12 Conv2D 256 filtry, 3 × 3, krok 2\n13 Batch Normalization Normalizacja\n14 Leaky ReLU Warstwa aktywacji z funkcją Leaky ReLU\n15 Blok resztkowy ×8 Powtórzenie bloków: 128 filtry, 128 filtry\n16 Conv2D 512 filtry, 3 × 3, krok 2\n17 Batch Normalization Normalizacja\n18 Leaky ReLU Warstwa aktywacji z funkcją Leaky ReLU\n19 Blok resztkowy ×8 Powtórzenie bloków: 256 filtry, 256 filtry\n20 Conv2D 1024 filtry, 3 × 3, krok 2\n21 Batch Normalization Normalizacja\n22 Leaky ReLU Warstwa aktywacji z funkcją Leaky ReLU\n23 Blok resztkowy ×4 Powtórzenie bloków: 512 filtry, 512 filtry\nXception to 53-warstwowa sieć konwolucyjna zaprojektowana przez\nFrancois Chollet [178]. Sieć ta opiera się na architekturze Inception, ale wprowadza głębokie separowalne sploty, co pozwala na bardziej efektywną ekstrakcję cech z obrazów. Xception oferuje wysoką dokładność klasyfikacji przy stosunkowo niskim obciążeniu obliczeniowym, co sprawia, że jest atrakcyjna dla różnych zastosowań związanych z analizą obrazów. Tabela 5.4 przedstawiająca listę warstw dla sieci Xception zawiera 43 warstwy, ponieważ jest ona zbudowana z podstawowych bloków zawierających konwolucje rozdzielne głębokie (SeparableConv2D), warstwy normalizacji partii (Batch\nNormalization) oraz funkcje aktywacji ReLU. Struktura sieci obejmuje również warstwy konwolucyjne (Conv2D) na początku, warstwy MaxPooling2D do redukcji wymiarów oraz globalne średnie próbkowanie (Global Average\n\nPooling2D) na końcu, przed warstwą w pełni połączoną (Fully Connected) służącą do klasyfikacji.\nTabela 5.4. Lista warstw sieci Xception\nLp. Typ warstwy Opis\n1 Conv2D 32 filtry, 3 × 3, krok 2\n2 Batch Normalization Normalizacja\n3 ReLU Warstwa aktywacji z funkcją ReLU\n4 Conv2D 64 filtry, 3 × 3, krok 1\n5 Batch Normalization Normalizacja\n6 ReLU Warstwa aktywacji z funkcją ReLU\n7 SeparableConv2D 128 filtry, 3 × 3, krok 1\n8 Batch Normalization Normalizacja\n9 ReLU Warstwa aktywacji z funkcją ReLU\n10 SeparableConv2D 128 filtry, 3 × 3, krok 1\n11 Batch Normalization Normalizacja\n12 MaxPooling2D 3 × 3, krok 2\n13 Conv2D 256 filtry, 1 × 1, krok 2 (ścieżka skrótu)\n14 Batch Normalization Normalizacja (ścieżka skrótu)\n15 SeparableConv2D 256 filtry, 3 × 3, krok 1\n16 Batch Normalization Normalizacja\n17 ReLU Warstwa aktywacji z funkcją ReLU\n18 SeparableConv2D 256 filtry, 3 × 3, krok 1\n19 Batch Normalization Normalizacja\n20 MaxPooling2D 3 × 3, krok 2\n21 Conv2D 728 filtry, 1 × 1, krok 2 (ścieżka skrótu)\n22 Batch Normalization Normalizacja (ścieżka skrótu)\n23 SeparableConv2D 728 filtry, 3 × 3, krok 1\n24 Batch Normalization Normalizacja\n25 ReLU Warstwa aktywacji z funkcją ReLU\n26 SeparableConv2D 728 filtry, 3 × 3, krok 1\n27 Batch Normalization Normalizacja\n28 MaxPooling2D 3 × 3, krok 2\n29 Blok resztkowy x8 Powtórzenie bloków: 728 filtry, 728 filtry\n30 SeparableConv2D 1024 filtry, 3 × 3, krok 1\n31 Batch Normalization Normalizacja\n32 ReLU Warstwa aktywacji z funkcją ReLU\n33 SeparableConv2D 1024 filtry, 3 × 3, krok 1\n34 Batch Normalization Normalizacja\n\nTabela 5.4. Lista warstw sieci Xception, cd.\nLp. Typ warstwy Opis\n35 MaxPooling2D 3 × 3, krok 2\n36 SeparableConv2D 1536 filtry, 3 × 3, krok 1\n37 Batch Normalization Normalizacja\n38 ReLU Warstwa aktywacji z funkcją ReLU\n39 SeparableConv2D 2048 filtry, 3 × 3, krok 1\n40 Batch Normalization Normalizacja\n41 ReLU Warstwa aktywacji z funkcją ReLU\n42 Global Average Pooling2D Globalne średnie próbkowanie 2D\n43 Fully Connected 1000 neuronów (dla klasyfikacji ImageNet)\nInceptionResNet-v2 to kombinacja architektury Inception i ResNet składająca się ze 164 warstw [179]. Sieć ta łączy zalety obu podejść, oferując zaawansowane możliwości ekstrakcji cech oraz stabilność uczenia głębokich sieci.\nInceptionResNet-v2 służy do klasyfikacji obrazów i charakteryzuje się zdolnością klasyfikacji do 1000 kategorii. W badaniach nad wykrywaniem defektów InceptionResNet-v2 wykazała wysoką efektywność dzięki zaawansowanej architekturze. Listę warstw tej sieci przedstawia tabela 5.5. W tabeli dla sieci\nInceptionResNet-v2 znajduje się 26 pozycji, które odpowiadają różnym warstwom sieci, analogicznie do poprzednich.\nTabela 5.5. Lista warstw sieci InceptionResNet-v2\nLp. Typ warstwy Opis\n1 Conv2D 32 filtry, 3 × 3, krok 2\n2 Batch Normalization Normalizacja\n3 ReLU Warstwa aktywacji z funkcją ReLU\n4 Conv2D 32 filtry, 3 × 3, krok 1\n5 Batch Normalization Normalizacja\n6 ReLU Warstwa aktywacji z funkcją ReLU\n7 Conv2D 64 filtry, 3 × 3, krok 1\n8 Batch Normalization Normalizacja\n9 ReLU Warstwa aktywacji z funkcją ReLU\n10 MaxPooling2D 3 × 3, krok 2\n11 Conv2D 80 filtry, 1 × 1, krok 1\n12 Batch Normalization Normalizacja\n13 ReLU Warstwa aktywacji z funkcją ReLU\n14 Conv2D 192 filtry, 3 × 3, krok 1\n\nTabela 5.5. Lista warstw sieci InceptionResNet-v2, cd.\nLp. Typ warstwy Opis\n15 Batch Normalization Normalizacja\n16 ReLU Warstwa aktywacji z funkcją ReLU\n17 MaxPooling2D 3 × 3, krok 2\n18 Inception-A blok x5 Powtórzenie bloków: różne konfiguracje filtrów\nRedukcja wymiarów za pomocą max poolingu\n19 Reduction-A i konwolucji\n20 Inception-ResNet-B blok ×10 Powtórzenie bloków: różne konfiguracje filtrów\nRedukcja wymiarów za pomocą max poolingu\n21 Reduction-B i konwolucji\n22 Inception-ResNet-C blok ×5 Powtórzenie bloków: różne konfiguracje filtrów\n23 Global Average Pooling2D Globalne średnie próbkowanie 2D\n24 Dropout 50% deaktywowanych neuronów\n25 Fully Connected 1000 neuronów (dla klasyfikacji ImageNet)\n26 Softmax Warstwa aktywacji z funkcją Softmax\nDenseNet201 to sieć konwolucyjna składająca się z 201 warstw, będąca częścią rodziny DenseNet (densely connected convolutional networks) opracowanej przez Huang i jego współpracowników [180]. Sieć ta charakteryzuje się gęstymi połączeniami, gdzie każda warstwa jest połączona z każdą poprzednią.\nDzięki temu sygnały są efektywnie propagowane przez sieć, co pozwala na lepsze wykorzystanie informacji i bardziej skuteczne trenowanie. DenseNet201 minimalizuje problem znikającego gradientu i umożliwia trenowanie bardzo głębokich sieci bez utraty dokładności. Jest szeroko stosowana w zadaniach związanych z klasyfikacją obrazów i analizą danych medycznych. Listę warstw sieci DenseNet201 przedstawia tabela 5.6, która zawiera 16 pozycji, ponieważ uwzględnia wszystkie główne etapy przetwarzania danych, analogicznie jak w poprzednich sieciach. Zawiera warstwy konwolucyjne, normalizacyjne, aktywacyjne, poolingowe, bloki gęste, warstwy przejściowe oraz końcowe warstwy klasyfikacyjne, co zapewnia kompletną strukturę modelu od wejścia do wyjścia.\nTabela 5.6. Lista warstw sieci DenseNet201\nLp. Typ warstwy Opis\n1 Conv2D 64 filtry, 7 × 7, krok 2\n2 Batch Normalization Normalizacja\n3 ReLU Warstwa aktywacji z funkcją ReLU\n4 MaxPooling2D 3 × 3, krok 2\n5 Blok gęsty x6 Powtórzenie bloków: różne konfiguracje filtrów\n\nTabela 5.6. Lista warstw sieci DenseNet201, cd.\nLp. Typ warstwy Opis\nConv2D: 128 filtry, 1 × 1, krok 1, AveragePooling2D:\n6 Transition Layer\n2 × 2, krok 2\n7 Blok gęsty ×12 Powtórzenie bloków: różne konfiguracje filtrów\nConv2D: 256 filtry, 1 × 1, krok 1, AveragePooling2D:\n8 Transition Layer\n2 × 2, krok 2\n9 Blok gęsty ×48 Powtórzenie bloków: różne konfiguracje filtrów\nConv2D: 512 filtry, 1×1, krok 1, AveragePooling2D: 2 × 2,\n10 Transition Layer krok 2\n11 Blok gęsty ×32 Powtórzenie bloków: różne konfiguracje filtrów\n12 Batch Normalization Normalizacja\n13 ReLU Warstwa aktywacji z funkcją ReLU\n14 Global Average Pooling2D Globalne średnie próbkowanie 2D\n15 Fully Connected 1000 neuronów (dla klasyfikacji ImageNet)\n16 Softmax Warstwa aktywacji z funkcją Softmax\nKażda z wymienionych sieci została dostosowana do klasyfikacji dwuklasowej poprzez zastąpienie oryginalnej w pełni połączonej warstwy (ang. fully connected layer) nową z dwoma neuronami wyjściowymi oraz dodanie warstwy softmax w celu uzyskania prawdopodobieństw dla każdej z dwóch kategorii.\nW analizie wykorzystano SVM (ang. support vector machine – maszynę wektorów nośnych) – algorytm uczenia maszynowego, który jest szeroko stosowany w zadaniach klasyfikacji i regresji. SVM należy do rodziny tzw.\nalgorytmów nadzorowanych, co oznacza, że do jego trenowania potrzebny jest zestaw danych uczących z przypisanymi etykietami.\nCelem algorytmu SVM jest znalezienie hiperpowierzchni, która w jak najlepszy sposób oddziela punkty danych jednej klasy od punktów danych innej klasy. „Najlepszy” oznacza hiperpowierzchnię z największym marginesem między dwiema klasami. Margines to maksymalna szerokość pasa równoległego do hiperpowierzchni, który nie zawiera żadnych punktów danych wewnątrz. Hiperpowierzchnia to granica decyzyjna oddzielająca różne klasy, a wektory nośne to podzbiór obserwacji uczących, które określają położenie hiperpowierzchni. Margines to kryterium, które SVM optymalizuje, maksymalizując odległość między klasami.\nW praktyce wiele problemów nie jest liniowo separowalnych. W takich przypadkach SVM używa funkcji jądra, aby przekształcić dane wejściowe do przestrzeni o wyższym wymiarze, co ułatwia ich separację. Matlab obsługuje kilka typów funkcji jądra.\n\nÒ Funkcja jądra liniowego jest używana do klasyfikacji dwuklasowej i można ją przedstawić za pomocą wzoru:\n(5.1) gdzie: a, b – wektory danych.\nÒ Funkcja jądra wielomianowego to:\n(5.2) gdzie: c – stopień wielomianu.\nÒ Funkcja RBF (Radial Basis Function) jest zdefiniowana jako:\n(5.3) gdzie: – parametr skalujący.\nÒ Funkcja sigmoidalna opisana jest wzorem:\n(5.4) i jest jądrem Mercera dla pewnych wartości i .\nTrenowanie maszyny wektorów nośnych polega na rozwiązaniu problemu optymalizacji kwadratowej, aby dopasować hiperpowierzchnię minimalizującą miękki margines między klasami. Liczba przekształconych cech jest określana przez liczbę wektorów nośnych.\nW prowadzonych badaniach wykorzystano liniowy SVM, który został wytrenowany z użyciem cech wyekstrahowanych przez sieci CNN. Proces obejmował ekstrakcję cech z jednej z warstw sieci CNN dla każdej próbki obrazu, a następnie użycie tych cech jako wejściowych danych do trenowania klasyfikatora SVM. Dane zostały podzielone na zestawy uczące i testowe w proporcji\n30% : 70%, co zapewniło odpowiednie rozdzielenie danych na potrzeby uczenia i testowania modelu. W celu zbalansowania zbioru danych dokonano redukcji liczby obrazów tak, aby każda kategoria miała równą liczbę obiektów (po 3137 zdjęć), co zapewniło, że model nie był uprzedzony na korzyść którejkolwiek z klas. Dane wejściowe zostały przetworzone, aby dopasować je do rozmiaru wejściowego sieci. Proces ten obejmował konwersję obrazów do skali szarości i ich augmentację. W celu ekstrakcji cech z jednej z ostatnich warstw sieci wykorzystano partię danych o wielkości 32. Następnie cechy te posłużyły do trenowania klasyfikatora SVM z użyciem funkcji jądra liniowego.\nW odniesieniu do transfer learningu z użyciem wymienionych wcześniej modeli sieć była inicjalizowana z wstępnie wytrenowanymi wagami,\n\na następnie dostosowywana do specyficznego zadania klasyfikacji obrazów odlewów. Domyślna liczba epok została ustawiona na 30, co pozwala na stopniowe dostosowywanie wag bez ryzyka przeuczenia modelu, które mogłoby wystąpić przy zbyt dużej liczbie iteracji. Współczynnik uczenia, domyślnie ustawiony na 0,01, został wykorzystany do kontrolowania tempa, z jakim sieć modyfikuje swoje wagi podczas procesu trenowania. Dodatkowo została zastosowana regularyzacja L2 z domyślnym współczynnikiem 0,0001, aby przeciwdziałać nadmiernemu dopasowaniu, zwłaszcza podczas pracy z małymi zestawami danych.\nUczenie modeli odbywało się w następujących etapach: inicjalizacja sieci\nCNN z wagami wytrenowanymi na zadanym zbiorze, zastąpienie ostatniej warstwy w pełni połączonej nową warstwą dwuklasową, trenowanie nowych warstw sieci z użyciem danych uczących.\nModele były oceniane przy użyciu danych testowych (2196 obrazów każdej kategorii). Ocena skuteczności modeli obejmowała obliczenie miar jakości, takich jak dokładność, precyzja, czułość oraz F1-score. Dodatkowo przeprowadzono analizę krzywej ROC oraz AUC, aby ocenić zdolności modeli do rozróżniania między dwoma klasami. Wyniki różnych architektur sieci CNN zostały porównane w celu identyfikacji najskuteczniejszego modelu.\n5.1.2. Wyniki działania klasyfikatorów\nPorównanie algorytmów klasyfikacji opartych na transfer learning z głębokimi sieciami neuronowymi (Resnet50, Resnet101, Darknet53, Xception,\nInceptionresnetv2 i Densenet201) zostało przeprowadzone na podstawie macierzy pomyłek, które przedstawia ryc. 5.2. Do testowania klasyfikatorów wykorzystano kolejne 2196 obrazów z każdej kategorii z analizowanego zbioru danych („casting product image data for quality inspection” [176]), które nie były wcześniej używane w procesie uczenia tych klasyfikatorów.\n\na b c d e f\nRyc. 5.2. Macierze pomyłek dla analizowanych modeli klasyfikacyjnych:\na) Resnet50, b) Resnet101, c) Darknet53, d) Xception, e) Inceptionresnetv2, f) Densenet201\n\nTabela 5.7 przedstawia wyniki wskaźników jakościowych: dokładność, precyzja, czułość i F1-score dla poszczególnych algorytmów klasyfikacji z wykorzystaniem CNN. Wyniki te również przedstawiono w formie wykresu na ryc. 5.3.\nTabela 5.7. O cena wydajności poszczególnych algorytmów klasyfikacji z wykorzystaniem CNN\nSieć CNN Dokładność (%) Precyzja (%) Czułość (%) F1-score (%)\nResnet50 99,25 99,27 99,23 99,25\nResnet101 98,47 97,93 99,04 98,48\nDarknet53 99,41 99,73 99,09 99,41\nXception 98,75 99,54 97,95 98,74\nInceptionresnetv2 99,18 99,72 98,63 99,18\nDensenet201 99,61 99,95 99,27 99,61\nRyc. 5.3. Ocena wydajności poszczególnych algorytmów klasyfikacji z wykorzystaniem CNN\nNa podstawie przeprowadzonej analizy wyników działania różnych sieci\nCNN można stwierdzić, że każda z badanych architektur charakteryzuje się odmiennymi parametrami wydajności, które mają istotne znaczenie w kontekście efektywności klasyfikacji obrazów. Sieć ResNet50 uzyskała bardzo wysoką dokładność na poziomie 99,25%, przy jednocześnie zbliżonych wartościach precyzji i czułości wynoszących odpowiednio 99,27% i 99,23%. Wskaźnik F1-score dla tej sieci wyniósł 99,25%, co wskazuje na zrównoważoną wydajność tej architektury w przewidywaniu obu klas, co czyni ją wyjątkowo skuteczną w tym zadaniu.\nZ kolei sieć ResNet101, mimo że osiągnęła wysoką czułość na poziomie 99,04%, charakteryzuje się niższą precyzją (97,93%) oraz dokładnością\n(98,47%) w porównaniu z innymi modelami. Może to sugerować, że sieć ta\n\nlepiej identyfikuje pozytywne przypadki, jednak kosztem większej liczby fałszywych pozytywów, co obniża jej ogólną efektywność.\nSieć Darknet53 uzyskała wysoką precyzję, osiągając wynik 99,73%. Jej dokładność wyniosła 99,41%, a czułość 99,09%. Wysoki poziom precyzji wskazuje, że sieć ta jest wyjątkowo skuteczna w minimalizowaniu liczby fałszywych klasyfikacji, co czyni ją bardzo solidnym wyborem w kontekście redukcji błędnych klasyfikacji.\nArchitektura Xception, pomimo wysokiej precyzji (99,54%), uzyskała niższą czułość (97,95%), co może sugerować, że sieć jest bardziej rygorystyczna w swoich klasyfikacjach, prowadząc tym samym do pominięcia niektórych pozytywnych przypadków. Dokładność tej sieci wyniosła 98,75%, a F1-score 98,74%, co wskazuje na ograniczoną równowagę tego modelu w porównaniu do innych.\nInceptionResNetV2 uzyskała bardziej stabilne wyniki, z precyzją wynoszącą 99,72% oraz czułością na poziomie 98,63%. Dokładność tej sieci wyniosła\n99,18%, a F1-score 99,18%, co wskazuje na jej solidne parametry wydajności.\nNiemniej jednak nieco niższa czułość w porównaniu do modeli Densenet201 i ResNet50 może być pewną wadą tej architektury.\nNajlepsze wyniki osiągnęła sieć DenseNet201, która uzyskała najwyższą dokładność (99,61%), precyzję (99,95%) oraz F1-score (99,61%). Czułość tej sieci wyniosła 99,27%, co wskazuje na jej doskonałą zrównoważoność i efektywność w identyfikacji zarówno pozytywnych, jak i negatywnych przypadków. W odniesieniu do przeprowadzonej analizy można stwierdzić, że sieć\nDenseNet201 jest najbardziej wszechstronną i skuteczną spośród wszystkich badanych modeli, co czyni ją najlepszym wyborem do zadań klasyfikacji obrazów.\nWarto zauważyć, że w badaniach przeprowadzonych przez Gupta i in.\n[175] model ResNet50 został uznany za najlepszy pod względem identyfikacji defektów. W ramach niniejszej analizy ResNet50 również został zastosowany jako punkt odniesienia. Wyniki sugerują jednak, że bardziej złożone modele, takie jak DenseNet201, mogą przewyższać ResNet50 pod względem dokładności, precyzji i ogólnej skuteczności, co wskazuje na ich potencjalną przewagę w zadaniach wymagających wysokiej precyzji klasyfikacji.\n5.1.3. Ocena jakości wyrobów gotowych na podstawie wykrywania wad w odlewach\nW wyniku porównania różnych architektur sieci CNN, w tym ResNet50,\nResNet101, Darknet53, Xception, InceptionResNetV2 oraz DenseNet201 najlepsze wyniki osiągnięto dla sieci DenseNet201, która okazała się najbardziej\n\nskuteczna w wykrywaniu wad. W związku z powyższym do oceny jakości wyrobów gotowych na podstawie wykrywania wad w odlewach przy użyciu zaawansowanych algorytmów klasyfikacji obrazów wykorzystano sieć DenseNet201.\nWyniki działania algorytmu przedstawiono dla 12 losowo wybranych przypadków, co przedstawia ryc. 5.4. Działanie klasyfikatora zostało zaprezentowane w postaci podpisu pod rysunkiem, dla którego wykonano analizę.\nOpracowany algorytm 5.1 przedstawia sposób generowania obrazów z wykorzystaniem sieci DenseNet201. Działanie klasyfikatora jest poprawne, co można zaobserwować na przedstawionych poniżej przykładach.\nRyc. 5.4. Wyniki działania algorytmu\n\nAlgorytm 5.1. Generowanie obrazów i ich klasyfikacja\n% Losowo wybierz 12 obrazów testowych numImages = 12;\nrandomIndices = randperm(Ntest, numImages);\n% Przygotuj rysunek do wyświetlania wyników figure;\nfor i = 1:numImages\n% Wczytaj obraz testowy i jego etykietę testImage = readimage(testSet, randomIndices(i));\ntestLabel = testSet.Labels(randomIndices(i));\n% Wyświetl obraz testowy subplot(4, 3, i); % Rozmieść obrazy w siatce 4x3 imshow(testImage);\n% Utwórz augmentedImageDatastore, aby automatycznie zmieniać rozmiar obrazu podczas wyodrębniania cech obrazu za pomocą aktywacji.\nds = augmentedImageDatastore(imageSize, testImage,\n'ColorPreprocessing', 'gray2rgb');\n% Wyodrębnij cechy obrazu za pomocą CNN densenet201 (net) imageFeatures = activations(net, ds, featureLayer, 'OutputAs',\n'columns');\n% Wykonaj predykcję za pomocą klasyfikatora predictedLabel = predict(classifier, imageFeatures,\n'ObservationsIn', 'columns');\n% Dodaj przewidywaną etykietę jako tytuł do podwykresu titleStr = sprintf('Przypadek nr %d: %s', randomIndices(i), char(predictedLabel));\n% Dodaj tekst poniżej obrazu xlabel(titleStr, 'FontSize', 10, 'FontWeight', 'bold',\n'BackgroundColor', 'white', 'EdgeColor', 'black', 'Interpreter',\n'none');\nend\nNa podstawie prowadzonych analiz w tym podrozdziale oceniano skuteczność różnych sieci CNN w klasyfikacji obrazów odlewów na dwie kategorie: bez wad i z wadami. Wykorzystano metodę transfer learning, adaptując wcześniej wytrenowane modele CNN, takie jak ResNet50, Darknet53, i DenseNet201. Najlepsze wyniki uzyskała sieć DenseNet201, która wykazała się najwyższą dokładnością i precyzją w wykrywaniu defektów. Implementacja modelu DenseNet201 w procesie kontroli jakości może znacząco poprawić jakość i efektywność produkcji poprzez automatyczne i szybkie wykrywanie wadliwych odlewów.\n\n5.1.4. Koncepcja implementacji modelu do wykrywania wad w odlewach w kontroli jakości\nAutomatyczne wykrywanie wad w produktach na liniach produkcyjnych ma istotne znaczenie dla poprawy jakości i efektywności procesów produkcyjnych.\nW oparciu o wytrenowany klasyfikator DenseNet201, który wykazał najwyższą dokładność (99,61%) w zadaniu wykrywania defektów, możliwe jest stworzenie zaawansowanego systemu automatycznej kontroli jakości. Implementacja takiego systemu wymaga skrupulatnego przygotowania danych, integracji modelu z linią produkcyjną oraz monitorowania wyników w czasie rzeczywistym. Schemat koncepcji implementacji modelu do wykrywania wad w produktach na linii produkcyjnej można przedstawić w postaci głównych etapów, które obejmują zbieranie i przetwarzanie danych, konfigurację modelu, przetwarzanie w czasie rzeczywistym oraz zarządzanie wynikami (ryc. 5.5).\nRyc. 5.5. Schemat implementacji modelu do wykrywania wad w produktach na linii produkcyjnej\nNależy podkreślić, że jest to ramowa koncepcja implementacji, która może stanowić podstawę do wdrożenia systemu w rzeczywistych warunkach produkcyjnych. Poszczególne elementy tego rozwiązania mogą zostać dostosowane do specyficznych wymagań i warunków danej linii produkcyjnej, co pozwoli na optymalne wykorzystanie modelu do konkretnych potrzeb przedsiębiorstwa.\nWarto również zaznaczyć, że przedstawiona koncepcja nie zawiera wszystkich szczegółów technicznych, które mogłyby być potrzebne podczas pełnej implementacji systemu w praktyce.\nPierwszy krok to zbieranie i przetwarzanie danych. Niezbędne jest zainstalowanie wysokiej jakości kamery przemysłowej o wysokiej rozdzielczości,\n\nco najmniej 8 megapikseli. Kamera powinna być zamontowana w strategicznym miejscu linii produkcyjnej, aby umożliwić rejestrowanie szczegółowych obrazów każdego produktu. Ważne jest, aby była umieszczona pod odpowiednim kątem, minimalizując zniekształcenia obrazu.\nRównie istotne jest zapewnienie stabilnych warunków oświetleniowych.\nWykorzystanie stałych źródeł światła, takich jak lampy LED, zapewni równomierne oświetlenie bez migotania, co minimalizuje refleksy i cienie. Kamera przemysłowa powinna rejestrować obrazy każdego produktu przechodzącego przez linię produkcyjną. Obrazy muszą być zapisywane w formacie zgodnym z wymaganiami modelu.\nKolejnym krokiem jest przygotowanie danych do analizy, w tym zastosowanie technik augmentacji, które mogą zwiększyć różnorodność danych i poprawić wydajność modelu. Techniki, takie jak losowe obracanie, przycinanie, zmiana jasności, kontrastu i kolorów, zwiększają różnorodność danych i poprawiają wydajność modelu. Wykorzystanie bibliotek, takich jak Keras\nImageDataGenerator, umożliwia automatyczne augmentowanie obrazów podczas uczenia modelu. Przykładowy zapis algorytmu pokazujący augmentowanie danych przedstawia algorytm 5.2.\nAlgorytm 5.2. Augmentacja obrazów\n# Instalacja TensorFlow i Keras\n!pip install tensorflow keras\n# Importowanie potrzebnych modułów import tensorflow as tf from tensorflow.keras.preprocessing.image import\nImageDataGenerator import matplotlib.pyplot as plt\n# Definicja parametrów augmentacji datagen = ImageDataGenerator( rotation_range=40, # Losowe obracanie w zakresie 40 stopni width_shift_range=0.2, # Przesunięcie w poziomie do 20% szerokości obrazu height_shift_range=0.2, # Przesunięcie w pionie do 20% wysokości obrazu shear_range=0.2, # Przekształcenie perspektywiczne do 20% zoom_range=0.2, # Zoom do 20% horizontal_flip=True, # Losowe odbijanie w poziomie fill_mode='nearest' # Tryb wypełniania pustych pikseli po przekształceniach\n)\n\nAlgorytm 5.2. Augmentacja obrazów, cd.\n# Wczytanie przykładowego obrazu img = tf.keras.preprocessing.image.load_img('path_to_image.jpg') x = tf.keras.preprocessing.image.img_to_array(img) x = x.reshape((1,) + x.shape) # Zmiana rozmiaru na (1, height, width, channels)\n# Generowanie augmentowanych obrazów i = 0 for batch in datagen.flow(x, batch_size=1):\nplt.figure(i) imgplot = plt.imshow(tf.keras.preprocessing.image.\narray_to_img(batch[0])) i += 1 if i % 4 == 0: # Generowanie czterech obrazów break plt.show()\nZebrane obrazy powinny być przechowywane w dobrze zorganizowanej bazie danych, umożliwiającej szybki dostęp i przetwarzanie. Każdy obraz powinien być opatrzony metadanymi, takimi jak czas rejestracji, identyfikator produktu i etykieta (z wadą lub bez wad). Baza danych może być zrealizowana za pomocą różnych technologii, takich jak SQL, NoSQL lub systemy plików z odpowiednią strukturą katalogów.\nW celu implementacji modelu sieci neuronowej należy zainstalować i skonfigurować platformę programistyczną (strukturę aplikacyjną) do głębokiego uczenia, taką jak np. TensorFlow lub PyTorch (to dwa najpopularniejsze fremeworki do głębokiego uczenia). Następnie należy zaimportować wytrenowany wcześniej model DenseNet201, przygotowany do klasyfikacji dwóch typów wyjść – obraz z wadami oraz bez wad. Matlab umożliwia eksportowanie wytrenowanych modeli do formatów kompatybilnych z innymi językami programowania, co ułatwia ich integrację.\nPrzetwarzanie w czasie rzeczywistym wymaga integracji kamery przemysłowej z systemem komputerowym, który będzie odpowiedzialny za odbieranie strumienia wideo. Biblioteki takie jak OpenCV mogą być użyte do przetwarzania strumienia wideo na pojedyncze klatki, które będą analizowane przez model DenseNet201. System powinien automatycznie wyodrębniać klatki ze strumienia wideo w regularnych odstępach czasu lub w odpowiedzi na określone zdarzenia, takie jak wykrycie produktu na linii produkcyjnej.\nPoniżej znajduje się przykład kodu w Pythonie (algorytm 5.3), który ilustruje,\n\njak może to zostać zrobione. W danym kodzie sesja MATLABa jest inicjalizowana, a następnie obraz z kamery jest przetwarzany w czasie rzeczywistym.\nObrazy są przeskalowywane, konwertowane do formatu RGB i normalizowane. Następnie są przekazywane do funkcji MATLABa predict_pckniecie, która wykonuje klasyfikację. Wynik klasyfikacji jest wyświetlany na obrazie.\nAlgorytm 5.3. Przetwarzanie obrazów w języku Python import cv2 import numpy as np import matlab.engine\n# Inicjalizacja sesji MATLABa eng = matlab.engine.start_matlab()\n# Inicjalizacja kamery cap = cv2.VideoCapture(0) while True:\nret, frame = cap.read() if not ret:\nbreak\n# Przeskalowanie obrazu do 227x227 pikseli resized_frame = cv2.resize(frame, (227, 227))\n# Konwersja do formatu RGB rgb_frame = cv2.cvtColor(resized_frame, cv2.COLOR_BGR2RGB)\n# Normalizacja pikseli normalized_frame = rgb_frame / 255.0\n# Konwersja obrazu do formatu odpowiedniego dla MATLABa matlab_frame = matlab.double(normalized_frame.tolist())\n# Przewidywanie klasy obrazu za pomocą modelu w MATLABie predictions = eng.predict_pckniecie(matlab_frame) class_id = np.argmax(predictions)\n# Wyświetlenie wyniku na obrazie label = \"Positive\" if class_id == 1 else \"Negative\" cv2.putText(frame, label, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1,\n(0, 255, 0), 2)\n# Wyświetlenie obrazu cv2.imshow('Detection', frame)\n# Zakończenie pętli po naciśnięciu klawisza 'q' if cv2.waitKey(1) & 0xFF == ord(‚q’):\nbreak cap.release() cv2.destroyAllWindows()\n\nSystem powinien być wyposażony w mechanizmy alarmowe, które powiadamiają operatorów o wykryciu pęknięć. Powiadomienia mogą mieć formę wizualną, na przykład komunikatów wyświetlanych na ekranie, lub dźwiękową, taką jak alarm. Warto również zintegrować system wykrywania z mechanizmami sortowania, które automatycznie usuwają produkty z wykrytymi defektami z linii produkcyjnej. Może to obejmować ramiona robotyczne lub systemy taśmowe, które przekierowują wadliwe produkty.\nAby skutecznie monitorować wydajność systemu, wyniki klasyfikacji wraz z obrazami powinny być zapisywane do dziennika, umożliwiającego późniejszą analizę i ewaluację. Poniższy przykład pokazuje, jak zapisać wyniki do pliku CSV (algorytm 5.4).\nAlgorytm 5.4. Zapisywanie danych do pliku CSV w języku Python import csv from datetime import datetime\n# Inicjalizacja pliku CSV with open('results.csv', mode='w') as file:\nwriter = csv.writer(file) writer.writerow(['Timestamp', 'Product ID', 'Prediction'])\n# Funkcja zapisywania wyników def save_result(product_id, prediction):\ntimestamp = datetime.now().strftime('%Y-%m-%d %H:%M:%S') with open('results.csv', mode=’a’) as file:\nwriter = csv.writer(file) writer.writerow([timestamp, product_id, prediction])\n# Przykład użycia save_result('12345', 'Positive')\nSystem powinien regularnie generować raporty dotyczące liczby wykrytych defektów, wskaźników precyzji i czułości oraz innych miar skuteczności. Tworzenie wykresów i tabel przedstawiających wyniki analizy umożliwia łatwe monitorowanie wydajności systemu i identyfikację obszarów do poprawy. Można to osiągnąć za pomocą narzędzi, takich jak pandas i matplotlib. Przykładowy kod w Pythonie przedstawiono jako algorytm 5.5.\n\nAlgorytm 5.5. Tworzenie raportu w języku Python import pandas as pd import matplotlib.pyplot as plt\n# Wczytanie wyników z pliku CSV df = pd.read_csv(‚results.csv’)\n# Generowanie raportów report = df.groupby('Prediction').size() print(report)\n# Tworzenie wykresu report.plot(kind='bar') plt.xlabel('Klasy') plt.ylabel('Liczba wykryć') plt.title('Raport wykrytych defektów') plt.show()\nOstatecznie, aby system był skuteczny w dłuższej perspektywie, konieczna jest jego regularna optymalizacja i utrzymanie. Model powinien być regularnie aktualizowany na podstawie nowych danych z linii produkcyjnej, co można osiągnąć poprzez okresowe retrenowanie (ponowne trenowanie) modelu.\nGromadzenie informacji zwrotnej od operatorów i inżynierów pozwala na identyfikację potencjalnych problemów i wprowadzenie usprawnień. Ponadto regularna konserwacja kamer oraz systemów komputerowych zapewnia nieprzerwane działanie systemu w optymalnych warunkach. Ciągłe monitorowanie stanu technicznego sprzętu i natychmiastowe reagowanie na wszelkie problemy pomaga uniknąć przestojów i utraty danych.\nImplementacja opisanego systemu wykrywania wad w odlewach w kontroli jakości, opartego na wcześniej wytrenowanym modelu DenseNet201, stanowi istotną koncepcję, którą można dostosować do specyficznych potrzeb i warunków produkcyjnych. Dzięki swojej elastyczności model ten może być modyfikowany i optymalizowany w zależności od charakterystyki produkcji, rodzaju wykrywanych wad, dostępnych zasobów technologicznych oraz specyficznych wymagań danego przedsiębiorstwa.\nZastosowanie takiego systemu niesie ze sobą szereg korzyści, które mogą znacząco wpłynąć na poprawę jakości wyrobów, zwiększenie efektywności produkcji oraz wzmocnienie konkurencyjności firmy na rynku.\nAutomatyzacja procesu wykrywania wad pozwala na szybkie i dokładne identyfikowanie defektów, co zmniejsza ryzyko przekazania wadliwych produktów do klienta końcowego. Ponadto zintegrowanie systemu z linią produkcyjną umożliwia bieżące monitorowanie procesów i natychmiastowe\n\nreagowanie na wszelkie nieprawidłowości, co w efekcie redukuje koszty związane z odpadami i przeróbkami.\nKoncepcja ta oferuje również możliwość dostosowania do zmieniających się warunków i wymagań produkcyjnych. W miarę rozwoju technologii oraz pojawiania się nowych typów defektów, system można aktualizować, wprowadzając nowe algorytmy i techniki przetwarzania danych, co zapewnia jego długotrwałą skuteczność. Dodatkowo, dzięki skalowalności modelu, możliwe jest jego zastosowanie zarówno w małych zakładach produkcyjnych, jak i na dużych liniach produkcyjnych, gdzie wymaga się analizy dużych wolumenów danych.\nWarto jednak zaznaczyć, że przedstawiona koncepcja jest ramowa i nie zawiera wszystkich szczegółów technicznych, które mogłyby być potrzebne podczas pełnej implementacji systemu. Ostateczna realizacja projektu wymaga dokładnego planowania, szczegółowej analizy wymagań oraz współpracy między zespołem technicznym a personelem odpowiedzialnym za procesy produkcyjne. Niemniej jednak ta elastyczna koncepcja stanowi solidną podstawę do wdrożenia zaawansowanego systemu kontroli jakości, który może przyczynić się do znaczącej poprawy wyników produkcyjnych i jakościowych w nowoczesnych zakładach produkcyjnych.\n5.2. Wykrywanie błędów kształtu na linii produkcyjnej – problem klasyfikacyjny\nAutomatyzacja i optymalizacja kontroli jakości na linii produkcyjnej ma bezpośredni wpływ na efektywność produkcji oraz na zadowolenie klientów. Wykrywanie błędów kształtu w procesach produkcyjnych stanowi istotny element w zapewnieniu wysokiej jakości wyrobów gotowych. Problem ten nabiera szczególnego znaczenia w kontekście dynamicznych linii produkcyjnych, gdzie elementy przemieszczają się z dużą prędkością na taśmociągach, co utrudnia precyzyjną inspekcję wizualną. Tradycyjne metody wykrywania wad często nie są wystarczająco skuteczne w takich warunkach, co wymaga zastosowania zaawansowanych technologii, takich jak sztuczne sieci neuronowe.\nW odniesieniu do dynamicznych linii produkcyjnych, gdzie czas reakcji jest istotny, wykorzystanie ANN do analizy obrazów pozwala na utrzymanie wysokiego standardu jakości wyrobów bez spowalniania procesu produkcji.\nDodatkowo systemy oparte na ANN mogą być stopniowo doskonalone poprzez dalsze uczenie modelu na nowych danych, co sprawia, że są one elastyczne i mogą się dostosowywać do zmieniających się warunków produkcyjnych.\n\nIntegracja sztucznych sieci neuronowych w procesach produkcyjnych wpisuje się w szerszy trend automatyzacji i wdrażania nowoczesnych technologii w przemyśle. Takie podejście nie tylko zwiększa konkurencyjność przedsiębiorstw, ale również prowadzi do redukcji kosztów operacyjnych i zwiększenia wydajności. Zastosowanie ANN do wykrywania błędów kształtu na liniach produkcyjnych może zatem stanowić nie tylko innowacyjne rozwiązanie technologiczne, ale również strategiczny krok w kierunku optymalizacji procesów produkcyjnych na skalę przemysłową.\nW niniejszym podrozdziale przedstawione zostanie zastosowanie sztucznych sieci neuronowych do wykrywania błędów kształtu na liniach produkcyjnych, gdzie obrazy obiektów są rozmyte z powodu ruchu na taśmociągu.\nOmówiony zostanie proces tworzenia bazy danych obrazów oraz trenowania klasyfikatora, który identyfikuje obiekty o nieprawidłowym kształcie, oraz metoda lokalizacji błędów w czasie rzeczywistym.\nZastosowanie takiego typu rozwiązania ma istotne znaczenie z kilku powodów. Po pierwsze, automatyzacja procesu wykrywania błędów kształtu znacząco redukuje potrzebę manualnej inspekcji, co przekłada się na wzrost efektywności produkcji. Dzięki ANN możliwe jest dokładne i szybkie wykrywanie defektów, które mogą zostać przeoczone przez tradycyjne metody. Po drugie, technologia ta umożliwia monitorowanie jakości w czasie rzeczywistym, co pozwala na natychmiastowe reagowanie na wykryte nieprawidłowości, minimalizując w ten sposób potencjalne straty produkcyjne.\n5.2.1. Metodyka prowadzonych badań oraz przygotowanie danych do modelowania\nCelem prowadzonych w tej części badań było opracowanie i wdrożenie systemu opartego na ANN, który umożliwia automatyczne wykrywanie błędów kształtu na linii produkcyjnej. W szczególności skupiono się na identyfikacji obiektów o kształcie koła, które zostały uznane za niepożądane w kontekście procesu produkcyjnego. System miał na celu nie tylko klasyfikację tych obiektów jako błędnych, ale także precyzyjne określenie ich lokalizacji na obrazach, co jest ważne dla poprawy jakości i efektywności produkcji w warunkach rzeczywistych. Poprzez zastosowanie ANN dążono do stworzenia rozwiązania, które pozwoli na szybkie i dokładne wykrywanie defektów, eliminując potrzebę manualnej inspekcji i minimalizując potencjalne straty produkcyjne.\nBadania koncentrowały się na wykrywaniu obiektów o kształcie koła na linii produkcyjnej, które uznano za niepożądane. Schemat koncepcji\n\nprowadzonych badań można przedstawić w postaci głównych etapów, które zostały przedstawione na ryc. 5.6.\nRyc. 5.6. Schemat prowadzonych badań\nWygenerowanie zestawu danych odbywało się za pomocą skryptu sim_ shapes [181], który tworzył obrazy zawierające różne kształty geometryczne.\nGłówne elementy skryptu obejmowały:\nÒ tworzenie obrazów binarnych z wybranymi kształtami;\nÒ dodawanie rozmycia symulującego efekty wynikające z ruchu na taśmociągu;\nÒ konwersja obrazów do formatu RGB w celu przygotowania ich do dalszej obróbki.\nZe względu na ruch przedmiotów poruszających się po taśmociągu, jak również różnych warunków oświetleniowych, obraz na zdjęciu może ulec rozmyciu. Można go porównać z poruszonym zdjęciem. W związku z tym wygenerowane dane przedstawiają rozmyte na obrazie figury. Ten krok pozwolił na uzyskanie realistycznych obrazów, które odzwierciedlały warunki panujące w rzeczywistych systemach produkcyjnych. Na tym etapie wygenerowano 1400 obrazów, każdy z nich o rozdzielczości: 1197×1380. Przykładowe obrazy z otrzymanej bazy danych zostały przedstawione na ryc. 5.7. Obiekty w kształcie koła uznano za błędne, a wygenerowane obrazy posłużyły jako baza danych do dalszych analiz.\nW kolejnym etapie stworzono bazę danych obrazów, w której etykiety przypisywano na podstawie obecności lub braku obiektów w kształcie koła.\nDo tego celu wykorzystano skrypt (algorytm 5.6) z funkcją Klasyfikacja (algorytm 5.7), który przetwarzał każdy obraz, identyfikując obiekty o kształcie koła i zapisując odpowiednie etykiety w pliku *.csv. Obrazy z wykrytymi obiektami\n\nw kształcie koła oznaczano jako klasa pozytywna (1), a pozostałe jako klasa negatywna (0).\nRyc. 5.7. Przykładowe obrazy z otrzymanej bazy danych\nSkrypt Klasyfikacja działa w kilku krokach:\nÒ wczytywanie i wyświetlanie obrazu;\nÒ konwersja obrazu do skali szarości oraz jego binaryzacja;\nÒ inwersja binarnego obrazu oraz wykrywanie konturów obiektów;\nÒ analiza właściwości obiektów i klasyfikacja ich kształtu na podstawie kryteriów geometrycznych, takich jak stosunek boków prostokąta opisującego obiekt, jego okrągłość oraz inne cechy;\nÒ oznaczanie czerwonym okręgiem wykrytych obiektów w kształcie koła na obrazie oraz zapisanie wyników.\nPrzykłady działania skryptu na obrazach z ryc. 5.7 przedstawiono na ryc. 5.8.\nRyc. 5.8. Przykładowe wyniki działania funkcji Klasyfikacja\n\nAlgorytm 5.6. Tworzenie nowej bazy danych z etykietami\n% Ścieżka do katalogu z obrazami inputDir = 'baza_danych';\noutputDir = 'new_images';\nlabelFile = 'labels.csv';\n% Upewnij się, że katalog wyjściowy istnieje if ~exist(outputDir, 'dir') mkdir(outputDir);\nend\n% Otwórz plik do zapisu etykiet fid = fopen(labelFile, 'w');\nfprintf(fid, 'Image,Label\\n'); % Nagłówek pliku CSV\n% Iteracja przez wszystkie pliki w katalogu „dane” for i = 1:1400\n% Nazwa pliku imageFileName = sprintf('Obraz_%d.png', i); % Zakładamy, że obrazy są w formacie PNG imageFilePath = fullfile(inputDir, imageFileName);\n% Sprawdź, czy plik istnieje if exist(imageFilePath, 'file')\n% Przetwórz obraz i zapisz wynik\nW = Klasyfikacja(imageFilePath);\n% Wyciągnij nazwę pliku bez rozszerzenia\n[~, fileName, ~] = fileparts(imageFileName);\n% Zapisz przetworzony obraz outputFilePath = fullfile(outputDir, [fileName, '_new.png']);\nsaveas(gcf, outputFilePath);\n% Zapisz etykietę: 1 jeśli są koła, 0 jeśli nie if any(W == 1) label = 1;\nelse label = 0;\nend fprintf(fid, '%s,%d\\n', imageFileName, label);\n% Zamknij wszystkie otwarte figury, aby nie zapełnić pamięci close all;\nelse warning('Plik %s nie istnieje.', imageFilePath);\nend end\n% Zamknij plik z etykietami fclose(fid);\ndisp('Przetwarzanie zakończone!');\n\nAlgorytm 5.7. Funkcja Klasyfikacja function W = Klasyfikacja(ImageFile)\n% Krok 1: Wczytanie obrazu\nRGB = imread(ImageFile);\nfigure, imshow(RGB), title('Oryginalny Obraz');\n% Krok 2: Konwersja obrazu z RGB na skalę szarości\nGRAY = rgb2gray(RGB);\nfigure, imshow(GRAY), title('Obraz w Skali Szarości');\n% Krok 3: Progowanie obrazu - Konwersja obrazu do postaci czarno-białej\n% w celu przygotowania do śledzenia konturów przy użyciu bwboundaries.\nthreshold = graythresh(GRAY);\nBW = imbinarize(GRAY, threshold);\nfigure, imshow(BW), title('Obraz Binarny');\n% Krok 4: Odwrócenie obrazu binarnego\nBW = ~BW;\nfigure, imshow(BW), title('Odwrócony Obraz Binarny');\n% Krok 5: Znalezienie konturów - Skoncentrowanie się wyłącznie na zewnętrznych konturach.\n% Opcja ‚noholes’ przyspiesza przetwarzanie, zapobiegając przeszukiwaniu przez bwboundaries konturów wewnętrznych.\n[B,L] = bwboundaries(BW, 'noholes');\n% Krok 6: Określenie właściwości obiektów\nSTATS = regionprops(L, 'BoundingBox', 'Extent', 'Centroid', 'Area',\n'Perimeter');\n% Krok 7: Klasyfikacja kształtów według ich właściwości (tylko koła) figure, imshow(RGB), title('Wykryte Koła');\nhold on\nW = zeros(1, length(STATS)); % Inicjalizacja tablicy W for i = 1:length(STATS)\n\nAlgorytm 5.7. Funkcja Klasyfikacja, cd.\n% Sprawdzenie, czy obiekt jest kołem boundingBoxRatio = abs(STATS(i).BoundingBox(3) - STATS(i).\nBoundingBox(4)) / STATS(i).BoundingBox(3);\ncircularity = (4 * pi * STATS(i).Area) / (STATS(i).Perimeter^2);\nisCircle = (boundingBoxRatio < 0.1) && (STATS(i).Extent < 1) &&\n(circularity > 0.85);\nif isCircle\nW(i) = 1; % Wartość 1 dla występowania koła centroid = STATS(i).Centroid;\n% Rysowanie czerwonej linii wzdłuż granic koła boundary = B{i};\nplot(boundary(:,2), boundary(:,1), ‘r’, ‘LineWidth’, 2);\nend end hold off return\nPo utworzeniu bazy danych przystąpiono do trenowania klasyfikatora na przygotowanych obrazach. Wykorzystano do tego wstępnie wytrenowaną sieć\nAlexNet, której końcowe warstwy zostały dostosowane do liczby klas w zbiorze danych. Opis tej sieci został przedstawiony wcześniej w podrozdziale 3.4.\nPonieważ zadaniem było rozpoznanie obiektów z różnych klas, liczba neuronów w warstwie wyjściowej została dostosowana do liczby unikalnych etykiet w zestawie danych, co wynosiło odpowiednią liczbę klas (2). Oryginalne warstwy końcowe sieci AlexNet zostały zastąpione nową warstwą w pełni połączoną z liczbą neuronów równą liczbie klas oraz nową warstwą klasyfikacyjną, odpowiedzialną za przypisanie etykiety do każdego obrazu. W kodzie zastosowano optymalizator sgdm (ang. stochastic gradient descent with momentum), który jest domyślnym wyborem dla trenowania sieci AlexNet w MATLAB-ie. Optymalizator ten korzysta z gradientu stochastycznego z momentem, co pozwala na stabilizację procesu uczenia i przyspieszenie konwergencji w porównaniu ze standardowym gradientem stochastycznym.\nNastępnie zdefiniowano parametry trenowania sieci. Ustalono wielkość partii danych (ang. MiniBatchSize) na 32 obrazy, co oznacza, że podczas jednej iteracji algorytmu uczenia model przetwarzał 32 obrazy. Proces trenowania był zaplanowany na maksymalnie 100 epok. Współczynnik uczenia ustawiono na 0,0001, co pozwala na delikatne dostosowanie wag i zminimalizowanie\n\nryzyka nadmiernego dopasowania. Dane były mieszane przed każdą epoką, aby zapewnić losowy rozkład obrazów, co mogło poprawić generalizację modelu.\nDodatkowo co 50 iteracji przeprowadzano walidację modelu na zbiorze walidacyjnym, aby monitorować jego postępy w trakcie uczenia. Ustalono również mechanizm wczesnego zatrzymania, który kończył trenowanie, jeśli dokładność modelu na zbiorze walidacyjnym przestawała się poprawiać przez\n8 kolejnych epok. To zapobiegało przeuczeniu modelu, gdy dalsze uczenie nie przynosiło już korzyści.\nObrazy wykorzystywane w procesie trenowania były przeskalowane do rozmiarów 227 × 227 pikseli, co było wymagane przez architekturę AlexNet.\nPodzielono dane na zestawy do trenowania i walidacji w proporcjach 50 : 50, gdzie obrazy były losowo przypisywane do obu zbiorów.\nModel został oceniony przy użyciu danych walidacyjnych (700 obrazów).\nOcena skuteczności modelu obejmowała obliczenie miar skuteczności, takich jak dokładność, precyzja, czułość oraz F1-score.\nW ostatnim etapie wytrenowany klasyfikator został zaimplementowany w aplikacji, której zadaniem było automatyczne wykrywanie i lokalizowanie obiektów o niepożądanym kształcie na obrazach z linii produkcyjnej. Po sklasyfikowaniu obrazu i wykryciu obiektów w kształcie koła (wynik 1), funkcja Klasyfikacja była ponownie wykorzystywana do precyzyjnej identyfikacji i oznaczania miejsce występowania tych obiektów.\n5.2.2. Wyniki modelowania klasyfikatora\nDo testowania otrzymanego klasyfikatora wykorzystano kolejne 700 obrazów, które nie były wcześniej używane w procesie uczenia. Wskaźnikiem skuteczności dopasowania sieci neuronowej do danych jest macierz pomyłek (ryc. 5.9).\nRyc. 5.9. Macierz pomyłek na zbiorze walidacyjnych klasyfikatora wykrywającego błędy kształtu\n\nAnaliza przedstawionej macierzy pomyłek pozwala na ocenę skuteczności klasyfikatora w zadaniu wykrywania błędów kształtu. Macierz wskazuje, że spośród 700 przetestowanych obrazów 655 zostało poprawnie zaklasyfikowanych jako zawierające błędy, podczas gdy 44 obrazy, które były poprawne, zostały również właściwie rozpoznane. Wystąpiła jedna sytuacja, w której prawidłowy obraz został błędnie sklasyfikowany jako zawierający błąd, co oznacza pojedynczy przypadek fałszywie pozytywny. Nie zanotowano żadnych fałszywie negatywnych przypadków, co świadczy o tym, że wszystkie obrazy zawierające błędy zostały poprawnie wykryte.\nNa podstawie tych wyników dokładność klasyfikatora wynosi 99,86%, co oznacza, że model bardzo dobrze radzi sobie z poprawnym klasyfikowaniem obrazów. Precyzja modelu, czyli miara tego, jak wiele spośród przewidywanych przez model błędów rzeczywiście jest błędami, wynosi 99,85%. Wysoka czułość na poziomie 100% wskazuje, że model nie przegapił żadnego obrazu z błędem, skutecznie identyfikując wszystkie przypadki. F1-score, będący średnią harmoniczną precyzji i czułości, również osiąga bardzo wysoką wartość 99,92%, co potwierdza zrównoważoną skuteczność modelu w kontekście zarówno wykrywania błędów, jak i unikania fałszywie pozytywnych klasyfikacji. Ogólnie rzecz biorąc, model charakteryzuje się doskonałą efektywnością w wykrywaniu błędów kształtu na podstawie testowanych danych.\nWyniki dla przykładowych obrazów działania klasyfikatora przedstawiono na ryc. 5.10. Działanie klasyfikatora zostało zaprezentowane w postaci podpisu nad rysunkiem, dla którego wykonana została analiza. Jak można zaobserwować na tych przykładach, działanie klasyfikatora jest poprawne.\nRyc. 5.10. Wyniki działania klasyfikatora dla wybranych obrazów\n\n5.2.3. Implementacja aplikacji do wykrywania błędów\nPo wytrenowaniu klasyfikatora stworzono aplikację, która umożliwia wykrywanie i lokalizację błędnych obiektów na obrazach produkcyjnych. Aplikacja działała na zasadzie:\nÒ klasyfikacji obrazów przy użyciu wytrenowanej sieci, aby zidentyfikować obecność błędów;\nÒ lokalizacji wykrytych obiektów przy użyciu funkcji Klasyfikacja, która precyzyjnie oznacza miejsca występowania obiektów w kształcie koła.\nInterfejs aplikacji został zaprojektowany w celu uproszczenia procesu wykrywania błędów kształtu (kształt koła) na obrazach z linii produkcyjnej.\nPodstawowym celem tej aplikacji było stworzenie narzędzia, które umożliwia użytkownikom, nawet bez specjalistycznej wiedzy technicznej, łatwe wykonywanie analizy obrazów przy użyciu zaawansowanych algorytmów sztucznej inteligencji. Aplikacja ta integruje proces klasyfikacji, lokalizacji oraz wizualizacji wyników w jednym, intuicyjnym środowisku graficznym (ryc. 5.11).\nRyc. 5.11. Interfejs użytkownika aplikacji do wykrywania obiektów o kształcie koła\nInterfejs użytkownika składa się z kilku głównych elementów, które wspierają proces analizy. Po uruchomieniu aplikacji użytkownik jest kierowany do głównego okna, które oferuje funkcjonalności niezbędne do przetworzenia i analizy obrazów. Na początku użytkownik ma możliwość wczytania obrazu, który pochodzi z lokalnego systemu plików (ryc. 5.12). Obraz ten stanowi dane wejściowe, które będą analizowane pod kątem występowania błędnych\n\nobiektów, takich jak koła, które zgodnie z założeniami są uznawane za niepożądane na linii produkcyjnej. Obrazy, które są wczytywane do aplikacji, mogą być zapisane w formatach graficznych typowych dla plików obrazów. W szczególności aplikacja obsługuje formaty, takie jak: PNG (.png), JPG/JPEG (.jpg,\n.jpeg). Te formaty są szeroko stosowane w przemyśle oraz w codziennym użyciu, co zapewnia, że aplikacja jest kompatybilna z większością plików obrazów generowanych w różnych procesach produkcyjnych.\nRyc. 5.12. Interfejs użytkownika – wczytanie danych\nWczytanie pliku w jednym z tych formatów uruchamia proces analizy obrazu, zgodnie z funkcjonalnością aplikacji. Po załadowaniu obrazu (ryc. 5.13) użytkownik ma możliwość uruchomienia procesu klasyfikacji, który jest najważniejszym elementem aplikacji poprzez wciśnięcie przycisku „Predykcja”.\n\nRyc. 5.13. Interfejs użytkownika – widok po wczytaniu obrazu do analizy\nW tle aplikacja korzysta z wcześniej wytrenowanej sieci neuronowej, która analizuje wczytany obraz i ocenia, czy zawiera on obiekty o kształcie koła.\nWynik tej klasyfikacji jest natychmiast wyświetlany w interfejsie. Gdy wykryte zostaną obiekty o kształcie koła, użytkownik jest informowany o tym fakcie poprzez odpowiedni komunikat. W przypadku wyniku klasyfikacji 1 wyświetla się komunikat: „Wykryto obiekt/y o kształcie koła („1”)”, w przeciwnym przypadku jest to komunikat: „Nie wykryto obiektów o kształcie koła („0”)”.\nDodatkowo aplikacja umożliwia dokładne zlokalizowanie tych obiektów na obrazie. Dzięki zaimplementowanej funkcji lokalizacji Klasyfikacja (algorytm 5.7) koła są automatycznie zaznaczane na przetworzonym obrazie, co pozwala na ich łatwą identyfikację. Zaznaczenie to odbywa się poprzez obrysowanie wykrytych obiektów czerwoną linią, co wyróżnia je na tle innych elementów widocznych na obrazie. Przykładowe wyniki działania aplikacji przedstawiono na ryc. 5.14.\n\nRyc. 5.14. Przykładowe wyniki działania aplikacji do wykrywania obiektów o kształcie koła\nW interfejsie użytkownik ma również możliwość zapisania przetworzonego obrazu (ryc. 5.15). Dzięki tej funkcji można zachować wyniki analizy w formacie graficznym na lokalnym dysku, co jest szczególnie użyteczne do dalszej analizy, raportowania lub dokumentacji. Przechowywanie tych danych pozwala na ich późniejsze wykorzystanie, na przykład do porównania z innymi wynikami lub jako dowód poprawności procesu produkcyjnego.\nRyc. 5.15. Interfejs użytkownika – funkcja zapisz jako\n\nPonadto aplikacja oferuje funkcję bezpośredniego drukowania przetworzonego obrazu. Po dokonaniu analizy i zaznaczeniu błędnych obiektów użytkownik może wydrukować obraz wraz z zaznaczonymi błędami bezpośrednio z poziomu interfejsu. Obraz po kliknięciu w opcję „Drukuj obraz” od razu przesyłany jest do domyślnej drukarki. Ta funkcjonalność jest szczególnie przydatna w środowiskach produkcyjnych, gdzie istnieje konieczność szybkiego przekazania wyników analizy do odpowiednich działów lub ich fizyczne przechowanie w dokumentacji. Sposób implementacji opisanego interfejsu graficznego aplikacji do wykrywania błędów przedstawia algorytm 5.8.\nAlgorytm 5.8. Implementacja interfejsu graficznego aplikacji do wykrywania błędów function simpleUI3(trainedNet)\n% Deklaracja zmiennych globalnych global imageData;\nglobal processedImage;\n% Inicjalizacja zmiennych globalnych imageData = [];\nprocessedImage = [];\nload('trainedAlexNet.mat', 'trainedNet'); % Załaduj wytrenowaną sieć\n% Tworzenie głównej figury interfejsu użytkownika f = figure('Name', 'Image Classifier', 'Position', [300, 300, 610,\n600]); % Zwiększenie rozmiaru figury\n% Dodanie przycisku do załadowania obrazu uicontrol('Style', 'pushbutton', 'String', 'Wczytanie obrazu', ...\n'Position', [20, 500, 130, 40], 'Callback', @loadImage,\nFontWeight='bold');\n% Dodanie przycisku do uruchomienia klasyfikacji uicontrol('Style', 'pushbutton', 'String', 'Predykcja', ...\n'Position', [20, 450, 130, 40], 'Callback', @classifyImage,\nFontWeight='bold');\n% Dodanie przycisku do zapisu obrazu uicontrol('Style', 'pushbutton', 'String', 'Zapisz obraz jako...', ...\n'Position', [20, 400, 130, 40], 'Callback', @saveImage,\nFontWeight='bold');\n% Dodanie przycisku do wydruku obrazu uicontrol('Style', 'pushbutton', 'String', 'Drukuj obraz', ...\n'Position', [20, 350, 130, 40], 'Callback', @printImage,\nFontWeight='bold');\n\nAlgorytm 5.8. Implementacja interfejsu graficznego aplikacji do wykrywania błędów, cd.\n% Dodanie panelu na wyniki klasyfikacji resultPanel = uipanel('Parent', f, 'Title', 'Wyniki klasyfikacji', ...\n'FontSize', 14, 'Position', [0.25, 0.1, 0.6, 0.8],\n'BackgroundColor', 'white', 'FontWeight', 'bold');\n% Pole tekstowe do wyświetlenia wyniku klasyfikacji resultText = uicontrol('Style', 'text', 'Parent', resultPanel, ...\n'Position', [20, 10, 500, 30], 'FontSize', 12, 'FontWeight',\n'bold', ...\n'String', ' ‘, 'HorizontalAlignment', 'left',\n'BackgroundColor', 'white');\n% Tworzenie osi do wyświetlania obrazów, domyślnie niewidoczne axOriginal = axes('Parent', resultPanel, 'Position', [0.2, 0.55,\n0.7, 0.4], 'Visible', 'off'); % Oryginalny obraz axProcessed = axes('Parent', resultPanel, 'Position', [0.2, 0.1,\n0.7, 0.4], 'Visible', 'off'); % Przetworzony obraz\n% Funkcja do załadowania obrazu function loadImage(~, ~)\n[fileName, filePath] = uigetfile({'*.png;*.jpg;*.jpeg',\n'Image Files'}, 'Select an Image');\nif fileName imageData = imread(fullfile(filePath, fileName));\nimshow(imageData, 'Parent', axOriginal);\naxis(axOriginal, 'off'); % Ukryj osie set(axOriginal, 'XTick', [], 'YTick', [], 'Box', 'off'); %\nUkryj ticki i ramkę set(axOriginal, 'Visible', 'on'); % Ustawienie osi na widoczne end end\n% Funkcja do klasyfikacji obrazu function classifyImage(~, ~) if ~isempty(imageData)\n% Przeskalowanie obrazu do rozmiaru akceptowanego przez sieć inputImage = imresize(imageData, [227, 227]);\n% Klasyfikacja obrazu przy użyciu wytrenowanej sieci result = classify(trainedNet, inputImage);\n% Wyświetlenie odpowiedniego wyniku if result == categorical(1) resultText.String = 'Wykryto obiekt/y o kształcie koła („1”)';\n% Zapisanie tymczasowego obrazu tempFileName = [tempname, '.png'];\nimwrite(imageData, tempFileName);\n\nAlgorytm 5.8. Implementacja interfejsu graficznego aplikacji do wykrywania błędów, cd.\n% Przekazanie ścieżki do pliku do Classify2_modified i wyświetlenie na osi processedImage = Classify2_modified(tempFileName, axProcessed);\naxis(axProcessed, 'off'); % Ukryj osie set(axProcessed, 'XTick', [], 'YTick', [], 'Box', 'off');\n% Ukryj ticki i ramkę set(axProcessed, 'Visible', 'on'); % Ustawienie osi na widoczne\n% Usunięcie tymczasowego pliku po przetworzeniu delete(tempFileName);\nelse resultText.String = 'Nie wykryto obiektów o kształcie koła\n(„0”)';\n% Ukryj przetworzony obraz, jeśli wcześniej był widoczny set(axProcessed, 'Visible', 'off');\nend else msgbox('Please load an image first.');\nend end\n% Funkcja do zapisu obrazu function saveImage(~, ~) if ~isempty(processedImage)\n[fileName, filePath] = uiputfile({'*.png', 'PNG Files';\n'*.jpg', 'JPEG Files'}, 'Save Image As');\nif fileName imwrite(processedImage, fullfile(filePath, fileName));\nend else msgbox('No processed image to save.');\nend end\n% Funkcja do wydruku obrazu function printImage(~, ~) if ~isempty(processedImage)\n% Przechodzenie na oś przetworzonego obrazu axes(axProcessed);\n% Przechwycenie zawartości osi jako obraz frame = getframe(axProcessed);\nimgToPrint = frame.cdata;\n\nAlgorytm 5.8. Implementacja interfejsu graficznego aplikacji do wykrywania błędów, cd.\n% Tworzenie tymczasowej figury do drukowania obrazu hFig = figure('Visible', 'off'); % Ukrycie figury imshow(imgToPrint, 'Border', 'tight'); % Wyświetlenie obrazu w figurze\n% Drukowanie obrazu bezpośrednio na drukarce print(hFig, '-dwin');% Użycie sterownika Windows do druku\n% Zamknięcie tymczasowej figury close(hFig);\nelse msgbox('No processed image to print.');\nend end end\nCały proces korzystania z aplikacji został zaprojektowany w sposób przemyślany, aby zapewnić użytkownikowi intuicyjne i uporządkowane działanie. Użytkownik prowadzi analizę krok po kroku, zaczynając od wczytania obrazu, przez klasyfikację, aż po wizualizację wyników i ich zapis lub wydruk.\nAplikacja minimalizuje konieczność dogłębnej znajomości technicznych aspektów działania algorytmów sztucznej inteligencji, co sprawia, że jest narzędziem łatwym w użyciu i dostępnym w codziennej pracy na linii produkcyjnej.\nPodsumowując prowadzone analizy i rozważania dotyczące wykrywania błędów kształtu na linii produkcyjnej, można stwierdzić, że zastosowanie sztucznych sieci neuronowych w tym kontekście znacząco może usprawnić procesy produkcyjne. Dzięki wdrożeniu ANN możliwe jest automatyczne i precyzyjne wykrywanie błędnych obiektów (w tym przypadku wyrobów o kształcie koła), co ma istotne znaczenie w dynamicznych warunkach produkcyjnych, gdzie tradycyjne metody kontroli jakości mogą być niewystarczające.\nSystem ten nie tylko identyfikuje defekty, ale także lokalizuje je na obrazach, co pozwala na szybkie podjęcie działań korygujących. W efekcie integracja\nANN może przyczynić się do podniesienia jakości produkcji, minimalizacji ryzyka wystąpienia wadliwych produktów na rynku oraz zwiększenia ogólnej efektywności linii produkcyjnych. Rozwiązanie to stanowi istotny element w doskonaleniu procesów produkcyjnych, oferując zaawansowane narzędzie do utrzymania wysokich standardów jakości w nowoczesnym przemyśle.\n\n5.3. Określenie twardości po odpuszczaniu wyrobów gotowych – problem regresyjny\nWspółczesny przemysł metalowy nieustannie ewoluuje, wprowadzając coraz bardziej zaawansowane technologie, aby sprostać wymaganiom rynku i zapewnić produkty najwyższej jakości. W szczególności przemysł obróbki cieplnej stali odgrywa istotną rolę w kształtowaniu właściwości mechanicznych wyrobów, takich jak twardość, wytrzymałość, plastyczność oraz odporność na zużycie. Procesy, takie jak hartowanie i odpuszczanie, są fundamentalnymi etapami obróbki cieplnej, które determinują ostateczne właściwości materiału. Precyzyjne sterowanie tymi procesami jest podstawą w osiąganiu wysokiej jakości produktów, co ma bezpośredni wpływ na ich trwałość, niezawodność i zdolność do spełniania specyficznych funkcji w złożonych aplikacjach inżynieryjnych.\nJednym z istotnych wskaźników jakości w procesach obróbki cieplnej stali jest twardość materiału po odpuszczaniu. Twardość ta odgrywa fundamentalną rolę w określaniu wytrzymałości, odporności na zużycie oraz innych krytycznych właściwości mechanicznych wyrobów stalowych. Przykłady takich zastosowań obejmują elementy maszyn, wały napędowe, sprężyny oraz różnorodne narzędzia, gdzie nie tylko wytrzymałość, ale również odpowiednia elastyczność i odporność na pękanie są istotne. Tradycyjne metody przewidywania twardości po odpuszczaniu często polegały na empirycznych zależnościach oraz doświadczeniu inżynierów, co, choć skuteczne, nie zawsze pozwalało na uchwycenie pełnego spektrum złożoności procesów obróbki cieplnej.\nZastosowanie sztucznej sieci neuronowej do przewidywania twardości stali po procesie odpuszczania pozwoli prognozować, czy produkt końcowy spełni kryteria jakościowe, bazując na parametrach wejściowych, takich jak typ stali, twardość po hartowaniu, czas czy temperatura odpuszczania.\nW niniejszym podrozdziale zostanie omówione zastosowanie sztucznych sieci neuronowych MLP do analizy i doskonalenia procesów obróbki cieplnej stali, ze szczególnym naciskiem na przewidywanie twardości po odpuszczaniu jako istotnego wskaźnika jakości wyrobów metalowych. Kluczowym zadaniem jest identyfikacja przypadków, w których przewidywana twardość jest poniżej wymaganych standardów, co może oznaczać, że produkt nie spełni kryteriów jakościowych. Zastosowanie sztucznej sieci neuronowej MLP pozwala na uwzględnienie wielu zmiennych jednocześnie i analizę ich wzajemnych wpływów na końcowy wynik procesu.\n\n5.3.1. Metodyka prowadzonych badań\nCelem tej części badań jest przedstawienie metody wykorzystania sztucznej sieci neuronowej MLP do przewidywania twardości stali po odpuszczaniu. W oparciu o parametry wejściowe procesu, takie jak typ stali, twardość po hartowaniu, czas oraz temperatura odpuszczania, model MLP będzie miał za zadanie oszacować twardość końcową materiału. Algorytmy klasyfikacyjne były testowane przy użyciu publicznie dostępnej bazy danych „Tempering data for carbon and low alloy steels”, która została udostępniona w licencji CC BY-NC-ND 4.0 [182].\nBazę danych przygotował zespół Raiipa Technologies. Zestaw danych zawiera informacje dotyczące 1466 prób odpuszczania, obejmujących różne klasy stali, z dodatkowymi danymi na temat składu chemicznego stali, czasu oraz temperatury odpuszczania, a także twardości stali po hartowaniu i po odpuszczaniu.\nNa początkowym etapie analizy baza danych została ograniczona do rekordów, w których była dostępna informacja o twardości początkowej materiału po hartowaniu. Twardość ta stanowiła istotny parametr wejściowy do dalszych analiz, a jej brak uniemożliwiałby prawidłowe przewidywanie twardości po odpuszczaniu.\nNastępnie w celu zwiększenia spójności i wiarygodności wyników modelowania baza danych została zawężona do pięciu typów stali, dla których liczba dostępnych próbek była wystarczająca do przeprowadzenia statystycznie istotnych analiz.\nWybrane typy stali i liczba próbek dla każdego z nich przedstawiają się następująco:\nÒ typ stali 0: AISI-SAE 4140 (42CrMo4) – 43 próbki;\nÒ typ stali 1: AISI-SAE 4340 (36CrNiMo4) – 51 próbek;\nÒ typ stali 2: AISI-SAE 5160 – 51 próbek;\nÒ typ stali 3: AISI-SAE 6150 (51CrV4) – 51 próbek;\nÒ typ stali 4: AISI-SAE E52100 (100Cr6) – 51 próbek.\nStal AISI-SAE 4140 (42CrMo4) jest szeroko stosowana w branżach, takich jak motoryzacja, lotnictwo i budownictwo ze względu na doskonałą wytrzymałość i odporność na zużycie. Często poddawana jest obróbce cieplnej, na przykład hartowaniu i odpuszczaniu, aby poprawić jej właściwości mechaniczne. Ten drugi proces znacząco wpływa na jej twardość i wytrzymałość [183]. Znany ze swojej wysokiej wytrzymałości AISI 4340 (36CrNiMo4) jest stosowany w wymagających zastosowaniach, takich jak komponenty lotnicze i motoryzacyjne. Wykazano, że techniki inżynierii powierzchniowej, na przykład azotowanie, a następnie powłoki NiP i AlCrN, znacznie poprawiają jego odporność na zużycie [184].\nProces odpuszczania wpływa również na jego właściwości mechaniczne, przy czym wyższe temperatury odpuszczania generalnie zmniejszają twardość, ale zwiększają odporność na uderzenia [185]. Stal AISI-SAE 5160 ze względu na\n\nwysoką sprężystość i wytrzymałość jest szeroko stosowana w produkcji sprężyn i resorów [186]. Podobnie stal AISI-SAE 6150 (51CrV4) stal chromowo-wanadowa również wykorzystywana w produkcji sprężyn i narzędzi, charakteryzuje się wysoką twardością i wytrzymałością [187]. AISI-SAE E52100 (100Cr6) zaś to wysokowęglowa stal chromowana stosowana głównie w zastosowaniach łożyskowych ze względu na wysoką twardość i odporność na zużycie. W trakcie hartowania stal ulega znacznym zniekształceniom sieci, które ulegają zmniejszeniu podczas odpuszczania, co prowadzi do zmniejszenia tetragonalności martenzytu i transformacji zatrzymanego austenitu. Proces ten zwiększa stabilność wymiarową i właściwości mechaniczne stali, dzięki czemu idealnie nadaje się do precyzyjnych elementów, takich jak łożyska [188].\nW ramach przeprowadzonej analizy ograniczono się do wybranych zmiennych wejściowych, które najlepiej odzwierciedlają charakter analizowanego problemu:\nÒ typ stali (0-4);\nÒ twardość po hartowaniu;\nÒ czas odpuszczania (w sekundach);\nÒ temperatura odpuszczania (w stopniach Celsjusza).\nIstotnym aspektem bazy danych są zmienne docelowe, które określają twardość stali po procesie odpuszczania. Wyjściem z modelu jest wartość twardości wyrażona w skali Rockwella C (HRC) po zakończeniu procesu odpuszczania.\nAby przewidzieć twardość stali po procesie odpuszczania, stworzono model regresyjny, który został zbudowany z wykorzystaniem sztucznych sieci neuronowych MLP przy użyciu Matlab R2023a, uwzględniając specyficzne wymagania wynikające z ograniczonej liczby danych (247 próbek). Warstwa wejściowa składała się z czterech neuronów (zmienne: typ stali, twardość po hartowaniu, czas odpuszczania, temperatura odpuszczania), podczas gdy warstwa wyjściowa zawierała jeden neuron (twardość stali po odpuszczaniu). Tabela 5.8 przedstawia statystyki opisowe danych wejściowych i wyjściowych.\nTabela 5.8. Statystyki opisowe danych wejściowych i wyjściowych\nTwardość po Czas Temp. Twardość po\nTyp stali hartowaniu odpuszczania odpuszczania odpuszczaniu\n[HRC] [s] [oC] [HRC] średnia - 60,52 17566,73 360,69 48,06 odchylenie\n- 3,02 32193,50 195,02 12,67 standardowe min 0 46,5 10 100 7,3 mediana - 61,6 900 300 51,5 max 4 63,3 86400 700 64\n\nW niniejszym badaniu zastosowano sieć neuronową MLP. Wybrano ją ze względu na jej zdolność do modelowania nieliniowych zależności przy jednoczesnym zachowaniu prostoty struktury. Model posiadał jedną warstwę ukrytą, której liczba neuronów była iteracyjnie dostosowywana w celu znalezienia optymalnej konfiguracji, w zakresie od 4 do 20 neuronów. W warstwie ukrytej zastosowano funkcję aktywacji typu sigmoidalnego, co umożliwiło sieci uchwycenie złożonych wzorców w danych. Do trenowania modelu wybrano trzy algorytmy uczenia: LM, BR oraz SCG. Proces trenowania rozpoczęto od domyślnej inicjalizacji wag, co zapewniło stabilne warunki początkowe dla optymalizacji. Funkcję kosztu zdefiniowano jako MSE, który służył do oceny jakości dopasowania modelu. Dane podzielono na trzy zestawy: treningowy\n(70%), walidacyjny (15%) oraz testowy (15%). Zbiór uczący został wykorzystany do dopasowania modelu, zbiór walidacyjny do monitorowania procesu trenowania w celu zapobiegania przeuczeniu, a testowy posłużył do oceny końcowej skuteczności modelu. Mechanizm wczesnego zatrzymania ustawiono na poziomie 6. Po zakończeniu procesu uczenia model został poddany testom, które polegały na porównaniu przewidywanych wartości twardości po odpuszczaniu z rzeczywistymi wartościami z danych wyjściowych. W ten sposób obliczono metryki jakości modelu (R, MSE, RMSE, RIE, MAPE i MAE), co umożliwiło ocenę jego skuteczności.\n5.3.2. Wyniki modelowania twardości po procesie odpuszczania\nPodczas modelowania analizowano różne konfiguracje liczby neuronów w warstwie ukrytej (4÷20). Ostatecznie zdecydowano się na zastosowanie warstwy ukrytej składającej się z dziewięciu neuronów, co stanowiło optymalny kompromis pomiędzy zdolnością modelu do uchwycenia złożonych zależności w danych a minimalizacją ryzyka przeuczenia. Wybór tej konfiguracji pozwolił na uzyskanie modelu o wysokiej zdolności generalizacji, przy jednoczesnym ograniczeniu ryzyka nadmiernego dopasowania do danych uczących.\nW procesie uczenia na wstępie zastosowano algorytm LM, przy czym najlepsze parametry jakościowe osiągnięto dla sieci neuronowej z dziewięcioma neuronami w warstwie ukrytej, po 29 epokach uczenia. Następnie, wykorzystując konfigurację z dziewięcioma neuronami w warstwie ukrytej, przeprowadzono trenowanie sieci neuronowych z użyciem dwóch dodatkowych algorytmów: SCG oraz BR. Wskaźniki jakości dla różnych modeli sieci neuronowych\nMLP zestawia tabela 5.9.\n\nTabela 5.9. W skaźniki jakości dla różnych algorytmów uczenia sieci modelowania twardości po procesie odpuszczania\nAlgorytm uczenia sieci MLP LM SCG BR\nEpoka 29 51 174\nR (cały zbiór danych) 0,9853 0,9335 0,9894\nMSE 4,6809 20,9592 3,3918\nRMSE 2,1635 4,5781 1,8417\nRIE 0,0435 0,0921 0,0371\nMAPE 0,0411 0,0913 0,0323\nMAE 1,5769 3,4138 1,3451\nTabela 5.9 obrazuje zróżnicowanie parametrów i wskaźników jakościowych dla zastosowanych algorytmów LM, SCG i BR w modelowaniu twardości po procesie odpuszczania. Liczba epok różni się znacząco między algorytmami. LM wymaga najmniejszej liczby epok (29), podczas gdy BR potrzebuje ich aż 174, co sugeruje większe zapotrzebowanie na iteracje w przypadku BR, jednak może to prowadzić do lepszej generalizacji modelu. Wartość współczynnika korelacji dla całego zbioru danych jest najwyższa dla BR (0,9894), co wskazuje na najlepsze dopasowanie modelu, podczas gdy SCG osiąga najniższą wartość (0,9335). Analizując wskaźniki błędów, takie jak MSE, RMSE,\nRIE, MAPE i MAE, można zauważyć różnice w efektywności algorytmów. BR osiąga najniższe wartości dla wszystkich rodzajów błędów, co sugeruje jego wyższą precyzję predykcji. Wyniki sugerują, że BR, mimo większej liczby epok, zapewnia najlepsze dopasowanie modelu i minimalizację błędów.\nNa przedstawionych na ryc. 5.16 wykresach można zaobserwować przebieg wartości MSE w zależności od liczby epok dla trzech algorytmów: LM,\nSCG i BR. Algorytm LM osiąga najlepszą wydajność walidacji na poziomie 4,23 po 23 epokach, co pokazuje szybką zbieżność modelu. W przypadku SCG najlepsza wydajność walidacji wynosi 22,42, osiągnięta po 45 epokach, jednakże dalsze trenowanie skutkuje wolniejszym spadkiem MSE. Algorytm BR wykazuje największą stabilność i najniższą wartość MSE, na poziomie 2,99, osiągniętą dopiero po 173 epokach, co wskazuje na jego zdolność do uzyskiwania bardziej precyzyjnych modeli kosztem dłuższego procesu uczenia.\n\na b c\nRyc. 5.16. Najlepsza wydajność modelu twardości po procesie odpuszczania dla sieci z algorytmem uczenia: a) LM, b) SCG, c) BR\n\nRyc. 5.17 ilustruje wykresy korelacji dla zbiorów danych uczących, walidacyjnych oraz całego zbioru danych, uzyskane przy zastosowaniu różnych algorytmów uczenia: a) LM, b) SCG, c) BR. Wykresy pokazują, że model oparty na BR osiąga najwyższą zgodność predykcji z danymi rzeczywistymi, co potwierdzają najwyższe wartości współczynnika korelacji R dla danych uczących, testowych i walidacyjnych. Wartość R dla LM również jest wysoka, jednak nieco niższa od tej uzyskanej przez BR, co może wskazywać na mniejszą precyzję modelu. Algorytm\nSCG, choć osiąga dobre wyniki, wykazuje niższą zgodność między predykcjami a rzeczywistymi wartościami, szczególnie dla danych testowych, co sugeruje, że jest mniej skuteczny w generalizowaniu wyników na nieznanych danych.\na b c\nRyc. 5.17. Wykresy korelacji dla modelu twardości po procesie odpuszczania z algorytmem uczenia: a) LM, b) SCG, c) BR\n\nPodsumowując wyniki analizy modeli twardości po procesie odpuszczania opartych na algorytmach LM, SCG i BR, można zauważyć, że każdy z nich wykazuje różne mocne i słabe strony. Algorytm LM charakteryzuje się szybką zbieżnością i niskimi wartościami błędów, co czyni go efektywnym w kontekście minimalizacji błędów bezwzględnych, jednak jego wartość współczynnika korelacji R wskazuje na nieco mniejszą precyzję w porównaniu z BR.\nAlgorytm BR wyróżnia się spośród analizowanych modeli najlepszymi wartościami R, zarówno dla danych uczących, testowych, jak i walidacyjnych. Mimo że wymaga większej liczby epok do zbieżności i ma nieco wyższe wartości błędów niż LM w niektórych przypadkach, jego zdolność do uzyskiwania najniższych błędów przy wysokiej korelacji czyni go najbardziej precyzyjnym i niezawodnym w kontekście przewidywań. Biorąc pod uwagę zarówno wskaźniki wydajności, jak i wyniki korelacji, algorytm BR jest najbardziej odpowiedni do modelowania twardości po procesie odpuszczania, oferując najlepszy balans między precyzją predykcji a ogólną jakością modelu.\nNa bazie wytrenowanego modelu twardości po procesie odpuszczania opartego na algorytmie BR opracowano prosty interfejs użytkownika (ryc. 5.18).\nPrzedstawiony interfejs został zaprojektowany w środowisku MATLAB i umożliwia użytkownikowi wprowadzanie danych wejściowych, tj. typ stali, twardość po hartowaniu, czas odpuszczania, temperatura odpuszczania oraz otrzymywanie informacji zwrotnej na twardości po procesie odpuszczania.\nRyc. 5.18. Interfejs użytkownika aplikacji do predykcji twardości po procesie odpuszczania\n\nInterfejs graficzny, zbudowany za pomocą funkcji uicontrol, charakteryzuje się prostotą obsługi oraz czytelnym układem elementów. Główna sekcja\n„Parametry Wejściowe” umożliwia użytkownikowi wprowadzenie danych, takich jak typ stali (zdefiniowany numerycznie dla różnych rodzajów stali), twardość po hartowaniu (wyrażona w skali HRC), czas odpuszczania w sekundach oraz temperaturę odpuszczania w stopniach Celsjusza. Dane te są niezbędne do prawidłowego funkcjonowania modelu predykcji.\nPo wprowadzeniu wszystkich wymaganych wartości użytkownik może skorzystać z przycisku „Predykcja”, który uruchamia proces obliczeniowy w oparciu o wczytaną sieć neuronową. Wynik predykcji, czyli przewidywana twardość stali po procesie odpuszczania, jest wyświetlany w sekcji „Wynik\nPrzewidywania”, zapewniając użytkownikowi bezpośredni wgląd w prognozowaną wartość. Przykład działania aplikacji przedstawia ryc. 5.19.\nRyc. 5.19. Przykład działania aplikacji predykcji twardości po procesie odpuszczania\nInterfejs zawiera również zestaw ikon funkcyjnych umieszczonych na dole ekranu. Ikona zapisu umożliwia zapisanie wyników oraz wprowadzonych danych w pliku (ryc. 5.20), ikona drukowania pozwala na bezpośrednie wydrukowanie wyników (ryc. 5.21), ikona odświeżania resetuje pola wprowadzania danych (ryc. 5.22), a ikona zamknięcia służy do zamknięcia aplikacji (ryc. 5.23).\nCałość została zaprojektowana z myślą o intuicyjnym użytkowaniu, co pozwala na łatwe i efektywne korzystanie z narzędzia do analizy procesów metalurgicznych. Sposób implementacji opisanego interfejsu graficznego został opisany w postaci kodu w oprogramowaniu Matlab przedstawionym jako algorytm 5.9.\n\nRyc. 5.20. Przykład działania aplikacji predykcji twardości po procesie odpuszczania – funkcja zapisz\nRyc. 5.21. Przykład działania aplikacji predykcji twardości po procesie odpuszczania – funkcja drukuj\n\nRyc. 5.22. Przykład działania aplikacji predykcji twardości po procesie odpuszczania – funkcja odśwież\nRyc. 5.23. Przykład działania aplikacji predykcji twardości po procesie odpuszczania – ikona zamknij\n\nAlgorytm 5.9. Implementacja interfejsu graficznego z wykorzystaniem modelu predykcji twardości po procesie odpuszczania function twardosc_odpuszczania1()\n% Wczytaj zapisaną sieć neuronową 'net' load('net.mat', 'net'); % Przykład wczytania sieci z pliku\n% Tworzenie głównego okna GUI f = figure('Position', [300, 300, 600, 500], 'Name',\n'Przewidywanie Twardości po Odpuszczaniu', 'NumberTitle', 'off',\n'Color', [0.7, 0.8, 0.6]);\np1 = uipanel('Title', 'Parametry Wejściowe', 'FontSize', 12,\n'Position', [0.05 0.5 0.9 0.45]);\nuicontrol('Parent', p1, 'Style', 'text', 'Position', [20, 140,\n200, 40], 'String', 'Typ Stali (4140 - 0, 4340 - 1, 5160 - 2, 6150 -\n3, E52100 - 4):', 'HorizontalAlignment', 'left', 'FontSize', 10);\nsteelTypeEdit = uicontrol('Parent', p1, 'Style', 'edit',\n'Position', [220, 140, 150, 30], 'String', '0', 'FontSize', 12);\nuicontrol('Parent', p1, 'Style', 'text', 'Position', [20,\n100, 200, 30], 'String', 'Twardość po Hartowaniu (HRC):',\n'HorizontalAlignment', 'left', 'FontSize', 10);\nhardnessEdit = uicontrol('Parent', p1, 'Style', 'edit',\n'Position', [220, 100, 150, 30], 'String', '60', 'FontSize', 12);\nuicontrol('Parent', p1, 'Style', 'text', 'Position', [20, 60,200,\n30], 'String', 'Czas Odpuszczania (s):', 'HorizontalAlignment',\n'left', 'FontSize', 10);\ntimeEdit = uicontrol('Parent', p1, 'Style', 'edit', 'Position',\n[220, 60, 150, 30], 'String', '600', 'FontSize', 12);\nuicontrol('Parent', p1, 'Style', 'text', 'Position', [20,\n20, 200, 30], 'String', 'Temperatura Odpuszczania (°C):',\n'HorizontalAlignment', 'left', 'FontSize', 10);\ntempEdit = uicontrol('Parent', p1, 'Style', 'edit', 'Position',\n[220, 20, 150, 30], 'String', '200', 'FontSize', 12);\n% Przycisk do wywołania predykcji predictButton = uicontrol('Style', 'pushbutton', 'Position',\n[250, 200, 120, 30], 'String', 'Predykcja', 'Callback', @(~,~) predictCallback(net), 'FontSize', 10);\n% Panel do wyświetlania wyników p2 = uipanel('Title', 'Wynik Przewidywania', 'FontSize', 12,\n'Position', [0.05 0.15 0.9 0.25], 'BackgroundColor', [0.7, 0.8,\n0.6]);\nuicontrol('Parent', p2, 'Style', 'text', 'Position', [20, 40,\n240, 30], 'String', 'Przewidywana Twardość po odpuszczaniu (HRC):',\n'HorizontalAlignment', 'left', 'FontSize', 10, 'BackgroundColor',\n[0.7, 0.8, 0.6]);\n\nAlgorytm 5.9. Implementacja interfejsu graficznego z wykorzystaniem modelu predykcji twardości po procesie odpuszczania, cd.\npredictedHardnessText = uicontrol('Parent', p2, 'Style', 'text',\n'Position', [260, 40, 150, 30], 'String', '', 'BackgroundColor',\n'white', 'FontSize', 12);\n% Dodanie przycisków funkcyjnych addIconButton(50, 50, 'ikona_zapisz.png', @saveFunction); % Zapisz addIconButton(120, 50, 'ikona_drukuj.png', @printFunction); % Drukuj addIconButton(190, 50, 'ikona_reload.png', @clearFunction); % Wyczyść addIconButton(400, 50, 'ikona_wylacz.png', @exitFunction); % Zamknij\n% Funkcja callback dla przycisku predykcji function predictCallback(net)\n% Pobieranie wartości z pól edycyjnych steel_type = str2double(get(steelTypeEdit, 'String'));\ninitial_hardness = str2double(get(hardnessEdit, 'String'));\ntempering_time = str2double(get(timeEdit, 'String'));\ntempering_temperature = str2double(get(tempEdit, 'String'));\n% Tworzenie wektora danych wejściowych input_data = [steel_type, initial_hardness, tempering_time, tempering_temperature]’;\n% Predykcja twardości po odpuszczaniu predicted_hardness = net(input_data);\n% Wyświetlenie wyniku w GUI set(predictedHardnessText, 'String', num2str(predicted_ hardness, '%.2f'));\nend\n% Funkcja zapisująca wynik i dane wejściowe function saveFunction(~, ~) steel_type = get(steelTypeEdit, 'String');\ninitial_hardness = get(hardnessEdit, 'String');\ntempering_time = get(timeEdit, 'String');\ntempering_temperature = get(tempEdit, 'String');\nresult = get(predictedHardnessText, 'String');\n[file, path] = uiputfile('*.mat', 'Zapisz dane jako');\nif ischar(file) data = struct('steel_type', steel_type, 'initial_hardness', initial_hardness, 'tempering_time', tempering_time, 'tempering_ temperature', tempering_temperature, 'result', result);\nsave(fullfile(path, file), 'data');\ndisp(['Dane zapisane w pliku: ', fullfile(path, file)]);\nend end\n\nAlgorytm 5.9. Implementacja interfejsu graficznego z wykorzystaniem modelu predykcji twardości po procesie odpuszczania, cd.\n% Funkcja drukująca wynik function printFunction(~, ~) printdlg(f);\nend\n% Funkcja czyszcząca pola i wynik function clearFunction(~, ~) set(steelTypeEdit, 'String', '');\nset(hardnessEdit, 'String', '');\nset(timeEdit, 'String', '');\nset(tempEdit, 'String', '');\nset(predictedHardnessText, 'String', '');\nend\n% Funkcja zamykająca aplikację function exitFunction(~, ~) close(f);\nend\n% Funkcja dodająca przycisk z ikonką function addIconButton(x, y, iconPath, callback)\n[iconData, map, alpha] = imread(iconPath); % Wczytaj dane ikonki i mapę kolorów oraz kanał alfa if ~isempty(map) iconData = ind2rgb(iconData, map); % Konwersja indeksów na wartości RGB end if size(iconData, 3) == 4 % Sprawdź, czy obraz ma kanał alfa iconData = iconData(:, :, 1:3); % Usuń kanał alfa end\n% Skalowanie obrazka do wymiarów przycisku iconData = imresize(iconData, [40, 40]);\n% Normalizacja wartości pikseli do zakresu [0, 1] iconData = double(iconData) / 255;\n% Dodanie axes dla rysowania prostokąta ax = axes('Position', [x, y, 40, 40], 'Visible', 'off');\nrectangle('Position', [0, 0, 40, 40], 'EdgeColor', [0.7, 0.8,\n0.6], 'LineWidth', 2, 'Parent', ax);\n% Dodanie przycisku z ikonką uicontrol('Style', 'pushbutton', 'Position', [x, y, 40, 40],\n'CData', iconData, 'Callback', callback, 'BackgroundColor', [0.8,\n0.9, 1]);\nend end\n\n5.3.3. Ocena jakości wyrobów gotowych na podstawie twardości po procesie odpuszczania\nOcena jakości twardości po odpuszczaniu na podstawie twardości po procesie odpuszczania jest istotnym elementem kontroli jakości, ponieważ pozwala na weryfikację, czy produkt końcowy spełnia wymagania stawiane przez specyfikację techniczną. Brak ogólnie przyjętych norm dla twardości po odpuszczaniu dla każdego rodzaju stali wynika z różnorodności zastosowań, które wymagają specyficznych właściwości materiału. Pożądana twardość zależy nie tylko od rodzaju stali, ale także od kształtu wyrobu (np. wałek czy element płaski), od jego docelowego zastosowania oraz innych czynników, takich jak obciążenia mechaniczne, którym będzie poddawany.\nW związku z brakiem uniwersalnych ram dotyczących pożądanej twardości po odpuszczaniu, konieczne było przyjęcie określonych zakresów twardości dla każdego z analizowanych typów stali w kontekście danego – przykładowego zastosowania. Na podstawie tych założeń opracowany został algorytm, który umożliwia ocenę jakości wyrobu gotowego. Algorytm ten, uwzględniając przewidywaną przez model sztucznej sieci neuronowej MLP twardość po odpuszczaniu (model oparty na algorytmie uczenia BR), określa, czy dany wyrób spełnia wymagania jakościowe. Jeżeli przewidywana twardość mieści się w przyjętym przedziale, uznaje się, że wyrób spełnia normy jakościowe, w przeciwnym razie wyrób jest klasyfikowany jako niezgodny z wymaganiami.\nNa podstawie danych z analizowanej bazy danych oraz minimalnych i maksymalnych wartości twardości uzyskanych dla różnych typów stali, można zaproponować uniwersalne zakresy twardości, które pozwolą na ocenę jakości wyrobów. Przyjęcie jednolitych przedziałów, takich jak 25-55 HRC, ma na celu pokazanie możliwości stosowania tego typu ograniczeń w ocenie jakości produktów, przy czym w każdym konkretnym zastosowaniu te zakresy mogą być dostosowane do specyficznych wymagań, uwzględniając szczegóły dotyczące finalnego zastosowania wyrobu. Dzięki temu możliwe jest skuteczne zarządzanie procesami produkcyjnymi, minimalizując ryzyko wytwarzania wyrobów niespełniających wymagań jakościowych i zapewniając ich odpowiednią wytrzymałość oraz funkcjonalność. Fragment kodu przedstawiony jako algorytm 5.10 ilustruje sposób implementacji oceny jakości na podstawie zakresu twardości wyrobów gotowych po odpuszczaniu, o który uzupełniono algorytm 5.9.\n\nAlgorytm 5.10. Fragment kodu oceny jakości na podstawie zakresu twardości wyrobów gotowych po odpuszczaniu\n% Ocena jakości na podstawie zakresu twardości if predicted_hardness >= 25 && predicted_hardness <= 55 quality_message = ‚Wyrób gotowy spełnia wymagania jakościowe.’;\nelse quality_message = ‚Wyrób gotowy nie spełnia wymagań jakościowych.’;\nend\n% Wyświetlenie oceny jakości w GUI set(qualityAssessmentText, ‘String’, quality_message);\nWyniki implementacji tego fragmentu kodu (algorytm 5.10) do interfejsu użytkownika przedstawiają ryc. 5.24 oraz ryc. 5.25, przy czym przykładowy wynik działania algorytmu dla wyrobu niespełniającego wymagań jakościowych to ryc. 5.24, zaś dla wyrobu spełniającego wymagania jakościowe – ryc. 5.25.\nRyc. 5.24. Wynik działania algorytmu dla wyrobu niespełniającego wymagań jakościowych\n\nRyc. 5.25. Wynik działania algorytmu dla wyrobu spełniającego wymagania jakościowe\nOcena jakości wyrobów gotowych na podstawie twardości po procesie odpuszczania jest nie tylko efektywnym narzędziem w procesie produkcji, ale także pozwala na szybkie i precyzyjne weryfikowanie zgodności wyrobów z wymaganiami, co jest istotne dla zapewnienia wysokiej jakości końcowych produktów metalowych. Przykładowa implementacja algorytmu oceny jakości w interfejsie użytkownika pokazuje, że możliwe jest skuteczne monitorowanie twardości i natychmiastowa weryfikacja, czy produkt spełnia założone standardy, czy też nie. Dzięki takiemu podejściu proces produkcyjny może być bardziej precyzyjnie zarządzany, minimalizując ryzyko wytwarzania produktów niespełniających wymagań, co przekłada się na wyższą jakość oraz funkcjonalność końcowych wyrobów.\nW niniejszym podrozdziale omówiono zastosowanie sztucznej sieci neuronowej MLP do przewidywania twardości stali po procesie odpuszczania oraz ocenę jakości wyrobów gotowych na podstawie wyników tej predykcji. Podjęte działania oraz wyniki uzyskane z modelowania i implementacji algorytmu oceny jakości podkreślają znaczenie zaawansowanych narzędzi analitycznych, takich jak sztuczne sieci neuronowe, w optymalizacji procesów produkcyjnych. Dzięki temu możliwe jest nie tylko precyzyjne przewidywanie wyników obróbki cieplnej, ale także skuteczna weryfikacja jakości wyrobów, co w konsekwencji przyczynia się do zwiększenia efektywności produkcji i podniesienia standardów jakości w przemyśle metalowym.\n\n6. Predykcja awarii maszyn\nWprowadzenie do tematyki predyktywnego utrzymania ruchu, zwłaszcza z uwzględnieniem wykorzystania sztucznych sieci neuronowych, stanowi ważny element doskonalenia procesów produkcyjnych w przemyśle maszynowym.\nW obliczu dynamicznie rozwijającej się technologii oraz rosnących wymagań rynkowych wdrażanie nowoczesnych metod zarządzania utrzymaniem maszyn staje się nieodzownym elementem strategii przedsiębiorstw dążących do maksymalizacji efektywności operacyjnej oraz minimalizacji ryzyka awarii.\nPredyktywne utrzymanie ruchu to zaawansowana metodologia zarządzania i utrzymania maszyn, która polega na przewidywaniu awarii oraz ocenie stanu technicznego urządzeń. Wykorzystując techniki analizy danych zbieranych z różnorodnych czujników monitorujących parametry pracy maszyn, takie jak temperatura, prędkość obrotowa, moment obrotowy czy zużycie narzędzi, możliwe jest minimalizowanie przestojów produkcyjnych poprzez prognozowanie potencjalnych problemów, zanim jeszcze one wystąpią.\nW kontekście przemysłu maszynowego predyktywne utrzymanie ruchu odgrywa ważną rolę, umożliwiając znaczące zmniejszenie przestojów produkcyjnych. Niespodziewane awarie maszyn mogą powodować poważne zakłócenia w procesie produkcyjnym, prowadząc do strat finansowych i opóźnień w realizacji zamówień. Dzięki zastosowaniu predyktywnych modeli przedsiębiorstwa mogą planować konserwacje i naprawy w sposób bardziej efektywny, unikając nieplanowanych przerw w pracy [13,189].\n\nKolejną istotną korzyścią jest optymalizacja zasobów. Predykcyjne utrzymanie ruchu pozwala na lepsze zarządzanie zapasami części zamiennych oraz planowanie pracy personelu technicznego. Zamiast trzymać duże ilości części zamiennych na magazynie lub angażować liczne zespoły serwisowe w gotowości, firmy mogą dokładnie przewidzieć, kiedy i jakie zasoby będą potrzebne [190,191].\nRedukcja kosztów utrzymania to kolejny znaczący aspekt. Tradycyjne podejście do utrzymania ruchu często wiąże się z wysokimi kosztami związanymi z nadmierną konserwacją lub nieoczekiwanymi naprawami. Predykcyjne utrzymanie ruchu umożliwia bardziej precyzyjne i efektywne zarządzanie cyklem życia maszyn, co prowadzi do obniżenia kosztów operacyjnych. Dzięki dokładnej analizie danych i prognozowaniu awarii możliwe jest uniknięcie kosztownych napraw oraz przedłużenie żywotności maszyn [192,193].\nSieci neuronowe, dzięki swojej zdolności do przetwarzania i analizy dużych zbiorów danych, są idealnym narzędziem do przewidywania ryzyka wystąpienia awarii oraz identyfikacji rodzaju awarii na podstawie parametrów operacyjnych [194]. ANN są w stanie analizować dane z monitorowania stanu technicznego maszyn, takie jak temperatura, prędkość obrotowa, moment obrotowy i zużycie narzędzi, w celu prognozowania, czy awaria wystąpi, a w przypadku wystąpienia – określenia jej rodzaju.\nCelem zastosowania ANN jest nie tylko przewidywanie, czy awaria wystąpi, ale również dokładne rozpoznanie rodzaju awarii. Pozwala to na bardziej precyzyjne planowanie działań prewencyjnych i naprawczych, co przekłada się na zmniejszenie liczby przestojów oraz optymalizację procesów produkcyjnych.\nDzięki funkcji aktywacji softmax ANN mogą dostarczać prawdopodobieństwo przynależności do poszczególnych klas awarii, co ułatwia podejmowanie decyzji na podstawie wyników analizy [195].\nPredyktywne utrzymanie ruchu jest niezwykle ważną koncepcją dla przemysłu maszynowego, oferującą liczne korzyści, takie jak zmniejszenie przestojów, optymalizacja zasobów oraz redukcja kosztów utrzymania. W dobie rosnącej konkurencji i coraz bardziej zaawansowanych technologii wdrożenie predyktywnych metod zarządzania utrzymaniem ruchu staje się nieodzownym elementem strategii przedsiębiorstw dążących do maksymalizacji efektywności operacyjnej i minimalizacji ryzyka awarii [196,197].\nW niniejszym rozdziale omówione zostaną aspekty związane z modelowaniem predykcji awarii maszyn. Na początku zostanie przedstawiona metodyka modelowania predykcji awarii, co pozwoli na zrozumienie podstaw teoretycznych i technologicznych zastosowanych rozwiązań. Następnie szczegółowo omówione zostaną wyniki modelowania klasyfikatora dotyczącego wystąpienia\n\nawarii oraz określania typu awarii. Na zakończenie rozdziału zostanie zaprezentowane praktyczne wykorzystanie predykcji awarii maszyn z zastosowaniem odpowiedniego interfejsu, co pozwoli na pełne zrozumienie wdrożonych metod w kontekście rzeczywistych zastosowań przemysłowych.\n6.1. Metodyka modelowania predykcji awarii\nCelem prowadzonych analiz była predykcja awarii maszyn na podstawie parametrów określających ich stan techniczny. Parametry były gromadzone podczas monitorowania procesu produkcyjnego. Istotne zmienne wejściowe obejmują temperaturę, prędkość obrotową, moment obrotowy oraz zużycie narzędzi, a zmienną wyjściową jest wskaźnik awarii, czy wystąpi, czy też nie. Algorytmy klasyfikacyjne były testowane przy użyciu publicznej bazy danych „AI4I 2020\nPredictive Maintenance Dataset”, która została udostępniona w 2020 roku [198].\nBaza danych AI4I 2020 Predictive Maintenance Dataset jest syntetycznym zbiorem danych, który odzwierciedla rzeczywiste dane spotykane w przemyśle dotyczące predykcyjnego utrzymania ruchu. Baza ta zawiera 10 000 próbek z 10 cechami, w tym identyfikatorami produktów, oraz zmiennymi opisującymi warunki operacyjne i zużycie narzędzi. Są to następujące zmienne:\nÒ unikalny identyfikator;\nÒ identyfikator produktu;\nÒ typ produktu (L, M, H);\nÒ temperatura powietrza [K];\nÒ temperatura procesu [K];\nÒ prędkość obrotowa [obr/min];\nÒ moment obrotowy [Nm];\nÒ zużycie narzędzi w [min];\nÒ wskaźnik awarii (0 – brak awarii, 1 – wystąpienie awarii);\nÒ typ awarii.\nIstotnym aspektem bazy danych są zmienne docelowe, które określają wystąpienie awarii maszyny oraz typ awarii. Wskaźnik awarii jest binarną zmienną, która określa, czy doszło do awarii (1) lub nie (0). Typ awarii obejmuje pięć niezależnych trybów, takich jak:\nÒ awaria narzędzia – występuje, gdy narzędzie przekroczy wartość zużycia od 200 do 240 minut;\nÒ awaria chłodzenia – występuje, gdy różnica temperatur powietrza i procesu jest mniejsza niż 8,6 K, a prędkość obrotowa spada poniżej 1380 [obr/min];\n\nÒ awaria mocy – występuje, gdy moc obliczona jako iloczyn momentu obrotowego i prędkości obrotowej [rad/s] jest poza zakresem 3500–9000 [W];\nÒ awaria przeciążenia – występuje, gdy iloczyn zużycia narzędzi i momentu obrotowego przekracza wartości krytyczne (11 000 minNm dla produktów\nL, 12 000 dla M i 13 000 dla H);\nÒ awarie losowe – niezależne od parametrów procesu, z szansą 0,1% dla każdego punktu danych.\nBaza zawiera zmienne rzeczywiste i kategoryczne, co umożliwia zastosowanie różnorodnych metod analitycznych, w tym sztucznych sieci neuronowych. Ze względu na trudność w uzyskaniu rzeczywistych danych predykcyjnego utrzymania ruchu, zbiór ten stanowi wartościowe źródło danych do badań i testowania algorytmów w warunkach symulowanych, które jak najwierniej odzwierciedlają rzeczywiste scenariusze przemysłowe.\nAby przewidzieć, czy awaria wystąpi, czy też nie, stworzono model klasyfikacyjny, który został zbudowany z wykorzystaniem sztucznych sieci neuronowych przy użyciu Matlab R2023a. Warstwa wejściowa składała się z pięciu neuronów (zmienne: temperatura powietrza, temperatura procesu, prędkość obrotowa, moment obrotowy, zużycie narzędzi), podczas gdy warstwa wyjściowa zawierała jeden neuron (klasyfikator z dwoma wartościami 0 lub 1).\nWartość klasyfikatora 1 oznacza, że awaria wystąpi, zaś 0, że nie wystąpi.\nTabela 6.1 przedstawia statystyki opisowe danych wejściowych.\nTabela 6.1. Statystyka opisowa danych wejściowych temperatura temperatura prędkość moment zużycie powietrza, procesu obrotowa obrotowy narzędzi\n[K] [K] [obr/min] [Nm] [min] średnia 300,0049 310,0056 1538,776 39,98691 107,951 odchylenie\n2,000259 1,483734 179,2841 9,968934 63,65415 standardowe min 295,3 305,7 1168 3,8 0 mediana 300,1 310,1 1503 40,1 108 max 304,5 313,8 2886 76,6 253\nW przypadku tych danych wzięto pod uwagę dwa rodzaje sieci. Pierwszą z nich była sieć neuronowa MLP z jedną warstwą ukrytą, drugą – sieć LSTM.\nDane z monitorowania stanu technicznego maszyn często mają charakter sekwencyjny, gdzie kolejne pomiary parametrów, takich jak temperatura, prędkość obrotowa, moment obrotowy i zużycie narzędzi, są zbierane w regularnych odstępach czasu. Sieci LSTM, jako odmiana rekurencyjnych sieci neuronowych, są\n\nzaprojektowane do analizy takich sekwencji danych, dzięki swojej zdolności do zapamiętywania długoterminowych zależności. W celu podkreślenia korzyści wynikających z wykorzystania LSTM oraz różnic pomiędzy sieciami, dokonano również analizy za pomocą tradycyjnej, sieci neuronowej MLP, która nie posiada zdolności do zapamiętywania długoterminowych zależności czasowych.\nDo uczenia MLP zastosowano algorytm SCG. Liczba neuronów w warstwie ukrytej, mieszcząca się w zakresie od 2 do 50, została dobrana na drodze eksperymentalnej. Maksymalną liczbę epok uczących ustalono na 1000. Aby uzyskać prawdopodobieństwo przynależności do poszczególnych klas, zastosowano funkcję aktywacji softmax w warstwie wyjściowej. Dane zostały podzielone na trzy części: 70% danych przeznaczono na zbiór uczący, 15% na testowy i 15% na walidacyjny. Zbiór uczący był wykorzystywany do trenowania sieci neuronowej. Proces uczenia trwał do momentu, gdy sieć przestawała poprawiać swoje wyniki na zbiorze walidacyjnym. Zastosowano technikę wczesnego zatrzymania na poziomie 6 jako metodę zapobiegania przeuczeniu. Zbiór testowy służył do niezależnej oceny dokładności działania sieci. Jakość działania sieci oceniano przy użyciu funkcji entropii krzyżowej, która była miarą wykorzystywaną do oceny poprawności klasyfikacji dokonywanej przez sieć neuronową.\nDo uczenia sieci neuronowej typu LSTM zastosowano algorytm Adam. Liczba neuronów (jednostek ukrytych) w warstwach ukrytych była dobierana eksperymentalnie, w zakresie od 256 do 4096 jednostek. Testowano zarówno sieci z jedną warstwą LSTM, jak i z dwiema warstwami LSTM. W przypadku drugiej warstwy\nLSTM liczba jednostek ukrytych również była zmieniana w zakresie od 256 do\n4096. Dodatkowo w celu zapobiegania nadmiernemu dopasowaniu zastosowano warstwy dropout z wartością 0,5. Maksymalna liczba epok uczących została ustalona na 1000, a początkowa szybkość uczenia na 0,001. Rozmiar wsadu (ang.\nMiniBatchSize) został ustalony na 256. Aby uzyskać prawdopodobieństwo przynależności do poszczególnych klas, użyto funkcji aktywacji softmax w warstwie wyjściowej. Dane zostały podzielone na trzy części: 70% danych przeznaczono na zbiór uczący, 15% na testowy i 15% na walidacyjny. Wykorzystano te same zestawy, co w przypadku sieci MLP. Proces uczenia był monitorowany przy użyciu zbioru walidacyjnego. Zastosowano technikę wczesnego zatrzymania na poziomie 30.\nW celu stworzenia modeli klasyfikacyjnych dotyczących rodzaju awarii użyto tego samego zbioru danych, w tym identyczne dane wejściowe i środowisko Matlab R2023a. Zastosowano takie same parametry, metodykę prowadzonych analiz dla obu rodzajów modeli. W przypadku modelowania tego klasyfikatora zmianie uległa jedynie zmienna wyjściowa, którą był typ awarii, zakodowany jako zmienna kategoryczna.\n\nPorównując modele między sobą, wykorzystywano takie wskaźniki, jak:\ndokładność, precyzja, czułość oraz F1-score. Dodatkowo przeprowadzono analizę krzywej ROC oraz AUC w celu oceny zdolności modeli do rozróżniania otrzymanych wyników między klasami.\n6.2. Wyniki modelowania klasyfikatora dotyczącego wystąpienia awarii\nNajlepsze wyniki uczenia sieci neuronowej MLP, która może przewidzieć, czy awaria wystąpi czy też nie, uzyskano dla 12 neuronów w warstwie ukrytej, po 112 epokach uczenia sieci. Struktura uczenia sieci neuronowych została przedstawiona na ryc. 6.1, zaś na ryc. 6.2 pokazano przebieg uczenia się sieci neuronowej, monitorowany za pomocą funkcji entropii krzyżowej jako miary błędu, w zależności od liczby epok uczących. Na osi poziomej (x) znajduje się liczba epok, natomiast na osi pionowej (y) przedstawiono wartość entropii krzyżowej, w skali logarytmicznej.\nRyc. 6.1. Struktura sieci neuronowej MLP klasyfikacyjnej wystąpienia awarii\nProces uczenia sieci neuronowej, która może przewidzieć, czy awaria wystąpi czy też nie, trwał przez 112 epok, a najlepsza wydajność na zbiorze walidacyjnym została osiągnięta po 106 epokach, z wartością entropii krzyżowej wynoszącą 0,0583. Widać, że po tym punkcie (oznaczonym zielonym okręgiem) krzywa walidacyjna przestaje się znacząco poprawiać, co sugeruje zastosowanie techniki wczesnego zatrzymania w celu uniknięcia przeuczenia sieci.\nWartości entropii krzyżowej dla zbiorów uczącego, walidacyjnego i testowego zmniejszają się w miarę postępującego uczenia, co wskazuje na poprawę zdolności sieci do rozpoznawania wzorców. Względnie niewielka różnica między krzywymi walidacyjną a testową świadczy o dobrej zdolności sieci do generalizacji na nowych danych.\n\n10-1\n10-2\n0 20 40 60 80 100\n112 Epok awożyzrk aiportnE\nNajlepsza wydajność walidacji 0.0583 w epoce 106\nTrain\nValidation\nTest\nBest\nRyc. 6.2. Przebieg uczenia się sieci neuronowej klasyfikacyjnej MLP wystąpienia awarii\nWykresy na ryc. 6.3 przedstawiają krzywe ROC dla analizowanej sieci neuronowej, która została wytrenowana do klasyfikacji danych w celu określenia, czy awaria nastąpi, czy też nie. Wykres w lewym górnym rogu przedstawia krzywą\nROC dla danych uczących. Wysokie wartości TPR przy niskich wartościach FPR sugerują, że sieć neuronowa dobrze klasyfikuje dane uczące. Wykres w prawym górnym rogu przedstawia krzywą ROC dla danych walidacyjnych. Krzywa jest zbliżona do wykresu dla danych uczących, co wskazuje na dobrą zdolność sieci do generalizacji na niezależnym zbiorze walidacyjnym. Wykres w lewym dolnym rogu przedstawia krzywą ROC dla danych testowych. Podobnie jak w przypadku danych uczących i walidacyjnych, wysoka wartość TPR przy niskim FPR potwierdza dobrą wydajność klasyfikacyjną sieci. Wykres w prawym dolnym rogu przedstawia zsumowaną krzywą ROC dla wszystkich danych (uczących, walidacyjnych i testowych). Krzywa ta obrazuje ogólną wydajność sieci na całym zbiorze danych.\nZ wszystkich wykresów wynika, że sieć neuronowa, która przewiduje, czy awaria wystąpi, czy też nie, ma wysoką skuteczność w klasyfikacji danych, co jest widoczne w wysokich wartościach wskaźnika prawdziwie pozytywnych wyników przy niskich wartościach wskaźnika fałszywie pozytywnych wyników. Zbieżność krzywych ROC dla danych uczących, walidacyjnych i testowych sugeruje, że sieć neuronowa ma dobrą zdolność do generalizacji i nie jest nadmiernie dopasowana do danych uczących.\n\n0.8\n0.6\n0.4\n0.2\n0 0.5 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC – uczenie\n0.8\n0.6\n0.4\n0.2\n0 0.5 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC – walidacja\n0.8\n0.6\n0.4\n0.2\n0 0.5 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC – testowanie\n0.8\n0.6\n0.4\n0.2\n0 0.5 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC – cały zbiór danych\nRyc. 6.3. Krzywe ROC dla sieci neuronowej klasyfikacyjnej MLP wystąpienia awarii\nKolejnym ze wskaźników skuteczności dopasowania sieci neuronowej MLP do danych jest macierz pomyłek (ryc. 6.4), która dla zbioru uczącego pokazuje, że większość próbek została poprawnie sklasyfikowana: 6714 z klasy 0 i 137 z klasy 1.\nMacierz walidacyjna pokazuje podobne wyniki, z 98,6% poprawnie sklasyfikowanych próbek dla klasy 0 i 83,8% dla klasy 1. Macierz pomyłek dla zbioru testowego również potwierdza dobrą wydajność sieci: 98,4% poprawnych klasyfikacji dla klasy 0 i 75,0% dla klasy 1. Macierz pomyłek dla wszystkich danych przedstawia ogólną wydajność sieci na całym zbiorze danych, z 98,4% poprawnych klasyfikacji dla klasy 0 i 80,4% dla klasy 1. Wysokie wartości procentowe poprawnych klasyfikacji we wszystkich macierzach świadczą o dobrej skuteczności sieci neuronowej w rozpoznawaniu wzorców, czy awaria wystąpi, czy też nie.\nDla modelowania sieci LSTM najlepsze parametry otrzymano dla dwóch warstw LSTM w modelu oraz dla liczby jednostek ukrytych w pierwszej warstwie – 1024, zaś w drugiej – 2048. Strukturę sieci obrazuje tabela 6.2, zaś\n\nkodowanie architektury i procesu uczenia sieci LSTM dla modelu klasyfikacyjnego wystąpienia awarii obrazuje algorytm 6.1.\n0 1\nPredykcja ytsiwyzcezr natS\nDane uczące\n6714 115 98.3%\n95.9% 1.6% 1.7%\n34 137 80.1%\n0.5% 2.0% 19.9%\n99.5% 54.4% 97.9%\n0.5% 45.6% 2.1%\n0 1\nPredykcja ytsiwyzcezr natS\nDane walidacyjne\n1443 20 98.6%\n96.2% 1.3% 1.4%\n6 31 83.8%\n0.4% 2.1% 16.2%\n99.6% 60.8% 98.3%\n0.4% 39.2% 1.7%\n0 1\nPredykcja ytsiwyzcezr natS\nDane testowe\n1460 24 98.4%\n97.3% 1.6% 1.6%\n4 12 75.0%\n0.3% 0.8% 25.0%\n99.7% 33.3% 98.1%\n0.3% 66.7% 1.9%\n0 1\nPredykcja ytsiwyzcezr natS\nCały zestaw danych\n9617 159 98.4%\n96.2% 1.6% 1.6%\n44 180 80.4%\n0.4% 1.8% 19.6%\n99.5% 53.1% 98.0%\n0.5% 46.9% 2.0%\nRyc. 6.4. Macierz pomyłek dla sieci neuronowej klasyfikacyjnej MLP wystąpienia awarii\nTabela 6.2. Architektura sieci LSTM dla modelu klasyfikacyjnego wystąpienia awarii\nLp. Typ warstwy Opis\n1 Sequence Input 5-elementowe wejście sekwencyjne\n2 LSTM 1024 jednostek ukrytych\n3 Dropout 50% deaktywowanych neuronów\n4 LSTM 2048 jednostek ukrytych\n5 Dropout 50% deaktywowanych neuronów\n6 Fully Connected 2-elementowa warstwa w pełni połączona\n7 Softmax Funkcja aktywacji\n8 ClassificationLayer Warstwa klasyfikacyjna dla dwóch klas\n\nAlgorytm 6.1. Kodowanie architektury i procesu uczenia sieci LSTM dla modelu klasyfikacyjnego wystąpienia awarii\n% Definiowanie warstw sieci LSTM inputSize = 5; % liczba cech (5) numHiddenUnits = 1024;\nnumClasses = 2; % liczba cech (5) layers = [ sequenceInputLayer(inputSize,\"Name\",\"sequence\") lstmLayer(numHiddenUnits,\"Name\",\"lstm\",\"OutputMode\",\"last\") dropoutLayer(0.5,\"Name\",\"dropout\") lstmLayer(2048,\"Name\",\"lstm1\",\"OutputMode\",\"last\") dropoutLayer(0.5,\"Name\",\"dropout1\") fullyConnectedLayer(numClasses) softmaxLayer];\nnet = dlnetwork(layers);\nnet.Initialized\n%% Trenowanie Modelu\n% Konwersja danych wyjściowych do kategorycznych\nY_train = categorical(Y_train);\nY_test = categorical(Y_test);\nY_val = categorical(Y_val);\ninitialLearnRate = 0.001; % Zmniejszona początkowa szybkość uczenia maxEpochs = 1000; % Maksymalna liczba epok miniBatchSize = 256; % rozmiar wsadu options = trainingOptions('adam', ...\n'MaxEpochs', maxEpochs, ...\n'MiniBatchSize', miniBatchSize, ...\n'ValidationData', {X_val_cell, Y_val}, ...\n'ValidationFrequency', 100, ...\n'ValidationPatience', 30, ...\n'Verbose', 0, ...\n'Plots', 'training-progress', ...\n'Metrics','accuracy');\n% Trenowanie sieci LSTM\n[netLSTM,info] = trainnet(X_train_cell, Y_train_balanced, net,\"crossentropy\", options);\nRyc. 6.5 przedstawia wykresy uczenia sieci LSTM dla modelu klasyfikacyjnego wystąpienia awarii. Proces uczenia został zakończony przed osiągnięciem maksymalnej liczby iteracji, w 534. epoce po 14400 iteracjach.\nWykres górny przedstawia zmianę dokładności modelu LSTM w funkcji iteracji podczas procesu uczenia. Oś pozioma (X) reprezentuje liczbę\n\niteracji, natomiast oś pionowa (Y) przedstawia dokładność w procentach\n(%). Niebieskie linie wskazują dokładność modelu na zbiorze uczącym, natomiast czerwone oznaczają dokładność modelu na zbiorze walidacyjnym.\nDokładność modelu na zbiorze uczącym i walidacyjnym wydaje się stabilna i waha się wokół pewnej wartości przez większość iteracji. Podsumowując, dokładność na zbiorze walidacyjnym jest wysoka, co sugeruje, że model dobrze generalizuje na nowych danych.\nRyc. 6.5. Wykresy uczenia sieci LSTM dla modelu klasyfikacyjnego wystąpienia awarii\nWykres dolny przedstawia zmianę wartości funkcji straty modelu LSTM w funkcji iteracji podczas procesu uczenia. Wartość funkcji straty na zbiorze uczącym i walidacyjnym jest stabilna przez większość iteracji, z lekkimi wahaniami. Strata na zbiorze walidacyjnym utrzymuje się na niskim poziomie, co sugeruje skuteczność modelu w minimalizacji błędu predykcji.\nDokładność oraz wartość funkcji straty pokazują, że proces uczenia modelu LSTM jest stabilny, a model nie wykazuje oznak nadmiernego dopasowania ani niedopasowania. Wysoka dokładność na zbiorze walidacyjnym podkreśla dobrą zdolność modelu do generalizacji na nowych danych. Niskie wartości straty na zbiorze walidacyjnym sugerują, że model skutecznie minimalizuje błąd predykcji, co jest istotne dla dokładnych prognoz. Te wyniki sugerują, że model jest dobrze wytrenowany i efektywnie przewiduje wystąpienie awarii na podstawie danych sekwencyjnych.\n\nRyc. 6.6 przedstawia krzywe ROC dla sieci LSTM wystąpienia awarii dla różnych zestawów danych: uczących, walidacyjnych, testowych oraz całego zestawu danych. Dla etapu uczenia krzywe ROC obu klas (Class 1 i Class 0) są bardzo zbliżone, co sugeruje, że model skutecznie rozróżnia te klasy podczas procesu uczenia. Wartości AUC (ang. area under curve) wynoszą 0,92044 dla klasy 1 oraz 0,92043 dla klasy 0, co wskazuje na wysoką skuteczność modelu w trakcie tego etapu. W przypadku walidacji krzywe ROC również pokazują wysoką skuteczność modelu w rozróżnianiu obu klas. Wartości AUC dla obu klas wynoszą\n0,91668, co sugeruje, że model zachowuje stabilność i dobrze generalizuje na danych walidacyjnych. Na etapie testowania krzywe ROC dla danych testowych ukazują jeszcze lepsze dopasowanie modelu. Wartości AUC wynoszą 0,93479 dla obu klas, co jest najwyższym wynikiem spośród wszystkich etapów. Oznacza to, że model bardzo dobrze radzi sobie na nowych, nieznanych danych. Analizując cały zestaw danych, krzywe ROC także pokazują wysoką skuteczność modelu w klasyfikacji. Wartości AUC dla obu klas wynoszą 0,9216, co potwierdza ogólną dobrą wydajność modelu na całym zbiorze danych.\nModel LSTM użyty do wykrywania awarii charakteryzuje się wysoką skutecznością na każdym etapie procesu modelowania. Wysokie wartości AUC\n(powyżej 0,9) dla obu klas na etapach uczenia, walidacji, testowania oraz dla całego zestawu danych wskazują na zdolność modelu do skutecznego rozróżniania klas. Sugeruje to, że model jest dobrze dopasowany i wykazuje zdolność do generalizacji na nowych danych.\n0.8\n0.6\n0.4\n0.2\n0 0.2 0.4 0.6 0.8 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC - uczenie\nClass 1 (AUC = 0.92044)\nClass 0 (AUC = 0.92043)\n0.8\n0.6\n0.4\n0.2\n0 0.2 0.4 0.6 0.8 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC - walidacja\nClass 1 (AUC = 0.91668)\nClass 0 (AUC = 0.91668)\n0.8\n0.6\n0.4\n0.2\n0 0.2 0.4 0.6 0.8 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC - testowanie\nClass 1 (AUC = 0.93479)\nClass 0 (AUC = 0.93479)\n0.8\n0.6\n0.4\n0.2\n0 0.2 0.4 0.6 0.8 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nRyc. 6.6. Krzywe ROC dla sieci LSTM wystąpienia awarii\nROC - cały zestaw danych\nClass 1 (AUC = 0.9216)\nClass 0 (AUC = 0.9216)\n\n0.8\n0.6\n0.4\n0.2\n0 0.2 0.4 0.6 0.8 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC - uczenie\nClass 1 (AUC = 0.92044)\nClass 0 (AUC = 0.92043)\n0.8\n0.6\n0.4\n0.2\n0 0.2 0.4 0.6 0.8 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC - walidacja\nClass 1 (AUC = 0.91668)\nClass 0 (AUC = 0.91668)\n0.8\n0.6\n0.4\n0.2\n0 0.2 0.4 0.6 0.8 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC - testowanie\nClass 1 (AUC = 0.93479)\nClass 0 (AUC = 0.93479)\n0.8\n0.6\n0.4\n0.2\n0 0.2 0.4 0.6 0.8 1\nWsk. fałszywie pozytywnych wyników wókinyw hcynwytyzop eiwizdwarp\n.ksW\nROC - cały zestaw danych\nClass 1 (AUC = 0.9216)\nClass 0 (AUC = 0.9216)\nRyc. 6.6. Krzywe ROC dla sieci LSTM wystąpienia awarii, cd.\n\n0 1\nPredykcja ytsiwyzcezr natS\nDane uczące\n6716 32 99.5% 0.5% 0\n145 107 42.5% 57.5% 1\n97.9% 77.0%\n2.1% 23.0%\n0 1\nPredykcja ytsiwyzcezr natS\nDane walidacyjne\n1443 6 99.6% 0.4%\n28 23 45.1% 54.9%\n98.1% 79.3%\n1.9% 20.7%\n0 1\nPredykcja ytsiwyzcezr natS\nDane testowe\n1459 5 99.7% 0.3% 0\n23 13 36.1% 63.9% 1\n98.4% 72.2%\n1.6% 27.8%\n0 1\nPredykcja ytsiwyzcezr natS\nCały zestaw danych\n9618 43 99.6% 0.4%\n196 143 42.2% 57.8%\n98.0% 76.9%\n2.0% 23.1%\nRyc. 6.7. Macierz pomyłek dla sieci LSTM wystąpienia awarii\nRyc. 6.7 przedstawia macierze pomyłek dla modelu LSTM, który został zastosowany do klasyfikacji awarii maszyn dla różnych zestawów danych:\nuczących, walidacyjnych, testowych oraz całego zestawu danych. W przypadku danych uczących model klasyfikuje prawidłowo 6716 przypadków klasy\n0 oraz 107 przypadków klasy 1. Błędne klasyfikacje obejmują 32 przypadki klasy 0 i 145 przypadków klasy 1. Dokładność dla klasy 0 wynosi 99,5%, natomiast dla klasy 1 – 42,5%. Wysoka dokładność klasy 0 wskazuje na skuteczne rozpoznawanie tej klasy przez model w trakcie uczenia. Niemniej jednak niższa dokładność dla klasy 1 sugeruje, że model może mieć trudności z identyfikacją tej klasy. W analizie danych walidacyjnych model osiąga dokładność\n99,6% dla klasy 0 oraz 45,1% dla klasy 1. Poprawnie klasyfikuje 1443 przypadki klasy 0 i 23 przypadki klasy 1, przy czym błędne klasyfikacje obejmują\n6 przypadków klasy 0 i 28 przypadków klasy 1. Te wyniki wskazują na dobrą ogólną wydajność modelu klasyfikacji klasy 0, jednak zauważalne są pewne problemy z dokładnością dla klasy 1, co może wpływać na stabilność predykcji w praktycznych zastosowaniach. Dane testowe pokazują, że model klasyfikuje\n\npoprawnie 1459 przypadków klasy 0 i 13 przypadków klasy 1, przy błędnych klasyfikacjach 5 przypadków klasy 0 i 23 przypadków klasy 1. Dokładność dla klasy 0 wynosi 99,7%, natomiast dla klasy 1 – 36,1%. Analiza całego zestawu danych ujawnia, że model osiąga dokładność 99,6% dla klasy 0 oraz 42,2% dla klasy 1. Model poprawnie klasyfikuje 9618 przypadków klasy 0 oraz 143 przypadki klasy 1, z błędami w 43 przypadkach klasy 0 i 196 przypadkach klasy 1.\nWyniki te potwierdzają ogólną wysoką skuteczność modelu klasyfikacji klasy\n0, jednak wyzwanie stanowi utrzymanie wysokiej dokładności dla klasy 1.\nPo wykonaniu obu modeli do klasyfikowania, czy usterki wystąpią, czy też nie (MLP oraz LSTM), dokonano ich porównania. Porównanie modeli na danych testowych jest istotne, ponieważ te dane nie były używane podczas trenowania modelu, a więc najbardziej przypominają rzeczywiste warunki pracy modelu. Dane testowe pozwalają na ocenę zdolności generalizacji modelu, co jest niezbędne dla oceny jego wydajności w praktycznych zastosowaniach.\nIstotne jest również to, że zastosowano w przypadku obu modeli ten sam zestaw danych. Porównanie wskaźników jakościowych dla danych testowych dla obu modeli zestawia tabela 6.3.\nTabela 6.3. Porównanie modeli MLP oraz LSTM modelu wystąpienia awarii (wskaźniki jakości)\nDokładność Precyzja Czułość\nModel TN FP FN TP F1-score [%]\n[%] [%] [%]\nMLP 1460 24 4 12 98,1 33,3 75,0 46,1\nLSTM 1459 5 23 13 98,1 72,2 36,1 48,1\nAnaliza wyników na danych testowych wykazała, że oba modele osiągają dokładność na poziomie 98,1%. Jednakże precyzja, czyli miara liczby prawdziwie pozytywnych wyników w stosunku do wszystkich pozytywnych przewidzianych przez model, wynosi 33,3% dla sieci neuronowej MLP i 72,2% dla modelu LSTM. Wyższa precyzja modelu LSTM oznacza rzadsze występowanie fałszywie pozytywnych klasyfikacji, co jest istotne w kontekście predykcji awarii, gdzie fałszywe alarmy mogą prowadzić do niepotrzebnych interwencji. Czułość, mierząca zdolność modelu do identyfikacji wszystkich rzeczywistych pozytywnych przypadków, wynosi 75,0% dla modelu MLP i 36,1% dla modelu LSTM. Znacznie wyższa czułość modelu MLP wskazuje na jego większą efektywność w wykrywaniu rzeczywistych przypadków awarii. Jest to kluczowy wskaźnik, ponieważ niski poziom czułości oznacza, że wiele rzeczywistych awarii może zostać przeoczonych. F1-score, będący średnią harmoniczną precyzji i czułości, wynosi 46,1% dla modelu MLP i 48,1% dla modelu\n\nLSTM. Wyższy F1-score modelu LSTM sugeruje, że jest on bardziej wyważony w swoim działaniu, łącząc wysoką precyzję i czułość, co czyni go bardziej niezawodnym modelem do predykcji awarii w porównaniu z MLP.\nBiorąc pod uwagę wyższy F1-score (48,1%) i precyzję (72,2%) modelu LSTM w porównaniu z modelem MLP (F1-score: 46,1%, precyzja: 33,3%), model LSTM wydaje się bardziej niezawodny, redukując liczbę fałszywych alarmów. Pomimo wyższej czułości modelu MLP (75,0%) w porównaniu z LSTM (36,1%), co oznacza lepsze wykrywanie rzeczywistych przypadków awarii, niższa precyzja modelu\nMLP wskazuje na większą liczbę fałszywych alarmów.\nW kontekście danych historycznych dla analizowanego zestawu danych, gdzie liczba awarii była niska, ważne jest, aby model skutecznie radził sobie z niewielką liczbą pozytywnych przykładów (awarii) oraz minimalizował fałszywie negatywne wyniki. W scenariuszach z niezrównoważonymi klasami wysoka czułość jest istotna, ponieważ odzwierciedla zdolność modelu do prawidłowego wykrywania awarii. W takich przypadkach model o wyższej czułości, mimo większej liczby fałszywych alarmów, może być bardziej korzystny, gdyż każde przeoczenie awarii może prowadzić do poważnych konsekwencji.\nBiorąc pod uwagę te aspekty, model MLP z wyższą czułością (75,0%) wydaje się bardziej odpowiedni do zastosowań w predykcji w czasie rzeczywistym, gdzie krytyczne jest wykrywanie wszystkich rzeczywistych przypadków awarii.\nPomimo niższej precyzji i większej liczby fałszywych alarmów zdolność modelu\nMLP do wykrywania większej liczby rzeczywistych awarii czyni go bardziej niezawodnym w kontekście zapobiegania potencjalnym krytycznym awariom.\n6.3. Wyniki modelowania klasyfikatora dotyczącego określania typu awarii\nW przypadku modelowania typu awarii na wyjściu można wyróżnić 6 klas:\n1 – brak awarii, 2 – awaria narzędzia, 3 – awaria chłodzenia, 4 – awaria mocy,\n5 – awaria przeciążenia oraz 6 – awarie losowe.\nW przypadku modelowania klasyfikatora dla określania typu awarii z wykorzystaniem sieci neuronowej MLP najlepsze wyniki otrzymano dla sieci z 12 neuronami w warstwie ukrytej. Ryc. 6.8 prezentuje przebieg uczenia się sieci neuronowej, monitorowany za pomocą funkcji entropii krzyżowej w zależności od liczby epok uczących.\n\n10-1\n10-2\n10-3\n0 10 20 30 40 50\n58 Epok awożyzrk aiportnE\nNajlepsza wydajność walidacji to 0.009 w epoce 52\nTrain\nValidation\nTest\nBest\nRyc. 6.8. Przebieg uczenia się sieci neuronowej MLP klasyfikującej typ usterek\nProces uczenia MLP trwał przez 58 epok, a najlepsza wydajność na zbiorze walidacyjnym została osiągnięta po 52 epokach, z wartością entropii krzyżowej wynoszącą 0,009. Po tym punkcie, oznaczonym zielonym okręgiem, krzywa walidacyjna przestaje się znacząco poprawiać, co sugeruje zastosowanie techniki wczesnego zatrzymania w celu uniknięcia przeuczenia.\nWartości entropii krzyżowej dla zbiorów uczącego, walidacyjnego i testowego systematycznie maleją wraz z postępem procesu uczenia, co sugeruje, że sieć neuronowa staje się coraz lepsza w rozpoznawaniu wzorców. Dodatkowo stosunkowo mała różnica pomiędzy krzywymi walidacyjną a testową wskazuje na solidną zdolność sieci do generalizacji, czyli poprawnego działania na nowych, niewidzianych wcześniej danych.\nWykresy (ryc. 6.9) przedstawiają krzywe ROC dla różnych klas w problemie wieloklasowej klasyfikacji typu usterek. Na wykresie ROC dla zestawu uczącego model wykazuje bardzo dobrą zdolność do rozróżniania większości klas. Wysokie wartości dla klas 1, 2, 3, 5 i 6 wskazują na wysoką dokładność klasyfikacji tych klas. Klasa 4, reprezentowana przez żółtą krzywą, wykazuje jednak znacznie gorszą wydajność, co sugeruje trudności modelu w prawidłowej klasyfikacji tej klasy. W zbiorze walidacyjnym wartości dla klas 1,\n2, 3, 5 i 6 pozostają wysokie, co wskazuje na dobrą generalizację modelu na nowe dane. Klasa 4 ponownie wykazuje znacznie gorszą wydajność, co jest widoczne na krzywej ROC, która jest bliska przekątnej, sugerując, że model\n\nma trudności z poprawnym rozróżnieniem tej klasy od innych. W zestawie testowym wyniki są podobne do tych z zestawu walidacyjnego. Analizując krzywą ROC dla całego zestawu danych, można zauważyć, że ogólna wydajność modelu utrzymuje się na wysokim poziomie dla klas 1, 2, 3, 5 i 6, co jest zgodne z wynikami dla poszczególnych zestawów danych. Klasa 4 wykazuje najniższą wartość, co sugeruje, że model ma największe problemy z klasyfikacją tej klasy w całym zbiorze danych.\nRyc. 6.9. Krzywe ROC dla sieci neuronowej MLP klasyfikującej typ usterek\n\nRyc. 6.10. Macierz pomyłek dla sieci neuronowej MLP klasyfikującej typ usterek\nKolejnym ze wskaźników skuteczności dopasowania sieci neuronowej MLP do danych jest macierz pomyłek. Na ryc. 6.10 przedstawiono macierze pomyłek dla sieci neuronowej wytrenowanej do klasyfikacji wieloklasowej na różnych podzbiorach danych: uczących, walidacyjnych, testowych oraz na całym zestawie danych. Zielone komórki, które oznaczają poprawne klasyfikacje, mają wysokie wartości procentowe. Model klasyfikuje klasę 1 z bardzo wysoką dokładnością we wszystkich zbiorach danych (ponad 98%). Klasa 3 również jest dobrze klasyfikowana, szczególnie w danych uczących (54 przypadki), walidacyjnych\n(9 przypadków) i testowych (9 przypadków), co wskazuje na solidność modelu dla tej klasy. Dla tej klasy dokładność modelu osiągnięto na poziomie 90%.\nBrak poprawnych klasyfikacji dla klasy 4 i 5 we wszystkich zbiorach danych.\nMoże to sugerować, że są one trudne do rozpoznania przez model lub są bardzo\n\nrzadkie. Model ma umiarkowaną skuteczność dla klasy 6, szczególnie w danych uczących (36 przypadków – 83,7%), walidacyjnych (10 przypadków – 90,9%) i testowych (14 przypadków – 93,3%). Klasa 2 ma niską skuteczność klasyfikacji we wszystkich zbiorach danych. Chociaż model potrafi poprawnie zaklasyfikować kilka przypadków klasy 2, liczba poprawnych klasyfikacji jest stosunkowo niska w porównaniu z innymi klasami. Niska liczba poprawnych klasyfikacji dla klasy 2 we wszystkich zbiorach danych sugeruje, że model ma trudności z jej rozpoznaniem. Może to wynikać z niewystarczającej liczby przykładów klasy 2 w danych uczących lub z niewystarczającej rozróżnialności cech dla tej klasy.\nDla modelowania sieci LSTM dla modelu klasyfikującego typ usterek najlepsze parametry otrzymano dla dwóch warstw LSTM w modelu oraz dla liczby jednostek ukrytych w pierwszej warstwie – 1024, zaś w drugiej – 2048.\nDla takiej samej struktury jak w przypadku modelu klasyfikującego wystąpienie awarii. Architekturę tej sieci prezentuje tabela 6.2 (podrozdział 6.2).\nRyc. 6.11. Wykresy uczenia sieci LSTM dla modelu klasyfikacyjnego typ usterek\nRyc. 6.11 przedstawia wykresy uczenia sieci LSTM dla modelu klasyfikacyjnego typ usterek. Proces uczenia zakończył się wcześniej, w 267. epoce, po 7200 iteracjach. Dokładność oraz wartość funkcji straty wskazują na stabilny proces uczenia modelu LSTM, bez oznak przeuczenia lub niedouczenia. Wysoka dokładność na zbiorze walidacyjnym świadczy o dobrej zdolności modelu do generalizacji na nowych danych. Niskie wartości straty na zbiorze walidacyjnym sugerują, że model skutecznie redukuje błąd predykcji, co jest istotne dla precyzyjnych prognoz. Niskie wartości straty i wysoka dokładność na danych walidacyjnych wskazują, że model nie ma problemu z niedouczeniem.\n\nRyc. 6.12. Macierz pomyłek dla sieci LSTM dla modelu klasyfikacyjnego typ usterek\nMacierze pomyłek dla sieci LSTM (ryc. 6.12) pokazują wydajność modelu na zestawach danych uczących, walidacyjnych, testowych oraz dla całego zestawu danych. Dla danych uczących macierz pomyłek wskazuje, że model osiągnął bardzo wysoką dokładność (99,7%) w klasyfikacji przypadków braku awarii. Jednakże dokładność dla innych klas awarii, szczególnie dla klas 4 i 5, jest zauważalnie niższa (odpowiednio 66,2% i 50,0%). Wysoka liczba błędnie sklasyfikowanych przypadków w tych klasach sugeruje, że model może mieć trudności z rozróżnianiem między pewnymi typami awarii. W przypadku klasy\n4, znaczący odsetek rzeczywistych przypadków został błędnie przypisany do klasy 1, co może wynikać z podobieństwa cech między tymi dwoma klasami.\nCo więcej, model nie sklasyfikował żadnego przypadku jako klasy 2, 3 i 6, co wskazuje na poważne niedouczenie dla tych klas i sugeruje, że model może mieć problem z wykrywaniem tych specyficznych typów awarii.\nAnaliza danych walidacyjnych pokazuje, że model utrzymuje wysoką dokładność klasyfikacji dla 1 klasy. Wyniki te są zgodne z obserwacjami z danych\n\nuczących, co sugeruje, że problemy z rozróżnianiem klas 4 i 5 są utrwalone również na etapie walidacji. W przypadku danych testowych model nadal wykazuje wysoką dokładność dla klasy 1 (99,9%) i umiarkowaną dla klas 4 i 5 (odpowiednio 53,8% i 46,2%). Co więcej, model ponownie nie sklasyfikował żadnego przypadku jako klasy 2, 3 i 6, co jest bardzo istotnym problemem, sugerującym, że w ogóle nie nauczył się rozpoznawać tych typów awarii.\nDla całego zestawu danych ogólne wzorce są podobne do tych obserwowanych w danych uczących, walidacyjnych i testowych. Model osiąga wysoką dokładność dla klasy 1 (99,8%) i umiarkowaną dla klasy 4 (66,3%) oraz niską dla klasy 5 (52,6%). Pomimo ogólnej wysokiej dokładności problemy z klasyfikacją mniej reprezentatywnych klas awarii są nadal obecne. Średnia precyzja i czułość dla tych klas pozostają niższe, co może wpłynąć na ogólną wydajność modelu w rzeczywistych zastosowaniach. Co istotne, model nadal nie sklasyfikował żadnego przypadku jako klasy 2, 3 i 6, co wskazuje na strukturalny problem z rozpoznawaniem tych awarii.\nModel LSTM osiąga wysoką ogólną dokładność, szczególnie w klasyfikacji przypadków braku awarii. Jednakże wykazuje trudności w prawidłowym klasyfikowaniu pewnych typów awarii, co jest konsekwentne we wszystkich zestawach danych. Szczególnie niepokoi fakt, że model nie jest w stanie sklasyfikować klas 2, 3 i 6, co wskazuje na potrzebę gruntownej rewizji procesu trenowania, być może poprzez np. przeprojektowanie architektury modelu.\nDane te były analizowane dla różnych architektur LSTM, jednakże wyniki wskazują, że sieci LSTM nie sprawdzają się w tym konkretnym przypadku.\nZe względu na analizę macierzy pomyłek, która nie klasyfikuje w ogóle klas 2, 3 i 6, co było zaprezentowane dla najlepszej otrzymanej sieci LSTM, pominięto dalszą analizę ROC oraz wskaźników jakościowych, takich jak dokładność, precyzja, czułość i F1-score.\nW wyniku analizowania wydajności modeli klasyfikacyjnych stosowanych do określania typów awarii zauważono, że dotychczasowe podejście, zarówno przy użyciu sieci neuronowej MLP, jak i sieci LSTM, miały ograniczenia w skutecznej klasyfikacji niektórych klas awarii. Modele miały szczególne trudności z rozpoznawaniem klas 2, 3 i 6, co było widoczne na podstawie macierzy pomyłek. W efekcie tych wyników zdecydowano się na zmianę koncepcji modelowania. Nowe podejście polegało na ograniczeniu zbioru danych jedynie do rekordów zawierających usterki, a następnie ponownym przeprowadzeniu modelowania na takim zredukowanym zestawie. Ten zredukowany zbiór danych obejmował 348 rekordów.\n\n6.4. Wyniki modelowania klasyfikatora dotyczącego określania typu awarii na ograniczonym zbiorze danych\nZmiana koncepcji modelowania była konieczna ze względu na niską jakość wyników osiąganych przez dotychczasowe modele klasyfikacyjne, zarówno\nMLP, jak i LSTM. Modele te miały trudności z prawidłowym rozpoznawaniem niektórych klas awarii, w szczególności klas 2, 3 i 6, co wykazano na podstawie analizy macierzy pomyłek. W odpowiedzi na te problemy postanowiono ograniczyć zbiór danych jedynie do rekordów zawierających usterki i przeprowadzić ponowne modelowanie na takim zredukowanym zestawie, który obejmował 348 rekordów. W przypadku nowego zbioru danych wyróżniono 5 klas: 1 – awaria narzędzia, 2 – awaria chłodzenia, 3 – awaria mocy, 4 – awaria przeciążenia oraz\n5 – awarie losowe.\nRyc. 6.13. Przebieg uczenia się sieci neuronowej MLP klasyfikującej typ usterek na zmniejszonym zestawie danych\nW procesie modelowania klasyfikatora do identyfikacji typów awarii na zmniejszonym zestawie danych, przy zastosowaniu sieci neuronowej MLP, najkorzystniejsze rezultaty uzyskano dla sieci z 15 neuronami w warstwie ukrytej. Na ryc. 6.13 przedstawiono przebieg uczenia się tej sieci neuronowej MLP, monitorowany za pomocą funkcji entropii krzyżowej w odniesieniu do liczby\n\nepok uczenia. Na podstawie analizy procesu uczenia można stwierdzić, że proces uczenia sieci neuronowej trwał 43 epoki i przebiegał efektywnie do momentu osiągnięcia najlepszej wydajności na zbiorze walidacyjnym w 37. epoce.\nRyc. 6.14. Krzywe ROC dla sieci neuronowej MLP klasyfikującej typ usterek na zmniejszonym zestawie danych\nWykresy ROC (ryc. 6.14) przedstawiają zdolność modelu do klasyfikacji pięciu różnych klas awarii w zestawach danych uczących, walidacyjnych, testowych oraz całym zbiorze danych. Na wykresie dla zbioru uczącego widać, że model wykazuje bardzo wysoką zdolność rozróżniania klas. Krzywe dla wszystkich klas znajdują się blisko lewego górnego rogu wykresu, co wskazuje na wysoką skuteczność modelu w przypadku danych do trenowania. Dla zbioru walidacyjnego krzywe ROC również pokazują wysoką wydajność modelu, chociaż widać\n\nniewielkie różnice w porównaniu ze zbiorem uczącym Krzywe dla niektórych klas są nieco dalej od lewego górnego rogu, co sugeruje, że model może mieć niewielkie trudności z generalizacją na nowe dane, ale ogólnie nadal jest skuteczny.\nAnalizując wykres ROC dla zbioru testowego, można zauważyć, że krzywe są podobne do tych z zestawu walidacyjnego. Model utrzymuje wysoką zdolność do rozróżniania klas, jednak podobnie jak w przypadku danych walidacyjnych, niektóre krzywe nie są tak blisko idealnego rozróżnienia jak w zestawie uczącym.\nRyc. 6.15. Macierz pomyłek dla sieci neuronowej MLP klasyfikującej typ usterek na zmniejszonym zestawie danych\nRyc. 6.15 przedstawia macierze pomyłek dla zbiorów danych uczących, walidacyjnych, testowych oraz całego zestawu danych. Obrazują one dokładność modelu w klasyfikacji różnych typów awarii na zmniejszonym zestawie danych. Dla zbioru uczącego model wykazuje wysoką skuteczność klasyfikacji w przypadku klas 1, 2 i 3. Klasa 1 została poprawnie zaklasyfikowana\n\nw 90,3% przypadków, klasa 2 w 96,3%, a klasa 3 w 98,4% przypadków. Klasa 4 osiągnęła dokładność na poziomie 89,7%, co również jest wynikiem dobrym, chociaż nieco niższym w porównaniu z poprzednimi klasami. Klasa 5 została poprawnie zaklasyfikowana w 100% przypadków, co sugeruje, że model jest w stanie skutecznie rozpoznawać tę klasę na danych uczących, chociaż należy zauważyć, że jest to klasa z mniejszą liczbą przypadków.\nW zbiorze walidacyjnym widoczne są pewne różnice w porównaniu ze zbiorem uczącym. Klasa 1 została poprawnie zaklasyfikowana w 83,3% przypadków, co wskazuje na nieco niższą skuteczność w porównaniu z danymi uczącymi. Klasa 2 zachowała wysoką dokładność na poziomie 93,8%, podobnie jak w przypadku danych uczących. Klasa 4 została poprawnie zaklasyfikowana w 75% przypadków, co jest również niższym wynikiem w porównaniu ze zbiorem uczącym. Klasa 5, podobnie jak w przypadku danych uczących, została poprawnie zaklasyfikowana w 100% przypadków, jednakże ponownie należy zauważyć, że jest to klasa z mniejszą liczbą przypadków. Skuteczność modelu w przypadku klasy 3 wyniosła tak jak dla klasy 5 – 100%.\nDla zbioru testowego dla klasy 1 model poprawnie sklasyfikował 6 przypadków (100%), zaś w przypadku klasy 2 model osiągnął dokładność na poziomie\n93,8%, poprawnie klasyfikując 15 przypadków. Jest to wynik bardzo dobry, wskazujący na wysoką zdolność modelu do identyfikacji tej klasy w zbiorze testowym.\nNieco niższą dokładność osiągnął dla klasy 3 na poziomie 92,9% (13 poprawnie sklasyfikowanych przypadków, 1 niepoprawnie). Klasa 4 wykazuje, że model właściwie sklasyfikował 12 przypadków. Chociaż dokładność dla tej klasy wynosi 85,7%, istnieją również przypadki błędnej klasyfikacji, co może wskazywać na pewne trudności modelu w odróżnianiu jej od innych. Klasa 5 ma niższą dokładność, na poziomie 50,0%, jeden przypadek został sklasyfikowany poprawnie, zaś drugi błędnie, w tej klasie były tylko dwa rekordy, co ma znaczący wpływ na taki wynik.\nDla całego zestawu danych model wykazuje wysoką skuteczność w klasyfikacji klas 1, 2, 3 i 4, z wartościami powyżej 90%. Klasa 4 osiągnęła dokładność na poziomie 86,9%, co jest nieco słabszym wynikiem od pozostałych. Wysokie ogółem wartości procentowe poprawnych klasyfikacji powyżej 85% świadczą o dobrej dokładności modelu.\nDla modelowania sieci LSTM dla modelu klasyfikującej typ usterek na zmniejszonym zestawie danych najlepsze parametry otrzymano dla jednej warstwy LSTM w modelu oraz dla liczby jednostek ukrytych 256. Dodatkowo dodano warstwę normalizacyjną. Architekturę tej sieci prezentuje tabela 6.4. Kodowanie architektury i procesu uczenia sieci LSTM dla modelu klasyfikacyjnego wystąpienia awarii na zmniejszonym zestawie danych obrazuje algorytm 6.2.\n\nTabela 6.4. Architektura sieci LSTM dla modelu klasyfikacyjnego typ usterek na zmniejszonym zestawie danych\nLp. Typ warstwy Opis\n1 Sequence Input 5-elementowe wejście sekwencyjne\n2 LSTM 1024 jednostek ukrytych\n3 Batch Normalization Normalizacja partii\n4 Dropout 50% deaktywowanych neuronów\n5 Fully Connected 2-elementowa warstwa w pełni połączona\n6 Softmax Funkcja aktywacji\n7 ClassificationLayer Warstwa klasyfikacyjna dla dwóch klas\nAlgorytm 6.2. Kodowanie architektury i procesu uczenia sieci LSTM dla modelu klasyfikacyjnego wystąpienia awarii na zmniejszonym zestawie danych\n% Definiowanie warstw sieci LSTM inputSize = 5; % liczba cech (5) numHiddenUnits = 256;\nnumClasses = 5;\nlayers = [ sequenceInputLayer(inputSize,\"Name\",\"sequence\") lstmLayer(numHiddenUnits,\"Name\",\"lstm\",\"OutputMode\",\"last\") batchNormalizationLayer(\"Name\",\"batchnorm_1\") dropoutLayer(0.5,\"Name\",\"dropout\") fullyConnectedLayer(numClasses) softmaxLayer];\nnet = dlnetwork(layers);\nnet.Initialized initialLearnRate = 0.001;\nmaxEpochs = 1000;\nminiBatchSize = 16;\noptions = trainingOptions('adam', ...\n'MaxEpochs', maxEpochs, ...\n'MiniBatchSize', miniBatchSize, ...\n'ValidationData', {X_val_cell, Y_val}, ...\n'ValidationFrequency', 100, ...\n'ValidationPatience', 30, ...\n'Verbose', 0, ...\n'Plots', 'training-progress', ...\n'Metrics','accuracy');\n% Trenowanie sieci LSTM\n[netLSTM,info] = trainnet(X_train_cell, Y_train_balanced, net,\"crossentropy\", options);\n\nRyc. 6.16. Wykresy uczenia sieci LSTM dla modelu klasyfikacyjnego typ usterek na zmniejszonym zestawie danych\nNa ryc. 6.16 przedstawiono wykresy procesu uczenia sieci LSTM dla modelu klasyfikacji rodzaju awarii. Proces ten zakończono przed osiągnięciem maksymalnej liczby iteracji, dokładnie w 915. epoce, po przeprowadzeniu 6400 iteracji.\nNa przedstawionych wykresach ROC (ryc. 6.17) dla modelu LSTM klasyfikacyjnego typ usterek na zmniejszonym zestawie danych widoczne są wysokie wartości AUC dla większości klas w różnych zestawach danych, co wskazuje na dobrą zdolność modelu do rozróżniania typów usterek. Klasa 5 zarówno w zbiorze walidacyjnym, jak i testowym, wykazuje najniższe wartości\nAUC, odpowiednio 0,68 i 0,56, co sugeruje, że model ma trudności z poprawnym klasyfikowaniem tej klasy usterek. Wysokie wartości AUC dla klas 1, 2, 3 i 4, które oscylują wokół 0,99 lub 1,00, świadczą o silnej zdolności modelu do precyzyjnej klasyfikacji tych typów usterek, co potwierdza jego skuteczność w większości przypadków.\nMacierze pomyłek przedstawione na wykresach dla danych uczących, walidacyjnych, testowych oraz całego zestawu danych pozwalają na ocenę dokładności modelu w klasyfikacji pięciu różnych klas (ryc. 6.18). W przypadku danych uczących model osiąga wysoką dokładność dla większości klas, zwłaszcza dla klasy 3, gdzie poprawnie sklasyfikowano 64 z 65 przypadków (98,5% dokładność). Klasa 5 jednak wykazuje najniższą dokładność, gdzie poprawnie sklasyfikowano tylko 7 z 13 przypadków, co daje dokładność na poziomie 53,8%.\nModel dobrze rozpoznaje klasy 1, 2 i 4 z dokładnością odpowiednio 87,1%, 93,8% i 96,4%. W danych walidacyjnych model wykazuje solidną zdolność do klasyfikacji dla większości klas, zwłaszcza dla klasy 3, gdzie osiągnięto 100% poprawnych klasyfikacji. Jednak klasa 5 charakteryzuje się słabszą wydajnością, gdzie\n\ntylko 2 z 3 przypadków zostały poprawnie sklasyfikowane, co daje dokładność na poziomie 66,7%. Dane testowe wskazują, że model zachowuje swoją wysoką dokładność dla klasy 3 i 4 (100% poprawnych klasyfikacji). Klasy 1 i 2 również osiągają wysoką dokładność, odpowiednio 85,7% i 93,8%. Klasa 5 charakteryzuje się niższą dokładnością na poziomie 50,0%, co wynika z faktu, że na dwa przypadki w tej klasie tylko jeden został poprawnie sklasyfikowany, a drugi przypisano błędnie. Taki rezultat jest istotny, zważywszy na to, że liczba rekordów w tej klasie była bardzo ograniczona, co znacząco wpływa na ostateczną ocenę dokładności modelu dla tej kategorii.\nRyc. 6.17. Krzywe ROC dla sieci LSTM dla modelu klasyfikacyjnego typ usterek na zmniejszonym zestawie danych\n\nRyc. 6.18. Macierz pomyłek dla sieci LSTM dla modelu klasyfikacyjnego typ usterek na zmniejszonym zestawie danych\nPo wykonaniu obu modeli do klasyfikowania typ usterek na zmniejszonym zestawie danych (MLP oraz LSTM) dokonano ich porównania na podstawie danych testowych. Oba modele zostały ocenione na identycznym zestawie danych, co pozwala na bezpośrednie porównanie ich wydajności. Wskaźniki jakościowe dla danych testowych dla obu modeli przedstawia tabela 6.5.\nTabela 6.5. Porównanie modeli MLP oraz LSTM modelu wystąpienia awarii (wskaźniki jakości)\nModel Dokładność [%] Precyzja [%] Czułość [%] F1-score [%]\nMLP 90,6 91,6 89,8 90,6\nLSTM 93,8 94,8 93,8 93,8\nKiedy analizuje się dane testowe, widać, że sieć LSTM wykazuje lepsze wyniki we wszystkich wskaźnikach jakości, w tym dokładności, precyzji, czułości oraz F1-score, w porównaniu z siecią neuronową MLP. Model LSTM osiągnął dokładność na poziomie 93,8%, co jest wyraźnie wyższe w porównaniu\n\nz 90,6% osiągniętymi przez MLP. Ponadto sieć LSTM charakteryzuje się lepszą precyzją i czułością, co oznacza, że ma wyższą zdolność do prawidłowego rozpoznawania zarówno pozytywnych, jak i negatywnych przypadków, jednocześnie minimalizując liczbę fałszywie pozytywnych i fałszywie negatywnych klasyfikacji. Macierze pomyłek wskazują, że model LSTM skuteczniej rozpoznaje klasy 1, 2 i 3, osiągając lepsze wskaźniki prawdziwie pozytywnych wyników w tych klasach. Choć w przypadku klasy 5 oba modele wykazują trudności, LSTM wciąż osiąga lepsze wyniki niż sieć neuronowa MLP, co ma znaczenie w zastosowaniach praktycznych.\nNa podstawie powyższej analizy model LSTM wydaje się bardziej odpowiedni do zastosowania w warunkach rzeczywistych. Jego wyższa dokładność, lepsza precyzja oraz czułość sugerują, że model ten będzie bardziej niezawodny w praktycznym wykorzystaniu, szczególnie w zadaniach wymagających wysokiej jakości klasyfikacji.\nZmiana koncepcji modelowania przyniosła oczekiwane rezultaty.\nSkupienie się na przypadkach zawierających usterki pozwala na bardziej efektywne wykorzystanie dostępnych danych, eliminując przypadki bez usterek i umożliwiając lepsze zrozumienie oraz modelowanie charakterystyk rzeczywistych awarii. Dzięki temu podejściu modele mogą poprawić swoją dokładność i precyzję w identyfikacji konkretnych typów awarii, co było problemem w przypadku pełnych zestawów danych. Mniejszy, bardziej ukierunkowany zbiór danych, niweluje również ryzyko przeuczenia modeli, co pozwala im lepiej generalizować na nowe dane. Skoncentrowanie się na rzeczywistych przypadkach awarii prowadzi do lepszego rozróżniania i klasyfikacji różnych typów usterek, co jest istotne dla poprawy wydajności systemu detekcji awarii. Zmiana koncepcji modelowania była zatem uzasadniona i niezbędna, aby osiągnąć lepsze wyniki i poprawić skuteczność wykrywania awarii.\n6.5. Predykcja awarii maszyn z wykorzystaniem odpowiedniego interfejsu\nNa bazie wytrenowanych w poprzednich podrozdziałach sieci neuronowych opracowano prosty interfejs użytkownika (ryc. 6.19). Przedstawiony interfejs został zaprojektowany w środowisku MATLAB i umożliwia użytkownikowi wprowadzanie istotnych parametrów operacyjnych maszyny oraz otrzymywanie informacji zwrotnej na temat potencjalnych awarii.\n\nInterfejs graficzny, zbudowany za pomocą funkcji uicontrol, charakteryzuje się prostotą obsługi oraz czytelnym układem elementów. Na wstępie użytkownikowi prezentowany jest nagłówek „Przewidywanie awarii maszyn”, który znajduje się na górze okna interfejsu, co zapewnia przejrzystość i natychmiastową orientację w funkcjonalności programu.\nRyc. 6.19. Interfejs użytkownika aplikacji do predykcji awarii maszyn\nPod nagłówkiem znajduje się zestaw pól tekstowych, w których użytkownik może wprowadzić wartości pięciu parametrów operacyjnych: temperatury powietrza [K], temperatury procesu [K], prędkości obrotowej [obr/min], momentu obrotowego [Nm] oraz zużycia narzędzi [min]. Każde pole jest odpowiednio oznaczone etykietą, co ułatwia wprowadzanie danych i minimalizuje ryzyko popełnienia błędów.\nPo wprowadzeniu wymaganych danych użytkownik ma możliwość uruchomienia procesu predykcji poprzez naciśnięcie przycisku „Predykcja”. W odpowiedzi na to działanie w tle uruchamiana jest funkcja callback, która odczytuje wprowadzone wartości, przekształca je w odpowiedni wektor cech, a następnie przekazuje do wcześniej wytrenowanych sieci neuronowych, które są załadowane z plików ‚net1.mat’ oraz ‚net2.mat’.\nPierwsza sieć neuronowa (net1), sieć neuronowa MLP, jest odpowiedzialna za klasyfikację binarną, decydującą o wystąpieniu awarii. W przypadku wykrycia potencjalnej awarii druga sieć neuronowa (net2) przeprowadza bardziej szczegółową klasyfikację, identyfikując typ awarii, jest to sieć LSTM.\nWynik predykcji w zależności od jej rezultatu jest wyświetlany w dolnej części interfejsu w postaci tekstowej informacji. Jeśli nie zostanie wykryta awaria, użytkownik otrzymuje komunikat „Brak awarii”. W przeciwnym przypadku wyświetlana jest informacja o wykrytej awarii wraz ze wskazaniem jej typu, na przykład „awaria narzędzia”, „awaria chłodzenia”, „awaria mocy”, „awaria\n\nprzeciążenia” lub „awarie losowe”. Przedstawiony poniżej kod ilustruje sposób implementacji opisanego interfejsu graficznego (algorytm 6.3).\nAlgorytm 6.3. Implementacja interfejsu graficznego z wykorzystaniem wcześniej wytrenowanych sieci function Przewidywanie_awarii_maszyn2()\n% Tworzenie interfejsu graficznego fig = figure('Position', [100, 100, 600, 400], 'Name',\n'Przewidywanie_awarii_maszyn', 'Color', [0.8, 0.9, 1]);\n% Nagłówek uicontrol('Style', 'text', 'Position', [100, 350, 400, 40],\n'String', 'Przewidywanie awarii maszyn', 'FontSize', 16, 'FontWeight',\n'bold', 'BackgroundColor', [0.8, 0.9, 1], 'HorizontalAlignment',\n'center');\n% Ramka wokół pól wprowadzania danych uicontrol('Style', 'frame', 'Position', [25, 130, 550, 220],\n'BackgroundColor', [0.9, 0.9, 0.9]);\n% Pola wprowadzania danych uicontrol('Style', 'text', 'Position', [50, 320, 200, 20], 'String',\n'Temperatura powietrza [K]', 'BackgroundColor', [0.9, 0.9, 0.9],\n'FontSize', 12, 'HorizontalAlignment', 'left');\nairTempInput = uicontrol('Style', 'edit', 'Position', [300, 320,\n200, 20], 'FontSize', 12);\nuicontrol('Style', 'text', 'Position', [50, 280, 200, 20], 'String',\n'Temperatura procesu [K]', 'BackgroundColor', [0.9, 0.9, 0.9],\n'FontSize', 12, 'HorizontalAlignment', 'left');\nprocTempInput = uicontrol('Style', 'edit', 'Position', [300, 280,\n200, 20], 'FontSize', 12);\nuicontrol('Style', 'text', 'Position', [50, 240, 200, 20], 'String',\n'Prędkość obrotowa [obr/min]', 'BackgroundColor', [0.9, 0.9, 0.9],\n'FontSize', 12, 'HorizontalAlignment', 'left');\nrotSpeedInput = uicontrol('Style', 'edit', 'Position', [300, 240,\n200, 20], 'FontSize', 12);\nuicontrol('Style', 'text', 'Position', [50, 200, 200, 20], 'String',\n'Moment obrotowy [Nm]', 'BackgroundColor', [0.9, 0.9, 0.9], 'FontSize',\n12, 'HorizontalAlignment', 'left');\ntorqueInput = uicontrol('Style', 'edit', 'Position', [300, 200, 200,\n20], 'FontSize', 12);\nuicontrol('Style', 'text', 'Position', [50, 160, 200, 20], 'String',\n'Zużycie narzędzi [min]', 'BackgroundColor', [0.9, 0.9, 0.9],\n'FontSize', 12, 'HorizontalAlignment', 'left');\ntoolWearInput = uicontrol('Style', 'edit', 'Position', [300, 160,\n200, 20], 'FontSize', 12);\n\nAlgorytm 6.3. Implementacja interfejsu graficznego z wykorzystaniem wcześniej wytrenowanych sieci, cd.\n% Przycisk do predykcji predictButton = uicontrol('Style', 'pushbutton', 'Position', [250,\n110, 100, 40], 'String', 'Predykcja', 'BackgroundColor', [0.2, 0.6,\n0.8], 'ForegroundColor', 'white', 'FontWeight', 'bold', 'FontSize', 12,\n'Callback', @predictCallback);\n% Pole do wyświetlania wyników resultText = uicontrol('Style', 'text', 'Position', [50, 50, 500,\n50], 'String', '', 'FontSize', 14, 'BackgroundColor', [0.8, 0.9, 1],\n'HorizontalAlignment', 'center');\n% Callback do przycisku predykcji function predictCallback(~, ~)\n% Pobieranie danych wejściowych airTemp = str2double(get(airTempInput, 'String'));\nprocTemp = str2double(get(procTempInput, 'String'));\nrotSpeed = str2double(get(rotSpeedInput, 'String'));\ntorque = str2double(get(torqueInput, 'String'));\ntoolWear = str2double(get(toolWearInput, 'String'));\n% Sprawdzenie poprawności danych wejściowych if isnan(airTemp) || isnan(procTemp) || isnan(rotSpeed) || isnan(torque) || isnan(toolWear) set(resultText, 'String', 'Błąd: Proszę wprowadzić poprawne dane wejściowe.');\nreturn;\nend\n% Tworzenie wektora cech features = single([airTemp, procTemp, rotSpeed, torque, toolWear]);\n% Przekształcenie do odpowiedniego formatu featuresMatrix = features’; % Transpozycja do formatu [5x1]\n% Konwersja na komórkę (zgodnie z wymaganiami modelu LSTM) featuresCell = {reshape(featuresMatrix, [5, 1])};\n% Ładowanie wytrenowanych sieci load('net1.mat', 'net1'); % Sieć do wykrywania awarii load('net2.mat', 'net2'); % Sieć do klasyfikacji typu awarii\n% Predykcja awarii faultPrediction = net1(featuresMatrix);\n% Klasyfikacja na podstawie progu 0,5 if faultPrediction < 0.5 result = 'Brak awarii';\nelse\n% Definiowanie klas (zgodne z klasami używanymi w sieci) classNames = [1, 2, 3, 4, 5];\n\nAlgorytm 6.3. Implementacja interfejsu graficznego z wykorzystaniem wcześniej wytrenowanych sieci, cd.\n% Predykcja rodzaju awarii przy użyciu LSTM\nYPred = minibatchpredict(net2, featuresCell);\nfaultType = onehotdecode(YPred, classNames, 2); % Dekodowanie wyniku\n% Konwersja categorical na liczby faultType = double(faultType);\n% Klasyfikacja typu awarii switch faultType case 1 faultDescription = 'awaria narzędzia';\ncase 2 faultDescription = 'awaria chłodzenia';\ncase 3 faultDescription = 'awaria mocy';\ncase 4 faultDescription = 'awaria przeciążenia';\ncase 5 faultDescription = 'awarie losowe';\notherwise faultDescription = 'nieznany typ awarii';\nend result = sprintf('Awaria wykryta! Typ: %s', faultDescription);\nend\n% Wyświetlanie wyniku set(resultText, 'String', result);\nend end\nPoniżej przedstawiono kilka przykładów działania interfejsu wraz z wynikami w postaci zrzutów ekranu. Zestawienie analizowanych przykładów wraz z zadanymi parametrami wejściowymi przedstawia tabela 6.6, zaś zrzuty ekranów dla poszczególnych przypadku odpowiednio #1 – ryc. 6.20, #2 – ryc. 6.21,\n#3 – ryc. 6.22, #4 – ryc. 6.23, #5 – ryc. 6.24, #6 – ryc. 6.25 oraz #7 – ryc. 6.26.\nPo weryfikacji otrzymanych wyników z danymi źródłowymi można stwierdzić, że stworzona aplikacja działa prawidłowo.\n\nTabela 6.6. W yniki wybranych przykładów działania aplikacji dotyczącej predykcji awarii maszyn\nPrzykład #1 #2 #3 #4 #5 #6 #7\nTemperatura powietrza [K] 298,9 298,4 298,9 298,6 297 303,6 297\nTemperatura procesu [K] 308,9 308,2 309,1 309,8 308,3 312 308,3\nPrędkość obrotowa [obr/min] 1750 1282 2861 2271 1399 1309 1399\nMoment obrotowy [Nm] 29,9 60,7 4,6 16,2 46,4 52,9 46,4\nZużycie narzędzi [min] 50 216 143 218 132 86 30\nCzy występuje (0 – brak awarii,\n0 1 1 1 0 1 0\n1 – awaria), jeśli tak, to jaki typ\nTyp awarii (1 – awaria narzędzia,\n2 – awaria chłodzenia, 3 – awaria\n- 4 3 1 - 2 - mocy, 4 – awaria przeciążenia,\n5 – awarie losowe)\nRyc. 6.20. Przykład #1 działania aplikacji dotyczącej predykcji awarii maszyn\nRyc. 6.21. Przykład #2 działania aplikacji dotyczącej predykcji awarii maszyn\n\nRyc. 6.22. Przykład #3 działania aplikacji dotyczącej predykcji awarii maszyn\nRyc. 6.23. Przykład #4 działania aplikacji dotyczącej predykcji awarii maszyn\nRyc. 6.24. Przykład #5 działania aplikacji dotyczącej predykcji awarii maszyn\n\nRyc. 6.25. Przykład #6 działania aplikacji dotyczącej predykcji awarii maszyn\nRyc. 6.26. Przykład #7 działania aplikacji dotyczącej predykcji awarii maszyn\nPrzedstawiony interfejs graficzny nie tylko ułatwia proces predykcji awarii, ale także zwiększa dostępność zaawansowanych metod analizy danych dla szerokiego grona użytkowników, umożliwiając szybkie i intuicyjne przeprowadzenie analizy stanu maszyny. Integracja interfejsu z sieciami neuronowymi MLP i LSTM pozwala na efektywne wykorzystanie technik uczenia maszynowego w rzeczywistych aplikacjach przemysłowych, przyczyniając się do poprawy niezawodności i efektywności operacyjnej maszyn.\nW niniejszym rozdziale przeprowadzono szczegółową analizę modelowania predykcji awarii maszyn z wykorzystaniem różnych typów sieci neuronowych. Wykorzystano zarówno sieci neuronowe MLP, jak i bardziej zaawansowane sieci LSTM, aby przewidzieć zarówno wystąpienie awarii, jak i określić jej typ. Wyniki wskazują, że modele te różnią się skutecznością w zależności od specyfiki problemu oraz rodzaju danych. Dodatkowo podjęto próbę\n\noptymalizacji modeli poprzez ograniczenie zbioru danych do przypadków zawierających usterki, co przyniosło pozytywne rezultaty w kontekście poprawy dokładności klasyfikacji. Ostatecznie opracowano także interfejs użytkownika umożliwiający praktyczne zastosowanie wytrenowanych modeli w rzeczywistych warunkach przemysłowych, co podkreśla praktyczny wymiar badań i ich potencjalne zastosowanie w predykcyjnym utrzymaniu ruchu.\n\n7. Metodyka doboru architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych\nDobór architektury oraz parametrów procesu uczenia sieci neuronowych jest kluczowym elementem w kontekście skutecznej aplikacji tych modeli w procesach produkcyjnych. W niniejszym rozdziale zebrano i usystematyzowano wnioski z przeprowadzonych analiz dotyczących różnych zastosowań sieci neuronowych w takich obszarach, jak optymalizacja parametrów obróbki, ocena jakości wyrobów oraz predykcja awarii maszyn.\nTabela 7.1. R odzaje architektur oraz parametrów uczenia sieci rozważane w analizowanych przykładach dla problemów klasyfikacyjnych\nWykrywanie wad Wykrywanie błędów\nPredykcja\nPrzykład w odlewanych kształtu na linii wystąpienia awarii wyrobach gotowych produkcyjnej\nWielkość zbioru\n7348 1400 10000 danych\nCNN, CNN, MLP,\nRodzaj sieci transfer learning transfer learning LSTM\nMLP 2–50,\nLiczba neuronów 32–2048 96–384\nLSTM 256–4096\nLiczba warstw MLP–1,\n48–570 5 ukrytych LSTM 1–2\nFunkcje aktywacji softmax softmax softmax\nFunkcja kosztu klasyfikator SVM entropia krzyżowa entropia krzyżowa\n\nTabela 7.1. Rodzaje architektur oraz parametrów uczenia sieci rozważane w analizowanych przykładach dla problemów klasyfikacyjnych, cd.\nMetody MLP – SCG,\nBFGS1 sgdm optymalizacji LSTM – Adam\nMLP – mechanizm wczesnego\nTechniki regularyzacja L2 warstwa dropout (0,5) zatrzymania – 6, regularyzacji\nLSTM – warstwa dropout (0,5)\nW przypadku problemów klasyfikacyjnych dobór architektury sieci neuronowych zależał od charakteru danych oraz złożoności zadania (tab. 7.1).\nW zadaniach takich jak wykrywanie wad w odlewanych wyrobach gotowych, gdzie analizowano duże zbiory danych, zastosowano CNN z wykorzystaniem techniki transfer learning. Sieci te, charakteryzujące się dużą liczbą neuronów (od 32 do 2048) i głębokimi architekturami (do 570 warstw ukrytych), okazały się efektywne w uchwyceniu skomplikowanych wzorców w obrazach.\nWykorzystano funkcję aktywacji softmax oraz klasyfikator SVM, co pozwoliło na uzyskanie wysokiej precyzji w klasyfikacji. Podobne podejście zastosowano w wykrywaniu błędów kształtu na linii produkcyjnej, gdzie mniejsza liczba neuronów (96–384) i warstw (5 warstw ukrytych) była odpowiednia dla bardziej specyficznego zadania. Optymalizacja za pomocą stochastycznego gradientu z momentem (sgdm) oraz technika dropout były istotne dla zapewnienia stabilności modelu i zapobiegania przetrenowaniu.\nPredykcja awarii maszyn, zrealizowana na podstawie dużego zbioru danych\n(10 000 próbek), wymagała zastosowania różnych podejść w zależności od charakteru danych. Do klasyfikacji binarnej wykorzystano sieć MLP z funkcją softmax i optymalizacją SCG, co zapewniło skuteczne przewidywanie wystąpienia awarii.\nZ kolei do przewidywania rodzaju awarii wykorzystano sieć LSTM, przystosowaną do przetwarzania danych sekwencyjnych. Dzięki dużej liczbie neuronów\n(jednostek ukrytych) (256–4096) i optymalizacji metodą Adam model uzyskał wysoką dokładność w klasyfikacji. Najlepsze pod względem jakościowym modele dla każdego z analizowanych przykładów zostały zaprezentowane w tabeli 7.2.\n1 Funkcją optymalizacyjną jest metoda BFGS (Broyden-Fletcher-Goldfarb-Shanno), jednak sam klasyfikator SVM wykorzystuje wewnętrzną funkcję optymalizacyjną Sequential\nMinimal Optimization (SMO).\n\nTabela 7.2. R odzaje architektur oraz parametrów uczenia sieci z najlepszymi parametrami jakościowymi dla problemów klasyfikacyjnych\nLiczba Dokładność\nPrzykład Rodzaj sieci Czułość [%] neuronów [%]\nWykrywanie wad\nCNN, w odlewanych transfer learning 64–512 99,27 99,61 wyrobach sieć Densenet201 gotowych\nWykrywanie\nCNN, błędów transfer learning 96–384 100 99,86 kształtu na linii sieć AlexNet produkcyjnej\nPredykcja wystąpienia\nMLP 12 75 98,1 awarii – czy wystąpi\nPredykcja wystąpienia\nLSTM 1024 93,8 93,8 awarii – rodzaj awarii\nW przypadku wykrywania błędów kształtu na linii produkcyjnej zastosowano sieć CNN z transfer learning opartą na architekturze AlexNet, która z liczbą neuronów od 96 do 384 oraz pięcioma warstwami ukrytymi jest optymalizowana metodą stochastycznego gradientu z momentem (sgdm). Sieć osiągnęła maksymalną czułość wynoszącą 100% i bardzo wysoką dokładność 99,86%.\nPodobnie wykrywanie wad w odlewanych wyrobach gotowych również przyniosło bardzo dobre rezultaty, gdzie zastosowano sieć CNN z transferem uczenia, opartą na architekturze DenseNet201. Sieć ta, wyposażona w od 64 do 512 neuronów i 199 warstw ukrytych, osiągnęła czułość na poziomie 99,27% oraz dokładność wynoszącą 99,61%. Dla zadania predykcji wystąpienia awarii najlepsze wyniki uzyskano dla dwóch różnych przypadków. Przy przewidywaniu, czy awaria wystąpi, zastosowanie sieci MLP z 12 neuronami w jednej warstwie ukrytej oraz optymalizacją metodą SCG pozwoliło na uzyskanie współczynnika korelacji na poziomie 75% i dokładności wynoszącej 98,1%. Natomiast dla przewidywania rodzaju awarii najlepsze wyniki osiągnięto przy zastosowaniu sieci\nLSTM z 1024 jednostkami ukrytymi, jednej warstwie LSTM oraz optymalizacją metodą Adam, co przyniosło dokładność na poziomie 93,8%.\nWarto zwrócić uwagę na jeszcze jedną istotną kwestię dotyczącą modelowania klasyfikatora przewidującego rodzaj awarii. Podczas modelowania konieczna była zmiana koncepcji prowadzonych badań ze względu na niską jakość wyników osiąganych przez modele klasyfikacyjne, zarówno MLP, jak\n\ni LSTM. Modele te miały trudności z prawidłowym rozpoznawaniem niektórych klas awarii. W odpowiedzi na te problemy postanowiono ograniczyć zbiór danych jedynie do rekordów zawierających usterki i przeprowadzić ponowne modelowanie na takim zredukowanym zestawie, który obejmował 348 rekordów. Zmiana koncepcji modelowania była konieczna, aby poprawić skuteczność klasyfikatora w rozpoznawaniu awarii oraz dostosować model do bardziej specyficznych i szczegółowych danych. Dzięki takiej modyfikacji możliwe stało się lepsze zrozumienie specyfiki każdej z klas awarii, co wpłynęło na podniesienie ogólnej dokładności i skuteczności nowego modelu klasyfikacyjnego.\nTabela 7.3. R odzaje architektur oraz parametrów uczenia sieci rozważane w analizowanych przykładach dla problemów regresyjnych\nModelowanie\nOkreślenie twardości wybranych Modelowanie siły\nPrzykład po odpuszczaniu parametrów skrawania wyrobów gotowych chropowatości 2D\nWielkość zbioru\n46 46 247 danych\nLiczba neuronów 2–12 2–12 4–20\nW problemach regresyjnych, takich jak modelowanie parametrów chropowatości 2D czy siły skrawania, stosowano MLP (tab. 7.3). Przy ograniczonym rozmiarze zbiorów danych (46–247 próbek) sieci te charakteryzowały się jedną warstwą ukrytą i liczbą neuronów w przedziale od 2 do 20. Sigmoidalna funkcja aktywacji oraz optymalizacja za pomocą algorytmu LM, BR i SCG były standardem, co pozwalało na skuteczne modelowanie złożonych zależności przy minimalnym ryzyku przetrenowania. Mechanizm wczesnego zatrzymania dodatkowo zwiększał stabilność modeli, co było szczególnie istotne w kontekście małych zbiorów danych, jak np. w modelowaniu twardości po odpuszczaniu wyrobów gotowych.\nKontynuując analizę problemów regresyjnych, warto zauważyć, że najlepsze parametry modelowania uzyskano przy precyzyjnie dobranej liczbie neuronów oraz odpowiednio dobranej metodzie optymalizacji (tab. 7.4). W modelowaniu parametrów chropowatości najwyższy współczynnik korelacji uzyskano dla parametru Rz (0,9894) przy 9 neuronach i optymalizacji metodą LM. Dla parametru Ra, przy 6 neuronach, współczynnik wyniósł 0,9869. Z kolei dla RSm, mimo zwiększenia liczby neuronów do 10, współczynnik korelacji spadł do 0,911, co sugeruje, że większa liczba neuronów nie zawsze poprawia jakość modelu.\nW modelowaniu siły skrawania najlepszy wynik osiągnięto przy zastosowaniu 7 neuronów w warstwie ukrytej oraz optymalizacji metodą również LM,\n\nco przyniosło wyjątkowo wysoki współczynnik korelacji na poziomie 0,999.\nJest to wynik, który wskazuje na doskonałe dopasowanie modelu do danych.\nNatomiast w przypadku określenia twardości po odpuszczaniu wyrobów gotowych, przy zastosowaniu 9 neuronów oraz optymalizacji metodą BR, uzyskano współczynnik korelacji wynoszący 0,9853. Ten wynik pokazuje, że metoda BR jest równie efektywna w odniesieniu do mniejszych zbiorów danych, zwłaszcza w zadaniach, które wymagają większej stabilności i odporności na przetrenowanie. Te wyniki jasno pokazują, że istotnym czynnikiem sukcesu w problemach regresyjnych jest nie tylko odpowiedni dobór architektury sieci neuronowej, ale także precyzyjna konfiguracja liczby neuronów i zastosowanie najlepszej metody optymalizacji, dostosowanej do specyfiki danego zadania.\nTabela 7.4. P arametry uczenia sieci z najlepszymi parametrami jakościowymi dla problemów regresyjnych\nWspółczynnik\nLiczba Metoda\nPrzykład korelacji R dla neuronów optymalizacji całego zbioru\nModelowanie wybranych parametrów\n6 LM 0,9869 chropowatości – Ra\nModelowanie wybranych parametrów\n9 LM 0,9894 chropowatości – Rz\nModelowanie wybranych parametrów\n10 LM 0,911 chropowatości – RSm\nModelowanie siły skrawania 7 LM 0,999\nOkreślenie twardości po odpuszczaniu\n9 BR 0,9853 wyrobów gotowych\nPodsumowując, dobór architektury oraz parametrów sieci neuronowych w analizowanych zadaniach został precyzyjnie dopasowany do specyfiki problemu i dostępnych danych, co pozwoliło na uzyskanie wysokiej skuteczności modeli w aplikacjach produkcyjnych. Przeanalizowane przypadki ilustrują, jak odpowiednie dostosowanie architektury i parametrów uczenia sieci neuronowych do rodzaju problemu, danych i ich wielkości wpływa na efektywność modelu.\nPrzykłady te zostały przedstawione, aby ukazać, jak można optymalnie dobierać architekturę i parametry uczenia w zależności od konkretnych wymagań zadania. Jednocześnie należy podkreślić, że te modele mogą być z powodzeniem zastosowane w tych konkretnych przypadkach, dla których zostały opracowane. Jednak w wyniku prowadzonych badań zidentyfikowano potrzebę opracowania bardziej ogólnej metodyki doboru architektury i parametrów procesu uczenia sieci neuronowych, która mogłaby znaleźć zastosowanie\n\nw doskonaleniu różnych procesów produkcyjnych. Opracowana metodyka została podzielona na dwa etapy: Etap 1 – Dobór architektury sieci (ryc. 7.1) oraz Etap 2 – Dobór parametrów uczenia sieci (ryc. 7.2).\nRyc. 7.1. Metodyka doboru architektury i parametrów procesu uczenia sieci neuronowych – Etap I\n\nRyc. 7.2. Metodyka doboru architektury i parametrów procesu uczenia sieci neuronowych – Etap II\n\nZaproponowaną metodykę można przedstawić w postaci następujących po sobie kroków.\nEtap 1 – Dobór architektury sieci (ryc. 7.1)\nEtap 1.1. Identyfikacja rodzaju analizowanego problemu\nEtap 1.2. Analiza dostępnych danych\nEtap 1.3. Wybór architektury sieci\nEtap 2 – Dobór parametrów procesu uczenia sieci (ryc. 7.2)\nEtap 2.1. Zaprojektowanie powiązań oraz określenie liczby warstw oraz liczby neuronów w każdej warstwie\nEtap 2.2. Wybór funkcji aktywacji\nEtap 2.3. Wybór funkcji kosztu\nEtap 2.4. Wybór metod optymalizacji\nEtap 2.5. Wybór technik regularyzacji\nEtap 2.6. Proces oceny jakości modelu\nEtap 2.7. Implementacja modelu\nEtap 1.1. Identyfikacja rodzaju analizowanego problemu\nZrozumienie specyfiki problemu stanowi ważny etap w procesie doboru architektury sieci neuronowych oraz parametrów ich uczenia. Pierwszym krokiem jest precyzyjne określenie celu badań, czyli identyfikacja parametrów procesu produkcyjnego, które wymagają poprawy. Może to dotyczyć jakości produktu, efektywności produkcji lub predykcji awarii maszyn. Kolejnym krokiem jest ustalenie rodzaju problemu, czy jest to klasyfikacja czy regresja.\nKlasyfikacja to jeden z najczęstszych problemów w uczeniu maszynowym, gdzie celem jest przypisanie etykiety (klasy) do danych wejściowych.\nSieci neuronowe uczą się rozpoznawać wzorce w danych, co pozwala na klasyfikację każdego przykładu w zbiorze danych. Przykłady zastosowań obejmują wykrywanie wad w produktach, gdzie klasyfikacja jest często używana do automatycznego wykrywania wad na linii produkcyjnej. Na przykład konwolucyjne sieci neuronowe (CNN) analizują obrazy produktów, aby zidentyfikować, czy produkt ma wady. Innym przykładem jest klasyfikacja błędów kształtu w procesach, takich jak formowanie czy odlewanie, gdzie sieci neuronowe analizują dane geometryczne lub obrazy 3D, aby sklasyfikować produkty według rodzaju kształtu. W predykcyjnej konserwacji klasyfikacja jest używana do określenia, czy maszyna działa prawidłowo, czy wymaga interwencji, na przykład poprzez wykrywanie stanów awaryjnych.\n\nRegresja to kolejny rodzaj problemu, gdzie celem jest przewidywanie wartości ciągłej na podstawie danych wejściowych. W produkcji regresja jest używana do modelowania zależności między różnymi parametrami procesów a wynikowymi właściwościami produktów. Przykładem zastosowania regresji może być przewidywanie twardości materiału w przemyśle metalurgicznym, gdzie sieci neuronowe przewidują twardość materiału po procesie obróbki cieplnej na podstawie takich danych wejściowych, jak czas odpuszczania czy temperatura odpuszczania. W procesach obróbki skrawaniem, takich jak frezowanie czy toczenie, sieci neuronowe mogą przewidywać siły działające na narzędzia skrawające w zależności od parametrów procesu.\nWarto podkreślić, że do każdego z wymienionych przypadków – klasyfikacji, regresji – można zastosować różne rodzaje sieci neuronowych, takie jak MLP, rekurencyjne sieci LSTM oraz CNN. Każda z tych architektur ma swoje unikalne zalety, które mogą być skutecznie wykorzystane w zależności od specyfiki problemu. Jednak istotne jest zrozumienie specyfiki problemu przed podjęciem decyzji o wyborze architektury sieci neuronowej. Dopiero dokładna analiza charakterystyki danych i zrozumienie, jakie aspekty są najważniejsze w danym problemie, pozwala na świadome dobranie odpowiedniej architektury i parametrów procesu uczenia. Na przykład w przypadku analizy obrazów CNN mogą być pierwszym wyborem ze względu na ich zdolność do automatycznego wykrywania istotnych cech w danych wizualnych. Natomiast w zadaniach związanych z przewidywaniem na podstawie danych sekwencyjnych LSTM będą bardziej adekwatne.\nRównież parametry procesu uczenia, takie jak liczba warstw, liczba neuronów, funkcje aktywacji oraz metody optymalizacji, powinny być dostosowane do specyficznych wymagań problemu, co pozwoli na uzyskanie najlepszego możliwego modelu. Dlatego, chociaż każda z tych architektur może potencjalnie być zastosowana do różnych typów problemów, ważne jest przeprowadzenie gruntownej analizy problemu, aby wybór architektury i parametrów był optymalny dla osiągnięcia zamierzonych celów w doskonaleniu procesów produkcyjnych.\nEtap 1.2. Analiza dostępnych danych\nAnaliza dostępnych danych jest kolejnym krokiem w procesie projektowania sieci neuronowych i doboru odpowiednich parametrów uczenia. Zrozumienie, jakie dane są dostępne, odgrywa fundamentalną rolę w podejmowaniu decyzji dotyczących architektury modelu oraz metod optymalizacji. Dane mogą\n\nprzyjmować różne formy, a każda z nich niesie ze sobą specyficzne wyzwania i możliwości. Przykładowo obrazy są powszechnie stosowane w problemach związanych z rozpoznawaniem obrazów, takich jak wykrywanie wad powierzchniowych w odlewach. W takim przypadku CNN są często najlepszym wyborem ze względu na ich zdolność do automatycznego wykrywania istotnych cech w danych wizualnych. Z kolei dane sekwencyjne, sygnały czasowe, takie jak analiza drgań czy sygnałów akustycznych, są często wykorzystywane w monitorowaniu stanu maszyn i predykcji awarii. Rekurencyjne sieci\nLSTM są przystosowane do przetwarzania tego typu danych, ponieważ mogą uwzględniać zależności czasowe. Natomiast dane tabelaryczne, typowe dla tradycyjnych procesów produkcyjnych, obejmują takie informacje, jak parametry obróbki, wyniki pomiarów jakości oraz dane dotyczące zużycia surowców. W takich przypadkach MLP mogą być odpowiednim wyborem, ponieważ są wszechstronne i skuteczne w przetwarzaniu danych tabelarycznych.\nWielkość zbioru danych ma ogromny wpływ na wybór architektury sieci neuronowej oraz metodę uczenia. Im większy jest zestaw danych, tym bardziej złożone modele można zastosować. Na przykład duże zbiory danych umożliwiają trenowanie głębokich sieci neuronowych, takich jak CNN czy LSTM, które są zdolne do uchwycenia skomplikowanych zależności w danych. W przypadku CNN, które są szczególnie skuteczne w analizie obrazów, duża ilość danych pozwala na precyzyjne wykrywanie złożonych wzorców, co jest istotne w zadaniach związanych z rozpoznawaniem obrazów. Podobnie LSTM, które są zaprojektowane do przetwarzania sekwencji danych, mogą lepiej uchwycić długoterminowe zależności czasowe, gdy mają do dyspozycji obszerny zbiór danych. Jednak w przypadku mniejszych zbiorów danych istnieje ryzyko nadmiernego dopasowania modelu, czyli sytuacji, w której model zbyt dokładnie uczy się specyficznych cech zbioru uczącego, co prowadzi do słabej generalizacji na nowych danych. MLP, które są wszechstronnymi modelami stosowanymi w zadaniach klasyfikacji i regresji, mogą być bardziej podatne na nadmierne dopasowanie w takich sytuacjach, jeśli są zbyt złożone w stosunku do ilości dostępnych danych. Aby przeciwdziałać problemom związanym z małymi zbiorami danych, można zastosować techniki, takie jak transfer learning, który polega na wykorzystaniu wcześniej wytrenowanych modeli na dużych zbiorach danych do zadań podobnych do tych, które są obecnie analizowane. Transfer learning jest szczególnie przydatny w przypadku CNN, gdzie można wykorzystać modele wytrenowane na dużych zestawach obrazów do analizy mniejszych, specyficznych zbiorów.\n\nJakość danych jest równie istotnym aspektem w procesie modelowania.\nNależy ocenić, czy dane są kompletne, czy występują w nich braki oraz czy są obecne szumy, które mogą zakłócić proces uczenia. Dane o niskiej jakości mogą prowadzić do błędnych wniosków i nieskutecznych modeli, dlatego często konieczne jest przeprowadzenie procesów oczyszczania danych. Obejmuje to imputację brakujących wartości, czyli uzupełnianie braków w danych, oraz normalizację, która ma na celu przekształcenie danych do jednolitego formatu, co jest istotne dla prawidłowego działania modeli neuronowych.\nEtap 1.3. Wybór architektury sieci\nWybór odpowiedniej architektury sieci neuronowej jest kluczowym etapem w procesie projektowania systemu opartego na sztucznej inteligencji, szczególnie w kontekście doskonalenia procesów produkcyjnych. Architektura sieci decyduje o zdolności modelu do przetwarzania danych, identyfikowania wzorców i dostarczania trafnych prognoz lub klasyfikacji. Wybór architektury powinien być oparty na dokładnej analizie specyfiki problemu oraz charakterystyki dostępnych danych, co zostało omówione w poprzednich etapach.\nEtap 2 metodyki projektowania sieci neuronowych skupia się na doborze parametrów procesu uczenia (ryc. 7.2). Ten etap ma istotne znaczenie dla osiągnięcia optymalnych wyników w zależności od specyfiki problemu, jakim może być klasyfikacja lub regresja. W zależności od tego, czy zadaniem jest klasyfikacja, czy regresja, różne parametry mogą być bardziej lub mniej odpowiednie. Poniżej przedstawiono szczegółowy opis tego etapu, uwzględniając różne podejścia w zależności od rodzaju problemu.\nEtap 2.1. Zaprojektowanie powiązań oraz określenie liczby warstw oraz liczby neuronów w każdej warstwie\nLiczba warstw, liczba neuronów oraz struktura połączeń między nimi odgrywają istotną rolę w projektowaniu sieci neuronowej. Każda warstwa i jej powiązania z innymi warstwami muszą być starannie zaprojektowane, aby sieć mogła skutecznie modelować specyfikę rozwiązywanego problemu, takiego jak klasyfikacja czy regresja.\nW przypadku MLP liczba warstw i neuronów zależy od złożoności danych wejściowych. W klasyfikacji przy prostszych problemach, takich jak klasyfikacja na podstawie kilku cech, często wystarczająca może być jedna lub dwie warstwy ukryte z niewielką liczbą neuronów, na przykład 2–100 neuronów na\n\nwarstwę. Jednak w bardziej złożonych przypadkach, takich jak klasyfikacja złożonych zbiorów danych tabelarycznych, można zastosować więcej warstw, od\n3 do 5, z większą liczbą neuronów, od 100 do 512. Eksperymentowanie z różnymi konfiguracjami jest istotne, aby znaleźć optymalną liczbę warstw i neuronów. W przypadku regresji liczba warstw i neuronów może być podobna do tej stosowanej w klasyfikacji, jednak często regresja wymaga bardziej złożonych modeli, zwłaszcza gdy dane wejściowe mają dużą liczbę cech. W takich przypadkach liczba warstw i neuronów może być większa, aby lepiej uchwycić skomplikowane nieliniowe zależności między cechami a wartościami wyjściowymi. Warto jednak pamiętać, że przy pracy z małymi zbiorami danych liczba neuronów w warstwie ukrytej nie powinna przekraczać liczby obserwacji w zbiorze danych. Jest to zalecane na podstawie wcześniejszych badań eksperymentalnych, które wykazały, że nadmierna liczba neuronów w stosunku do dostępnych danych może prowadzić do nadmiernego dopasowania modelu, co skutkuje gorszą generalizacją na nowych danych.\nRekurencyjne sieci neuronowe, takie jak LSTM, są często stosowane w klasyfikacji sekwencji, na przykład w analizie sygnałów. Typowo stosuje się 1–2 warstwy LSTM z liczbą jednostek ukrytych LSTM w zakresie od 50 do 2048, w zależności od długości sekwencji i złożoności danych. Zbyt duża liczba warstw i jednostek LSTM może prowadzić do nadmiernego dopasowania, szczególnie przy ograniczonym zbiorze danych. W zadaniach regresji na danych sekwencyjnych, takich jak prognozowanie wartości ciągłych w czasie, można zastosować więcej warstw, na przykład 2–3, oraz większą liczbę jednostek LSTM, od 256 do 4096, aby lepiej uchwycić długoterminowe zależności w danych. Warto jednak zachować ostrożność, aby uniknąć ryzyka nadmiernego dopasowania.\nCNN znajdują zastosowanie przede wszystkim w klasyfikacji obrazów.\nLiczba warstw konwolucyjnych oraz liczba filtrów w każdej warstwie zależy od złożoności obrazów i wielkości zbioru danych. Typowe architektury CNN mogą zawierać od 3 do 10 warstw konwolucyjnych z liczbą filtrów rosnącą od\n32 do 512 w kolejnych warstwach. W przypadku mniej złożonych problemów, takich jak klasyfikacja prostych wzorców, wystarczy kilka warstw z mniejszą liczbą filtrów. W zadaniach regresji na obrazach takich jak przewidywanie wartości ciągłych na podstawie obrazów, stosuje się podobną liczbę warstw i filtrów jak w klasyfikacji, ale częściej wykorzystuje się dodatkowe warstwy w pełni połączone na końcu sieci, aby przekształcić cechy wykryte przez warstwy konwolucyjne w prognozy ciągłe.\n\nEtap 2.2. Wybór funkcji aktywacji\nWybór funkcji aktywacji jest ważnym aspektem w procesie projektowania sieci neuronowych, a jego dobór zależy od rodzaju problemu (klasyfikacja lub regresja).\nW przypadku MLP w zadaniach klasyfikacyjnych najczęściej stosowaną funkcją aktywacji w warstwach ukrytych jest ReLU, która umożliwia efektywne uczenie się złożonych wzorców dzięki właściwościom nieliniowym i zdolności do unikania problemu zanikania gradientu. Na warstwie wyjściowej w problemach klasyfikacji stosuje się funkcję softmax, która przekształca wyniki sieci w prawdopodobieństwa przypisania do poszczególnych klas. W kontekście regresji w MLP często stosuje się funkcję sigmoidalną w warstwach ukrytych, szczególnie w domyślnych ustawieniach narzędzi, takich jak MATLAB, które preferują tę funkcję dla swoich sieci neuronowych. Funkcja sigmoidalna mapuje wejścia na zakres [0,1][0,1], co może być korzystne w niektórych aplikacjach. Na warstwie wyjściowej dla regresji stosuje się funkcję liniową, co umożliwia przewidywanie wartości ciągłych. Dodatkowo funkcje, takie jak tanh, mogą być stosowane w warstwach ukrytych, jeśli dane cechują się bardziej złożonymi zależnościami nieliniowymi.\nDla LSTM stosowanych często w analizie sekwencji czasowych, w klasyfikacji również wykorzystuje się funkcję ReLU w warstwach ukrytych, co pozwala na efektywne przetwarzanie sekwencji o dużej złożoności. W warstwie wyjściowej dla zadań klasyfikacyjnych, w zależności od liczby klas, stosuje się funkcję softmax lub sigmoidalną (dla klasyfikacji binarnej). W regresji, w przypadku LSTM, na warstwie wyjściowej wykorzystuje się funkcję liniową, co jest standardowym podejściem, umożliwiającym prognozowanie wartości ciągłych w zadaniach takich jak prognozowanie czasowe.\nW CNN, które są powszechnie stosowane w zadaniach związanych z przetwarzaniem obrazów, ReLU jest dominującą funkcją aktywacji stosowaną w warstwach konwolucyjnych. Jej nieliniowy charakter oraz prostota obliczeniowa sprawiają, że to idealny wybór do głębokich sieci, umożliwiający efektywne przetwarzanie złożonych wzorców obrazowych. W zadaniach klasyfikacyjnych warstwa wyjściowa CNN często korzysta z funkcji softmax, która przekształca wyjścia sieci w prawdopodobieństwa przypisania do klas. W regresji w CNN, podobnie jak w innych typach sieci, stosuje się funkcję liniową na warstwie wyjściowej, co pozwala na przewidywanie wartości ciągłych na podstawie cech wyodrębnionych przez warstwy konwolucyjne.\n\nEtap 2.3. Wybór funkcji kosztu\nWybór odpowiedniej funkcji kosztu jest istotnym elementem w procesie trenowania sieci neuronowych, ponieważ bezpośrednio wpływa na to, jak dobrze model będzie w stanie się uczyć i generalizować. W przypadku problemów klasyfikacyjnych najczęściej stosowaną funkcją kosztu jest entropia krzyżowa. Sprawdza się ona w optymalizacji modeli klasyfikacyjnych, ponieważ mierzy różnicę między przewidywaną przez model a rzeczywistą klasą w sposób, który uwzględnia wszystkie klasy, co jest szczególnie istotne w zadaniach wieloklasowych.\nZ kolei w regresji powszechnie stosowaną funkcją kosztu jest MSE. Oblicza średnią kwadratową różnicę między wartościami przewidywanymi przez model a wartościami rzeczywistymi, co pozwala na dokładną optymalizację modeli regresyjnych. MSE jest szczególnie przydatna w regresji, ponieważ penalizuje duże błędy w prognozach, co sprawia, że model uczy się, jak minimalizować odchylenia od rzeczywistych wartości, prowadząc do bardziej precyzyjnych przewidywań.\nEtap 2.4. Wybór metod optymalizacji\nWybór metod optymalizacji jest również ważnym etapem w procesie trenowania sieci neuronowych, ponieważ wpływa bezpośrednio na szybkość i skuteczność uczenia się modelu. Różne rodzaje problemów, takie jak klasyfikacja i regresja, wymagają zastosowania odpowiednich metod optymalizacji, które najlepiej odpowiadają specyfice danych i architektury sieci.\nW przypadku sieci MLP zarówno w problemach klasyfikacyjnych, jak i regresyjnych często stosuje się metody, takie jak LM, BR oraz SCG. Te algorytmy są dobrze dopasowane do zadań, które wymagają precyzyjnej optymalizacji przy relatywnie małych zbiorach danych. LM daje szczególnie dobre efekty dla małych i średnich sieci, gdzie zbieżność do optymalnych wag jest priorytetem.\nBR dodatkowo pomaga w regularyzacji modelu, co ma znaczenie przy pracy z ograniczonymi zbiorami danych, zmniejszając ryzyko nadmiernego dopasowania. SCG natomiast oferuje zbalansowane podejście między szybkością a stabilnością uczenia, co czyni go użytecznym w różnorodnych zastosowaniach.\nW przypadku rekurencyjnych sieci neuronowych, takich jak LSTM, które są wykorzystywane zarówno do klasyfikacji, jak i regresji, optymalizatorem z wyboru często jest Adam. Łączy on zalety RMSProp i momentum, oferując szybkie zbieżności przy jednoczesnym dostosowaniu współczynników uczenia dla każdego parametru, co jest niezwykle istotne w zadaniach sekwencyjnych, gdzie dane są często niestacjonarne i złożone.\n\nDla sieci CNN i transfer learningu, szczególnie w klasyfikacji, powszechnie stosowaną metodą optymalizacji jest sgdm. Preferuje się ją ze względu na jej zdolność do radzenia sobie z dużymi zbiorami danych oraz efektywność w głębokich sieciach neuronowych. Momentum pomaga przyspieszyć zbieżność i uniknąć utknięcia w lokalnych minimach, co jest istotne w skomplikowanych architekturach, takich jak CNN. W zadaniach regresyjnych najczęściej preferowany ze względu na swoją zdolność do efektywnego radzenia sobie z różnorodnymi i złożonymi danymi jest Adam, choć SGDM i RMSProp mogą być również stosowane w zależności od specyfiki problemu i wymagań dotyczących optymalizacji.\nEtap 2.5. Wybór technik regularyzacji\nWybór technik regularyzacji jest również istotnym elementem w projektowaniu sieci neuronowych, ponieważ pomaga w zapobieganiu nadmiernemu dopasowaniu modelu do danych treningowych, co ma szczególne znaczenie w przypadku złożonych modeli lub gdy dostępna jest ograniczona ilość danych.\nW przypadku sieci MLP zarówno w zadaniach klasyfikacji, jak i regresji, popularnymi technikami regularyzacji są regularyzacja L2 oraz mechanizm wczesnego zatrzymania.\nW sieciach LSTM, które są często stosowane do analizy sekwencji czasowych, regularyzacja jest szczególnie ważna, ponieważ modele te mogą być podatne na nadmierne dopasowanie, zwłaszcza gdy mają do czynienia z długimi sekwencjami danych. Dropout to popularna metoda, w której losowo wyłącza się pewien procent neuronów podczas treningu, co zmusza sieć do tworzenia bardziej odpornych reprezentacji danych.\nW sieciach CNN, które są powszechnie stosowane do przetwarzania obrazów, regularyzacja ma na celu zapobieganie nadmiernemu dopasowaniu, szczególnie w przypadku głębokich sieci z dużą liczbą parametrów. Regularyzację\nL2 stosuje się często, zwłaszcza w warstwach pełni połączonych, gdzie liczba parametrów jest największa. Dropout jest również powszechnie stosowany, szczególnie w pełni połączonych warstwach, aby zmusić sieć do tworzenia bardziej odpornych i ogólnych reprezentacji.\nEtap 2.6. Proces oceny jakości modelu\nProces oceny jakości modelu w sieciach neuronowych jest istotny dla oceny skuteczności i dokładności modelu oraz wyboru najlepszego rozwiązania do danego problemu. W kontekście regresji ocena jakości modeli opiera się na\n\nwskaźnikach, takich jak R, MSE, RMSE, RIE, MAPE oraz MAE. Umożliwiają one wszechstronną analizę wyników predykcji, zapewniając, że model jest w stanie dokładnie przewidywać wartości ciągłe.\nW problemach klasyfikacyjnych wskaźniki oceny, takie jak dokładność, precyzja, czułość i F1-score, są ważne dla zrozumienia, jak skutecznie model przypisuje próbki do odpowiednich klas. Analiza tych wskaźników, wsparta narzędziami, takimi jak macierz pomyłek i krzywa ROC, umożliwia dokładną ocenę wydajności modelu, pomagając w identyfikacji jego mocnych i słabych stron oraz w doskonaleniu algorytmów klasyfikacyjnych.\nPorównanie różnych modeli oraz architektur sieci neuronowych jest nieodłącznym elementem procesu walidacji. Testowanie różnych konfiguracji sieci, takich jak liczba warstw, neuronów, funkcji aktywacji i metod optymalizacji, umożliwia wybór najlepszego modelu. Wprowadzenie odpowiednich wskaźników oceny jakości prowadzi do bardziej precyzyjnego i świadomego wyboru modelu, co jest kluczowe dla osiągnięcia wysokiej skuteczności w praktycznych zastosowaniach.\nEtap 2.7. Implementacja modelu\nImplementacja modelu stanowi ważny krok w praktycznym wykorzystaniu sieci neuronowych, zwłaszcza w kontekście doskonalenia procesów produkcyjnych. Po zakończeniu procesu trenowania i walidacji modelu następnym zadaniem jest wdrożenie go w taki sposób, aby mógł być łatwo i efektywnie wykorzystany w środowisku produkcyjnym. Duże znaczenie ma tu przygotowanie odpowiedniego interfejsu użytkownika, który umożliwi pracownikom dostęp do funkcjonalności modelu bez potrzeby głębokiej znajomości technicznych aspektów jego działania.\nMetodyka doboru architektury i parametrów procesu uczenia sieci neuronowych, opracowana w celu doskonalenia procesów produkcyjnych, uwzględniała wszystkie etapy prowadzące do stworzenia skutecznego modelu. Ostatecznym krokiem w tej metodyce jest zapewnienie, że wytrenowany model może być z powodzeniem zaimplementowany w rzeczywistym środowisku produkcyjnym.\nW tym kontekście przygotowanie intuicyjnego i funkcjonalnego interfejsu jest nieodzowne. Interfejs ten powinien być dostosowany do specyficznych wymagań danego przedsiębiorstwa i rodzaju analizowanego problemu, co umożliwia użytkownikom łatwe korzystanie z modelu.\nW monografii zawarto przykłady gotowych kodów źródłowych, które można wykorzystać jako podstawę do tworzenia takich interfejsów. Aby dostosować te rozwiązania do konkretnego przypadku, wystarczy zmienić nazwę wytrenowanego\n\nmodelu lub zastosować nazwę zaproponowaną przez autora. Takie podejście pozwala na szybką adaptację narzędzi do specyficznych potrzeb danego procesu produkcyjnego, co jest zgodne z metodyką, której celem jest doskonalenie procesów produkcyjnych z zastosowaniem sztucznych sieci neuronowych.\nDzięki wdrożeniu tak przygotowanego modelu przedsiębiorstwo może skutecznie wykorzystać potencjał sieci neuronowych do poprawy jakości, zwiększenia efektywności oraz innowacyjności swoich procesów produkcyjnych, realizując założenia metodyki na każdym etapie, od doboru architektury po praktyczne zastosowanie modelu.\nPowyżej przedstawiono metodykę doboru architektury i parametrów procesu uczenia sieci neuronowych, która może być skutecznie zastosowana w doskonaleniu procesów produkcyjnych. Dzięki odpowiedniemu dopasowaniu architektury sieci oraz parametrów uczenia do specyficznych problemów, takich jak klasyfikacja czy regresja, metodyka ta umożliwia znaczną poprawę jakości produktów, efektywności produkcji czy przewidywania awarii maszyn.\nPrzeanalizowane przypadki pokazują, że właściwie dobrana architektura sieci neuronowej oraz optymalne parametry mogą prowadzić do lepszych wyników w różnorodnych zastosowaniach przemysłowych. Metodyka ta stanowi uniwersalne narzędzie, które może być zaadaptowane do różnych procesów produkcyjnych, wspierając innowacyjność i zwiększając konkurencyjność przedsiębiorstw.\n\n8. Zakończenie\nW niniejszej monografii zaprezentowano badania dotyczące wykorzystania sztucznych sieci neuronowych w doskonaleniu procesów produkcyjnych, ze szczególnym uwzględnieniem optymalizacji parametrów obróbki skrawaniem, oceny jakości wyrobów gotowych oraz predykcji awarii maszyn. Badania te skupiały się na doborze odpowiednich architektur sieci neuronowych oraz ich parametrów w kontekście specyficznych zastosowań przemysłowych, co pozwoliło na uzyskanie optymalnych rezultatów w każdym z tych obszarów.\nRozdział 1 wprowadza czytelnika w problematykę zastosowania sztucznych sieci neuronowych w przemyśle produkcyjnym, podkreślając znaczenie efektywnej optymalizacji procesów produkcyjnych. Dalej omówiono cel i zakres pracy badawczej, wskazując na obszary, w których zastosowanie sieci neuronowych może przynieść wymierne korzyści. Rozdział 3 przedstawia teoretyczne podstawy sztucznych sieci neuronowych, a także znaczenie wyboru odpowiedniej architektury sieci w kontekście specyfiki danych i zadań produkcyjnych oraz wyzwania związane z procesem uczenia sieci neuronowych. W rozdziale 4 omówiona została metodyka modelowania i optymalizacji parametrów obróbki skrawaniem przy użyciu sztucznych sieci neuronowych, z naciskiem na zastosowanie perceptronów wielowarstwowych w kontekście ograniczonej ilości danych doświadczalnych. Rozdział 5 koncentruje się na zastosowaniu konwolucyjnych sieci neuronowych oraz perceptronu wielowarstwowego do oceny jakości wyrobów gotowych, w tym na klasyfikacji wad i przewidywaniu\n\ntwardości po procesie odpuszczania. W rozdziale 6 opisano podejście do predykcji awarii maszyn z wykorzystaniem perceptronów wielowarstwowych oraz rekurencyjnych sieci neuronowych LSTM, podkreślając ich rolę w optymalizacji działań predykcyjnych. Rozdział 7 przedstawia szczegółową metodykę, która pozwala na skuteczny dobór zarówno architektury sieci neuronowych, jak i parametrów procesu ich uczenia.\n8.1. Uwagi końcowe i wnioski\nW ramach prowadzonych badań i analiz głównym celem było zaproponowanie sposobu doboru architektury oraz parametrów procesu uczenia sztucznych sieci neuronowych, które mogą być skutecznie zastosowane w doskonaleniu procesów produkcyjnych. Badania koncentrowały się na wykorzystaniu modeli neuronowych w następujących trzech obszarach: optymalizacji parametrów obróbki skrawaniem, ocenie jakości wyrobów gotowych oraz predykcji awarii maszyn.\nKażdy z tych obszarów został zbadany pod kątem efektywności wykorzystania różnych architektur sieci neuronowych, takich jak perceptrony wielowarstwowe\n(MLP), rekurencyjne sieci LSTM oraz konwolucyjne sieci neuronowe (CNN).\nOpracowanie szczegółowej metodyki doboru odpowiednich architektur sieci neuronowych oraz parametrów ich uczenia stanowiło fundament wszystkich przeprowadzonych analiz. Metodyka ta obejmowała kompleksowy proces przygotowania danych, selekcji odpowiednich modeli oraz ich dostosowania do specyficznych wymagań poszczególnych zastosowań przemysłowych. Kluczowym aspektem tej metodyki było uwzględnienie charakterystyki dostępnych danych oraz specyfiki zadań, co pozwoliło na optymalny dobór architektury sieci neuronowej dla każdego z analizowanych obszarów.\nPodczas badań nad optymalizacją parametrów obróbki skrawaniem szczególną uwagę poświęcono doborowi odpowiedniej architektury sieci neuronowej w kontekście dostępnych danych doświadczalnych. Wybór MLP jako głównej architektury do modelowania parametrów obróbki wynikał nie tylko z ich zdolności do modelowania złożonych, nieliniowych relacji, ale również ze specyficznych warunków badawczych, w których dostępna była stosunkowo niewielka ilość danych doświadczalnych. MLP ze względu na swoją strukturę i elastyczność wykazuje dużą odporność na problemy wynikające z ograniczonej liczności prób, co pozwoliło na efektywne wykorzystanie dostępnych danych i uzyskanie wiarygodnych wyników w kontekście optymalizacji procesu obróbki.\n\nW kontekście optymalizacji parametrów obróbki skrawaniem najbardziej efektywne okazały się sieci neuronowe z jedną warstwą ukrytą, przy czym analizowano różne algorytmy uczenia oraz liczbę neuronów w tej warstwie. Spośród badanych algorytmów uczenia: LM, SCG, oraz BR, LM wykazał najwyższą efektywność. Optymalizacja dotyczyła parametrów obróbki, takich jak prędkość skrawania (v), posuw na ostrze (f) oraz głębokość skrawania (a ). W przypadku c z p modelowania parametrów chropowatości, takich jak Ra, najlepsze wyniki uzyskano przy wykorzystaniu MLP z 6 neuronami w warstwie ukrytej, co dało współczynnik korelacji R równy 0,9869. Dla parametru Rz optymalną konfiguracją okazała się sieć MLP z 9 neuronami w warstwie ukrytej, z wartością R wynoszącą 0,9894. Natomiast dla RSm zastosowanie 10 neuronów w warstwie ukrytej pozwoliło osiągnąć współczynnik R na poziomie 0,911. W przypadku modelowania składowej siły skrawania wzdłuż osi X (F ) najlepsze rezultaty x uzyskano przy użyciu MLP z 7 neuronami w warstwie ukrytej oraz algorytmu\nLM, co pozwoliło osiągnąć współczynnik R równy 0,999. Tak dobrane parametry sieci neuronowej umożliwiły skuteczną optymalizację procesu obróbki skrawaniem, nawet przy ograniczonej ilości danych doświadczalnych.\nPodobne rozważania dotyczące doboru architektury sieci neuronowej w odniesieniu do ilości i formatu danych były prowadzone w innych obszarach badań. W przypadku oceny jakości wyrobów gotowych dla problemów klasyfikacyjnych dane wykorzystywane do analizy miały format obrazów, co w naturalny sposób kierowało wybór odpowiedniej architektury sieci neuronowej w stronę CNN. Są one specjalnie zaprojektowane do przetwarzania danych obrazowych, ponieważ potrafią automatycznie i efektywnie identyfikować istotne cechy i wzorce bez potrzeby ręcznego definiowania tych cech, co jest charakterystyczne dla tradycyjnych metod przetwarzania obrazów.\nW przypadku analizy pierwszych dwóch obiektów, takich jak wykrywanie wad w odlewach oraz wykrywanie błędów kształtu na liniach produkcyjnych, zastosowano technikę transfer learning. Transfer learning pozwolił na szybkie zaadaptowanie wstępnie wytrenowanych modeli do nowych zadań, takich jak klasyfikacja defektów w odlewach, gdzie sieć była w stanie skutecznie zidentyfikować różne typy defektów, na przykład pęknięcia, porowatość czy zanieczyszczenia powierzchniowe, bazując na zaledwie kilkuset obrazach uczących.\nPodobnie w przypadku wykrywania błędów kształtu na liniach produkcyjnych transfer learning umożliwił wykorzystanie wcześniej nabytej wiedzy modelu do precyzyjnej klasyfikacji kształtów. W szczególności na liniach produkcyjnych wykrywane były obiekty w kształcie koła, co wymagało od sieci neuronowej zdolności do identyfikacji subtelnych różnic i anomalii w kształcie oraz\n\nwymiarach tych elementów. Dodatkowo, aby bardziej odwzorować rzeczywiste warunki produkcyjne, obrazy były celowo rozmyte z powodu ruchu na taśmociągu. W obu przypadkach zastosowanie CNN pozwoliło na precyzyjne wykrywanie wad i nieprawidłowości, co jest istotne dla automatyzacji kontroli jakości w czasie rzeczywistym.\nW przypadku oceny jakości wyrobów gotowych dotyczących problemu regresyjnego – określenia twardości po odpuszczaniu wyrobów gotowych – również uwzględniono dobór odpowiedniej architektury sieci neuronowej w kontekście ilości i formatu dostępnych danych. W tym przypadku modelowanie twardości po procesie odpuszczania, które jest ważnym parametrem jakościowym wyrobów, wymagało zastosowania sieci neuronowej zdolnej do dokładnego przewidywania wartości ciągłych. Podjęta decyzja o zastosowaniu\nMLP była uzasadniona specyficznymi warunkami badawczymi. W procesie modelowania twardości po odpuszczaniu dysponowano ograniczoną ilością danych doświadczalnych, co wykluczało możliwość użycia bardziej złożonych modeli, takich jak głębokie sieci neuronowe, które wymagają dużych zbiorów danych do skutecznego uczenia sieci. Poprzez zastosowanie MLP możliwe było także zachowanie stabilności modelu przy niewielkiej liczbie prób, co jest szczególnie ważne w kontekście przemysłowym, gdzie dostęp do dużych ilości danych może być ograniczony. Dzięki precyzyjnemu doborowi liczby neuronów (9) i algorytmu uczenia (BR) uzyskano wysoką dokładność prognoz\n(R=0,9894), co jest istotne dla zapewnienia jakości wyrobów. Dodatkowo opracowano algorytm wraz z interfejsem użytkownika, który umożliwia bieżącą ocenę jakości wyrobu gotowego na podstawie przewidywanej przez model\nMLP (z algorytmem uczenia BR) twardości po odpuszczaniu. Algorytm ten określa, czy dany wyrób spełnia wymagania jakościowe. Jeżeli przewidywana twardość mieści się w określonym przedziale tolerancji, wyrób jest uznawany za zgodny z normami jakościowymi; w przeciwnym razie klasyfikuje się go jako niezgodny z wymaganiami. Taki system wspomagania decyzji stanowi cenne narzędzie w procesie produkcyjnym, zwiększając precyzję kontroli jakości i poprawiając efektywność zarządzania jakością.\nW obszarze predykcji awarii maszyn, gdzie dane miały charakter sekwencyjny, a ich ilość była wystarczająca do trenowania bardziej złożonych modeli, zastosowano zarówno MLP, jak i LSTM, co pozwoliło na skuteczne podejście do zróżnicowanych aspektów problemu. Wybór tych architektur był motywowany specyficznymi właściwościami obu typów sieci. MLP okazały się lepszym wyborem w przypadku uchwycenia podstawowych wzorców i relacji w danych, szczególnie w kontekście klasyfikacji binarnej, czyli określania, czy awaria wystąpi\n\nczy też nie. Użycie MLP pozwoliło na szybkie przetworzenie danych wejściowych, takich jak temperatura powietrza, temperatura procesu, prędkość obrotowa, moment obrotowy i zużycie narzędzi, oraz na identyfikację istotnych zależności między tymi parametrami wejściowymi a wynikiem końcowym, czyli wystąpieniem lub brakiem awarii. Natomiast rekurencyjne sieci neuronowe\nLSTM zostały zastosowane w bardziej zaawansowanym etapie analizy, polegającym na identyfikacji rodzaju awarii, gdy już została ona przewidziana. LSTM dzięki swojej zdolności do przetwarzania i analizy długoterminowych zależności w danych sekwencyjnych okazały się wyjątkowo skuteczne w rozpoznawaniu skomplikowanych wzorców, które są niezbędne do precyzyjnej klasyfikacji typu awarii. Takie dwustopniowe podejście łączące prostotę MLP z zaawansowaną analizą sekwencyjną LSTM zapewniło nie tylko efektywność w wykrywaniu awarii, ale także dokładność w określaniu jej typu, co jest istotne dla planowania działań konserwacyjnych i minimalizacji przestojów produkcyjnych.\nWybór tych dwóch różnych architektur sieci neuronowych dostosowanych do specyfiki i ilości danych na każdym etapie analizy przyczynił się do zwiększenia skuteczności i niezawodności całego systemu predykcji awarii.\nPrzeprowadzone analizy wykazały, że dobór architektury sieci neuronowej i jej parametrów musi być ściśle dostosowany do specyfiki zadania oraz dostępnych danych. Odpowiednie dobranie tych elementów pozwoliło na osiągnięcie optymalnych wyników w każdym z badanych obszarów, potwierdzając, że sztuczne sieci neuronowe stanowią nieodzowne narzędzie w nowoczesnych procesach produkcyjnych i mogą przyczynić się do doskonalenia procesów produkcyjnych.\nOpracowanie szczegółowej metodyki doboru odpowiednich architektur sieci neuronowych oraz parametrów ich uczenia stanowi znaczący wkład w rozwój nowoczesnych technologii wytwarzania. Ta metodyka obejmująca kompleksowy proces przygotowania danych, selekcję odpowiednich modeli oraz ich dostosowania do specyficznych wymagań przemysłowych, jest istotna dla optymalizacji różnych aspektów produkcji. Dzięki niej możliwe okazuje się precyzyjne dopasowanie architektury sieci neuronowej do charakterystyki dostępnych danych oraz specyfiki zadania, co pozwala na uzyskanie maksymalnej efektywności w każdym z analizowanych obszarów.\nNowością w prezentowanej pracy jest systematyczne podejście do doboru architektur i parametrów uczenia sieci neuronowych, co umożliwia ich elastyczne i wszechstronne zastosowanie w różnych kontekstach produkcyjnych. Zamiast ograniczać się do jednego modelu czy podejścia, metodyka ta pozwala na dostosowanie narzędzi do specyficznych wyzwań, m.in. takich\n\njak optymalizacja parametrów obróbki frezowaniem, ocena jakości wyrobów gotowych czy predykcja awarii maszyn.\nPomimo licznych zalet stosowanie sieci neuronowych w procesach produkcyjnych wiąże się z pewnymi ograniczeniami. Wymagają one dużych zbiorów danych do skutecznego uczenia, a bardziej złożone modele, takie jak głębokie sieci neuronowe, mogą być trudne do interpretacji, co utrudnia wyjaśnienie wyników końcowych. Dodatkowo realizacja takich modeli często wymaga znacznych zasobów obliczeniowych, co może stanowić barierę dla ich wdrożenia w środowiskach o ograniczonych zasobach technologicznych.\nRozważenie tych ograniczeń jest istotne dla skutecznego wykorzystania sieci neuronowych w przemyśle.\nWyniki prowadzonych badań dostarczają nie tylko nowej wiedzy teoretycznej na temat możliwości i ograniczeń różnych architektur sieci neuronowych, ale również praktycznych narzędzi, które mogą zostać zaimplementowane w rzeczywistych warunkach przemysłowych. Kluczowym elementem tych badań była opracowana metodyka doboru architektury i parametrów procesu uczenia sieci neuronowych, ukierunkowana na doskonalenie procesów produkcyjnych.\nAby korzystanie z opracowanych algorytmów optymalizacyjnych i wyuczonych sieci neuronowych było bardziej przyjazne i intuicyjne dla użytkownika, stworzono interfejsy graficzne, które umożliwiają łatwe wprowadzanie danych wejściowych oraz szybkie uzyskiwanie wyników optymalizacji czy predykcji.\nDzięki takiemu podejściu użytkownicy mogą skupić się na analizie wyników bez potrzeby zagłębiania się w szczegóły techniczne czy kod źródłowy. Takie podejście nie tylko zwiększa efektywność pracy, ale również umożliwia szersze zastosowanie tych narzędzi w praktyce przemysłowej. Dzięki temu rozwój obszaru inżynierii produkcji może przebiegać szybciej, z większą pewnością w osiąganiu założonych celów jakościowych i wydajnościowych, co stanowi istotny wkład w rozwój nowoczesnych technologii produkcyjnych.\n8.2. Kierunki dalszych badań\nZastosowanie sztucznych sieci neuronowych w przemyśle produkcyjnym otwiera nowe perspektywy zarówno w zakresie poprawy efektywności procesów, jak i automatyzacji kontroli jakości oraz predykcji awarii. Mimo że obecne badania dostarczyły istotnych wyników i praktycznych narzędzi, istnieje wiele obszarów, które wymagają dalszych badań i rozwoju, aby w pełni wykorzystać potencjał tych narzędzi w kontekście nowoczesnych technologii wytwarzania.\n\nJednym z głównych kierunków dalszych badań będzie rozwój i adaptacja hybrydowych modeli sieci neuronowych, które łączą różne architektury w celu uzyskania synergii ich zalet w specyficznych zastosowaniach. Przykładem może być połączenie CNN z rekurencyjnymi sieciami neuronowymi LSTM.\nTego rodzaju hybrydowe podejście mogłoby być szczególnie efektywne w analizie danych czasowo-przestrzennych, takich jak dynamiczna kontrola jakości na liniach produkcyjnych, gdzie obiekty są w ruchu, lub w predykcji awarii maszyn na podstawie sygnałów zbieranych w czasie rzeczywistym. Hybrydowe modele mogłyby z jednej strony wykorzystywać zdolność CNN do ekstrakcji cech z obrazów, a z drugiej strony dzięki LSTM analizować zależności czasowe, co w rezultacie mogłoby prowadzić do bardziej precyzyjnych i kompleksowych rozwiązań w procesach produkcyjnych.\nWarto również rozważyć zastosowanie innych metod uczenia maszynowego, które mogą być komplementarne do sieci neuronowych lub stanowić alternatywę w specyficznych warunkach. Przykładem są algorytmy zespołowe, takie jak lasy losowe czy gradient boosting machines (GBM), które są szczególnie efektywne w analizie danych tabelarycznych i znajdują zastosowanie w klasyfikacji lub regresji tam, gdzie sieci neuronowe mogą być zbyt skomplikowane lub podatne na przetrenowanie. Zespołowe metody uczenia maszynowego mogą być również używane jako elementy większych hybrydowych systemów, gdzie wyniki uzyskane przez sieci neuronowe są dodatkowo wzbogacane lub potwierdzane przez inne algorytmy. Badania nad integracją tych metod z sieciami neuronowymi mogą prowadzić do stworzenia jeszcze bardziej efektywnych systemów produkcyjnych, które potrafią lepiej radzić sobie z różnorodnymi typami danych i zadaniami.\nKolejnym istotnym obszarem badań jest zastosowanie technik transfer learning oraz meta-uczenia w jeszcze szerszym zakresie zastosowań przemysłowych. Transfer learning, które umożliwia adaptację wcześniej wytrenowanych modeli do nowych zadań, ma ogromny potencjał w kontekście skrócenia czasu trenowania i zwiększenia efektywności modeli. Przyszłe badania mogłyby skoncentrować się na zastosowaniu tej techniki do bardziej złożonych zadań produkcyjnych, takich jak adaptacja modeli do specyficznych warunków produkcji lub nowych materiałów. Również meta-uczenie, które polega na szybkim dostosowywaniu modeli do nowych zadań, mogłoby zostać eksplorowane jako metoda poprawy adaptacyjności sieci neuronowych w dynamicznie zmieniającym się środowisku produkcyjnym. Te techniki mogłyby znacząco zwiększyć elastyczność i wszechstronność modeli, co jest istotne w odniesieniu do coraz bardziej wymagających warunków produkcji.\n\nW kontekście nowoczesnych rozwiązań produkcyjnych integracja sieci neuronowych z systemami Internetu Rzeczy (IoT) oraz Przemysłem 4.0 jest kolejnym istotnym kierunkiem badań. Przemysł 4.0 i IoT kładą duży nacisk na zbieranie i analizę danych w czasie rzeczywistym, co stwarza nowe możliwości dla zastosowania sieci neuronowych do dynamicznej optymalizacji procesów produkcyjnych. Badania mogą skoncentrować się na opracowaniu skalowalnych i wydajnych systemów, które integrują analizę danych z czujników z modelami neuronowymi, umożliwiając tym samym bardziej inteligentne zarządzanie produkcją. Taka integracja mogłaby również przyczynić się do zwiększenia automatyzacji i autonomii systemów produkcyjnych, co jest istotne dla podniesienia konkurencyjności przedsiębiorstw na rynku globalnym.\nPodsumowując, rozwój hybrydowych modeli sieci neuronowych, stosowanie w szerszym zakresie technik transfer learning i meta-uczenia oraz integracja z systemami IoT to kluczowe kierunki dalszych badań, które mogą przyczynić się do jeszcze bardziej zaawansowanego wykorzystania sztucznej inteligencji i metod uczenia maszynowego w przemyśle produkcyjnym.\nRealizacja tych badań ma potencjał, aby znacząco wpłynąć na rozwój nowoczesnych technologii wytwarzania, zwiększając efektywność, jakość i konkurencyjność przedsiębiorstw na rynku globalnym.\n\nLiteratura\n[1] Ghobadian A, Gallear DN. Total quality management in SMEs. Omega (Westport)\n1996;24:83–106. https://doi.org/10.1016/0305-0483(95)00055-0.\n[2] Antony J. Six Sigma in the UK service organisations: results from a pilot survey. Managerial\nAuditing Journal 2004;19:1006–13. https://doi.org/10.1108/02686900410557908.\n[3] Antosz K, Pacana A, Stadnicka D, Zielecki W. Lean Manufacturing: doskonalenie produkcji. Politechnika Rzeszowska, 2018.\n[4] Patel AS, Patel KM. Critical review of literature on Lean Six Sigma methodology.\nInternational Journal of Lean Six Sigma 2020;12:627–74. https://doi.org/10.1108/\nIJLSS-04-2020-0043/FULL/PDF.\n[5] Montgomery DC. Introduction to Statistical Quality Control, 8th Edition. John Wiley\n& Sons, Inc, 2019.\n[6] Christopher M. Logistics and supply chain management. Pearson/Financial Times\nPublishing, 2023.\n[7] Jaurker D, Pradhan MK, Jaurker S, Malviya R. Optimization Techniques Used in Machining\nProcesses: A Review. Lecture Notes in Mechanical Engineering 2023:93–101. https://doi.\norg/10.1007/978-981-99-2921-4_10.\n[8] Li L, Li C, Tang Y, Yi Q. Influence factors and operational strategies for energy efficiency improvement of CNC machining. J Clean Prod 2017;161:220–38. https://doi.\norg/10.1016/J.JCLEPRO.2017.05.084.\n[9] Singh MP, Sharma P, Dubey Y, Seshagiri Rao GVR, Mohammad Q, Lakhanpal S. Energy-\nEfficient Manufacturing: Opportunities and Challenges. E3S Web of Conferences\n2024;505:01032. https://doi.org/10.1051/E3SCONF/202450501032.\n[10] Naidoo C, Pillay N, Maharaj S. A Data Driven Approach to Process Control Modelling\nUsing Machine Learning. International Conference on Electrical, Computer and Energy\nTechnologies, ICECET 2023;2023. https://doi.org/10.1109/ICECET58911.2023.10389464.\n\n[11] Product quality (PQ) identification in manufacturing companies: the perspective of managers and executives. Vadyba 2023;39:15–22.\n[12] Sharma DR, Singh B. Understanding the Relationship Between Customer Satisfaction,\nCustomer Engagement and Repeat Purchase Behaviour. 2021;27:449–57. https://doi.\norg/10.1177/0972262921992593.\n[13] Achouch M, Dimitrova M, Ziane K, Sattarpanah Karganroudi S, Dhouib R, Ibrahim H, et al. On Predictive Maintenance in Industry 4.0: Overview, Models, and Challenges.\nApplied Sciences 2022;12:8081. https://doi.org/10.3390/APP12168081.\n[14] Muganyi P, Mbohwa C. Proactive Maintenance Strategic Application to Advance\nEquipment Reliability. Proceedings of the International Conference on Industrial\nEngineering and Operations Management, IEOM Society International 2018, Page 3300–9.\n[15] Khdoudi A, Masrour T, Hassani E, Mazgualdi E, Khdoudi A, Masrour T, et al. A Deep-\nReinforcement-Learning-Based Digital Twin for Manufacturing Process Optimization.\nSystems 2024;12:38. https://doi.org/10.3390/SYSTEMS12020038.\n[16] Genalti G, Corbo G, Bianchi T, Missaglia M, Negri L, Sala A, et al. Enhancing\nManufacturing with AI-powered Process Design. Proceedings of the Thirty-Third\nInternational Joint Conference on Artificial Intelligence 2024;9:8665–8. https://doi.\norg/10.24963/IJCAI.2024/1004.\n[17] Li J, Yin W, Yang B, Chen L, Dong R, Chen Y, et al. Modeling of Digital Twin Workshop in Planning via a Graph Neural Network: The Case of an Ocean Engineering\nManufacturing Intelligent Workshop. Applied Sciences 2023;13:10134. https://doi.\norg/10.3390/APP131810134.\n[18] Merayo D, Rodríguez-Prieto A, Camacho AM. Topological Optimization of Artificial\nNeural Networks to Estimate Mechanical Properties in Metal Forming Using Machine\nLearning. Metals 2021;11:1289. https://doi.org/10.3390/MET11081289.\n[19] Rodriguez-Cabal MA, Marín JGA, Rudas S, Rodriguez-Cabal MA. Prediction of energy consumption in the leadwell v-40 it CNC machining center through artificial neural networks. Journal of Applied Engineering Science 2022;20:145–9. https://doi.\norg/10.5937/JAES0-30826.\n[20] Capizzi G, Lo Sciuto G, Wasef Shaheen B, Németh I. Performance Monitoring of Wind\nTurbines Gearbox Utilising Artificial Neural Networks – Steps toward Successful\nImplementation of Predictive Maintenance Strategy. Processes 2023;11:269. https:// doi.org/10.3390/PR11010269.\n[21] Tang H, Cui X, Zhu J, Shen L, Cai J, Zhu B. A Bayesian-optimized Hybrid Neural\nNetwork Based on CNN and BiLSTM for Predictive Maintenance of Diesel Generator.\nProceedings – 2023 Prognostics and Health Management Conference – Paris, PHM-\nParis 2023;2023:17–22. https://doi.org/10.1109/PHM58589.2023.00012.\n[22] Pérez-Gomariz M, López-Gómez A, Cerdán-Cartagena F. Artificial Neural\nNetworks as Artificial Intelligence Technique for Energy Saving in Refrigeration\nSystems – A Review. Clean Technologies 2023;5:116–36. https://doi.org/10.3390/\nCLEANTECHNOL5010007.\n[23] Massaro A, Manfredonia I, Galiano A, Xhahysa B. Advanced Process Defect Monitoring\nModel and Prediction Improvement by Artificial Neural Network in Kitchen Manufacturing\nIndustry: A Case of Study. 2019 IEEE International Workshop on Metrology for Industry\n40 and IoT, MetroInd 40 and IoT 2019 – Proceedings 2019:64–7. https://doi.org/10.1109/\nMETROI4.2019.8792872.\n\n[24] Bakshi K Das, Thilagham KT, Yamini R, Reddy CVB, Gaikwad AS, Gupta A. Modelling and Manufacturing of Abrasive Water Jet Machining of Reinforced AI Alloy Cast\nHybrid Nanocomposites with Mechanical and Metallurgical Behavior through\nArtificial Neural Network. Proceedings of the 4th International Conference on Smart\nElectronics and Communication, ICOSEC 2023 2023:1387–93. https://doi.org/10.1109/\nICOSEC58147.2023.10276082.\n[25] Jilak A, Assareh E, Nedaei M. Application of a novel multi-objective optimisation method integrated with the artificial neural networks for optimum design of a plate heat exchanger. Australian Journal of Mechanical Engineering 2020;18:1–15. https:// doi.org/10.1080/14484846.2017.1359897.\n[26] McCulloch WS, Pitts W. A logical calculus of the ideas immanent in nervous activity.\nBull Math Biophys 1943;5:115–33. https://doi.org/10.1007/BF02478259/METRICS.\n[27] Hebb DO. The organization of behavior; a neuropsychological theory. Wiley 1949.\n[28] Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychol Rev 1958;65:386–408. https://doi.org/10.1037/H0042519.\n[29] Widrow B, Hoff ME. Adaptive switching circuits. Neurocomputing, Vol 1, The MIT\nPress; 1960, Pages 96–104. https://doi.org/10.7551/MITPRESS/4943.003.0012.\n[30] Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. Nature 1986 323:6088 1986;323:533–6. https://doi.org/10.1038/323533a0.\n[31] LeCun Y, Bottou L, Bengio Y, Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE 1998;86:2278–323. https://doi.\norg/10.1109/5.726791.\n[32] Hinton GE, Osindero S, Teh YW. A fast learning algorithm for deep belief nets. Neural\nComput 2006;18:1527–54. https://doi.org/10.1162/NECO.2006.18.7.1527.\n[33] Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Commun ACM 2017;60:84–90. https://doi.org/10.1145/3065386.\n[34] Cho K, van Merriënboer B, Bahdanau D, Bengio Y. On the Properties of Neural\nMachine Translation: Encoder-Decoder Approaches. Proceedings of SSST 2014 – 8th\nWorkshop on Syntax, Semantics and Structure in Statistical Translation 2014:103–11.\nhttps://doi.org/10.3115/v1/w14-4012.\n[35] Hochreiter S, Schmidhuber J. Long Short-Term Memory. Neural Comput 1997;9:1735–\n80. https://doi.org/10.1162/NECO.1997.9.8.1735.\n[36] Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al. A survey on deep learning in medical image analysis. Med Image Anal 2017;42:60–88. https:// doi.org/10.1016/J.MEDIA.2017.07.005.\n[37] Hireš M, Bugata P, Gazda M, Hreško DJ, Kanász R, Vavrek L, et al. Brief Overview of Neural Networks for Medical Applications. Acta Electrotechnica et Informatica\n2022;22:34–44. https://doi.org/10.2478/AEI-2022-0010.\n[38] Hamdan BA. Neural Network Principles and its Application. Webology 2022;19:3955–\n70. https://doi.org/10.14704/WEB/V19I1/WEB19261.\n[39] Heaton JB, Polson NG, Witte JH. Deep learning for finance: deep portfolios. Appl\nStoch Models Bus Ind 2017;33:3–12. https://doi.org/10.1002/ASMB.2209.\n[40] Graves A, Mohamed AR, Hinton G. Speech Recognition with Deep Recurrent Neural\nNetworks. ICASSP, IEEE International Conference on Acoustics, Speech and Signal\nProcessing – Proceedings 2013:6645–9. https://doi.org/10.1109/ICASSP.2013.6638947.\n\n[41] Saxena V, Kumar A, Arya G, Bhardwaj MK. Jarvis-Virtual Voice Assistant. Journal of Computer Systems, Virtualization and Languages 2024;1:24–33. https://doi.\norg/10.48001/JOCSVL.2024.1124-33.\n[42] Yadav P, Tugnait T, Dubey SK. Analysis of Personalized AI Assistant with Facial\nRecognition and Voice Representation. Proceedings of the 2023 12th International\nConference on System Modeling and Advancement in Research Trends, SMART 2023\n2023:57–64. https://doi.org/10.1109/SMART59791.2023.10428670.\n[43] Simon C, Rajeswari M. Voice-based Virtual Assistant with Security. Proceedings of the 2023 2nd International Conference on Electronics and Renewable Systems,\nICEARS 2023 2023:822–7. https://doi.org/10.1109/ICEARS56392.2023.10085043.\n[44] Zhang W, Yang D, Wang H. Data-Driven Methods for Predictive Maintenance of\nIndustrial Equipment: A Survey. IEEE Syst J 2019;13:2213–27. https://doi.org/10.1109/\nJSYST.2019.2905565.\n[45] Kulisz M, Kujawska J, Przysucha B, Cel W. Forecasting water quality index in groundwater using artificial neural network. Energies (Basel) 2021;14. https://doi.\norg/10.3390/en14185875.\n[46] Kujawska J, Kulisz M, Oleszczuk P, Cel W. Machine Learning Methods to Forecast the Concentration of PM10 in Lublin, Poland. Energies (Basel) 2022;15. https://doi.\norg/10.3390/en15176428.\n[47] Kulisz M, Kujawska J, Aubakirova Z, Zhairbaeva G, Warowny T. Prediction of the compressive strength of environmentally friendly concreto using artificial neural network.\nApplied Computer Science 2022;18:68–81. https://doi.org/10.35784/ACS-2022-29.\n[48] Rymarczyk T, Kłosowski G. Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors. Eksploatacja i Niezawodność –\nMaintenance and Reliability 2019;21:261–7. https://doi.org/10.17531/EIN.2019.2.10.\n[49] Kłosowski G, Rymarczyk T, Niderla K, Kulisz M, Skowron Ł, Soleimani M. Using an\nLSTM network to monitor industrial reactors using electrical capacitance and impedance tomography – a hybrid approach. Eksploatacja i Niezawodność 2023;25. https:// doi.org/10.17531/EIN.2023.1.11.\n[50] Qureshi M, Arbab MA, Rehman S. Deep learning-based forecasting of electricity consumption. Scientific Reports 2024;14:1–11. https://doi.org/10.1038/s41598-024-56602-4.\n[51] Ramos PVB, Villela SM, Silva WN, Dias BH. Residential energy consumption forecasting using deep learning models. Appl Energy 2023;350:121705. https://doi.\norg/10.1016/J.APENERGY.2023.121705.\n[52] Kamilaris A, Prenafeta-Boldú FX. Deep learning in agriculture: A survey. Comput\nElectron Agric 2018;147:70–90. https://doi.org/10.1016/J.COMPAG.2018.02.016.\n[53] Younis H, Sundarakani B, Alsharairi M. Applications of artificial intelligence and machine learning within supply chains: systematic review and future research directions. Journal of Modelling in Management 2022;17:916–40. https://doi.org/10.1108/\nJM2-12-2020-0322/FULL/PDF.\n[54] Pournader M, Ghaderi H, Hassanzadegan A, Fahimnia B. Artificial intelligence applications in supply chain management. Int J Prod Econ 2021;241:108250. https://doi.\norg/10.1016/J.IJPE.2021.108250.\n[55] Lechtenberg S, Hellingrath B. Applications of artificial intelligence in supply chain management: Identification of main research fields and greatest industry interests.\nERCIS Working Papers 2021.\n\n[56] Kandel ER, Schwartz JH, Jessell TM, Siegelbaum SA, Hudspeth AJ. Principles of\nNeural Science, Fifth Edition. McGraw-Hill Education, 2012.\n[57] Bishop CM. Neural Networks for Pattern Recognition. 1st ed. Oxford University Press,\n1996.\n[58] Goodfellow I, Bengio Y, Courville A. Deep learning. The MIT Press; 2016.\n[59] Nair V, Hinton GE. Rectified Linear Units Improve Restricted Boltzmann Machines.\nInternational Conference on Machine Learning 2010.\n[60] Maas AL. Rectifier Nonlinearities Improve Neural Network Acoustic Models 2013.\n[61] Tadeusiewicz R. Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza, 1993.\n[62] Haykin S. Neural networks: a comprehensive foundation. Prentice Hall 1998.\n[63] Zhu H. Multi-layered perceptron and its applications in biotechnology. Theoretical and Natural Science 2023;20:159–65. https://doi.org/10.54254/2753-8818/20/20230753.\n[64] Zhang G, Eddy Patuwo B, Hu MY. Forecasting with artificial neural networks: The state of the art. Int J Forecast 1998;14:35–62. https://doi.org/10.1016/S0169-2070(97)00044-7.\n[65] Tsoukalas LH., Uhrig RE. Fuzzy and neural approaches in engineering 1997:587.\n[66] Mohammadi J, Ataei M, Kakaei RK, Mikaeil R, Haghshenas SS. Prediction of the\nProduction Rate of Chain Saw Machine using the Multilayer Perceptron (MLP)\nNeural Network. Civil Engineering Journal 2018;4:1575–83. https://doi.org/10.28991/\nCEJ-0309196.\n[67] Ahmarofi AA, Kassa FM, Ishak MK. Predicting the Cycle Time at a Production\nLine Through the Development of the 3-3-1 Multilayer Perceptron Artificial Neural\nNetworks with Formulated Momentum Rate. Lecture Notes in Mechanical Engineering\n2021:165–73. https://doi.org/10.1007/978-981-16-0866-7_13.\n[68] Ramezani J, Jassbi J. A hybrid expert decision support system based on artificial neural networks in process control of plaster production – An industry 4.0 perspective. IFIP Adv\nInf Commun Technol 2017;499:55–71. https://doi.org/10.1007/978-3-319-56077-9_5/\nFIGURES/7.\n[69] Hochreiter S, Schmidhuber J. LSTM can Solve Hard Long Time Lag Problems. Neural\nInformation Processing Systems 1996.\n[70] Graves A. Generating Sequences With Recurrent Neural Networks 2013.\n[71] Kłosowski G, Rymarczyk T, Niderla K, Rzemieniak M, Dmowski A, Maj M. Comparison of machine learning methods for image reconstruction using the LSTM classifier in industrial electrical tomography. Energies (Basel) 2021;14. https://doi.org/10.3390/ en14217269.\n[72] Staudemeyer RC, Morris ER. Understanding LSTM – a tutorial into Long Short-Term\nMemory Recurrent Neural Networks. ArXivOrg 2019.\n[73] Long Short-Term Memory Neural Networks – MATLAB & Simulink n.d. https:// www.mathworks.com/help/deeplearning/ug/long-short-term-memory-networks.\nhtml (accessed August 10, 2024).\n[74] Sutskever I, Vinyals O, Le Q V. Sequence to Sequence Learning with Neural Networks.\nAdv Neural Inf Process Syst 2014;4:3104–12.\n[75] Graves A, Mohamed AR, Hinton G. Speech Recognition with Deep Recurrent Neural\nNetworks. ICASSP, IEEE International Conference on Acoustics, Speech and Signal\nProcessing – Proceedings 2013:6645–9. https://doi.org/10.1109/ICASSP.2013.6638947.\n\n[76] Al-Said S, Findik O, Assanova B, Sharmukhanbet S, Baitemirova N. Enhancing\nPredictive Maintenance in Manufacturing: A CNN-LSTM Hybrid Approach for\nReliable Component Failure Prediction. Studies in Systems, Decision and Control\n2024;223:137–53. https://doi.org/10.1007/978-3-031-51997-0_11.\n[77] Dehghan Shoorkand H, Nourelfath M, Hajji A. A hybrid CNN-LSTM model for joint optimization of production and imperfect predictive maintenance planning. Reliab\nEng Syst Saf 2024;241:109707. https://doi.org/10.1016/J.RESS.2023.109707.\n[78] Munir A, Kong J, Qureshi M. Accelerators for convolutional neural networks 2024.\n[79] Yamashita R, Nishio M, Do RKG, Togashi K. Convolutional neural networks: an overview and application in radiology. Insights Imaging 2018;9:611–29. https://doi.\norg/10.1007/S13244-018-0639-9/FIGURES/15.\n[80] Chen Y-W, Ruan X, Jain RK. Deep Convolutional Neural Networks 2024:1–31. https:// doi.org/10.1007/978-3-031-59811-1_1.\n[81] Basha NK, Bhatia S, Kumar A, Mashat A. Deep learning and its applications using\nPython. Scrivener Publishing, 2023:256. https://doi.org/10.1002/9781394167791.\n[82] Zan P, Yao JJ, Fan L, Yang Y, Zhou Z, Wu Z, et al. Efficacy of a Four-Hour Drainage\nClamping Technique in the Reduction of Blood Loss Following Total Hip Arthroplasty:\nA Prospective Cohort Study. Med Sci Monit 2017;23:2708–14. https://doi.org/10.12659/\nMSM.904864.\n[83] LeCun Y, Bottou L, Bengio Y, Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE 1998;86:2278–323. https://doi.\norg/10.1109/5.726791.\n[84] Krizhevsky A, Sutskever I, Hinton GE. ImageNet Classification with Deep\nConvolutional Neural Networks. Adv Neural Inf Process Syst 2012;25.\n[85] Albawi S, Mohammed TA, Al-Zawi S. Understanding of a convolutional neural network.\nProceedings of 2017 International Conference on Engineering and Technology, ICET\n2017 2017;2018-January:1–6. https://doi.org/10.1109/ICENGTECHNOL.2017.8308186.\n[86] Chi J, On CK, Zhang H, Chai SS. A Review of Deep Convolutional Neural Networks in Mobile Face Recognition. International Journal of Interactive Mobile Technologies\n(IJIM) 2023;17:4–19. https://doi.org/10.3991/IJIM.V17I23.40867.\n[87] Day O, Khoshgoftaar TM. A survey on heterogeneous transfer learning. J Big Data\n2017;4:1–42. https://doi.org/10.1186/S40537-017-0089-0/FIGURES/5.\n[88] Dewangan U, Talwekar RH, Bera S. A Systematic Review on Cotton Plant Disease\nDetection & Classification Using Machine & Deep Learning Approach. 2023 1st\nDMIHER International Conference on Artificial Intelligence in Education and Industry\n40, IDICAIEI 2023 2023. https://doi.org/10.1109/IDICAIEI58380.2023.10406941.\n[89] Han L, Wen Z, Pu H, Li W. Research on Mechanical Fault Diagnosis Algorithm Based on Sound Signal and CNN. Int J Sci Res Sci Eng Technol 2022;9:153–60. https://doi.\norg/10.32628/IJSRSET229141.\n[90] Meghashree, Mendonca AE, Shetty AS. Automated Quality Assessment of Crops\nUsing CNN - Keras. International Journal of Scientific Research in Computer Science,\nEngineering and Information Technology 2021:641–5. https://doi.org/10.32628/\nCSEIT2173186.\n[91] Sucharitha V, Sneha K, Sravani D, Jhade S, Sravani P, Sreeja S. Imaging Description\nProduction by Means of Deeper Neural Networks 2023:1–5. https://doi.org/10.1109/\nACCAI58221.2023.10200618.\n\n[92] Chen Y, Goorden MC, Beekman FJ, Li K. Convolutional Neural Networks Combined with Machine Vision for Mechanical Compressor Defect Detection. J Phys Conf Ser\n2023;2425:012039. https://doi.org/10.1088/1742-6596/2425/1/012039.\n[93] Ma J, Li N, Jiang Y, Feng T. Abnormal sound detection of washing machines based on convolution neural network in production environment. International Journal of Wireless and Mobile Computing 2021;20:201–11. https://doi.org/10.1504/\nIJWMC.2021.115660.\n[94] Wang C, Jiang W, Yang X, Zhang S. RUL Prediction of Rolling Bearings Based on a DCAE and CNN. Applied Sciences 2021;11:11516. https://doi.org/10.3390/\nAPP112311516.\n[95] Lee RST. Transfer Learning and Transformer Technology. Natural Language Processing\n2024:175–97. https://doi.org/10.1007/978-981-99-1999-4_8.\n[96] Malik N, Bzdok D. From YouTube to the brain: Transfer learning can improve brain-imaging predictions with deep learning. Neural Networks 2022;153:325–38.\nhttps://doi.org/10.1016/J.NEUNET.2022.06.014.\n[97] Srikanth M, M B. Deep Learning Approaches for Predictive Modeling and Optimization of Metabolic Fluxes in Engineered Microorganism. International Journal of Research in Science & Engineering (IJRISE) ISSN: 2394-8299 2023;3:1–11. https://doi.\norg/10.55529/ijrise.35.1.11.\n[98] Tanyıldız H, Şahin CB. Transfer Learning for Detection of Casting Defects Model in\nScope of Industrial 4.0. Turkish Journal of Nature and Science 2023;12:45–51. https:// doi.org/10.46810/TDFD.1236584.\n[99] Manohar R, Aarthi MS, Ancy Jenifer J. Leveraging Deep Learning for Early Stage\nDiabetic Retinopathy Detection: A Novel CNN and Transfer Learning Comparision.\n2nd International Conference on Artificial Intelligence and Machine Learning\nApplications: Healthcare and Internet of Things, AIMLA 2024 2024. https://doi.\norg/10.1109/AIMLA59606.2024.10531542.\n[100] Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data\nMining 2016;13-17-August-2016:785–94. https://doi.org/10.1145/2939672.2939785.\n[101] Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. Nature 1986;323:533–6. https://doi.org/10.1038/323533a0.\n[102] Al-Haddad Y, İbrahim AA, Naeem R. Forecasting Energy Consumption in Smart Grids:\nA Comparative Analysis of Recurrent Neural Networks. Iraqi Journal for Computers and Informatics 2024;50:123–32. https://doi.org/10.25195/IJCI.V50I1.492.\n[103] Cho K, Van Merriënboer B, Gulcehre C, Bahdanau D, Bougares F, Schwenk H, et al. Learning Phrase Representations using RNN Encoder-Decoder for Statistical\nMachine Translation. EMNLP 2014 – 2014 Conference on Empirical Methods in\nNatural Language Processing, Proceedings of the Conference 2014:1724–34. https:// doi.org/10.3115/v1/d14-1179.\n[104] Alshehri OS, Alshehri OM, Samma H. Blood Glucose Prediction Using RNN, LSTM, and GRU: A Comparative Study. 2024 IEEE International Conference on Advanced\nSystems and Emergent Technologies (IC_ASET) 2024:1–5. https://doi.org/10.1109/\nIC_ASET61847.2024.10596176.\n[105] Goodfellow IJ, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, et al.\nGenerative Adversarial Networks. Sci Robot 2014;3:2672–80.\n\n[106] Yorston C, Chen C, Camelio J. Advancing architectural frameworks for vibration signature classification in rotating machinery. 2024. https://doi.org/10.1177/09544054241260928.\n[107] Liu K, Lu Y, Bai R, Xu K, Peng T, Tai Y, et al. Ellipse Detection with Applications of\nConvolutional Neural Network in Industrial Images. Electronics 2023;12:3431. https:// doi.org/10.3390/ELECTRONICS12163431.\n[108] Eldessouky ME, Darwish AM, Mohamed II, Abdelhalem TH, Khalil AK. Development of Two Robust Data-Driven Models Using Machine Learning and Artificial Neural\nNetwork Methods to Predict Wells Fluid Rate in a Challenging Offshore Brown\nField. International Petroleum Technology Conference, IPTC 2024 2024. https:// doi.org/10.2523/IPTC-23669-MS.\n[109] Vencl A, Svoboda P, Klančnik S, But A, Vorkapić M, Harničárová M, et al. Influence of\nAl2O3 Nanoparticles Addition in ZA-27 Alloy-Based Nanocomposites and Soft Computing\nPrediction. Lubricants 2023;11:24. https://doi.org/10.3390/LUBRICANTS11010024.\n[110] Brigato L, Iocchi L. A Close Look at Deep Learning with Small Data. Proceedings –\nInternational Conference on Pattern Recognition 2020:2490–7. https://doi.org/10.1109/\nICPR48806.2021.9412492.\n[111] Yuan Q, Zuo Z. Research on the Performance of different Convolutional Neural Network\nModels on small Datasets. 2022 International Conference on Machine Learning and Intelligent Systems Engineering (MLISE) 2022:57–62. https://doi.org/10.1109/\nMLISE57402.2022.00019.\n[112] Lee W, Choe YR, Ghosh RS. Recurrent Neural Network and Convolutional Neural\nNetwork for Detection of Denial of Service Attack in Microservices. Proceedings –\n22nd IEEE International Conference on Machine Learning and Applications, ICMLA\n2023 2023:1451–6. https://doi.org/10.1109/ICMLA58977.2023.00219.\n[113] Meyes R, Lu M, de Puiseau CW, Meisen T. Ablation Studies in Artificial Neural\nNetworks 2019.\n[114] Data GWP, Ngu K, Murray DW, Prisacariu VA. Interpolating convolutional neural networks using batch normalization. Lecture Notes in Computer Science (Including\nSubseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)\n2018;11217 LNCS:591–606. https://doi.org/10.1007/978-3-030-01261-8_35/FIGURES/4.\n[115] He K, Zhang X, Ren S, Sun J. Delving Deep into Rectifiers: Surpassing Human-Level\nPerformance on ImageNet Classification. Proceedings of the IEEE International\nConference on Computer Vision, Vol 498, Institute of Electrical and Electronics\nEngineers Inc.; 2015, Pages 1026–34.\n[116] Glorot X, Bengio Y. Understanding the difficulty of training deep feedforward neural networks. Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, JMLR Workshop and Conference Proceedings; 2010, Pages 249–56.\n[117] West AHL. Adaptive Back-Propagation in On-Line Learning of Multilayer Networks.\n1995:323–9.\n[118] Zhang H, Chen W, Liu T-Y. Train Feedfoward Neural Network with Layer-wise\nAdaptive Rate via Approximating Back-matching Propagation 2018.\n[119] Srinivasan N, Ravichandran V, Chan KL, Vidhya JR, Ramakirishnan S, Krishnan SM.\nExponentiated backpropagation algorithm for multilayer feedforward neural networks. ICONIP 2002 – Proceedings of the 9th International Conference on Neural\nInformation Processing: Computational Intelligence for the E-Age 2002;1:327–31.\nhttps://doi.org/10.1109/ICONIP.2002.1202187.\n\n[120] Gong B. A novel learning algorithm of back-propagation neural network. Proceedings –\n2009 IITA International Conference on Control, Automation and Systems Engineering,\nCASE 2009 2009:411–4. https://doi.org/10.1109/CASE.2009.146.\n[121] Bottou L. Large-Scale Machine Learning with Stochastic Gradient Descent.\nProceedings of COMPSTAT 2010 – 19th International Conference on Computational\nStatistics, Keynote, Invited and Contributed Papers 2010:177–86. https://doi.\norg/10.1007/978-3-7908-2604-3_16.\n[122] Kingma DP, Ba JL. Adam: A Method for Stochastic Optimization. 3rd International\nConference on Learning Representations, ICLR 2015 – Conference Track Proceedings\n2014.\n[123] Duchi J, Hazan E, Singer Y. Adaptive Subgradient Methods for Online Learning and\nStochastic Optimization. Journal of Machine Learning Research 2011;12:2121–59.\n[124] Dharrao D, MR A, Mital R, Vengali A, Pangavhane M, Rajput S, et al. An efficient method for disaster tweets classification using gradient-based optimized convolutional neural networks with BERT embeddings. MethodsX 2024;13. https://doi.org/10.1016/\nJ.MEX.2024.102843.\n[125] Wu H, Cai X, Feng M. The evaluation of course teaching effect based on improved\nRBF neural network. Systems and Soft Computing 2024;6. https://doi.org/10.1016/\nJ.SASC.2024.200085.\n[126] Sari Y. Performance evaluation of the various training algorithms and network topologies in a neural-Network-Based inverse kinematics solution for robots. Int J Adv Robot\nSyst 2014;11. https://doi.org/10.5772/58562/ASSET/IMAGES/LARGE/10.5772_58562-\nFIG13.JPEG.\n[127] Kwok TY, Yeung DY. Bayesian regularization in constructive neural networks.\nLecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial\nIntelligence and Lecture Notes in Bioinformatics) 1996;1112 LNCS:557–62. https:// doi.org/10.1007/3-540-61510-5_95.\n[128] Porto VW, Fogel DB, Fogel LJ. Alternative Neural Network Training Methods.\nIEEE Expert-Intelligent Systems and Their Applications 1995;10:16–22. https://doi.\norg/10.1109/64.393138.\n[129] Ng AY. Feature selection, L1 vs. L2 regularization, and rotational invariance. International Conference on Machine Learning 2004:615–22. https://doi.\norg/10.1145/1015330.1015435.\n[130] Tibshirani R. Regression Shrinkage and Selection Via the Lasso. Journal of the Royal Statistical Society: Series B (Methodological) 1996;58:267–88. https://doi.\norg/10.1111/J.2517-6161.1996.TB02080.X.\n[131] Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout:\nA Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine\nLearning Research 2014;15:1929–58.\n[132] Behnke M, Guo S, Guo W. Comparison of early stopping neural network and random forest for in-situ quality prediction in laser based additive manufacturing. Procedia\nManuf 2021;53:656–63. https://doi.org/10.1016/J.PROMFG.2021.06.065.\n[133] Prechelt L. Early Stopping – But When? Neural Networks: Tricks of the Trade. Lecture\nNotes in Computer Science, vol 1524. Springer, Berlin, Heidelberg 1998:55–69. https:// doi.org/10.1007/3-540-49430-8_3.\n\n[134] Botchkarev A. Performance Metrics (Error Measures) in Machine Learning\nRegression, Forecasting and Prognostics: Properties and Typology. Interdisciplinary\nJournal of Information, Knowledge, and Management 2018;14:45–76. https://doi.\norg/10.28945/4184.\n[135] Chai T, Draxler RR. Root mean square error (RMSE) or mean absolute error (MAE)?\n– Arguments against avoiding RMSE in the literature. Geosci Model Dev 2014;7:1247–\n50. https://doi.org/10.5194/GMD-7-1247-2014.\n[136] Yao H, Wu F, Ke J, Tang X, Jia Y, Lu S, et al. Deep Multi-View Spatial-Temporal\nNetwork for Taxi Demand Prediction. Proceedings of the AAAI Conference on\nArtificial Intelligence 2018;32:2588–95. https://doi.org/10.1609/AAAI.V32I1.11836.\n[137] Gilli M, Maringer D, Schumann E. Numerical analysis in a nutshell. Numerical\nMethods and Optimization in Finance 2019:17–30. https://doi.org/10.1016/\nB978-0-12-815065-8.00012-1.\n[138] Hyndman RJ, Koehler AB. Another look at measures of forecast accuracy. Int J\nForecast 2006;22:679–88. https://doi.org/10.1016/J.IJFORECAST.2006.03.001.\n[139] Hossin M, Sulaiman MN. A Review on Evaluation Metrics for Data Classification\nEvaluations. International Journal of Data Mining & Knowledge Management Process\n2015;5:01–11. https://doi.org/10.5121/IJDKP.2015.5201.\n[140] Fürnkranz J, Flach PA. An Analysis of Rule Evaluation Metrics. Proceedings of the\nTwentieth International Conference on Machine Learning, Washington DC 2003.\n[141] Gunakala A, Hussain Shahid A. A Comparative Study on Performance of Basic and\nEnsemble Classifiers with Various Datasets. Applied Computer Science 2023;19:107–\n32. https://doi.org/10.35784/ACS-2023-08.\n[142] Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett 2006;27:861–74.\nhttps://doi.org/10.1016/J.PATREC.2005.10.010.\n[143] Powers DMW, Ailab. Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation 2020.\n[144] Martínez Pérez JA, Pérez Martin PS. [ROC curve]. Semergen 2023;49. https://doi.\norg/10.1016/J.SEMERG.2022.101821.\n[145] Junge MRJ, Dettori JR. ROC Solid: Receiver Operator Characteristic (ROC) Curves as a Foundation for Better Diagnostic Tests. Global Spine J 2018;8:424. https://doi.\norg/10.1177/2192568218778294.\n[146] Sivashanmugam N, Harikrishna KL. Influence of Rare Earth Elements in Magnesium\nAlloy – A Mini Review. Materials Science Forum 2020;979:162–6. https://doi.\norg/10.4028/WWW.SCIENTIFIC.NET/MSF.979.162.\n[147] Ahmad IR, Shu DW. Magnesium Alloys a Promising Option as Protection Materials.\nSolid State Phenomena 2012;185:116–8. https://doi.org/10.4028/WWW.SCIENTIFIC.\nNET/SSP.185.116.\n[148] Wilson CB, Claus KG, Earlam MR, Hillis JE. Magnesium and Magnesium Alloys.\nKirk-Othmer Encyclopedia of Chemical Technology 2000. https://doi.org/10.1002/\n0471238961.1301071423091219.A01.\n[149] Rusz S, Salajka M, Čížek L, Tylšar S, Kedroň J. Metallographic Analysis of ECAP\nProcessed Selected Magnesium Alloys. Materials Science Forum 2014;782:404–7.\nhttps://doi.org/10.4028/WWW.SCIENTIFIC.NET/MSF.782.404.\n[150] Kojima Y, Aizawa T, Kamado S. Magnesium Alloys 2000 2000;350–351. https://doi.\norg/10.4028/B-8BNIZF.\n\n[151] Wilson CB, Claus KG, Earlam MR, Hillis JE. Magnesium and Magnesium Alloys.\nKirk-Othmer Encyclopedia of Chemical Technology 2000. https://doi.org/10.1002/\n0471238961.1301071423091219.A01.\n[152] Zagórski I, Kulisz M, Kłonica M, Matuszak J. Trochoidal milling and neural networks simulation of magnesium alloys. Materials 2019;12. https://doi.org/10.3390/\nMA12132070.\n[153] Korpysa J, Zagórski I, Weremczuk A, Habrat W. Process Stability Analysis during\nTrochoidal Milling of AZ91D Magnesium Alloy Using Different Toolholder Types.\nApplied Sciences 2024;14:3616. https://doi.org/10.3390/APP14093616.\n[154] Ritti L, Bhat T. Design and numerical analysis of tool for FSP simulation of magnesium alloys. Mater Today Proc 2021;46:2489–97. https://doi.org/10.1016/\nJ.MATPR.2021.01.414.\n[155] Vodenčarević A, Bürring HK, Niggemann O, Maier A. Identifying behavior models for process plants. IEEE International Conference on Emerging Technologies and\nFactory Automation, ETFA 2011. https://doi.org/10.1109/ETFA.2011.6059080.\n[156] Rivera DE, Bhatnagar S. Closed-loop system identification of restricted complexity models using iterative refinement. American Control Conference 1993:1993–4. https:// doi.org/10.23919/ACC.1993.4793226.\n[157] Flakiewicz W. Podejmowanie decyzji kierowniczych. Warszawa: Państwowe\nWydawnictwo Ekonomiczne, 1973.\n[158] Sumalatha A, Rao AB. Novel method of system identification. International Conference on Electrical, Electronics, and Optimization Techniques, ICEEOT 2016:2323–8. https:// doi.org/10.1109/ICEEOT.2016.7755109.\n[159] Awrejcewicz J. Matematyczne modelowanie systemów. Warszawa: Wydawnictwa\nNaukowo-Techniczne, 2004.\n[160] Zagórski I, Korpysa J. Surface Quality Assessment after Milling AZ91D Magnesium\nAlloy Using PCD Tool. Materials 2020;13:617. https://doi.org/10.3390/MA13030617.\n[161] Zagórski I, Kulisz M, Semeniuk A. Artificial neural network modelling of cutting force components in milling. ITM Web of Conferences 2017;15:02001. https://doi.\norg/10.1051/ITMCONF/20171502001.\n[162] Qiao Y, Wang S, Guo P, Yang X, Wang Y. Experimental research on surface roughness of milling medical magnesium alloy. IOP Conf Ser Mater Sci Eng 2018;397:012114.\nhttps://doi.org/10.1088/1757-899X/397/1/012114.\n[163] Salahshoor M, Guo YB. Surface integrity of biodegradable Magnesium–Calcium orthopedic implant by burnishing. J Mech Behav Biomed Mater 2011;4:1888–904.\nhttps://doi.org/10.1016/J.JMBBM.2011.06.006.\n[164] Qiao Y, Wang S, Guo P, Yang X, Wang Y. Experimental research on surface roughness of milling medical magnesium alloy. IOP Conf Ser Mater Sci Eng 2018;397:012114.\nhttps://doi.org/10.1088/1757-899X/397/1/012114.\n[165] Kolluru UK, Narala SKR, Dutta S. Optimization of cutting forces and surface roughness in dry turning of AM magnesium alloy using Taguchi method. Mater Today Proc\n2021;38:2830–8. https://doi.org/10.1016/J.MATPR.2020.08.774.\n[166] Grzesik W. Podstawy skrawania materiałów konstrukcyjnych. Wydawnictwo WNT\n2018.\n[167] Zaleski K, Matuszak J, Zaleski R. Metrologia warstwy wierzchniej. Politechnika\nLubelska 2018. https://doi.org/10.2/JQUERY.MIN.JS.\n\n[168] Wieczorowski M, Cellary A, Chajda J. Przewodnik po pomiarach nierówności powierzchni, czyli o chropowatości i nie tylko. Politechnika Poznańska 2003.\n[169] Grzesik W. Wpływ topografii powierzchni na właściwości eksploatacyjne części maszyn*. Mechanik 2015:587–93. https://doi.org/10.17814/MECHANIK.2015.8-9.493.\n[170] Lu X, Chen Y, Cong C, Wang K, Liang SY. Finite element method based modeling of cutting forces and cutting temperature in micro-milling LF21. 2024. https://doi.\norg/10.1177/09544054241261095.\n[171] Babaev A, Kozlov V, Semenov A, Shevchuk A, Ovcharenko V, Sudarev E. Investigation of cutting forces and machinability during milling of corrosion-resistant powder steel produced by laser metal deposition. Metal Working and Material Science 2024;26:38–\n56. https://doi.org/10.17212/1994-6309-2024-26.2-38-56.\n[172] Zaleski K, Matuszak J. Podstawy obróbki ubytkowej. Politechnika Lubelska 2016.\n[173] Skoczylas L, Skoczylas K. Catalog performance of solid carbide endmills for roughing milling. Technologia i Automatyzacja Montażu (Assembly Techniques and\nTechnologies) 2018;102:53–7.\n[174] Narasimha Prasad LV, Dokku DB, Talasila SL, Tumuluru P. Hyper Parameter\nOptimization for Transfer Learning of ShuffleNetV2 with Edge Computing for Casting\nDefect Detection. J Sci Ind Res (India) 2023;82:171–7. https://doi.org/10.56042/JSIR.\nV82I2.70250.\n[175] Gupta R, Anand V, Gupta S, Koundal D. Deep learning model for defect analysis in industry using casting images. Expert Syst Appl 2023;232:120758. https://doi.\norg/10.1016/J.ESWA.2023.120758.\n[176] casting product image data for quality inspection n.d. https://www.kaggle.com/datasets/ ravirajsinh45/real-life-industrial-dataset-of-casting-product (accessed August 9, 2024).\n[177] He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition\n2016;2016-December:770–8. https://doi.org/10.1109/CVPR.2016.90.\n[178] Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions.\nProceedings – 30th IEEE Conference on Computer Vision and Pattern Recognition,\nCVPR 2017 2016;2017-January:1800–7. https://doi.org/10.1109/CVPR.2017.195.\n[179] Szegedy C, Ioffe S, Vanhoucke V, Alemi AA. Inception-v4, Inception-ResNet and the\nImpact of Residual Connections on Learning. 31st AAAI Conference on Artificial\nIntelligence, AAAI 2017 2016:4278–84. https://doi.org/10.1609/aaai.v31i1.11231.\n[180] Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Densely Connected Convolutional\nNetworks. Proceedings – 30th IEEE Conference on Computer Vision and Pattern\nRecognition, CVPR 2017 2016;2017-January:2261–9. https://doi.org/10.1109/\nCVPR.2017.243.\n[181] How to make Geometric shapes detection? – MATLAB Answers – MATLAB Central n.d. https://www.mathworks.com/matlabcentral/answers/261721-how-to-make-\n-geometric-shapes-detection (accessed August 15, 2024).\n[182] Raiipa Technologies. Tempering data for carbon and low alloy steels n.d. https://doi.\norg/https://doi.org/10.34740/KAGGLE/DSV/8468279.\n[183] Zhang Y, Zhao H, Liu P, Wei M, Lu Y, Liu Z. Effect of Tempering Temperature on the Microstructure and Mechanical Properties of 42CrMo4 Steel. J Phys Conf Ser\n2023;2459:012044. https://doi.org/10.1088/1742-6596/2459/1/012044.\n\n[184] Soares ME, He Q, DePaiva JM, de Freitas BM, Soares P, Veldhuis SC, et al. Mechanical and Tribological Behavior of Nitrided AISI/SAE 4340 Steel Coated with NiP and\nAlCrN. Lubricants 2024;12:181. https://doi.org/10.3390/LUBRICANTS12050181.\n[185] Saraç E, Özbek NA. Effect of tempering temperature on mechanical properties and microstructure of AISI 4140 and AISI 4340 tempered steels. Materials Testing\n2022;64:832–41. https://doi.org/10.1515/MT-2021-2151.\n[186] Perla S, Kulkarni S, Balachandran G, Balasubramanian V. Influence of Section Size and Grain Size on the Microstructure Evolution and Mechanical Properties in Steel\nGrade AISI 5160. Transactions of the Indian Institute of Metals 2017;70:2449–58.\nhttps://doi.org/10.1007/S12666-017-1106-X/FIGURES/16.\n[187] Civi C, Yurddaskal M, Atik E, Celik E. Quenching and tempering of 51CrV4 (SAE-\nAISI 6150) steel via medium and low frequency induction. Materialpruefung/\nMaterials Testing 2018;60:614–8. https://doi.org/10.3139/120.111196/\nMACHINEREADABLECITATION/RIS.\n[188] Hunkel M. Tempering effects of athermal martensite during quenching and reheating of a SAE 52100 bearing steel. Materials Science and Engineering: A 2020;790:139601.\nhttps://doi.org/10.1016/J.MSEA.2020.139601.\n[189] Krenek J, Kuca K, Blazek P, Krejcar O, Jun D. Application of Artificial Neural Networks in Condition Based Predictive Maintenance. Studies in Computational Intelligence\n2016;642:75–86. https://doi.org/10.1007/978-3-319-31277-4_7.\n[190] Abidi MH, Mohammed MK, Alkhalefah H. Predictive Maintenance Planning for\nIndustry 4.0 Using Machine Learning for Sustainable Manufacturing. Sustainability\n2022;14:3387. https://doi.org/10.3390/SU14063387.\n[191] Karimova N, Ochilov U, Yakhshiev S, Egamberdiev I. Predictive maintenance of cutting tools using artificial neural networks. E3S Web of Conferences 2024;471:02021.\nhttps://doi.org/10.1051/E3SCONF/202447102021.\n[192] Zhong D, Xia Z, Zhu Y, Duan J. Overview of predictive maintenance based on digital twin technology. Heliyon 2023;9:e14534. https://doi.org/10.1016/J.HELIYON.2023.\nE14534.\n[193] Aboshosha A, Haggag A, George N, Hamad HA. IoT-based data-driven predictive maintenance relying on fuzzy system and artificial neural networks. Scientific Reports\n2023;13:1–13. https://doi.org/10.1038/s41598-023-38887-z.\n[194] Fordal JM, Schjølberg P, Helgetun H, Skjermo TØ, Wang Y, Wang C. Application of sensor data based predictive maintenance and artificial neural networks to enable\nIndustry 4.0. Adv Manuf 2023;11:248–63. https://doi.org/10.1007/S40436-022-00433-X/\nFIGURES/10.\n[195] Capizzi G, Lo Sciuto G, Wasef Shaheen B, Németh I. Performance Monitoring of Wind\nTurbines Gearbox Utilising Artificial Neural Networks — Steps toward Successful\nImplementation of Predictive Maintenance Strategy. Processes 2023;11:269. https:// doi.org/10.3390/PR11010269.\n[196] Pech M, Vrchota J, Bednář J. Predictive Maintenance and Intelligent Sensors in Smart\nFactory: Review. Sensors 2021;21:1470. https://doi.org/10.3390/S21041470.\n[197] Gama J, Ribeiro RP, Veloso B. Data-Driven Predictive Maintenance. IEEE Intell Syst\n2022;37:27–9. https://doi.org/10.1109/MIS.2022.3167561.\n[198] AI4I 2020 Predictive Maintenance Dataset. UCI Machine Learning Repository 2020.\nhttps://doi.org/10.24432/C5HS5C.", "source": "rock_pollub_pl", "added": "2026-11-07", "created": "2025", "token_count": 158091, "license": "CC-BY-SA-4.0", "author": "Kulisz, Monika"} +{"id": "wikibooks_22153", "text": "Bez matematyki ani rusz \nNa szczęście matematyka, o której tu mowa nie jest skomplikowana i w praktyce okazuje się łatwa do stosowania. W tym rozdziale mówić będziemy jedynie o podstawowych operacjach, a w przyszłych więcej o trygonometrii i podobnych wynalazkach. Teraz jednak powróćmy do podstaw - w programowaniu nawet dodawanie ma kilka postaci. \n\n Operacje przypisania... i dodawanie \nZacznijmy od tzw. operacji przypisania, czyli nadawania zmiennej jakiejś wartości. Rzecz wydaje się prosta, ale przyjrzyjmy się poniższemu kodowi - czy wszystkie operacje są oczywiste?\n\nint x = 3;\nint y = 0;\n\ny = x + 6;\ny = y + 1;\n\nprintln( \"Wartość zmiennej y to \" + y );\n\nNa pewno pojawi się pytanie, co to za funkcja na końcu i co oznacza tam dodawanie. Wyjaśnijmy to od razu. Funkcja println wypisuje w dolnej, czarnej częsci okna Processingu wszystko, o co ją poprosimy. W naszym przypadku chcielibyśmy, żeby wypisała na ekranie wartość zmiennej y. W tym celu dodajemy napis \"Wartość zmiennej y to \" do zmiennej y. Co Processing z tym zrobi? odczyta, jaka jest wartość zmiennej y i doklei ją do tego napisu. W ten sposób dostaniemy:\n\nWartość zmiennej y to 10\n\nDo tego tematu wrócimy jeszcze w dalszych rozdziałach. W tym momencie warto pamiętać, że jeśli chcialibyśmy podejrzeć, jakie wartości znajdują się w naszym programie to możemy wypisać je w oknie konsoli (czarny obszar na dole okna Processingu) za pomocą funckji println.\n\nWracamy do dodawania i przypisywania. Dwie pierwsze linie kodu są proste. Tworzymy zmienną typu całkowitego i nadajemy jej nową wartość. Co dzieje się w liniach 4 i 5?\n\n x = x + 1 to nie to samo, co x = x + 1 \nNa lekcjach matematyki uczyliśmy się, że:\n\nx = x + 1\nx - x = 1\n0 = 1\n\nRównianie sprzeczne\n\nW programowaniu jest trochę inaczej - tutaj prawa i lewa strona nie są wymienne. Processing wie, że najpierw ma wykonać wszystkie działania po prawej stronie znaku równości, a następnie przekazać ich wartość temu, co znajduje się po lewej stronie znaku równości. W poprzednim przykładzie (linie 4-5) mieliśmy zatem taką kolejność wykonuwania kodu:\n\n// Linia numer 4: y = x + 6;\nLiczę wartość wyrażenia po prawej stronie --> x + 6\n zmienna x --> 3\n 3 + 6 --> 9\nPrzypisuję zmiennej y (obojętnie jaką wartość miała wcześniej) wartość 9\n\n// Linia numer 5: y = y + 1;\nLiczę wartość wyrażenia po prawej stronie --> y + 1\n zmienna y --> 9\n 9 + 1 --> 10\nPrzypisuję zmiennej y (obojętnie jaką wartość miała wcześniej) wartość 10\n\nMożna zatem powiedzieć, że - w odróżnieniu od matematyki - w programowaniu znak = oznacza: temu, co znajduje się po lewej stronie znaku, przypisz (nadaj) wartość wyrażenia znajdującego się po prawej stronie znaku. Znaczy to, że Processing widząc linię kodu zawierającą znak = czyta ją od znaku = do końca w prawo, a następnie cofa się jeden krok w lewo. W sumie to proste.\n\n Matematyka dla leniwych \nJeśli w programowaniu można napisać coś skrótem, to pewnie da się napisać to skrótem. Często jest tak, jak w ostatnim przykładzie - chcielibyśmy dodać do zmiennej jakąś wartość:\n\nint x = 8;\n\n// jakis kod\n\n// zwieksz wartosc zmiennej x o 5\nx = x + 5;\n\nTaką operację można zapisać następującym skrótem:\n\n// dodaj 5 do aktualnej wartosci zmiennej x\nx += 5;\n\nCo więcej - takie skróty dotyczą wszytkich podstawowych operacji matematycznych.\n\nint x = 2;\n\n// dodaj 3 do aktualnej wartosci zmiennej x\nx += 3;\n\n// odejmij 1 od aktualnej wartosci zmiennej x\nx -= 1;\n\n// pomnóż aktualną wartość zmiennej x przez 3\nx *= 3;\n\n// podziel aktualną wartość zmiennej x przez 2\nx /= 2;\n\nprintln( \"Wartość zmiennej x to \" + x );\n\nWartość zmiennej powinna wynosić 6.\n\n Skrót skrótu \nWyobraźmy sobie taką sytuację. Piszemy program, który odtwarza plik filmowy (a będziemy taki pisać w dalszej części podręcznika). Naciskamy play i klatka po klatce film wyświetlany jest na ekranie. Żeby wiedzieć, czy znajdujemy się już w połowie, czy dopiero na początku filmu, mamy zmienną frameCounter (licznik klatek), która zwiększa się o jeden po każdej wyświetlonej klatce filmu. Nasz algorytm mógłby wyglądać tak:\n\nwyświetl nową klatkę filmu\n\nframeCounter += 1;\n\nI tak w kółko. Programiści wynaleźli na taką operację specjalną nazwę i bardzo przydatny skrót, który ma dwie wersje*:\n\nframeCounter++; // to jest inkrementacja\nframeCounter--; // a to jest dekrementacja\n\nW pierwszym przypadku dodajemu 1 do wartości zmiennej frameCount, w drugim przypadku 1 od niej odejmujemy. W pewnym sensie efekt działania jest identyczny dla poniższych lini kodu:\n\nframeCounter++;\nframeCounter += 1;\n\nWbrew pozorom inkrementacja to bardzo przydatna sprawa i od następnego rozdziału korzystać z niej będziemy bezustannie!!\n\n* - tak naprawdę instnieją cztery wersje, a nie dwie. Pozostałe dwie poznamy jednak później, bo w chwili obecnej nie mają one dla nas większego znaczenia.\n\n Trzy przez dwa \nDzielenie to nie fizyka kwantowa - trzy przez dwa to przecież półtora. \n\nint result = 3 / 2;\n\nprintln( \"Trzy przez dwa to \" + result );\n\nJak to 1?! Czyżby się Processing pomylił?! Przyjrzyjmy się dokładnie powyższemu fragmentowi kodu. Jak widać dzielimy liczby całkowite i w dodatku zapisujemy wynik w zmiennej cełkowitej. Processing nie miał szansy pokazania nam tego, co po przecinku - prosimy o liczbę całkowitą, dostajemy całkowitą! Spróbujmy zatem zmienić zmienną result na liczbę z przecinkiem:\n\nfloat result = 3 / 2;\n\nprintln( \"Trzy przez dwa to \" + result );\n\n1.0?! O co chodzi?! Znów jednak przyjrzyjmy się dokładniej przykładowi i zastanówmy, jak Processing wykonuje pierwszą linię kodu - krok po kroku:\n\n// float result = 3 / 2;\nWidzę operację przypisania (=) - zaczynam od prawej strony znaku =\n 3 / 2 --> dzielenie:\n 3 to liczba całkowita\n 2 to też liczba całkowita\n wynik jest zatem liczbą całkowitą --> 1\nCofam się o krok i wykonuję operację przypisania:\n result --> zmienna z przecinkiem\n 1 --> liczba całkowita\n przekonwertuj liczbę całkowitą na z przecinkiem, żeby pasowała do zmiennej result\n 1 --> 1.0\n result --> 1.0\n\nUff... Trochę to pogmatwane. Lekcja jednak z tego taka, że jeśli wykonujemy dowolną operację matematyczną na liczbach całkowitych, wynik tej operacji będzie całkowity - nawet jeśli w ten sposób stracimy dokładność obliczeń. Jak się później okaże czasami bywa to bardzo przydatne. Pamiętajmy bowiem, że działamy na monitorze podzielonym na piksele i nie ma piksela numer 2.4 ani współrzędnej (24.7, 61.9). \n\nJak jednak poradzić sobie z naszym prostym dzieleniem? Rozwiązanie jest następujące: z obu stron znaku przypisania (=) musimy mieć liczbę z przecinkiem. \n\nfloat result = 3.0 / 2.0;\n\nprintln( \"Trzy przez dwa to tak naprawdę \" + result );\n\nUdało się!! Processing policzył z przecinkami wynik i przypisał go zmiennej przecinkowej wartość tych obliczeń. Czy to znaczy, że musimy wszystkie operacje z przecinkiem pisać z zerami? I tak i nie. Można wykorzystać taką cechę Processingu, że gdy w operacji matematycznej pojawia się choćby jedna liczba z przecinkiem, Processing automatycznie zamienia tę drugą na przecinkową. Należy jednak na to uważać, bo...\n\nKto pierwszy, kto drugi\nProcessing liczy proste wyrażenia tak jak my robimy to na lekcjach matematyki: najpierw to, co w nawiasach, później mnożenie i dzielenie, a na końcu dodawania i odejmowanie. Zmiany z liczb całkowitych na przecinkowe dokonuje się z zachowaniem tych zasad, co w praktyce oznacza, że:\n\nfloat result = 3 / 2 + 0.1;\n\nprintln( \"Coś tu chyba nie gra: \" + result );\n\nWyszło 1.1 zamiast 1.6. Dlaczego? Dlatego, że Processing najpierw podzielił dwie liczby całkowite i dostał całkowity wynik (1), po czym dodał ten wynik do liczby z przecinkiem. W tymc celu zamienił 1 na 1.0 i dodał 0.1. Wszystko gra. Tylko, że nie o to nam chodziło. Należałoby zatem napisać tak:\n\nfloat result = 3 / 2.0 + 0.1;\n\nprintln( \"Teraz chyba gra: + \" result );\n\nŁatwo tu o pomyłki. Często będzie tak, że nasz program będzie działał, ale to, co zobaczymy na ekranie nie będzie odpowiadało naszym oczekiwaniom. W wielu przypadkach okaże się, że miało być 1.5 * 2, a wyszło 1 * 2, bo gdzieś wcześniej wykonaliśmy operacje na liczbach całkowitych, a nie przecinkowych. \n\nA co z resztą?=", "source": "wikibooks", "added": "2026-07-19", "created": "2022-02-02", "token_count": 3011, "license": "CC-BY-SA-3.0", "author": "Wikibooks contributors, https://pl.wikibooks.org/wiki/Processing/Geometria"} +{"id": "zpe-cnc-pl:augmentation-DTLUH4Ybg:0001", "text": "Przewodnik dla nauczyciela \n\nZawierają różnego rodzaju multimedia, które ułatwiają uczącemu się przyswojenie wiedzy. E‑materiał „Montaż i obsługa prostych elementów maszyn i urządzeń” składa się z pięciu materiałów multimedialnych.\nFilm edukacyjny Podstawy wykonywania prac pomocniczych mechanika D15Ui3E3E Film edukacyjny Podstawy wykonywania prac pomocniczych mechanika\nAtlas interaktywny Montaż i demontaż prostych elementów maszyn i urządzeń DYlviIyiP Atlas interaktywny Montaż i demontaż prostych elementów maszyn i urządzeń\nFilm instruktażowy - tutorial Obsługa prostych elementów maszyn i urządzeń D10gu084m Film instruktażowy - tutorial Obsługa prostych elementów maszyn i urządzeń\nAtlas interaktywny Naprawa i konserwacja prostych elementów maszyn i urządzeń DWJchQLY6 Atlas interaktywny Naprawa i konserwacja prostych elementów maszyn i urządzeń\nFilm edukacyjny Charakterystyka zawodu pomocniczego mechanika DNFRJHbFo Film edukacyjny Charakterystyka zawodu pomocniczego mechanika\n3. Obudowa dydaktyczna\nInteraktywne materiały sprawdzające D19yu2YiR Interaktywne materiały sprawdzające pozwalają zweryfikować poziom opanowania wiedzy i umiejętności zawartych w e‑materiale.\nSłownik pojęć dla e‑materiału D12lPoqVQ Słownik pojęć dla e‑materiału zawiera objaśnienia specjalistycznego słownictwa występującego w całym materiale.\nPrzewodnik dla nauczyciela DTLUH4Ybg Przewodnik dla nauczyciela zawiera sugestie do wykorzystania e‑materiału w ramach pracy dydaktycznej.\nPrzewodnik dla uczącego się DrLjlytnc Przewodnik dla uczącego się zawiera wskazówki i instrukcje dotyczące wykorzystania e‑materiału w ramach samodzielnej nauki.\nNetografia i bibliografia D6NFbzaRZ Netografia i bibliografia stanowi listę materiałów, na bazie których został opracowany e‑materiał.\nInstrukcja użytkowania D14uWyO8G Instrukcja użytkowania objaśnia działanie materiału oraz poszczególnych jego elementów.\nWprowadzenie\nPodstawy wykonywania prac pomocniczych mechanika Film edukacyjny\nMontaż i demontaż prostych elementów maszyn i urządzeń Atlas interaktywny\nObsługa prostych elementów maszyn i urządzeń Film instruktażowy - tutorial\nNaprawa i konserwacja prostych elementów maszyn i urządzeń Atlas interaktywny\nCharakterystyka zawodu pomocniczego mechanika Film edukacyjny\nInteraktywne materiały sprawdzające\nSłownik pojęć dla e-materiału\nPrzewodnik dla uczącego się\nNetografia i bibliografia\nInstrukcja użytkowania\nPowrót do spisu treści 5 Powrót do spisu treści\nWskazówki do wykorzystania e‑materiału w pracy dydaktycznej dla zawodu pracownik pomocniczy mechanika\nPraca uczniów podczas zajęć\nE‑materiał stanowi nowoczesną pomoc dydaktyczną wspomagającą proces kształcenia zawodowego. Ułatwi on uczniom zapoznanie się oraz zapamiętanie pojęć związanych z montażem i obsługą prostych maszyn i urządzeń w pracy pracownika pomocniczego mechanika.\nPraca na lekcji zakłada aktywną postawę zarówno nauczyciela, jak i uczniów. Ważnym założeniem jest praca nad jednym materiałem na różne sposoby i za pomocą różnych technik, mająca na celu jak najlepsze zapamiętanie informacji.\nPoniżej znajdują się propozycje wykorzystania poszczególnych elementów materiału w ramach lekcji, w samodzielnej pracy ucznia, pracy w grupach i pracy całego zespołu klasowego.\nPraca uczniów w grupach i w zespole klasowym\nFilm edukacyjny „Podstawy wykonywania prac pomocniczych mechanika”\nNauczyciel prezentuje uczniom na lekcji film edukacyjny i prosi, aby notowali ważne według nich informacje dotyczące podstaw wykonywania prac pomocniczych mechanika.\nKlasa zostaje podzielona na kilka 4 – osobowych grup.\nProwadzący wprowadza uczniów w to, co będą musieli za chwilę robić. Informuje ich, że będą tworzyli dla uczącego się zawodu krótką charakterystykę najważniejszych prac pomocniczych mechanika.\nPierwsza grupa otrzymuje duży arkusz papieru i wpisuje pierwszą informację. Następnie przekazuje arkusz kolejnej grupie, która dopisuje na nim kolejne prace. Arkusz papieru wędruje do kolejnej grupy i tak powstaje kompletna charakterystyka.\nW przypadku, kiedy dana grupa nie ma pomysłu na to, co wpisać, przekazuje arkusz kolejnej grupie. Jeśli jakiś etap sprawia uczniom szczególne trudności, pomaga im nauczyciel.\nProwadzący pozwala grupom zastanowić się nad zapisywanymi informacjami, ale kontroluje również czas pracy grup w taki sposób, aby praca nad zdaniem miała dynamiczny charakter.\nKiedy tekst jest gotowy, nauczyciel odczytuje efekty pracy uczniów. Na tym etapie grupy, jak i nauczyciel mogą komentować zapisane wskazówki.\nPo omówieniu tekstów nauczyciel pyta uczniów, który etap tworzenia charakterystyki wydał im się najtrudniejszy i prosi o uzasadnienie wyboru.\nGrupy poproszone zostają o przedstawienie swoich opinii.\nAtlas interaktywny „Montaż i demontaż prostych elementów maszyn i urządzeń”\nUczniowie dzieleni są na grupy. Każda grupa otrzymuje pulę grafik przedstawiających różne elementy maszyn i urządzeń.\nZadaniem uczniów jest uporządkowanie grafik do różnych zespołów lub podzespołów maszyn.", "source": "zpe-cnc-pl", "added": "2026-11-07", "created": "", "token_count": 1696, "license": "CC-BY-SA-3.0 (page attribution; external media may have separate credits)", "author": "ZPE / Englishsquare.pl Sp. z o.o."} +{"id": "bibliotekanauki-automation:131168:0001", "text": "Prezentacja autorskiego programu automatycznego pomiaru znaczków tłowych na obrazach zdjęć lotniczych\n\nPojęcie korelacji nie jest związane tylko i wyłącznie z obrazami cyfrowymi \ni fotogrametrią. Najogólniej, korelacja obrazu polega na odnajdywaniu tych samych \npunktów na obrazach przedstawiających ten sam obiekt lub scenę. Proces ten nieprzerwanie \nzachodzi w ludzkim mózgu, w ośrodku wzroku, który łączy obrazy zarejestrowane przez \nprawe i lewe oko, umoŜliwiając nam trójwymiarową percepcję przestrzeni. To naturalne \ndopasowanie obrazu jest teŜ wykorzystane w klasycznej analogowej fotogrametrii podczas \nobserwacji stereoskopowych par fotografii z wykorzystaniem stereoskopu. \nW fotogrametrii cyfrowej korelacja jest jednym z najwaŜniejszych zagadnień. \nPrzełomowym był rok 1957, kiedy to Gilbert Hobrough zaprezentował swoją koncepcję \nkorelacji obrazów na stacji roboczej Kelsh’a. To właśnie od tego momentu moŜemy zacząć \nmówić o automatyzacji w fotogrametrii. Co prawda ówczesna technologia zmuszała do \nanalogowego przeprowadzania procesu korelacji tzn. przy pomocy pewnego urządzenia \nporównywane były poziomy szarości zobrazowań, ale rozwiązania zaprezentowane przez \nHobrough’a były przełomowym wydarzeniem w dziejach fotogrametrii. Kolejnym duŜym \nkrokiem w rozwoju tej dziedziny było pojawienie się obrazów cyfrowych i moŜliwości stąd \nwynikające. Zasadnicza róŜnica, w stosunku do klasycznej fotogrametrii, polega na tym, Ŝe \npracując z obrazem cyfrowym, pewne etapy (np. wyszukiwanie i pomiar punktów \nhomologicznych) mogą przebiegać w sposób automatyczny. W Polsce automatyczny \npomiar określany jest mianem autokorelacji (matching).\n\nPrezentacja autorskiego programu automatycznego pomiaru znaczków tłowych \nna obrazach zdjęć lotniczych\n\n127\nMetody korelacji obrazów moŜna podzielić na trzy główne grupy: \n- korelacja oparta na jasnościach (Area Based Matching - ABM), \n- korelacja oparta na cechach (Feature Based Matching - FBM), \n- korelacja oparta na relacjach (Relational (Symbolic) Matching). \nMetody te róŜnią się głównie zaawansowaniem algorytmów dopasowania, od prostej \nkorelacji liczonej pomiędzy jasnościami pikseli do zaawansowanych algorytmów \nbadających relacje między obiektami (cechami) na obrazach cyfrowych.\n\n3. \nAUTOMATYZACJA POMIARU ZNACZKÓW TŁOWYCH\n\n3.1. Orientacja wewnętrzna\n\nOrientacja wewnętrzna jest jednym z podstawowych i najwaŜniejszych etapów wielu \nprocesów fotogrametrycznych. Elementy orientacji wewnętrznej to współrzędne punktu \ngłównego w układzie współrzędnych tłowych oraz odległość obrazowa, czyli odległość \nmiędzy środkiem rzutu, a płaszczyzną obrazu. Parametry te są wyznaczane w procesie \nkalibracji kamery. Problem orientacji wewnętrznej polega na tym, Ŝe połoŜenie punktu \ngłównego jest znane w układzie tłowym, a nie w układzie pikselowym (obrazowym), zatem \nzadaniem orientacji wewnętrznej jest wyznaczenie geometrycznej zaleŜności między tymi \nukładami. \nDla obrazów cyfrowych otrzymanych w procesie skanowania zdjęć lotniczych \npozyskanych kamerami analogowymi, a z takimi mamy głównie do czynienia w Polsce, \nparametry transformacji obliczane są na podstawie znanych współrzędnych znaczków \ntłowych w obu układach. Współrzędne znaczków tłowych w układzie tłowym są znane, \nstałe dla konkretnej kamery, a wyznaczane są w procesie kalibracji kamery. Natomiast \nwspółrzędne w układzie pikselowym pozyskiwane są w trakcie wykonywania orientacji \nwewnętrznej, czyli pomiaru znaczków tłowych. Pomiar taki musi być przeprowadzany dla \nkaŜdego zdjęcia niezaleŜnie, gdyŜ połoŜenie znaczków w układzie pikselowym zmienia się \ndla kaŜdego zdjęcia. Wpływ na taki stan mają zarówno błędy wynikające z deformacji \nmateriału negatywowego, jak i wiele czynników procesu skanowania m.in. róŜne \nusytuowanie zdjęć w stosunku do siebie podczas skanowania, rozdzielczość skanowania \nczy \nskanowanie \nróŜnymi \nskanerami. \nPrzeliczenie \nwspółrzędnych \npikselowych \n(obrazowych) do układu współrzędnych tłowych odbywa się na podstawie transformacji \nafinicznej.\n\n3.2. Program „Interior Orientation 1.0”\n\nAutorski program „Interior Orientation 1.0” jest programem słuŜącym do prezentacji \ni przetwarzania obrazów cyfrowych. Jego głównym zadaniem jest automatyczne \nprzeprowadzanie orientacji wewnętrznej na zdjęciach lotniczych. Napisany został \nz wykorzystaniem języka programowania „Microsoft Visual C++ w wersji 6.0” \nw środowisku Microsoft Windows XP. Program obsługuje obrazy cyfrowe zapisane \nw postaci mapy bitowej BMP. Powstał w oparciu o standardowe biblioteki klas MFC\n\nTomasz Chwastek, Sławomir Mikrut\n\n128\n(Microsoft Foundation Class). Pozwala to na zaimplementowanie wybranych procedur \n(tutaj zdefiniowanych jako klasy) do innych systemów. \nGłówne okno programu składa się z przestrzeni roboczej, w której wyświetlane są \notwierane obrazy, paska narzędzi zawierającego skróty do podstawowych funkcji oraz \npaska menu, zawierającego wszystkie funkcje, w które program został wyposaŜony. \nW obszarze roboczym zdefiniowany został układ współrzędnych, w którym to wyznaczane \nsą współrzędne znaczków tłowych. Program oprócz modułu odpowiedzialnego za \nautomatyczny pomiar znaczków tłowych posiada takŜe inne funkcje. MoŜliwe jest zamiana \nobrazu z pozytywu na negatyw, przejście z formatu 24 bitowego na 8 bitowy, a takŜe \nwykonanie filtracji kontekstowej z wykorzystaniem dolnoprzepustowych filtrów (low-pass \nfilter) uśredniającego i Gaussa oraz górnoprzepustowego filtru (high-pass filter) Laplace’a \ni gradientu Sobela. Są to jednak tylko moduły dodatkowe, gdyŜ istotą działania programu \n„Interior Orientation 1.0” jest automatyczny pomiar znaczków tłowych. Więcej szczegółów \nodnośnie programu moŜna znaleźć w pracy T. Chwastka (Chwastek, 2005).\n\n3.3. Opis zastosowanego algorytmu", "source": "bibliotekanauki-automation", "added": "2026-11-07", "created": "2006", "token_count": 2093, "license": "CC BY-SA: Creative Commons Attribution-ShareAlike 4.0", "author": "T. Chwastek; S. Mikrut"} +{"id": "bibliotekanauki-engineering-new:698131:0000", "text": "Ryzyko produkcji własnych mediów energetycznych\n\n75\nNiestabilna sytuacja na rynku su-\nrowców energetycznych, jak i rosnące \nceny mediów energetycznych, skłaniają \nprzedsiębiorstwa do szukania niestan-\ndardowych rozwiązań. Jednym z takich \nrozwiązań jest produkcja własnych me-\ndiów energetycznych, w oparciu o tech-\nnologię kogeneneracji zwaną też CHP \n(Combined Heat and Power)27). Tech-\nnologia ta pozwala produkować jedno-\ncześnie energię elektryczną i cieplną17). \nZastosowanie kogeneracji w przedsię-\nbiorstwie daje możliwości uzyskania \nznacznych oszczędności. Jednak kom-\npleksowe badania naukowe z dziedziny \nzarządzania mediami, w fazie wdroże-\nnia takiego rozwiązania wraz z ochro-\nną środowiska, nie zostały do tej pory \nprzeprowadzone10, 20). \nZe względu na brak doświadczeń \nwybranie takiego modelu wiąże się z ry-\nzykiem, które występuje podczas finan-\nsowania projektu, jego implementacji, \noraz w trakcie funkcjonowania w przed-\nsiębiorstwie. \nPrzedmiotem \nrozważań \njest próba identyfikacji rodzajów ryzyka, \nzwiązanych z wykorzystaniem tej inno-\nwacyjnej technologii w polskich przedsię-\nbiorstwach branży spożywczej. \nTradycyjny sposób zarządzania \nJednym z podstawowych zadań przed-\nsiębiorstwa jest kontrola kosztów, co wią-\nże się ze zużyciem mediów energetycz-\nnych. Z punktu widzenia zarządzania \nłańcuchem dostaw, to zadanie jest prio-\nrytetowe. Jednak w wielu przypadkach \nprzedsiębiorstwa rozliczają się z dostawcą \nenergii elektrycznej w sposób tradycyjny, \npolegający na pokryciu rachunku za dany \nmiesiąc. Jest to stary sposób zakupu ener-\ngii, jeszcze z przeszłości, kiedy energia \nbyła stosunkowo tania a monopol ener-\ngetyczny nie pozwalał na jakiekolwiek \nruchy dotyczące negocjacji cen. W wielu \nprzedsiębiorstwach ten sposób jest nadal \nstandardem. Takie podejście nie pozwala \nna wykorzystanie, wynikających z dzia-\nłania wolnego rynku energii, możliwości \nobniżenia jej ceny jednostkowej. Dodat-\nkowo, przedsiębiorstwo musi wpisać w \nswoją strategię ciągły wzrost cen energii.\nTPA − system zarządzania energią\nJednym z kluczowych elementów \numożliwiających odbiorcom dostęp do \nwolnego rynku energii jest tzw. zasada do-\nstępu stron trzecich − zasada TPA (Third \nParty Access). \nOznacza ona możliwość korzystania \nz sieci energetycznego przedsiębiorstwa \nsieciowego bez obowiązku kupowania od \nniego energii elektrycznej. Z założenia po-\nwinna więc służyć rozwijaniu konkurencji \nna rynku energii elektrycznej. W praktyce \nsystem ten obejmuje trzy strony:\n• Pierwsza strona to przedsiębiorstwo ku-\npujące energię, mające swobodę wybo-\nru dostawcy energii elektrycznej.\n• Druga strona to zakład energetyczny \nwspółpracujący z PSE (Polskie Sieci \nEnergetyczne), czyli przedsiębiorstwo \nsieciowe, świadczące usługi transpor-\ntu energii od przedsiębiorstwa obrotu \nenergią do przedsiębiorstwa zużywają-\ncego energię.\nLech Maryniak \nRyzyko produkcji własnych \nmediów energetycznych\nWarsztaty menedżerskie", "source": "bibliotekanauki-engineering-new", "added": "2026-11-07", "created": "2011", "token_count": 1080, "license": "CC BY: Creative Commons Attribution 4.0", "author": "Lech Maryniak"} +{"id": "bibliotekanauki-maintenance:64156543:0001", "text": "Redukcyjne pułapki socjologii „myślących maszyn”\n\n237\nnie systemu o mniej lub bardziej abstrakcyjnym charakterze mogą tworzyć \nwłaściwe dla więzi społecznych wartości? Trzecie z kluczowych kryteriów \ndotyczy budowanych na bazie więzi t o ż s a m o ś c i, a więc czegoś więcej niż \npartykularnych i cząstkowych identyfi kacji konkretnych osób w ramach odgry-\nwanych przez nie ról. Tożsamości te w świecie społecznym nie ograniczają się \nprzy tym do samoświadomości jednostek, ale tworzą struktury o charakterze \nwspólnotowym, o przenikających się zakresach odniesień, uzupełniających \nwyznacznikach, czasami o niewspółmiernym typie wartości3.\nJAKIE RELACJE?\n\nCzy „myślące maszyny” albo też inne obiekty współczesnego świata techno-\nlogii mogą wchodzić w relacje? Oczywiście, że tak. Poziom automatyki i powią-\nzania pracy urządzeń technicznych, a więc wymiana informacji i połączona z nią \nwzajemna współzależność, reaktywność i adaptacja znamionują postęp technicz-\nny znany już w starożytności, ale intensywnie rozwijany od czasów rewolucji \nprzemysłowej. Nie jest to jednak powód, aby relacje te uznać za rzeczywistość \no charakterze społecznym. Powstają bowiem inne pytania, a mianowicie: co jest \nprzedmiotem owych relacji, co wchodzi w obszar wymiany, a następnie współza-\nleżności. Socjologia daje pod tym względem dosyć jasne odpowiedzi, demaskując \njednocześnie bezprzedmiotową wręcz charakterystykę jakiejkolwiek socjologii \nmaszyn. To, co wchodzi bowiem w obszar relacji ludzkich, to nie tylko impulsy, \nbodźce i sygnały, ale nadawane im znaczenia, czasami defi niowane polisemiotycz-\nnie o dużej zmienności sytuacyjnej i kontekstualnej, następnie wielopoziomowe \nstruktury wartości powiązane z właściwymi dla nich arsenałami emocji, przeżyć, \na w końcu doświadczeń transgresyjnych. Jak widać relacje społeczne to nie tylko \nprzekazanie impulsów, ale też wymiana znaczeń i rodzaj kultury intelektualnej. \nCzy rzeczywistość „myślących maszyn” będzie w stanie wyjść poza sferę rozumo-\nwania, procedowania, kalkulacji, a w najbardziej rozwiniętej postaci dokonywania \nracjonalnej optymalizacji swoich decyzji? Jakiego typu jest to racjonalność? Czy \nbierze ona pod uwagę rzeczywistość afektywnych atrybutów powiązanych z nią \nwartości oraz kardynalną różnicę pojęcia zachowań i działań?\nPerspektywa socjologiczna stawia kolejny wymóg relacjom społecznym, \nktórym jest zdolność rozwoju działań komunikacyjnych4. Warto przy tym za-\n3 Zob. T. P a l e c z n y, Relacje międzykulturowe w dobie kryzysu ideologii wielokulturowości, \nKsięgarnia Akademicka, Kraków 2017; A. T r ą b k a, Tożsamość rekonstruowana. Znaczenie mi-\ngracji w biografi ach Third Culture Kids, Wydawnictwo Naukowe Scholar, Warszawa 2014.\n4 Zob. J. H a b e r m a s, Teoria działania komunikacyjnego, t. 1, Racjonalność działania \na racjonalność społeczna, tłum. A.M. Kaniowski, Państwowe Wydawnictwo Naukowe, Warsza-\nwa 1999.\nRedukcyjne pułapki socjologii „myślących maszyn”", "source": "bibliotekanauki-maintenance", "added": "2026-11-07", "created": "2023", "token_count": 1130, "license": "CC BY: Creative Commons Attribution 4.0", "author": "Leszek Korporowicz"} +{"id": "open_agh_chemistry_pl_608", "text": "Właściwości związków organicznych\n\nWłaściwości fizyczne związków organicznych można opisać w sposób ilościowy i jakościowy. Temperatury topnienia i wrzenia, które identyfikują związki organiczne i podają kluczowe informacje na temat ich czystości, oraz współczynnik załamania światła dostarczają ilościowej informacji na temat związku. Z drugiej strony, zapach, konsystencja, rozpuszczalność i kolor opisują związki organiczne w sposób jakościowy.\n\nWiązania kowalencyjne występują zazwyczaj pomiędzy atomami węgla w związkach organicznych. Dla każdego z tych atomów węgla, 4 jest numerem walencyjnym. Dzięki temu, atomy węgla są zdolne do tworzenia wiązań wielokrotnych (zewn.) (wiązań podwójnych i potrójnych), które zwiększają stopień nienasycenia związku organicznego. Ze względu na zdolność wiązania się atomów węgla przez trwałe wiązania chemiczne (katenacja), większość związków organicznych jest zbudowana z pierścieni lub łańcuchów węglowych o różnej długości i kształcie. Zdolność ta wynika z charakteru niepolarnego wiązania pomiędzy atomami węgla. Rozkład elektronów pomiędzy tymi dwoma pierwiastkami chemicznymi zależy od tych samych wartości ich elektroujemności (2,55) i nie powoduje powstawania elektrofilu.\n\nDefinicja 1: Elektrofil\n\n... to grupa atomów lub cząsteczka charakteryzująca się niedomiarem elektronów, które mogą zostać przyjęte w odpowiednich warunkach.\n\nWiększość związków organicznych topi się, sublimuje lub rozkłada się w temperaturze powyżej 300°C. Rozpuszczalność związków organicznych zależy od struktury węglowej, obecności różnych grup funkcyjnych (zewn.) i typu rozpuszczalnika. Na przykład, obojętne związki organiczne są zazwyczaj mniej rozpuszczalne w środowisku wodnym aniżeli w rozpuszczalnikach organicznych. Wyjątkiem od tej reguły są związki wykazujące charakter jonowy (np. sole kwasów karboksylowych, czwartorzędowe sole amoniowe, aminokwasy i niektóre związki o małej masie cząsteczkowej (np. kwas octowy (\\(\\ce{CH}{_3}{-}\\ce{COOH}\\)) lub formaldehyd (\\(\\ce{H}{-}\\ce{COH}\\)). Inne związki organiczne rozpuszczają się w czystych rozpuszczalnikach organicznych (np. metanolu (\\(\\ce{CH}_{3}\\ce{-OH}\\)), toluenie (\\(\\ce{C}{_6}\\ce{H}{_5}{-}\\ce{OH}\\)), itp. lub w ich mieszaninach.\n\nWiększość związków organicznych tworzy szereg homologiczny. Przykładowo, Węglowodory - Rys. 2 (zewn.) przedstawia szereg homologiczny najprostszych węglowodorów.\n\nDefinicja 2: Szereg homologiczny\n\n... jest to szereg związków chemicznych o tym samym wzorze sumarycznym, których struktura zmienia się o pojedynczy identyczny parametr, taki jak długość łańcucha węglowego (\\({-}\\ce{CH}_{2}{-}\\)).", "source": "open_agh_chemistry_pl", "added": "2026-11-07", "created": "2018-01-01", "token_count": 991, "license": "CC-BY-SA-4.0", "author": "Edyta Proniewicz"} +{"id": "wikibooks_28736", "text": "A\n\nB\n\nG\n gh = GitHub CLI to narzędzie, które przenosi funkcje Github do wiersza poleceń. \nH\n Head - nagłówek\n\nI\n Issues - zakładka każdego projektu w GitHub, gdzie można się podzielić swoimi propozycjami co do ulepszenia projektu\nM\nMaster\n\nO\nOrigin\n\nP\n Pull Request - jeśli wiesz w jaki sposób można rozwiązać dany problem, możesz podesłać go autorowi by mógł włączyć poprawkę.\n\nR\n Remote\nrepozytorium = repo = katalog\n\nS", "source": "wikibooks", "added": "2026-07-19", "created": "2021-09-11", "token_count": 147, "license": "CC-BY-SA-3.0", "author": "Wikibooks contributors, https://pl.wikibooks.org/wiki/Git/slownik"} +{"id": "zpe-cnc-pl:augmentation-D12lPoqVQ:0003", "text": "Słownik pojęć dla e‑materiału \n\nAtlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń” DYlviIyiP Atlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń”\nFilm edukacyjny - „Charakterystyka zawodu pomocniczego mechanika” DNFRJHbFo Film edukacyjny - „Charakterystyka zawodu pomocniczego mechanika”\nFilm edukacyjny - „Podstawy wykonywania prac pomocniczych mechanika” D15Ui3E3E Film edukacyjny - „Podstawy wykonywania prac pomocniczych mechanika”\nFilm instruktażowy - „Naprawa i konserwacja prostych elementów maszyn i urządzeń” DWJchQLY6 Film instruktażowy - „Naprawa i konserwacja prostych elementów maszyn i urządzeń” Film instruktażowy - „Obsługa prostych elementów maszyn i urządzeń” D10gu084m Film instruktażowy - „Obsługa prostych elementów maszyn i urządzeń”\nrodzaj nakrętki, która posiada specjalny mechanizm lub element zapobiegający samoczynnemu poluzowaniu się\nAtlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń” DYlviIyiP Atlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń”\nsystem wykorzystujący energię elektryczną do przenoszenia ruchu lub momentu obrotowego w maszynach i urządzeniach\nAtlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń” DYlviIyiP Atlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń”\nsystem wykorzystujący ciecz hydrauliczną do przenoszenia siły i momentu obrotowego w maszynach i urządzeniach\nAtlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń” DYlviIyiP Atlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń”\nsystem wykorzystujący sprężone powietrze do przenoszenia siły lub ruchu w maszynach i urządzeniach\nAtlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń” DYlviIyiP Atlas interaktywny - „Montaż i demontaż prostych elementów maszyn i urządzeń”\nproces konserwacyjny lub naprawczy, który ma na celu utrzymanie maszyn, urządzeń w dobrym stanie technicznym i funkcjonalnym w trakcie codziennego użytkowania. Polega na wykonywaniu drobnych napraw, regulacji, wymianie zużytych lub uszkodzonych elementów oraz eliminowaniu niedziałających lub nieprawidłowo działających komponentów. Naprawa bieżąca jest często planowana w ramach regularnych przeglądów technicznych, aby zapobiegać poważniejszym awariom i utrzymaniu sprzętu w pełnej sprawności operacyjnej\nFilm edukacyjny - „Charakterystyka zawodu pomocniczego mechanika” DNFRJHbFo Film edukacyjny - „Charakterystyka zawodu pomocniczego mechanika”\nFilm instruktażowy - „Naprawa i konserwacja prostych elementów maszyn i urządzeń” DWJchQLY6 Film instruktażowy - „Naprawa i konserwacja prostych elementów maszyn i urządzeń”\nkompleksowe prace naprawcze mające na celu przywrócenie maszynie, urządzeniu lub obiektowi pełnej sprawności i wydajności poprzez przeprowadzenie kompleksowych działań naprawczych. W ramach naprawy głównej dokonywane są gruntowne badania, analizy stanu technicznego oraz wymiana lub naprawa wszystkich istotnych komponentów, podzespołów lub systemów. Ten rodzaj naprawy może obejmować demontaż, naprawę lub regenerację uszkodzonych lub zużytych części, a także modernizację lub ulepszenia w celu poprawy wydajności i funkcjonalności. Naprawa główna jest zazwyczaj planowana i wykonywana w określonych interwałach czasowych lub po osiągnięciu określonej ilości pracy, w zależności od rodzaju maszyny lub urządzenia\nFilm edukacyjny - „Charakterystyka zawodu pomocniczego mechanika” DNFRJHbFo Film edukacyjny - „Charakterystyka zawodu pomocniczego mechanika”\nFilm instruktażowy - „Naprawa i konserwacja prostych elementów maszyn i urządzeń” DWJchQLY6 Film instruktażowy - „Naprawa i konserwacja prostych elementów maszyn i urządzeń”\nprzyrządy służące do precyzyjnego pomiaru różnych wymiarów i parametrów, np. suwmiarka, mikrometr\nFilm edukacyjny - „Charakterystyka zawodu pomocniczego mechanika” DNFRJHbFo Film edukacyjny - „Charakterystyka zawodu pomocniczego mechanika”\nNarzynki\nnarzędzie do wykonania otworów. Posiadają rowki lub nacięcia na swojej powierzchni, które kształtują odpowiedni gwint w materiale podczas obrotu narzynki\nFilm edukacyjny - „Charakterystyka zawodu pomocniczego mechanika” DNFRJHbFo Film edukacyjny - „Charakterystyka zawodu pomocniczego mechanika”\nFilm edukacyjny - „Podstawy wykonywania prac pomocniczych mechanika” D15Ui3E3E Film edukacyjny - „Podstawy wykonywania prac pomocniczych mechanika”\nproces nakładania powłoki lub substancji na powierzchnię poprzez rozpylenie jej w postaci cieczy, proszku lub aerozolu\nFilm edukacyjny - „Charakterystyka zawodu pomocniczego mechanika” DNFRJHbFo Film edukacyjny - „Charakterystyka zawodu pomocniczego mechanika”\nFilm edukacyjny - „Podstawy wykonywania prac pomocniczych mechanika” D15Ui3E3E Film edukacyjny - „Podstawy wykonywania prac pomocniczych mechanika”\nmetoda łączenia elementów za pomocą nitów, które są wprowadzane do otworów i przygniatane, tworząc trwałe połączenie", "source": "zpe-cnc-pl", "added": "2026-11-07", "created": "", "token_count": 1715, "license": "CC-BY-SA-3.0 (page attribution; external media may have separate credits)", "author": "ZPE / Englishsquare.pl Sp. z o.o."} +{"id": "bibliotekanauki-automation:277638:0002", "text": "Automatyzacja prac projektowych przy użyciu programu Panel Connector\n\n3.2.2. Główna procedura\nPrzekazana z interfejsu użytkownika zmienna wejściowa \nwydzieloneObwody zawiera listę danych tekstowych, określa-\njących elementy, które powinny zostać podłączone do oddziel-\nnych obwodów elektrycznych. Skrypt sprawdza zgodność \ndanych zawartych w zmiennej wydzieloneObwody z wartościami \nzapisanymi w parametrze Comments wybranych przez użyt-\nkownika elementów\nfor element in elementy:\n if UnwrapElement(element).\n LookupParameter(‘Comments’).AsString() \n in wydzieloneObwody:\nElementy, u których zgodność zostanie wykryta zostają prze-\nniesione do listy zestawWydzielony.\nPozostałe elementy przekazywane są do opracowanego \nautorskiego algorytmu sortującego, który przeprowadza dwu-\nkrotne sortowanie – w pierwszej kolejności zgodnie z numeracją \npomieszczeń, a następnie w zależności od sposobu montażu ele-\nmentów (montaż ścienny, nastropowy lub w puszce podłogowej).\nNastępnym krokiem jest uwzględnienie sytuacji, w której \nw dwu lub większej liczbie kolejnych pomieszczeń, liczba ele-\nmentów pozwala na podłączenie ich do wspólnego obwodu elek-\ntrycznego.\nZakładając, że:\nn – liczba pomieszczeń,\ng – podana przez użytkownika maksymalna liczba elementów \npodłączonych do jednego obwodu,\ni1, i2, …, in – liczba gniazd w poszczególnych pomieszczeniach, \nprzy czym i1 ≠ i2 ≠ … ≠ in ≠ g.\nLista elementów przyjmuje postać:\nTabela 1. Struktura listy\nTable 1. List structure\npomieszczenie1\n[pomieszczenie1, element_ID11]\n[pomieszczenie1, element_ID12]\n…\n[pomieszczenie1, element_ID1i1]\npomieszczenie2\n[pomieszczenie2, element_ID21]\n[pomieszczenie2, element_ID22]\n…\n[pomieszczenie2, element_ID2i2]\n…\n…\npomieszczenieN\n[pomieszczenieN, element_IDn1]\n[pomieszczenieN, element_IDn2]\n…\n[pomieszczenieN, element_IDnin]\nZasada działania:\na. Dla każdego pomieszczenia pobierz wartość i – liczba gniazd \nw pomieszczeniu.\nb. Jeżeli i ≥ g, wówczas i zostaje podzielone przez g. Część cał-\nkowita wyniku dzielenia jest liczbą obwodów w pomieszcze-\nniu. Reszta z dzielenia, którą nazwiemy imod, określi liczbę \nelementów, które będą podłączone do dodatkowego obwodu. \nW celu określenia imod, wykonujemy dzielenie modulo liczby \ngniazd w pomieszczeniu i przez maksymalną liczbę elementów \npodłączanych do jednego obwodu g. \nimod = i%g\nLiczba elementów podłączonych do dodatkowego obwodu elek-\ntrycznego jest mniejsza od maksymalnej liczby elementów, \nwobec czego istnieje możliwość podłączenia do niego elemen-\ntów znajdujących się w kolejnym pomieszczeniu – w tym przy-\npadku korzystamy z zasady opisanej w kolejnym podpunkcie \n– dla i < g.\nc. Jeżeli i < g wszystkie gniazda w pomieszczeniu podłączane \nsą do jednego obwodu elektrycznego. Najczęściej podłączenie \nwszystkich gniazd w pomieszczeniu nie spowoduje wykorzy-\nstania wszystkich miejsc w obwodzie elektrycznym. Wobec \ntego wykonujemy sprawdzenie, czy liczba gniazd w kolejnym \npomieszczeniu jest na tyle mała, że możemy podłączyć je \npod ten sam obwód. Zastosowano tu pętlę z prostą funkcją \nwarunkową oraz sprawdzeniem, czy dane pomieszczenie nie \njest ostatnim w liście: \nfor i in range(len(ilosc)):\n\nif i+1 <= len(iloscPomieszczen):\n\nif ilosc[i] + ilosc[i+1] < g\nWyniki opisanego algorytmu przechowywane są wewnątrz \nlisty: \nelementyPonumerowane = []\nw której każdy element jest listą opisaną jako:\nelementyPonumerowane[n] = [nrObwodu, [IDelementu1,\n\nIDelementu2,\n\n…,\n\nIDelementuN]]\nJak wspomniano we wstępie, jedną z różnic między dotych-\nczasowym sposobem projektowania – CAD, a technologią \nBIM, jest możliwość modelowania i zarządzania informacjami \nz poziomu jednej, kompletnej bazy danych. Projektowanie za \npomocą narzędzi CAD wymagało wielokrotnego, manualnego \nwprowadzania tych samych informacji na rzutach kondygnacji \noraz schematach tablic elektrycznych, powodując bardzo często \nbłędy polegające na braku spójności między rysunkami. \nCyfrowy Model BIM umożliwia wielokrotne wykorzystanie raz \nwprowadzonej informacji, w szczególności podłączenie elementu \nwidocznego na rzucie kondygnacji do nowego obwodu elektrycz-\nnego, powoduje automatyczną aktualizację zestawienia obwo-\ndów w tablicy elektrycznej, które program Revit przygotowuje \nw formie tabelarycznej. \nW programie Revit, obwody elektryczne występują jako klasa \nElectricalSystem należąca do przestrzeni Autodesk.Revit.DB. \nElectrical.Namespace [12]. Opisywany program Panel Connec-\ntor, wykorzystuje tę klasę oraz dwie jej metody: Create, oraz \nSelectPanel. \nW celu stworzenia nowego obwodu elektrycznego zastosowana \nzostała metoda Create klasy ElectricalSystem, należącej do prze-\nstrzeni Autodesk.Revit.DB.Electrical.Namespace [12]. Metoda ta \nużyta została z argumentem ElectricalSystemType, określającym \ntyp systemu elektrycznego. Program Revit umożliwia zastoso-\nwanie systemów typu:\nUndefinedSystemType – system niezdefiniowany,\nData – stosowany do łączenia elementów sieci komputerowych,\nPowerCircuit – system obwodów elektrycznych – \nwykorzystany w opisywanym programie,\nTelephone – system telefoniczny,\nSecurity – system bezpieczeństwa,\nFireAlarm – system alarmu pożarowego,\nNurseCall – system przywoławczy,\nControls – system typu controls,\nPowerBalanced – system zbalansowany,\nPowerUnBalanced – system niezbalansowany [12].\nW opisywanym rozwiązaniu, nowy obwód elektryczny two-\nrzony jest przez:\n45\nDariusz Rocki\n\ndoc = DocumentManager.Instance.CurrentDBDocument\ninput = UnwrapElement(listaElementow)\nfor zestaw in input:\n\nelectComponents = List[ElementID]()\n\nfor i in zestaw:\n\nelectCompoments.Add(i.Id)\nnowyObwod = ElectricalSystem.Create(doc,", "source": "bibliotekanauki-automation", "added": "2026-11-07", "created": "2020", "token_count": 1899, "license": "CC BY: Creative Commons Attribution 3.0 PL", "author": "Dariusz Rocki"} +{"id": "bibliotekanauki-engineering-new:1835428:0003", "text": "Opracowanie innowacyjnej metodyki określania warunków ciśnienia i temperatury dysocjacji hydratów z wykorzystaniem aparatury do badań PVT\n\nartykuły\n269\nNafta-Gaz, nr 4/2017\npują one w środowisku gazowym, gaz musi być nasycony \nparą wodną i gazem tworzącym hydraty. Do rozpuszczania \nhydratów może dojść w przypadku występowania pozytyw-\nnego gradientu dyfuzyjnego od hydratu w kierunku otacza-\njącej wody lub gazu. Rozpuszczalność gazu tworzącego hy-\ndraty w wodzie znacząco oddziałuje na szybkość rozpusz-\nczania hydratu. Im większa rozpuszczalność gazu, tym szyb-\nciej hydraty mogą się rozpuszczać [20, 13].\nDysocjacja zachodzi głównie w zewnętrznej warstwie hy-\ndratów (rysunek 3). Skupiska hydratów o dużej powierzch-\nni w stosunku do masy dysocjują o wiele szybciej w porów-\nnaniu do nagromadzeń, w których stosunek powierzchni do \nmasy jest niski. Może zaistnieć sytuacja, w której skupiska \no dużej powierzchni będą dysocjować, podczas gdy w sku-\npiskach o niskim stosunku powierzchni do masy szybkość \ndysocjacji będzie mniejsza od szybkości wzrostu kryszta-\nłu, dzięki czemu pozostaną one stabilne w tych samych wa-\nrunkach. Zatem zwiększanie powierzchni hydratu prowadzi \ndo wzrostu szybkości jego dysocjacji. Proces rozpuszczania \nrównież podlega tej zasadzie, z tym że zachodzi jedynie na \npowierzchni hydratu [7].\nHydraty mogą występować w termodynamicznie niesta-\nbilnych warunkach nazywanych stanem metastabilnym. Na \nwykresach PT metastabilność zobrazowana jest jako obszar \nmiędzy krzywą tworzenia się hydratów a krzywą ich dyso-\ncjacji [11]. Metastabilność związana jest z mechanizmem \n„samozachowania” hydratów. Efekt „samozachowania” ob-\nserwowany jest podczas dysocjacji hydratów zachodzącej \nponiżej temperatury topnienia lodu. Woda uwolniona z hy-\ndratu w procesie dysocjacji może zamienić swoją strukturę \nkrystaliczną z układu regularnego (hydrat) na heksagonalny \n(lód), bez konieczności przechodzenia w fazę ciekłą [22].\nPodczas procesu dysocjacji istnieje stały dopływ energii \ncieplnej do systemu, wynikający z endotermicznego charak-\nteru reakcji. Wykorzystując entalpię jako parametr opisują-\ncy system, możemy określić objętościowy udział poszcze-\ngólnych składników w odniesieniu do ilości uzyskanej en-\ntalpii, co dostarcza informacji odnośnie postępu reakcji. Ta-\nkie podejście przedstawia zmianę fazy jako obszar, którego \nszerokość jest określona przez zmianę całkowitej entalpii po-\ntrzebnej do zupełnej dysocjacji hydratu [14].\nAparatura wykorzystana do badań dysocjacji hydratów\nW celu prowadzenia badań formowania się, a następnie \ndysocjacji hydratów, rozbudowano o układ kriostatyczny \nnowoczesną bezrtęciową aparaturę PVT. Aparatura ta prze-\nznaczona jest do badań właściwości fazowych płynów zło-\nżowych, a z racji swej precyzji – pomiaru i możliwości cią-\ngłego wglądu oraz rejestracji parametrów ciśnienia, objęto-\nści i temperatury badanej próbki (PVT). Okazała się być ona \ndoskonałym narzędziem do prowadzenia badań nad zjawi-\nskami formowania się i rozpadu hydratów [27].\nZasadniczym elementem aparatury PVT są dwie komo-\nry wysokociśnieniowe umieszczone w powietrznej łaźni \ntermostatycznej (rysunek 4). Mniejsza komora (o objęto-\nści 400 cm3) zaprojektowana została z myślą o prowadze-\nniu badań do ciśnienia około 690 bar, natomiast większa \nkomora (o maksymalnej objętości 1040 cm3) – do ciśnie-\nnia około 1380 bar. Aparatura umożliwia prowadzenie ba-\ndań w bardzo szerokim zakresie temperatur, tzn. od –10°C \ndo 204°C (400°F). Pomiaru temperatury i ciśnienia doko-\nnuje się poprzez przetworniki PT, które zostały przetesto-\nwane i skalibrowane fabrycznie, a wyniki tych kalibracji \nwprowadzono w formie tabel do oprogramowania obsłu-\ngującego aparaturę [27].\nRys. 4. Aparatura PVT użyta do badań [26] wraz z komorami wysokociśnieniowymi [27]", "source": "bibliotekanauki-engineering-new", "added": "2026-11-07", "created": "2017", "token_count": 1426, "license": "CC BY: Creative Commons Attribution 4.0", "author": "J. Kuśnierczyk; S. Szuflita"} +{"id": "bibliotekanauki-maintenance:153861:0000", "text": "Adaptacyjna metoda synchronizacji prądnic w systemie elektroenergetycznym\n\n122 \n⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ PAK 4/2007\n\nPiotr NIKLAS, Grzegorz REDLARSKI \nPOLITECHNIKA GDAŃSKA, KATEDRA AUTOMATYKI\n\nAdaptacyjna metoda synchronizacji prądnic \nw systemie elektroenergetycznym\n\nDr inż. Piotr NIKLAS\n\nAbsolwent Wydziału Elektroniki i Telekomunikacji \nPolitechniki \nGdańskiej, \nkierunku \nAutomatyka \ni Robotyka z roku 2000. Doktorat w roku 2004. \nObecnie adiunkt w Katedrze Automatyki, Wydziału \nElektrotechniki i Automatyki Politechniki Gdańskiej. \nTematyka pracy obejmuje zagadnienia związane \nz automatyką elektroenergetyczną, w szczególności \nz synchronizacją w systemie elektroenergetycznym. \nZainteresowania naukowe również z dziedziny sieci \nkomputerowych.\n\ne-mail: p.niklas@ely.pg.gda.pl\n\nStreszczenie\n\nW artykule przedstawiono nowo opracowaną, adaptacyjną metodę \nsynchronizacji prądnic w systemie elektroenergetycznym. Metoda ta \nw porównaniu z metodami dotychczas stosowanymi posiada szereg zalet, \ndo których z pewnością należy zaliczyć: skrócenie czasu trwania procesu \nsynchronizacji, inny aniżeli dotychczas sposób sterowania napięciem \ni prędkością kątową synchronizowanego obiektu, zwiększona dokładność \nekstrapolacji (funkcją wymierną) chwili zgodności fazowej napięć.\n\nSłowa kluczowe: synchronizacja, ekstrapolacja funkcją wymierną, czas \nzgodności fazowej.\n\nAdaptable method of synchronization \nin electric power system\n\nAbstract\n\nIn this paper, new design adaptable method of synchronization in electric \npower system has been presented. This method in comparison with \nactually implemented methods has a lot of advantages: short time \nof synchronization process, other way of sending control signals from \nautomatic synchronizers and high precision of extrapolation time phase \ncoincidence.\n\nKeywords: rational extrapolation, synchronization, time phase coincidence.\n\n1. Wstęp\n\nWłączenie do sieci elektroenergetycznej zespołu wytwórczego \nmoże być zaplanowane np. po remoncie bloku wytwórczego lub \nniezaplanowane, np. w stanach awaryjnych linii przesyłowych, \nkiedy zachodzi potrzeba wytworzenia dodatkowej mocy w syste-\nmie, w jak najkrótszym przedziale czasu. W krajowym systemie \nelektroenergetycznym rolę interwencyjną spełniają głównie elek-\ntronie wodne szczytowo-pompowe, dlatego w sytuacjach awaryj-\nnych niezwykle istotne jest bezpieczne oraz możliwie szybkie ich \nwłączenie do pracy równoległej. \nCelem spełnienia w/w wymagań, uwzględniających kryterium \nczasowe, jest prezentowana w artykule metoda adaptacyjnej syn-\nchronizacji prądnic dla hydrozespołów, która może znaleźć prak-\ntyczne zastosowanie [1]. W metodzie tej pewne stany awaryjne \npostrzegane są jako zakłócenie występujące w miejscu pracy, a jej \nistota bazuje na następujących założeniach: \n• Wszelkie informacje o stanie synchronizowanych obiektów \npozyskiwane są w postać napięć przemiennych reprezentują-\ncych te obiekty; \n• Wykorzystywany jest prosty model matematyczny układu \nregulacji prędkości kątowej synchronizowanego obiektu, w któ-\nrym znajomość wszystkich parametrów nie jest niezbędna; \n• Na danym obiekcie rzeczywistym istnieje możliwość przeprowa-\ndzenia jednorazowej próby synchronizacji, polegającej na wysła-\nniu testowych impulsów sterujących napięciem i prędkością ką-\ntową bez konieczności załączania styków wyłącznika głównego. \nDr inż. Grzegorz REDLARSKI\n\nAbsolwent Wydziału Elektrotechniki i Automatyki \nPolitechniki \nGdańskiej, \nkierunku \nAutomatyka \ni Robotyka z 2000 roku. Doktorat w roku 2003. \nObecnie zatrudniony w Katedrze Automatyki, Wydziału \nElektrotechniki i Automatyki Politechniki Gdańskiej na \nstanowisku adiunkta. Głównym przedmiotem jego \nzainteresowań jest automatyka elektroenergetyczna, \nze szczególnym uwzględnieniem zagadnień diagnostyki \nnowoczesnych, mikroprocesorowych urządzeń automa-\ntyki oraz sieci komputerowych.\n\ne-mail: g.redlarski@ely.pg.gda.pl\n\nUwzględnienie powyższych założeń umożliwia nawet kilku-\ndziesięciu procentowe, skrócenie czasu synchronizacji. Dzieje się \ntak, gdyż proces zrównywania napięcia i częstotliwości synchro-\nnizowanego obiektu z obiektem odniesienia, bazuje na wysyłaniu \njednego impulsu sterującego napięciem i jednego impulsu sterują-\ncego prędkością kątową oraz ewentualnie następujących po nich \npojedynczych impulsów korekcyjnych, a do ekstrapolacji chwili \nkoincydencji fazowej wykorzystywana jest funkcja wymierna.\n\n2. Identyfikacja wartości parametrów obiektu \nna podstawie testowych impulsów \nsterujących\n\nW celu identyfikacji wartości współczynników wzmocnienia: \nzadajnika napięcia (kZN) oraz nastawnika prędkości kątowej \n(kNPK), przeprowadza się próbę synchronizacji na danym obiekcie \nelektroenergetycznym (próba ta jest przeprowadzana jednorazowo \npo zainstalowaniu synchronizatora lub po dokonaniu zmian \nw strukturze układu regulacji). Dodatkowo podczas każdej syn-\nchronizacji hydrozespołu identyfikuje się wartość parametru Tw \nreprezentującego bezwładność masy przepływającej wody (rys. 1), \nktóra może zmieniać się w czasie.\n\nRys. 1. Wyznaczanie wartości współczynników kZN, kNPK, Tw\nFig. 1. Determination the value of coefficients kZN, kNPK, Tw\n\nPAK 4/2007 ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ \n123\n\nW celu wysłania z układu automatycznej synchronizacji prądnic \n(UASP) impulsów sterujących napięciem należy określić kierunek \nwymuszenia nap_dół lub nap_góra oraz czas trwania impulsu \nTRN. Analogicznie dla impulsu sterującego prędkością kątową \nokreśla się kierunek wymuszenia pk_dół lub pk_góra i czas trwa-\nnia impulsu sterującego TRPK. Kierunki wymuszenia i czasy trwa-\nnia impulsów testujących należy dobrać w sposób zapobiegający \nprzekroczeniu dopuszczalnych dla danego obiektu warunków \npracy. Na rys. 1 symbolem u1(t) oznaczono napięcie przemienne \nsynchronizowanego obiektu S1.\n\n2.1. Identyfikacja współczynników \nwzmocnienia: zadajnika napięcia \ni nastawnika prędkości kątowej", "source": "bibliotekanauki-maintenance", "added": "2026-11-07", "created": "2007", "token_count": 2239, "license": "CC BY: Creative Commons Attribution 3.0 Unported", "author": "P. Niklas; G. Redlarski"} +{"id": "open_agh_chemistry_pl_577", "text": "Dysocjacja wielostopniowa\n\nKwasy wieloprotonowe dysocjują wielostopniowo. Przykładem może być kwas ortofosforowy(V), którego dysocjacja zachodzi trójstopniowo:\n\n\\begin{equation}\\ce{H_3PO_4} = \\ce{H^+ + H_2PO_4^-}\\end{equation}\n\n\\begin{equation}\\ce{H_2PO_4^-} = \\ce{H^+ + HPO4^{2-}}\\end{equation}\n\n\\begin{equation}\\ce{HPO_4^{2-}} = \\ce{H^+ + PO_4^{3-}}\\end{equation}\n\nDla każdego etapu dysocjacji wartość stałej dysocjacji jest inna:\n\n\\(K_1 =\\frac{[\\ce{H^+}][\\ce{H_2PO_4^-}]}{[\\ce{H_3PO_4}]} = 2,3 \\text{·} 10^{-2}\\)\n\n\\(K_2 =\\frac{[\\ce{H^+}][\\ce{HPO_4^{2-}}]}{[\\ce{H_2PO4^-}]} = 1,6 \\text{·} 10^{-7}\\)\n\n\\({K_3 =\\frac{[\\ce{H^+}][\\ce{PO_4^{3-}}]}{[\\ce{HPO_4^{2-}}]} = 1,4 \\text{·} 10^{-12}}\\)\n\nStała dysocjacji całkowitej \\(\\ce{K_{H_3PO_4}}\\), równa się iloczynowi stałych dysocjacji wszystkich etapów:\n\n\\(K_{\\ce{H_3PO_4}} =\\frac{[\\ce{H^+}]^3[\\ce{PO_4^{3-}}]}{[\\ce{H_3PO_4}]} = K_1\\text{·} K_2\\text{·} K_3 = (2,3 \\text{·} 10^{-2}) \\text{·} (1,6 \\text{·} 10^{-7}) \\text{·} (1,4 \\text{·} 10^{-12}) = 5,1 \\text{·} 10^{-21}\\)\n\nPierwsza stała dysocjacji \\(K_1\\) odpowiada odszczepieniu pierwszego jonu wodorowego (protonu) i jest zawsze największa. W kolejnych stopniach dysocjacji jony wodorowe odszczepiają się od jonów ujemnych i dlatego mają mniejsze wartości. Zatem w roztworze kwasu ortofosforowego(V) znajdują się niezdysocjowane cząsteczki \\(\\ce{H_3PO_4}\\), jony \\(\\ce{H^+}\\), jony \\(\\ce{H_2PO4^-}\\)(najliczniejsze), jony \\(\\ce{HPO_4^{2-}}\\) i jony \\(\\ce{PO_4^{3-}}\\)(najmniej liczne).\n\nPodobnie kwas siarkowy(VI) ulega dysocjacji stopniowej, jest on kwasem mocnym więc jest całkowicie zdysocjowany na jony:\n\n\\begin{equation}\\ce{H_2SO_4} = \\ce{H^+ + HSO_4^-}\\end{equation}\n\n\\begin{equation}\\ce{HSO_4^-} = \\ce{H^+ + SO_4^{2-}}\\end{equation}\n\nW związku z tym w roztworze kwasu znajdują się jony \\(\\ce{H^+}\\), \\(\\ce{HSO_4^-}\\) i \\(\\ce{SO_4^{2-}}\\).\n\nRównież zasady wielowodorotlenowe (wielokwasowe) dysocjują stopniowo. W pierwszym etapie odszczepia się jedna grupa wodorotlenowa, w kolejnym następna. Dla zasady wapniowej \\(\\ce{Ca(OH)_2}\\) dysocjacja przebiega następująco:\n\n\\begin{equation}\\ce{Ca(OH)_2} = \\ce{CaOH^+ +OH^-}; K_1 =\\frac{[\\ce{CaOH^+}][\\ce{OH^-}]}{[\\ce{Ca(OH)_2}]}\\end{equation}\n\n\\(\\ce{CaOH^+} = \\ce{Ca^{2+}} + \\ce{OH^-}\\) ; \\( K_2 =\\frac{[\\ce{Ca^{2+}}][\\ce{OH^-}]}{[\\ce{CaOH^+}]}\\)\n\nDla każdego z tych etapów można wyznaczyć stałą dysocjacji. Zawsze stała dysocjacji etapu pierwszego jest większa od stałej dysocjacji etapu drugiego \\(K_1 > K_2\\).\n\nSole dysocjują jednostopniowo z wyjątkiem wodorosoli, które również ulegają dysocjacji stopniowej:\n\n\\begin{equation}\\ce{NaH_2PO_4} = \\ce{Na^+ +H_2PO_4^-}\\end{equation}\n\n\\begin{equation}\\ce{H_2PO_4^-} = \\ce{H^+ + HPO_4^{2-}}\\end{equation}\n\n\\begin{equation}\\ce{HPO_4^{2-}} = \\ce{H^+ + PO_4^{3-}}\\end{equation}\n\nZatem, w roztworze \\(\\ce{NaH_2PO_4}\\) znajdują się jony: \\(\\ce{H^+}\\), \\(\\ce{Na^+}\\), \\(\\ce{H_2PO_4^-}\\), \\(\\ce{HPO_4^{2-}}\\), \\(\\ce{PO_4^{3-}}\\).", "source": "open_agh_chemistry_pl", "added": "2026-11-07", "created": "2018-01-01", "token_count": 1428, "license": "CC-BY-SA-4.0", "author": "Maria Starowicz"} +{"id": "wikibooks_13385", "text": "< Okładka\nWstęp do liczb zespolonych\nSpis treści\n\tOd autora\n\tHistoria\n- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -\n Definicje, twierdzenia, wzory\n\tLiczby urojone\n\tPłaszczyzna zespolona\n\tLiczby zespolone\n\tPostać algebraiczna\n Sprzężenie liczby\n Moduł liczby\n\tArgument liczby\n\tPostać trygonometryczna\n\tPostać wykładnicza\n\tPodstawowe zależności\n\tTablice\n\tDziałania na liczbach zespolonych\n\tDodawanie\n\tOdejmowanie\n\tMnożenie\n\tDzielenie\n\tPotęgowanie i pierwiastkowanie\n Przekształcanie postaci\n\n(...)\n- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -\n Dodatek\n Bibliografia\n- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -\n Wersja do druku\n\n Zobacz też \n Teoria grup przemiennych\n Algebra liniowa", "source": "wikibooks", "added": "2026-07-19", "created": "2026-05-30", "token_count": 314, "license": "CC-BY-SA-3.0", "author": "Wikibooks contributors, https://pl.wikibooks.org/wiki/Liczby_zespolone"} +{"id": "zpe-cnc-pl:augmentation-DH9UsvLmR:0002", "text": "Grafika wektorowa \n\nGrafika wektorowa składa się z obiektów zapisanych matematycznie. Jest skalowalna, czyli nie ma strat jakości obrazu w wyniku jej powiększania i pomniejszania. Nie posiada struktury bitmapowej charakterystycznej dla zdjęć wykonywanych aparatami cyfrowymi. Do tworzenia grafiki wektorowej stosowane są odpowiednie programy.\nSą obiektem wektorowym składającym się z węzłów i łączących je segmentów. Segmenty są łukami o różnej krzywiźnie. Można dokonać edycji krzywej - zmienić krzywiznę segmentu, przesuwając punkty kontrolne węzłów.", "source": "zpe-cnc-pl", "added": "2026-11-07", "created": "", "token_count": 192, "license": "CC-BY-SA-3.0 (page attribution; external media may have separate credits)", "author": "ZPE / Englishsquare.pl Sp. z o.o."} +{"id": "bibliotekanauki-automation:130654:0000", "text": "Sieci neuronowe w procesach automatycznej korelacji zdęć lotniczych\n\nArchiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 17b, 2007 \nISBN 978-83-920594-9-2\n\n505 \nSIECI NEURONOWE W PROCESACH AUTOMATYCZNEJ KORELACJI \nZDJĘĆ LOTNICZYCH \nNEURAL NETWORKS IN AUTOMATIC MATCHING PROCESSES \nON AERIAL IMAGES \nSławomir Mikrut1, Zbigniew Mikrut2 \n1 Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, AGH w Krakowie \n2 Katedra Automatyki, Akademia Górniczo-Hutnicza w Krakowie \nSŁOWA KLUCZOWE: fotogrametria cyfrowa, sieci neuronowe, korelacja, spasowanie obrazów \nSTRESZCZENIE: Koncepcja opisywanych badań opierała się na wyborze kilku reprezentacji, które \nnastępnie korelowano przy pomocy metod klasycznych i neuronowych. W trakcie badań \nprzetestowano metody klasyczne spasowania obrazów i porównano je z powstałymi w trakcie badań \nmetodami neuronowymi. Przeprowadzono również eksperymenty polegające na pomiarach \nmanualnych, wykonanych przez niezależnych obserwatorów. \nIstota metodyki opartej o sieci neuronowe polegała na przygotowaniu odpowiednich reprezentacji \nfragmentów obrazów i zastosowaniu do ich klasyfikacji różnych typów sieci neuronowych. Jedna \nz przyjętych metod bazowała na rozkładzie wartości modułu gradientu obrazu oraz jego kierunku. \nSprawdzono przydatność tej reprezentacji do selekcji podobrazów przy pomocy sieci neuronowej \nSOM Kohonena. Druga metoda polegała na wykorzystaniu transformaty log-polar i log-Hough’a, \nktóre są uważane za uproszczone modele przetwarzania wstępnego, realizowanego przez systemy \nwzrokowe ludzi i zwierząt. Przydatność tej i następnej reprezentacji badano przy pomocy sieci \nneuronowej typu backpropagation. Do utworzenia trzeciej reprezentacji zastosowano sieć ICM \n(Intersecting Cortical Model), która jest jedną z wersji PCNN (Pulse Coupled Neural Network). Przy \npomocy tej sieci wygenerowano tzw. podpisy obrazów (signatures), czyli kilkudziesięcioelementowe \nwektory, opisujące strukturę obrazu. \n1. \nWSTĘP \nWykorzystanie sieci neuronowych do rozwiązywania problemów fotogrametrycznych \njest stosunkowo nowym kierunkiem badań, chociaż sieci stosuje się od dawna w analizie \nobrazów cyfrowych. Problem wynika nie tylko z braku popularyzacji tej techniki wśród \nfotogrametrów. Dodatkową trudność stanowi specyfika obrazów fotogrametrycznych, które \ncharakteryzują się stosunkowo dużą różnorodnością i rozdrobnieniem informacji. Im \nmniejsza skala zdjęć tym to rozdrobnienie jest większe. Stwarza to kłopoty z utworzeniem \nzbioru danych do uczenia i testowania, ponieważ zbiór ten powinien być przede wszystkim \nreprezentatywny. Dodatkową trudność stanowi fakt braku narzędzi neuronowych, przy \npomocy których można by zrealizować jeden z najważniejszych etapów analizy, czyli \npasowanie (korelowanie). Pozostają zatem zagadnienia związane z klasyfikacją obszarów\n\nSławomir Mikrut, Zbigniew Mikrut\n\n506 \ni detekcją \ncech, \nco \npokazują \nprzykłady \nzastosowań \nzaczerpnięte \nz \nliteratury \nzaprezentowane w rozdziale 2. \nW niniejszym artykule autorzy zaproponowali koncepcję wykorzystania sieci \nneuronowych do wstępnej selekcji podobrazów oraz – pośrednio - do ich dopasowywania. \nArtykuł jest podsumowaniem kilkuletnich prac. Koncepcja badań opierała się na wyborze \nkilku reprezentacji, które następnie użyto jako wejścia dla klasyfikujących sieci \nneuronowych. Szeroko rozumianych sieci neuronowych użyto także do tworzenia \nreprezentacji, które następnie korelowano. W trakcie badań przetestowano metody \nklasyczne spasowania obrazów i porównano je z powstałymi w trakcie badań metodami \nneuronowymi. Przeprowadzono również eksperymenty polegające na pomiarach \nmanualnych, wykonanych przez niezależnych obserwatorów. \nArtykuł zorganizowany jest następująco. W rozdziale 2 przedstawiono przykłady \nzastosowań sieci neuronowych w fotogrametrii i zagadnieniach pokrewnych, zaczerpnięte \nz literatury. W rozdziale 3 krótko przypomniano zasady działania najczęściej używanych \nsieci neuronowych oraz nieco dokładniej omówiono mniej znaną sieć impulsującą ICM \n(Intersecting Cortical Model). Główną część pracy stanowi rozdział 4, w którym \nzaprezentowano zrealizowane eksperymenty dotyczące zastosowań sieci neuronowych na \nróżnych etapach analizy obrazów fotogrametrycznych. Rozdział 5 zawiera zestawienie \nwyników i wnioski. \n2. \nPRZYKŁADY ZASTOSOWAŃ SIECI NEURONOWYCH W FOTOGRA-\nMETRII I TELEDETEKCJI \nPróby wykorzystania sieci neuronowych podejmowane były do rozwiązywania \nróżnych problemów w dziedzinie fotogrametrii i teledetekcji praktycznie od samego \npoczątku ich rozwoju. Możliwości wykorzystania sztucznej inteligencji w fotogrametrii, \nw ogólnym zarysie, przedstawił już w 1988 r. T. Sarjakoski (Sarjakoski, 1988). \nJednym z pierwszych zastosowań było użycie sieci do ekstrakcji cech (ang. feature \nextraction) (Zheng, 1992). Następnie metodę wykrywania dróg na obrazach zdjęć \nlotniczych z wykorzystaniem sieci Hopfielda do optymalizacji algorytmu matchingu \nprzedstawił Hu na kongresie ISPRS w Amsterdamie (Hu et al., 2000). \nJednak najpopularniejsze zastosowanie to użycie neuronów do klasyfikacji treści \nobrazów wielospektralnych. W jednym z przykładów autor (Vieira, 2000) wykorzystał sieci \njako jedną z metod do klasyfikacji. Metoda ANN (Artcifical Neural Network) była \nwykorzystana obok metod LCA, PTS i MDR. Sieci zostały również wykorzystane przy \nklasyfikacji obrazów radarowych typu INSAR, gdzie wykrywano rejony zniszczeń \npowstałych po trzęsieniach ziemi (Ito et al., 2000). Wykorzystywano je również do \nprodukcji map tematycznych z danych satelitarnych Landsat (Barsi, 2000). Kolejne \nprzykłady wykorzystania sieci do klasyfikacji obrazów teledetekcyjnych można znaleźć \nw pracy (Kamiya, 2000).\n\nInnym przykładem zastosowania sztucznych sieci neuronowych było użycie ich do \nautomatycznego uzupełniania opisów na mapach cyfrowych (Hong, 2000) czy rektyfikacji \nobrazów satelitarnych (Sunar et al., 2000).", "source": "bibliotekanauki-automation", "added": "2026-11-07", "created": "2007", "token_count": 2122, "license": "CC BY-SA: Creative Commons Attribution-ShareAlike 4.0", "author": "S. Mikrut; Z. Mikrut"} +{"id": "bibliotekanauki-engineering-new:357372:0002", "text": "Wykorzystanie obrazowania spektralnego do identyfikacji materiałów na potrzeby sortowania odpadów\n\nmateriału w sposób pozwalający na porównywanie z widmami referencyjnymi i wykorzystywanie w zadaniach \nklasyfikacji. \nPierwsze ze wspomnianych wyżej procesowań polega na odjęciu ramki prądu ciemnego. Szum spowodowany \nprądem ciemnym jest obecny we wszystkich elektronicznych systemach obrazujących nawet w przypadku, gdy \nsystem nie jest oświetlany. Wielkość szumu elektronicznego zależy od wielu czynników, m. in. warunków, w \nktórych pracuje system, czasu pracy urządzenia oraz przede wszystkim od czasu integracji dla \nprzechwytywanych obrazów. Szum elektroniczny powinien zostać usunięty z obrazu przed kolejnymi \nprocesowaniami. W praktyce proces ten przeprowadza się poprzez odjęcie od pobieranych danych, tzw. ramki \nciemnej otrzymanej w wyniku uśrednienia ramek zarejestrowanych przy zasłoniętym obiektywie. \nKalibracja spektralna (częstotliwościowa) wykorzystuje dane zarejestrowane podczas kalibracji systemu \nobrazowania spektralnego, która wykonywana jest zazwyczaj przez producenta kamery. Dane te wykorzystywane \nsą do kalibracji dyspersji spektralnej spektrometru oraz korekcji nieliniowych zniekształceń optycznych (ang. \n„smile”), które wpływają na faktyczną częstotliwość mierzoną w określonym miejscu matrycy detektorowej. \nKorekcja radiometryczna wykonywana jest w celu wyeliminowania zakłóceń wynikających z niedoskonałości \noptycznych układów kamery. Wykorzystuje się tutaj dedykowaną dla danego układu optycznego macierz \nwspółczynników pozwalających na dokonanie korekty wzmocnienia dla każdego piksela. Macierz ta jest \ndostarczana przez producenta kamery. Procedura kalibracji radiometrycznej zależy również od czasu integracji, \nktóry został ustawiony w trakcie pomiaru obrazu spektralnego. \nW celu otrzymania informacji o reflektancji materiałów znajdujących się na przechwyconym obrazie \nhiperspektralnym należy wykonać kalibrację reflektancyjną (normalizację). Wyliczenie reflektancji materiałów \noraz towarzysząca mu normalizacja warunków oświetleniowych wymaga znajomości energii światła padającego. \nEnergia ta może zostać zmierzona wprost lub otrzymana z pomiaru elementu o znanej reflektancji (np. szarej \nkarty reflektancyjnej, ang. grey panel), który musi znajdować się na scenie podczas rejestracji obrazu. Autorzy \nartykułu wykorzystali drugie z wymienionych podejść. Wartość radiancji piksela wyrażona jest równaniem:\n\n\n\n\n\n\nO\nA\nS\nR\nL\n\n\n\n\n\n(3.1) \ngdzie: \nR – reflektancja materiału, \nS – irradiancja spektralna, \nA – atmosferyczna transmitancja spektralna [10], \nO – optyczna transmitancja spektralna [10]. \nAnalogiczne równanie można zapisać dla materiału referencyjnego o znanej reflektancji:\n\n\n\n\n\n\nO\nA\nS\nR\nN\nn\n\n\n\n\n\n(3.2) \nNastępnie, znając wartość reflektancji materiału referencyjnego (\nn\nR) zmierzoną w laboratorium można \nwyznaczyć szukaną wartość reflektancji z równania:\n\n\n\n\n\nN\nR\nL\nR\nn\n\n\n\n(3.3) \nObrazy hiperspektralne wykorzystane w tym artykule zostały poddane wszystkim omówionym wyżej \nprocesowaniom. \n3.2.2. Usunięcie tła i szarej karty reflektancyjnej \nNastępnym krokiem było odrzucenie obszarów obrazu zajmowanych przez tło i szara kartę reflektancyjną. \nPodczas obserwacji zauważono, że dla kanału 96, który odpowiada długości fali λ=864 nm obszary tła i szarej \nkarty są znacząco ciemniejsze od pozostałych elementów w obrazie. Oznacza to, że pochłaniają one mocniej \nskładową światła o tej długości. Pozwoliło to na odfiltrowanie tych obszarów poprzez dokonanie procesu \nbinaryzacji obrazu, a następnie erozji i dylatacji morfologicznej [11]. W dalszym przetwarzaniu uwzględniane są \npiksele określone przez otrzymaną w ten sposób binarną maskę (rys. 3.1.).\n\n70 \nArchives of Waste Management and Environmental Protection, vol. 17 issue 4 (2015)\n\nRys. 3.1. Usuwanie gumy i szarej karty: a) przykładowy obraz dla długości fali λ=864 nm, b) maska binarna po \nodfiltrowaniu tła i szarej karty reflektancyjnej [opracowanie własne] \n3.2.3. Klasyfikacja w dziedzinie spektralnej \nKlasyfikację w dziedzinie spektralnej wykonano z wykorzystaniem metody najbliższego sąsiada w oparciu o \nprzygotowaną wcześniej bazę wzorców. Wykorzystano miarę dopasowania spektrów d:\n\n\n\n\n128\n1\n2\n))\n(\n)\n(\n(\n)\n,\n(\ni\nw\nx\nw\nx\ni\ny\ni\ny\ny\ny\nd\n\n(3.4) \ngdzie: \nxy - znormalizowane spektrum dla nieznanego materiału, \nw\ny - znormalizowane spektrum dla wzorca, \ni - numer kanału. \nNormalizację przeprowadzono według równania:\n\n\n\n128\n1\n)\n(\n)\n(\n)\n(\ni\ni\ny\ni\ny\ni\ny\n\n(3.5) \n3.2.4. Baza wzorców \nBaza wzorców powstała poprzez ręczne wycięcie prostokątnych fragmentów odpowiadających poszczególnym \nmateriałom i wyznaczenie średnich spektrów dla każdego z nich (rys. 3.2.). \nZ porównania otrzymanych wzorców można wyciągnąć następujące wnioski: \n1. Dla przebiegów odpowiadających związkom organicznym zaobserwowano strome narastające zbocze \nmieszczące się w przedziale 650-750 nm (por. rys. 3.2.a). \n2. Dla większości próbek odpowiadających papierowi zaobserwowano, że powyżej 700 nm przebieg ma \nłagodny charakter, bez wyraźnych ekstremów z lekką tendencją malejącą (por. rys. 3.2.b). \n3. W dominującej liczbie próbek plastiku zaobserwowano liczne ekstrema w zakresie 850-1000 nm z \nwyraźnym minimum lokalnym dla długości fali około 925 nm (por. rys. 3.2.c). \nNa podstawie wniosków 1-3 stwierdzono, że cechy charakterystyczne pozwalające wyodrębnić związki \norganiczne uwidaczniają się w przedziale 650-750 nm, zaś rozróżnienie pomiędzy plastikiem a papierem jest \nmożliwe poprzez analizę przedziału 850-1000 nm. Wstępne wyniki testów potwierdziły także, że nie warto \nanalizować całego zakresu spektralnego. W związku z tym wyznaczanie miary dopasowania spektrów d dla \nkamery hiperspektralnej ograniczono do wymienionych zakresów spektralnych, które odpowiadają zakresom \nkanałów 53-75 i 96-128.\n\nArchives of Waste Management and Environmental Protection, vol. 17 issue 4 (2015) \n71", "source": "bibliotekanauki-engineering-new", "added": "2026-11-07", "created": "2015", "token_count": 2359, "license": "CC BY: Creative Commons Attribution 3.0 PL", "author": "K. Tutak; M. Pieszko"} +{"id": "bibliotekanauki-maintenance:157007:0003", "text": "Mechatroniczne projektowanie robota inspekcyjnego\n\n[ 1 ] G ie r g ie l J . , Ku r c K. : R o b o t ins p e k c y j ny d o p r z e w o d ó w r u r o w y c h , \nPAK nr . 1 1 W\na r s z a w a 2 0 0 4 . \n[ 2 ] G ie r g ie l J . , B u r a t o w s k i T . , Ku r c K. : „ Po d s t a w y r o b o t y k i i m e c h a t r o -\nnik i. C z ę ś ć 1 W\np r o w a d z e nie d o r o b o t y k i” Kr a -k ó w 2 0 0 4 . \n[ 3 ] G ie r g ie l J . , Ku r c K. : „ Po d s t a w y r o b o t y k i i m e c h a t r o nik i. C z ę ś ć 2 \nW\np r o w a d z e nie d o m e c h a t r o nik i” Kr a k ó w 2 0 0 4 . \n[ 4 ] G ie r g ie l J . , H e nd z e l Z . , Ż y l s k i W\n. : Kine m a t y k a , d y na m ik a i s t e r o w a -\nnie m o b il ny c h r o b o t ó w k o ł o w y c h w u j ę c iu m e c h a t r o nic z ny m , M\no no -\ng r a f ie , W\ny d z . I M\niR , AG H Kr a k ó w 2 0 0 0 . \n[ 5 ] G ie r g ie l M\n. J . , H e nd z e l Z . , Ż y l s k i W\n. : M\no d e l o w a nie i i s t e r o w a nie \nm o b il ny c h r o b o t ó w k o ł o w y c h , PW\nN , W\na r s z a w a 2 0 0 2 . \n[ 6] G ie r g ie l J . , Ż y l s k i W\n. , Ku r c K. : M\no d e l ing o f k ine m a t ic s o f t h e \nins p e c t iv e r o b o t , W\nis ł a 2 0 0 6.\n\n_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ \nArtykuł recenzowany\n\n_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _\n\nI N F O R M\nA C J E\n\nZapraszamy do PU B L I K A C J I art yk u ł ó w n au k ow yc h \nw c zasopi ś mi e PA K\n\nW\nY D A W\nN I C T W\nO P O M\nI A R Y A U T O M\nA T Y K A K O N T R O L A \nu l . Ś w i ę t o k r z y s k a 1 4 A , p o k . 53 0 , 0 0 -0 50 W\na r s z a w a , \nt e l ./ f a x : 0 2 2 8 2 7 2 5 4 0\n\nR e d a k c j a c z a s o p i s m\na P O M\nI A R Y A U T O M\nA T Y K A K O N T R O L A \n4 4 -1 0 0 G l i w i c e , u l . A k a d e m\ni c k a 1 0 , p o k . 3 0 b , \nt e l ./ f a x : 0 3 2 2 3 7 1 9 4 5, e -m\na i l : w y d a w n i c t w o @\np a k .i n f o .p l", "source": "bibliotekanauki-maintenance", "added": "2026-11-07", "created": "2007", "token_count": 1086, "license": "CC BY: Creative Commons Attribution 3.0 Unported", "author": "J. Giergiel; K. Kurc"} +{"id": "open_agh_chemistry_pl_526", "text": "Trzecia zasada termodynamiki\n\nFenomenologiczne ujęcie drugiej zasady termodynamiki pozwala obliczyć entropię z dokładnością do stałej addytywnej. Walter Nernst, analizując przebieg reakcji pomiędzy fazami krystalicznymi w temperaturach bliskich zera Kelvina, doszedł do wniosku, że suma entropii produktów i substratów reakcji (\\(\\Delta S^r\\)), zachodzącej w układach skondensowanych, jest w pobliżu temperatury zera bezwzględnego równa zeru, co matematycznie można zapisać:\n\n\\begin{equation}\\lim \\limits _{T \\to 0}\\Delta S = 0\\end{equation}\n\nRozszerzenia postulatu Nernsta dokonał Planck opierając się na rozważaniach Boltzmanna i statystycznej definicji entropii (zewn.). Planck twierdził, że:\n\nZasada 1: Trzecia zasada termodynamiki\n\nw temperaturze zera bezwzględnego entropia każdego ciała doskonale jednolitego (o doskonałej budowie) o skończonej gęstości wynosi zero, co można zapisać:\n\n\\begin{equation}\\lim \\limits _{T \\to 0} s_{i} = 0\\end{equation}\n\nPostulat Plancka nosi nazwę Trzeciej zasady termodynamiki.\n\nPowyższe równanie wynika wprost z równania Boltzmanna, definiującego entropię, a mianowicie: jeżeli \\(W = 1\\), to entropia ciała wynosi zero:\n\n\\begin{equation}S = k \\ ln \\ W = k \\ ln \\ 1 = 0\\end{equation}\n\nOkreślenie ciała doskonale jednolitego czy fazy czystej i skondensowanej praktycznie napotyka pewne trudności, a często prowadzi do pozornej sprzeczności z doświadczeniem, gdyż w pobliżu \\(T = 0 \\ K\\) stwierdza się skończoną wartość entropii. Statystycznie prawdopodobieństwo \\(W = 1\\) oznacza, że istnieje tylko jeden sposób rozmieszczenia atomów. Praktycznie oznacza to, że jeżeli mamy kryształ zbudowany z atomów, to każdy atom znajduje się w ściśle określonym położeniu (w swoim położeniu węzłowym) i posiada w tym stanie najmniejszą energię. Rozważając statystycznie pojęcie entropii musimy pamiętać, że wymaga ono, aby materia w temperaturze \\(T = 0 \\ K\\) była w stanie równowagi pełnej. A więc musimy mieć pewność, że badana faza w pobliżu \\(T = 0 \\ K\\) jest fazą termodynamicznie trwałą, że wszelkie zaburzenia struktury, defekty punktowe, chaotyczny rozkład orientacji itp., w czasie procesu oziębiania zanikają, co praktycznie rzadko jest możliwe do osiągnięcia. Istnienie wtrąceń obcych atomów (zanieczyszczeń) czy nawet różnych izotopów tego samego pierwiastka, które są chaotycznie rozmieszczone w węzłach sieci, powodują istnienie w \\(T \\to 0\\) skończonej wartości entropii, którą nazywamy entropią resztkową.\n\nW przypadku opisu układu zgodnie z zasadami mechaniki kwantowej zagadnienie jest zbliżone:\n\n\\begin{equation}\\lim \\limits _{T \\to 0} S = k \\ ln \\ G_{o}\\end{equation}\n\nJeżeli stan podstawowy jest jednoznacznie określony (\\(G_{o} = 1\\)), to powyższe wyrażenie sprowadza się do postulatu Plancka. W przypadku gdy \\(G_{o}\\neq 1\\), otrzymujemy wartość entropii resztkowej. Ponieważ \\(k\\) jest bardzo małe, \\(G_{o}\\) musi mieć dość znaczną wartość, aby entropia resztkowa była mierzalna. Posiadając zatem dane spektroskopowe oraz opierając się na mechanice kwantowej i termodynamice statystycznej można obliczyć zarówno entropię resztkową, jak i przyrost entropii w określonej temperaturze.\n\nModuł opracowano na podstawie [1], [2] oraz [3].\n\nBibliografia\n\n[1]\n\nStokłosa A. Podstawy termodynamiki fenomenologicznej i statystycznej dla chemików : podręcznik dla studentów wyższych szkół technicznych. Kraków: Politechnika Krakowska, 1999.\n\n[2]\n\nKozaczka J. Podstawy termodynamiki. Kraków: Taurus-K, 1997.\n\n[3]\n\nBarrow G. Chemia fizyczna. Warszawa: Państwowe Wydawnictwo Naukowe, 1973.", "source": "open_agh_chemistry_pl", "added": "2026-11-07", "created": "2018-01-01", "token_count": 1332, "license": "CC-BY-SA-4.0", "author": "Alicja Łukaszczyk"} +{"id": "wikibooks_15090", "text": "Napotkane problemy i pytania bez odpowiedzi \n\n Czy NeighborViewer.exe widzi ruter tuz po zainstalowaniu MikroTika ? \n\nTak. Tuż po zainstalowaniu MikroTika z nośnika instalacyjnego jest on widoczny w oknie NeighorViewer.exe . Zanim określone zostaną numery IP interfejsów sieciowych, istnieje możliwość skonfigurowania rutera przez konsolę tekstową poprzez adres MAC.\n\n Jak dziala program WinBox.exe i czy mozna nim dokonac pierwszej konfiguracji rutera ? \n\nKonfiguracja za pomocą programu WinBox.exe wymaga wprowadzenia numeru IP rutera. Zatem nie znając tego numeru nie mamy możliwości zalogowania się do rutera. Jeżeli interfejsy sieciowe nie zostały skonfigurowane, również nie będzie to możliwe.\nW nowej wersji od 2.9.xx jest możliwość konfiguracji poprzez połączenie po adresie MAC.\nPo podłączeniu się poprzez kartę sieciową LAN. Uruchamiamy WinBox.exe i wpisujemy adres MAC karty sieciowej. Wielu przypadkach adres mac karty po podłączeniu się po LAN zostanie wyswietlony w WinBox.exe.\n\n System halted \n\nBootowanie zwyklego peceta (Celeron 700, 198 MB RAMu) kończy się zatrzymaniem systemu\n\n LILO 22.3.4 Loading System..............\n BIOS data check successful\n Uncompressing Linux...\n \n crc error\n \n -- System halted\n\nPodczas gdy z ten sam system operacyjny zapisany na zwykłym dysku twardym Quantum 2 GB uruchamia sie na tym samym pececie bez żadnych problemów i pracuje bez zarzutów.\n\nJesli adapter IDE z kartą CF jest na taśmie 80-żyłowej, zdarzają się tego rodzaju problemy. Gdy skorzystamy z taśmy 40-żyłowej, powinno się uruchomić.\n\n No CDROM found \nInstalowanie systemu na karcie CF->IDE nie powiedzie sie, jesli CDROM będzie na tym samym kontrolerze, co karta CF. Otrzymamy wówczas komunikat \"No CDROM found\" i proces instalacji się zatrzyma. Prawidłowo karta powinna być podłączona jako Primary Master, natomiast czytnik CDROM powinien być Secondary Master.\n\nPamiętajmy o tym iż należy na kontrolerze do karty cf ustawić zworką aby pracował jako primary master oczywiście po instalacji.\n\n Kernel panic: VFS: Unable to mount root fs ... \n\nNajprawdopodobnie próbujesz uruchomić MikroTika z portu EIDE-Primary, podczas gdy podczas instalacji podłączony był do portu EIDE-Secondary. W celu uniknięcia powyższego komunikatu instaluj MikroTika, gdy nośnik docelowy jest podłączony jako Primary-Master.\n\n Czy dysk twardy EIDE można podłączyć do gniazda Compact Flash ? \n\n Na czym polega podwójna licencja w przypadku MikroTik ROS ? \n\n Czym się charakteryzuje protokół NSTREME ? \n\nSamej charaktrystyki protokołu nie będe opisywał ale opiszę jego działanie w przypadku linków 5 ghz z wykorzystaniem tunelowania eoip protokól nstreme pełni ważną rolę i przy włączonej opcji nstreme wraz z poolingiem uzyskujemy o 30% bardziej wydajniejsze linki, ważną rzeczą jest także to w jak spakujemy pakiet który mt później wyśle według mnie jest najwydajniejsza jest opcja dynamic size lecz nie w każdym przypadku jeżeli to nie pomoże możemy także zwiększyć rozmiar paczki do 4000", "source": "wikibooks", "added": "2026-07-19", "created": "2008-07-23", "token_count": 976, "license": "CC-BY-SA-3.0", "author": "Wikibooks contributors, https://pl.wikibooks.org/wiki/MikroTik_na_platformie_WRAP/Napotkane_problemy"} +{"id": "zpe-cnc-pl:augmentation-D185EXpYA:0000", "text": "Układy elektryczne \n\nElektrotechnika\nMEC.03. Montaż i obsługa maszyn i urządzeń - Mechanik - Monter maszyn i urządzeń 723310\nUkłady elektryczne\nGRA EDUKACYJNA\nWykonaj poniższe ćwiczenia związane z prawem Ohma i Kirchoffa .\nPrzykładowy wygląd gry\nGra edukacyjna zapewnia możliwość sprawdzenia swojej wiedzy z danego materiału jak i uświadamia nas z jakich zagadnień powinniśmy uzupełnić naszą wiedzę.\nPrzycisk \"DALEJ\" Źródło: EnglishSquare.pl Sp. z o.o., licencja: CC BY 3.0.\nPrzycisk „DALEJ” umożliwia przejście do następnej planszy.\nZasady gry Źródło: EnglishSquare.pl Sp. z o.o., licencja: CC BY 3.0.\nPo kliknięciu przycisku „DALEJ” pojawiają się zasady gry. Oprócz tego pojawia się informacja, z ilu etapów składa się ta gra oraz na czym one polegają.\nPrzykładowy poziom Źródło: Englishsquare.pl Sp. z o.o., licencja: CC BY 3.0.\nGłównym celem jest uzupełnienie obwodu za pomocą elementów znajdujących się na szarym pasku tak, aby były one zgodne z treścią polecenia.\nPrzesuwanie elementu Źródło: Englishsquare.pl Sp. z o.o., licencja: CC BY 3.0.\nW celu przesunięcia poszczególnego elementu należy przytrzymać wybrany element i przeciągnąć go w odpowiednie miejsce.\nPrzycisk \"POLECENIE\" Źródło: Englishsquare.pl Sp. z o.o., licencja: CC BY 3.0.\nJeśli nie pamiętasz jakie było polecenie do danego poziomu, możesz je ponownie zobaczyć klikając przycisk „POLECENIE”.\nPrzycisk \"RESET\" Źródło: Englishsquare.pl Sp. z o.o., licencja: CC BY 3.0.\nJeśli wstawiłeś niewłaściwy element, możesz kliknąć w przycisk resetu by zacząć poziom od początku.\nPrzycisk \"SPRAWDŹ\" Źródło: Englishsquare.pl Sp. z o.o., licencja: CC BY 3.0.\nPo wybraniu według ciebie właściwych elementów i umieszczeniu ich na odpowiednich polach musisz potwierdzić swoją odpowiedź przyciskiem „SPRAWDŹ”,\nPrzykład poprawnej odpowiedzi Źródło: Englishsquare.pl Sp. z o.o., licencja: CC BY 3.0.\nktóry to po kliknięciu, wyświetli informacje czy odpowiedź jest prawidłowa,\nPrzykład błędnej odpowiedzi Źródło: Englishsquare.pl Sp. z o.o., licencja: CC BY 3.0.\nczy też błędna. W przypadku błędnej odpowiedzi wyświetlona zostanie informacja wskazująca na materiał multimedialny, w którym można uzupełnić brakującą wiedzę.\nNagrania tożsame z treścią.\nZasób interaktywny dostępny pod adresem https://zpe.gov.pl/a/D185EXpYA\nGra edukacyjna \"Układy elektryczne\"\nPowiązane ćwiczenia", "source": "zpe-cnc-pl", "added": "2026-11-07", "created": "", "token_count": 918, "license": "CC-BY-SA-3.0 (page attribution; external media may have separate credits)", "author": "ZPE / Englishsquare.pl Sp. z o.o."} +{"id": "bibliotekanauki-automation:277555:0000", "text": "Estymacja niepewności charakterystyki z pomiarów w punktach kontrolnych\n\n!\t\"\"#\t$%&\n1. Wprowadzenie\nW wielu obszarach praktyki pomiarowej, a w szczególnie \nw  pomiarach o dużej precyzji występuje zagadnienie: w \nilu i których punktach badanej charakterystyki należy mie-\nrzyć jej wartości i z jaką dysponowaną dokładnością, by w \ncałym zakresie jej pomiarów nie przekroczyć wymaganych \nwartości niepewności bezwzględnej lub względnej. Dotyczy \nto na przykład kalibracji przyrządów, badania charaktery-\nstyk czujników, przetworników i innych członów systemów \npomiarowych, a ponadto kontroli elementów i podzespo-\nłów w produkcji, testowania i diagnostyki eksploatowanych \nurządzań. \nW badaniach tych mogą wystąpić następujące sytuacje:\n\n−znane są równania opisujące badaną charakterystykę \ni dokładność użytych mierników, np. dla woltomierza \ncyfrowego jest to liniowa zależność dopuszczalnego błędu \nmaksymalnego. Należy znaleźć przebieg niepewności \ntej charakterystyki;\n\n−znany jest tylko rodzaj badanej funkcji menzurandu, \nnależy znaleźć i jej parametry i przebieg niepewności;\n\n−nieznany jest ani rodzaj badanej funkcji, ani równanie \nopisujące jej niedokładność. \nW badaniach podstawowych, aplikacyjnych i naukowych \nnie ma zwykle istotnych ograniczeń co do gęstości punk-\ntów pomiarowych, kosztów i czasu badań. Jeśli parametry \nfunkcji opisującej badaną charakterystykę znajduje się eks-\nperymentalnie, to opis jej dokładności wyznacza się zwykle \nmetodami statystycznymi, w tym stosując regresję liniową. \nNatomiast w wielu badaniach użytkowych istnieją różne \nograniczenia, które powodują, że trzeba zminimalizować \nliczbę punktów kontrolnych badanej funkcji, ich rozmieszcze-\nnie i objętość informacji oraz czas i koszt jej pozyskiwania. \nZależy to od jej rodzaju i zakresu wartości, od możliwości \nuzyskania wymaganej niepewności pomiarów i od dokład-\nności użytej aparatury pomiarowej. Może też pojawić się \nwymaganie, by punkty kontrolne rozmieszczać nierówno-\nmiernie.\nW pracy rozpatrzy się przypadki, gdy estymację niepew-\nności wartości funkcji y = f(x) opisującej badaną charakte-\nrystykę należy przeprowadzić dla wartości x nie mierzonych \nbezpośrednio, położonych w przedziale między punktami \nkontrolnymi (interpolacja) i poza tym przedziałem (ekstra-\npolacja), ale w pobliżu. Estymacji tej dokona się na podsta-\nwie znanych wartości i niepewności w punktach kontrolnych. \nZbada się ich zależność od rozstępu punktów kontrolnych \ni ich położenia wzdłuż zakresu badanej funkcji. Określi się \n&\n\tG\n*\"8\tB.$A+*\"%\"\n&\n\n,.%,,%/&,0%,>%,/%/&,0%\nK\"\n\n\"4\nZygmunt Lech Warsza\n\t\"7<\"\"47<<%'\t\"\t/&/&/?>0AB\nJacek Puchalski\n(4#CI%K\t/&&?&&,B\nStreszczenie: W pracy omówiono dwie metody estymacji niepewności kilku wartości \nfunkcji opisującej badaną charakterystykę na podstawie pomiarów w punktach kontrolnych. \nMetoda I, nazwana deterministyczną, wykorzystuje w interpolacji niepewności typu B w tych \npunktach korzystając z liniowej aproksymacji przebiegu maksymalnych dopuszczalnych \nbłędów przyrządów. Metoda II polega na statystycznej estymacji niepewności dla wartości \nfunkcji jako liniowej kombinacji wyników pomiarów w punktach kontrolnych. Do wyznaczenia \nniepewności użyto macierzowego równania propagacji wariancji w pośrednich pomiarach \nwieloparametrowych, podanego w Suplemencie 2 do Przewodnika GUM. Jest to rozszerzenie \nzastosowania tego Suplementu. \nDla dwu interpolowanych wartości porównano wyniki estymacji niepewności względnych \ni bezwzględnych oraz ich sumy i różnicy otrzymane obiema metodami. Do interpolacji badanej \nfunkcji w całym zakresie podano zasadę minimalizacji liczby kontrolnych punktów pomiarowych. \nObie metody można stosować w wielu obszarach współczesnej metrologii. \n.\nG\t\"\t\t\nL6\t)\t\"\n\t\t\"\"\t6*\t\n39\nPomiary Automatyka Robotyka, ISSN 1427-9126, R. 22, Nr 4/2018, 39–50, DOI: 10.14313/PAR_230/39\n\nteż granice przedziału, w którym estymowane niepewności \nnie przekroczą wymaganych wartości oraz zaproponuje się \nprocedurę minimalizującą liczbę punktów kontrolnych.\nOmówi się zastosowanie dwu metod estymacji niepewno-\nści dla dowolnych wartości badanej funkcji. Metoda I, nazwa-\nna tu deterministyczną, polega na wyznaczaniu niepewności \nz przebiegu błędu granicznego, znanego z przeprowadzonej \nwiarygodnie kalibracji lub z danych od producenta. Meto-\nda II jest statystyczna i opiera się na wynikach pomiarów \nw punktach kontrolnych. Proponuje się by estymację tą \nmetodą przeprowadzać tak, jak dla pośrednich pomiarów \nwieloparametrowych, tj. wg wektorowej metody propagacji \nniepewności, zalecanej międzynarodowo w Suplemencie 2 do \nPrzewodnika Wyrażania Niepewności o angielskim akroni-\nmie GUM [1]. Służy ona do szacowania niepewności zbioru \npojedynczych wartości wielkości skojarzonych w pośrednich \npomiarach wieloparametrowych, czyli elementów multimen-\nzurandu. W pracy proponuje się zastosowanie tej metody do \nestymacji niepewności dowolnej wartości funkcji na podsta-\nwie pomiarów kontrolnych w ograniczonej liczbie punktów.\nH0!\n\n(\n\n(\nOmawianie zagadnienia rozpocznie analiza prostego przy-\npadku, gdy w punktach kontrolnych mierzy się dwie warto-\nści badanej wielkości x, tj. x1, x2, (x2 > x1). Ich standardowe \nodchylenia, oznaczane jako sx1, sx2, są traktowane jako \nniepewności bezwzględne. Na podstawie tych pomiarów \nnależy oszacować:\n\n−niepewności bezwzględne sxi i względne di º sxi/xi dla war-\ntości xi, których nie mierzy się bezpośrednio;\n\n−zakresy dla estymowanych niepewności o zadanych warto-\nściach granicznych;\n\n−niepewności innych wielkości zależnych od x wg znanej \nfunkcji f(x).\nOmówi się też wybór liczby punktów kontrolnych zależnie \nod zakresu wartości badanej funkcji i wymaganej niepewno-\nści. Rozważania staną się bardziej ogólne, jeśli znormalizuje \nsię mierzone wartości, tj. odniesie się je do szerokości prze-\ndziału pomiędzy punktami kontrolnymi x2 – x1, do zakresu \npomiarowego xmax – x0 lub do wybranej wartości z tego \nzakresu, np. xmax.\nNiepewność standardowa każdej z kontrolowanych wartości \nx1, x2 jest według Przewodnika GUM [1] sumą geometryczną \ndwu składników", "source": "bibliotekanauki-automation", "added": "2026-11-07", "created": "2018", "token_count": 2204, "license": "CC BY: Creative Commons Attribution 3.0 PL", "author": "Z. L. Warsza; J. Puchalski"} +{"id": "bibliotekanauki-engineering-new:62913161:0001", "text": "Sztuka w epoce informacji – technologia a sztuka konceptualna\n\nSZTUKA W EPOCE INFORMACJI \nChociaż wystawa Information nie była wyraźnie techniczna, jej tytuł sugerował \ni popularyzował ideę sztuki jako informacji (którą Burnham omówił teoretycznie \nw 1968 r. w eseju Estetyka systemów * \ni sugerował świadomość większego prze- \nsunięcia kulturowego w stronę Ery Informacji)”. W zamierzeniu ogólna i niefor- \nmalna w swej naturze Information, która zawierała prace blisko \nstu artystów \nz całego Świata (wielu związanych ze sztuką konceptualną), mogła przedstawić \nrubrykę „informacja” jedynie jako niejasne uogólnienie tendencji artystycznych \npojawiających się w latach 60. McShine, być może słusznie, nie podjął się spójnej \nteoretyzacji różnorodnych prac, które złożyły się na ten międzynarodowy raport \no działaniach młodszych artystów, poza sugestią, że jest to wstęp do prac, które w \nlatach 70. dadzą prawdopodobnie początek wielu przemyśleniom estetycznym Ę \nPomimo tych zbieżności oraz faktu, \nże sztuka konceptualna pojawiła się \nw momencie intensywnego eksperymentowania z techniką, niewiele prac nauko- \nwych podejmowało temat relacji między nimi ”. Literatura w dziedzinie historii \nsztuki wyznaczała sztywne kategoryczne rozróżnienie między sztuką konceptu- \nalną a nurtem Art £ Technology. Poniższa dyskusja ma na celu ponowne rozpa- \ntrzenie tego związku oraz podważenie granic dyscyplinarnych, które zaciemniają \nwyraźne podobieństwa między sztuką konceptualną a Art z Technology. W pierw- \nszej części omawiam aspekty technologiczne wkładu do Software poczynionego \nprzez Levinea, Haackea \ni Kosutha. W części drugiej proponuję kilka możliwości \ninterpretacji powodów, dla których sztuka konceptualna \ni Art 6 Technology \nutrwaliły \nsię jako różne, jeśli nie przeciwstawne kategorie. Bieżąca dyskusja \nskupia się na frustracji brytyjskiego krytyka sztuki Charlesa Harrisona związanej \nz Art £ Technology, obecnej w jego pracach poświęconych sztuce konceptual- \nnej \n*. W zakończeniu sugeruję, że podobieństwa łączące te dwa trendy artystycz- \nne dają podstawę do zweryfikowania związków między nimi jako części większych \nprzemian społecznych na drodze przejścia z wieku maszyny społeczeństwa indu- \nstrialnego do ery informacji społeczeństwa postindustrialnego. Zanim przejdę do \nsedna sprawy, kilka definicji pozwoli na wyjaśnienie terminologii sztuki koncep- \ntualnej oraz Art £ Technology \ni na otwarcie dyskusji o ich wzajemnych związ- \nkach, wykraczającej poza wąskie ramy istniejących omówień. \nUnikając formalizmu, który przyjął się jeszcze przed latami \n60., zamiast \nrozwijać kolejną konwencję stylu w historycznym następstwie modernistycznych \nruchów awangardowych, sztuka konceptualna dążyła raczej do analizy idei bę- \ndących podłożem tworzenia \ni odbioru sztuki. Konceptualni artyści, rozpatrując \nsieci znaczeń \ni struktur wiedzy, które umożliwiają sztuce posiadanie znaczeń, \nczęsto korzystają z tekstu jako strategicznego narzędzia do badania rozdźwięku \nmiędzy wizualnymi a werbalnymi językami jako systemami semiotycznymi. \nW tym sensie sztuka konceptualna jest praktyką meta-krytyki \ni autorefleksji, \nzaangażowaną w teoretyzowanie możliwości znaczenia sztuki (także jej własne- \ngo) w wielu kontekstach, takich jak historia, krytyka, czy historiografia, prze- \nstrzenie wystawiennicze, galerie itd. Badając związek między ideami a sztuką, \nsztuka konceptualna deprecjonowała wartość tradycyjnie przypisywaną materialno- \nŚci dzieła \ni kładła większy nacisk na ujawnianie systemów semantycznych, które \npozwalają na komunikowanie znaczenia 3 \nNurt Art 8 Technology skupił badania na materiałach lub \n(i) koncep- \ncjach techniki \ni nauki, które artyści w przeszłości włączali do swsch prac. \n303", "source": "bibliotekanauki-engineering-new", "added": "2026-11-07", "created": "2001", "token_count": 1354, "license": "CC BY: Creative Commons Attribution 4.0", "author": "Edward A. Shanken"} +{"id": "bibliotekanauki-maintenance:347683:0001", "text": "Modelowanie i symulacja systemów automatyki z wykorzystaniem interfejsu zdalnej komunikacji\n\n292\nz istotnych \nkryteriów, \njakie \nnaleŜy \nrozpatrzyć \nprzy \nwdraŜaniu \nsystemu \nbezprzewodowego, są warunki otoczenia, w których odbywa się praca systemu. \nKonieczne jest sprawdzenie, czy między danymi lokalizacjami istnieje linia widzenia, \nwyznaczyć moc sygnału radiowego oraz czułość odbiorników. W przypadku \nskomplikowanych aplikacji naleŜy wykonać pomiary mocy sygnałów transmisji, \nczasem uzyskać zezwolenia na zmianę drogi sygnału radiowego. W ostatnim przypadku \nbierze się pod uwagę nawet obecność pojazdów, zmiany infrastruktury oraz \ndrzewostanu [4]. Wśród instalacji, które znajdują się w dogodnym połoŜeniu pod \nwzględem infrastruktury, popularną metodą przesyłania danych jest sieć Internet. Jej \npowszechność powoduje, Ŝe nadzór nad realizowanym procesem jest moŜliwy \nz praktycznie kaŜdego miejsca na świecie. Dostępne obecnie na rynku oprogramowanie \nsystemów automatyki pozwala na podgląd danych procesu przy wykorzystaniu \nprzeglądarki internetowej. Nie jest wymagane Ŝadne dodatkowe oprogramowanie, co \njeszcze bardziej powinno wpływać na popularność takiej metody nadzoru procesu. \n1. STANOWISKO LABORATORYJNE - HARDWARE \nW rozdziale przedstawiono krótki opis sprzętu wykorzystanego do budowy \nstanowiska laboratoryjnego, w którym zamodelowano system produkcyjny z dodatkowym \nsterowaniem bezprzewodowym. \n1.1. Sterownik programowalny logicznie \nJako główną jednostkę sterującą wykorzystano sterownik programowalny \nlogicznie z serii S7-200. Seria S7-2XX jest dedykowana do automatyzacji maszyn \ni urządzeń oraz przeznaczona do tworzenia zdecentralizowanych struktur sterowania \nw małych obiektach, takich jak przepompownie czy małe oczyszczalnie ścieków [9]. \nNiewielkie wymiary i kompaktowa budowa modułowa kwalifikują SIMATIC \nS7-200 do zastosowań w miejscach o ograniczonej przestrzeni zabudowy. MoŜe być \nłatwo dostosowany do wymagań uŜytkownika, charakteryzuje się wysoką wydajnością \noraz funkcjonalnością. Obsługuje procesy w czasie rzeczywistym [9]. Sterownik \nwykorzystany w stanowisku laboratoryjnym, wraz z zadajnikiem sygnałów \nwejściowych, przedstawiono na rysunku 1.\n\nRys. 1. Widok sterownika PLC S7-224XP, jednostki sterującej na stanowisku laboratoryjnym \nŹródło: Opracowanie własne \nCykl pracy sterownika PLC opisano w [5-6]. W [3, 5-6] opisano podstawowe \nfunkcje logiczne, a pozycja [5] jest połączeniem dokumentacji technicznej systemu\n\nMODELOWANIE I SYMULACJA SYSTEMÓW AUTOMATYKI Z WYKORZYSTANIEM…\n\n293\nsterownikowego SIMATIC S7-200 i wybranych zagadnień automatyki z [7], \nprzetłumaczonych na język polski. Szczegółowe dane dotyczące sterowników Siemens \nudostępnia u swoich dystrybutorów oraz w wersji anglojęzycznej na stronach [9-11]. \nAlgorytm postępowania przy projektowaniu systemu PLC oraz korzyści wynikające \nz modułowej budowy programu zamieszczono w [5]. \na) Charakterystyka sterownika S7-200: maksymalna liczba we/wy cyfrowych: 128/120; \nmaksymalna liczba we/wy analogowych: 32/29; modułowa konstrukcja; duŜy wybór \nmodułów wejścia/wyjścia; moŜliwość budowy zdecentralizowanych struktur; brak \nruchomych części mechanicznych (wentylatora); duŜa wydajność. \nb) Konstrukcja mechaniczna. \nSterownik wraz z modułami rozszerzeń montowany jest na standardowej szynie DIN \n35mm. Bezpośrednio do S7 224XP moŜna dołączyć 7 modułów rozszerzeń. Moduł \npodpięty jako pierwszy do sterownika jest na pozycji 0, ostatni ma adres 6. \nSterownik posiada diody LED informujące o bieŜącym trybie pracy oraz dwa złącza \nkomunikacyjne słuŜące do programowania sterownika i komunikacji z innymi \nsterownikami lub urządzeniami peryferyjnymi, takimi jak panele operatorskie, \nczytniki kodów kreskowych, modemy GSM/GPRS, modemy analogowe, komputery \nPC. Sterownik wyposaŜono w gniazdo pamięci zewnętrznej EEPROM, słuŜącej do \nprzenoszenia programu lub archiwizacji receptur oraz danych. Podtrzymanie danych \npamięci RAM zrealizowane jest przy pomocy kondensatora o duŜej pojemności. \nDane procesowe umieszczone są w obszarach remanentnych. \nc) Funkcjonalność \nSterownik SIMATIC S7-224XP umoŜliwia rozwiązywanie zadań związanych \nz przetwarzaniem danych w czasie rzeczywistym. WyposaŜony jest w: 6 niezaleŜnych \nszybkich liczników – 4 do 30kHz, 2 do 200kHz; 2 wyjścia impulsowe – do 100kHz, \nd) Komunikacja \nSterownik SIMATIC S7-224XP posiada wbudowany protokół PPI do budowania \nsieci o strukturach wielomasterowych. Dodatkowe moduły komunikacyjne to: \n− Ethernet Przemysłowy – (IEE 802–3 oraz 802u) powszechnie akceptowany \nmiędzynarodowy standard (Ethernet). System komunikacji do sieci lokalnych \ni obiektowych, w tym komunikaty e-mail, FTP, WEB serwer. \n− PROFIBUS (IEC 61158/EN 50170) – sieć przemysłowa do komunikacji \npomiędzy sterownikami i urządzeniami I/O. \n− AS–Interface \n(EN50295) \n– \nsieć \nprzemysłowa \ndo \nkomunikacji \nz dwustanowymi czujnikami i elementami wykonawczymi. \n− Modbus RTU Master/Slave. \n− USS – komunikacja z falownikami Micromaster. \n− MoŜliwość definicji własnego protokołu komunikacyjnego w trybie \nswobodnym portu (Freeport), ASCII, komunikacja z modemami GSM/GPRS, \nkomputerami PC, drukarkami. \nW zrealizowanym projekcie stanowiska laboratoryjnego wykorzystano moduł \nsymulatora wejść do sterownika. Dzięki takiemu rozwiązaniu w sposób bardzo łatwy\n\nJerzy ŚWIDER, Sławomir śÓŁKIEWSKI, Beniamin KEMPA", "source": "bibliotekanauki-maintenance", "added": "2026-11-07", "created": "2010", "token_count": 1974, "license": "CC BY: Creative Commons Attribution 4.0", "author": "J. Świder; S. Żółkiewski; B. Kempa"} +{"id": "open_agh_chemistry_pl_587", "text": "Roztwory buforowe\n\nDodatek niewielkiej ilości mocnego kwasu czy zasady do czystej wody powoduje wyraźną zmianę pH. Często zachodzi konieczność prowadzenia danej reakcji w środowisku o założonym pH. Do utrzymania stałej kwasowości środowiska stosuje się mieszaniny zwane roztworami buforowymi.\n\nDefinicja 1: Roztwory buforowe\n\nroztwory, które utrzymują stałą wartość pH pomimo wprowadzania niewielkich ilości kwasów lub zasad, lub podczas rozcieńczania . Są to mieszaniny roztworów słabych kwasów i soli tych kwasów z mocnymi zasadami lub mieszaniny roztworów słabych zasad i soli tych zasad z mocnymi kwasami.\n\nMechanizm działania roztworów buforowych wynika z zawartości w nich jonów, które stanowią pułapki wiążące jony wodorowe lub wodorotlenowe. Jako przykład rozważymy bufor octanowy, który jest mieszaniną kwasu octowego \\(\\ce{CH_3COOH}\\) i octanu sodu i \\(\\ce{CH_3COONa}\\). Octan sodu jest mocnym elektrolitem, więc jest całkowicie zdysocjowany na jony:\n\n\\begin{equation}\\ce{CH_3COONa}\\rightarrow \\ce{CH_3COO^-} + \\ce{Na^+}\\end{equation}\n\nKwas octowy jest kwasem słabym, równowaga dysocjacji opisana jest równaniem\n\n\\begin{equation}\\ce{CH_3COOH}\\rightleftharpoons \\ce{CH_3COO^-} + \\ce{H^+}\\end{equation}\n\nI odpowiada jej stała dysocjacji kwasu:\n\n\\begin{equation}K_k = \\frac{[\\ce{CH_3COO^-}][\\ce{H^+}]}{[\\ce{CH_3COOH}]}\\end{equation}\n\nW wyniku słabej dysocjacji kwasu octowego możemy przyjąć, że całkowite stężenie jonów \\(\\ce{CH_3COO^-}\\) określone jest przez stężenie jonów pochodzących z dysocjacji soli, które równe jest stężeniu soli \\(c_s\\). Duże stężenie jonów \\(\\ce{CH_3COO^-}\\), staje się przyczyną obniżenia stężenia jonów \\(\\ce{H^+}\\) i stopień dysocjacji kwasu obniża się, bo musi być zachowana stała wartość \\(K_k\\). Pozwala to przyjąć, że stężenie niezdysocjowanych cząsteczek \\([\\ce{CH_3COOH}]\\) jest praktycznie równe całkowitemu stężeniu tego kwasu \\(c_k\\).\n\nMożemy zatem napisać, że:\n\n\\begin{equation}K_k = \\frac{c_s [\\ce{H^+}]}{c_k}\\end{equation}\n\nPo zlogarytmowaniu otrzymujemy:\n\n\\begin{equation}\\text{log} K_k = \\text{log}\\frac{c_s}{c_k} + \\text{log}[\\ce{H^+}]\\end{equation}\n\n\\begin{equation}\\text{-log}[\\ce{H^+}] = \\text{-log} K_k + \\text{log}\\frac{c_s}{c_k}\\end{equation}\n\nStąd:\n\n\\begin{equation}\\ce{pH }= \\ce{pK} + \\text{log}\\frac{c_s}{c_k}\\end{equation}\n\ngdzie:\n\n\\(c_s\\) - stężenie soli,\n\n\\(c_k\\) - stężenie kwasu.\n\nWzór ten wyraża pH roztworu buforowego. Ponieważ roztwór buforowy stanowi mieszaninę jonów \\(\\ce{CH_3COO^-}\\), \\(\\ce{Na^+}\\) i niezdysocjowanych cząsteczek \\(\\ce{CH_3COOH}\\). Dodatek niewielkiej ilości mocnego kwasu wprowadza do roztworu jony \\([\\ce{H^+}]\\). Jony te będą natychmiast wiązane przez jony \\(\\ce{CH_3COO^-}\\) na niezdysocjowany w tych warunkach kwas octowy \\(\\ce{CH_3COOH}\\).\n\n\\begin{equation}\\ce{CH_3COO^-} + \\ce{H^+}\\rightarrow \\ce{CH_3COOH}\\end{equation}\n\nNie powodują więc wzrostu kwasowości roztworu. Wprowadzając mocną zasadę, dostarczamy jony \\(\\ce{OH^-}\\), które będą wiązane w niezdysocjowane cząsteczki wody przez jony \\(\\ce{H^+}\\) pochodzące ze słabej dysocjacji kwasu octowego.\n\n\\begin{equation}\\ce{CH_3COOH} + \\ce{OH^-} = \\ce{CH_3COO^-} + \\ce{H_2O}\\end{equation}\n\nPodobnie zachowuje się bufor amonowy, który jest przykładem buforu będącego mieszaniną słabej zasady \\(\\ce{NH_4OH}\\) i soli słabej zasady z mocnym kwasem \\(\\ce{NH_4Cl}\\). Sól jest całkowicie zdysocjowana na jony, natomiast stała dysocjacji dla zasady dana jest równaniem:\n\n\\begin{equation}K_z = \\frac{[\\ce{NH_4^+}][\\ce{OH^-}]}{[\\ce{NH_4OH}]}\\end{equation}\n\nZasada amonowa w mocnym elektrolicie \\(\\ce{NH_4Cl}\\) jest praktycznie niezdysocjowana i możemy przyjąć,że \\([\\ce{NH_4^+}] = c_s\\), stężenie niezdysocjowanych cząsteczek \\([\\ce{NH_4OH}] = c_z\\). Wówczas otrzymujemy zależność:\n\n\\begin{equation}\\ce{pOH} = \\ce{p}K_z – \\text{log}\\frac{c_z}{c_s}\\end{equation}\n\nstąd\n\n\\begin{equation}\\ce{pH} = 14 – \\ce{p}K_z + \\text{log}\\frac{c_z}{ c_s}\\end{equation}\n\nta zależność daje nam sposób obliczania pH buforu będącego mieszaniną słabej zasady i soli tej zasady z mocny kwasem.\n\nW tym przypadku w roztworze mamy cząsteczki \\(\\ce{NH_4OH}\\) oraz jony i \\(\\ce{NH_4^+}\\) i \\(\\ce{Cl^-}\\). Dodatek kwasu lub zasady prowadzi do reakcji:\n\n\\begin{equation}\\ce{NH_4OH} + \\ce{H^+} = \\ce{NH_4^+} + \\ce{H_2O}\\end{equation}\n\n\\begin{equation}\\ce{NH_4^+} + \\ce{OH^-} = \\ce{NH_4OH}\\end{equation}\n\nW obu omawianych przypadkach zmiana pH roztworu wynikająca z dodatku mocnego kwasu lub zasady, wynika ze zmiany stosunku stężenia \\(\\frac{c_z}{c_s}\\) lub \\(\\frac{c_k}{c_s}\\). Jeżeli ilość dodanego kwasu czy zasady wywołuje niewielką zmianę tych stężeń, całkowita zmiana pH będzie niewielka. Aby zmienić pH o jednostkę trzeba stosunek tych stężeń zmienić aż dziesięciokrotnie.\n\nZdolność roztworu buforowego do utrzymania w przybliżeniu stałej kwasowości roztworu charakteryzowana jest tzw. pojemnością buforową.\n\nPojemność buforowa jest to liczba gramorównoważników mocnego kwasu lub mocnej zasady, która dodana do \\(1 dm^3\\) roztworu buforowego zmienia jego pH o jednostkę.", "source": "open_agh_chemistry_pl", "added": "2026-11-07", "created": "2018-01-01", "token_count": 2090, "license": "CC-BY-SA-4.0", "author": "Maria Starowicz"} +{"id": "wikibooks_24980", "text": "W teorii oddziaływania przyjmuje się, że oddziaływania są wynikiem wymiany między sobą bozonów, to musi odbywać się w czasie krótszym niż Δt określonym przez równanie , takie cząstki nazywamy wirtualnymi. Kwantowa teoria oddziaływania w oddziaływaniu elektromagnetycznym, to ciągła wymiana fotonów pomiędzy cząstkami naładowanymi. Pola, ani kwanty nie są obserwowalne bezpośrednio.\n\n Teoria pól kwantowych Yukawy \nPoszukując krótkozasięgowe oddziaływanie pomiędzy protonami, a neutronami w jądrach, można opisywać bezpośrednio za pomocą równania kwantowego Kleina-Gordona:\n\nGdy będziemy rozpatrywać będziemy pola bez udziału czasu, i zakładając, że funkcja jest zależna tylko od od \"r\":\n\nPamiętając, że zachodzi , a także , to wtedy na podstawie tego zależność potencjału od \"r\" i od stałej g, jest w postaci:\n\nWyznaczmy pierwszą pochodną wyrażenia względem \"r\" w zależności od parametru g, m i i stałej R zależnej od stałej kreślonej Planka, masy spoczynkowej bozonu i prędkości światła:\n\nNastępnym krokiem jest policzenie pochodnej względem \"r\" podzielonej przez r iloczynu kwadratu \"r\" i pochodnej cząstkowej wielkości U(r) względem \"r\":\n\nwtedy równanie dla przypadku stacjonarnego po działaniu operatorem Δ funkcję U(r), czyli , stąd rozwiązaniem jest .\n\n Transformata pędu cząstki \nNapiszmy ile wynosi transformata Fouriera cząstki potencjału , którą napiszemy po całkowitej przestrzeni względem przekazu pędu . Ją piszemy jako w układzie współrzędnych kulistych, zakładając przy okazji, że pęd jest równoległy z osią zetową:\n\nPowyższa dyskusja dotyczy rozpraszania cząstki o stałej sprzężenia g opisanej równaniem dla potencjału U(r) zależnej tylko od promienia położenia cząstki na danym potencjale i niezależnej od współrzędnych cząstkowych. U(r) jest to pole statyczne. Propagacja bozonu opisuje rozpraszanie elastyczne na danym potencjale. Proces wymiany dwóch bozonów dla przypadków opisujących cząstkę rozpraszającą a cząstką rozpraszaną propagator bozonu jest iloczynem stałych sprzężenia g i g przez sumę kwadratów mc i q.\n\n Opis podstawowych oddziaływań w przyrodzie \n\n Oddziaływania elektromagnetyczne \nStała sprzężenia, która charakteryzuje cząstki ze sobą oddziaływających piszemy w zależności od ładunku elektronu, stałej prędkości światła, stałej Planka i nazwiemy ją stała struktury subtelnej:\n\nOna określa rozszczepienie widm atomowych oddziaływań spin-orbita. Pola elektromagnetyczne mogą być transformowane jak wektory i dlatego foton. który jest przekaźnikiem oddziaływania jest cząstką wektorową. Jeśli będziemy definiować moment magnetyczny jako:\n\ngdzie s=1/2, w teorii Diraca (mechanice kwantowej) otrzymujemy g=2. Weźmy ile jest równa wielkość g w elektrodynamice kwantowej jako wielkość odchylenia od liczby g.\n\nBardzo ważną teorią jest elektrodynamika kwantowa QED. Ta owa teoria opisuje właściwości zwane renormalizowalnością i niezmienniczością względem cechowania.\n\nRysunek obok przedstawia pojedynczy elektron, który oddziaływuje sam ze sobą poprzez fotony wirtualne lub ona przedstawia wirtualną parę cząstek elektron-pozyton. Linie elektronowe dla diagramach Feymanna reprezentuje sam \"goły\" elektron ubrany w procesy, które stanowią procesy wirtualne poprzez wymianę fotonów wirtualnych. Ograniczenia na pęd \"k\" nie ma. W teorii QED występują rozbieżne całki, które można zastąpić predyfiniując ładunek i masę, który zawsze występuje w obliczeniach z czynnikiem multiplikatywnym, która posiada całkę rozbieżną. Zatem te dwa ładunki można zastąpić przez wielkości mierzone doświadczalnie, tzn. e i m. Taki stan postępowania nazywamy renormalizacją. Okazuje się, że QED stała sprzężenia wcale nie jest stałą, tylko zależy w skali logarytmicznie od energii w dokonywanym procesie. Bardzo ważnym elementem jest niezmienniczość względem cechowania, co jest ważne do teorii renormalizowalności. Dla rzędu skali energii Z współczynnik sprzężenia wynosi 1/128, a nie 1/127.\n\n Oddziaływanie silne \nRozpatrzmy cząstkę Σ(uds), która rozpadać się może na cząstki Λ i γ, a silne rozpady tej cząstki są zabronione, ze względu na zasadę zachowania izospinu, a Λ jest stanem singletowym i ma spin 1/2, natomiast na rozkład Λ i π zachodzi z oddziaływaniem silnym, dalej cząstka Σ są barionami o spinie 1/2 i jej rozkład może zachodzić z użyciem oddziaływania silnego.\n\nOddziaływanie silnie spotykamy w oddziaływaniach pomiędzy neutronami i protonami, a także pomiędzy kwarkami. Stosunek stałej sprzężenia oddziaływania silnego przez stałą sprzężenia oddziaływania elektromagnetycznego jak udowodnimy jest równy w przybliżeniu sto, czyli:\n\nAle ponieważ stała sprzężenia w oddziaływaniu elektromagnetycznym jest równa , zatem stała sprzężenia oddziaływania silnego jest równa w przybliżeniu jeden (α≈1). Oddziaływania pomiędzy kwarkami w oddziaływaniu silnym zachodzi poprzez wymianę gluonu, który jest obojętny elektrycznie, jest ona cząstką wektorową o parzystości J=1. W teorii oddziaływania między kwarkami istnieje 6 typów silnych ładunków kolorowych, przy czym każdy kwark niesie jeden ładunek kolorowy, czyli czerwony, zielony i niebieski, a antykwark odpowiednio antykolory. Sam gluon jest również obdarzony ładunkiem kolorowym, i dlatego one mogą bezpośrednio oddziaływać. W teorii QED istnieją sprzężenia pomiędzy bozonami przenoszących oddziaływanie, co jest charakterystyczne dla teorii nieabelowych, a elektrodynamika kwantowa jest teorią abelową. Gluony przenoszą jednocześnie ładunek kolorowy i antykolorowy, a tych kombinacji jest 3=9. Istnieje osiem stanów gluonowych, tzn. . \nOddziaływanie silne (człon przyciągający i odpychający)\nOszacowaliśmy że α, które odpowiadają wymianie jednego gluonu, a za wymiany wielogluonowe odpowiedzialne są kolejne człony potęgi stałych sprzężenia oddziaływania silnego. Potencjał pola silnego zależny od \"r\", a także od \"k\" i od stałej sprzężenia α piszemy:\n\nPierwszy człon jest dominujący przy małych odległościach, a w przypadku drugim dla dużych odległości. Czynnik 4/3 w jest uzasadniany tym, że mamy osiem stanów kolorowych, które uśredniamy po trzech stanach gluonowych. Drugi wyraz w odpowiada z uwięzieniem kwarków w cząstkach elementarnych. Próby oderwania kwarku z cząstki elementarnej powoduje produkowanie nowych mezonów, za co jest odpowiedzialny drugi człon w potencjale na oddziaływanie silne. Podczas anihilacji elektronu i pozytonu, co wyniku której powstaje hadron, antyhadron, który jest fragmentacją kwarków.\n\n Oddziaływanie słabe i elektrosłabe \nMożna zauważyć porównując rozpad zmieniający dziwność , a także rozpad elektromagnetyczny zauważamy, że stała oddziaływań słabych jest mniejsza stałej oddziaływań elektromagnetycznych α o czynnik . Pomiędzy kwarkami i leptonami te oddziaływania zachodzą, z której z każdej tych oddziaływań przepisujemy ładunek \"g\". Oddziaływania słabe są całkowite przesłonięte przez znacznie silne oddziaływanie elektromagnetyczne i silne, chyba że zostaje wykluczone z których z tych oddziaływań przez jakąś zasadę zachowania. Obserwowane słabe oddziaływanie wiąże się z neutrinami lub z procesami zmiany zapachu kwarku, czyli ΔS=1, ΔC=1, co jest nie możliwe w oddziaływaniu silnym.\n\nPrzykładami oddziaływań z namiastką oddziaływania stałego są i . Oddziaływania słabe są związane z wymianą naładowanych i obojętnych bozonów zwanych bozonami wektorowymi W,Z, których masy są M=80GeV i M=91GeV, stąd mamy oddziaływania słabe mają krótko zasięgowy zakres. W oddziaływaniu słabym wymiana W jest związana ze zmianą ładunku leptonu lub kwarka, ale już z Z już nie. Propagator bozonu dla oddziaływania słabego określmy przez:\n\nDla q<