СОЗДАНИЕ И РАЗВИТИЕ ВЫСОКОНАДЕЖНЫХ ИНФОРМАЦИОННО-УПРАВЛЯЮЩИХ СИСТЕМ С ЭЛЕМЕНТАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПЕРСПЕКТИВНЫХ ТЕХНОЛОГИЧЕСКИХ КОМПЛЕКСОВ

Обложка

Цитировать

Полный текст

Аннотация

Представлены методы и средства улучшения сложного технологического оборудования за счет оперативного оценивания качества реализуемых технологий в реальном времени. Это связано с тем, что при реализации технологических операций на универсальном оборудовании каждый раз возникает необходимость моделирования динамических процессов и оценивания большого числа факторов неопределённости, оказывающих влияние на качество формообразования. Априорно учитывать эти факторы не представляется возможным. Возникает необходимость создания новых информационных технологий с возможностями универсального применения при оперативном оценивании различных динамических процессов в системах диагностики, идентификации и управления. Реализованы типовые компьютерные системы статистического оценивания и оптимизации динамических процессов с возможностями универсального применения для различных реализаций современных технологий. Показана возможность применять интегративные критерии и методы искусственного интеллекта для систем диагностики, идентификации и управления перспективными технологическими комплексами. Представлена реализация информационных систем при управлении сложными объектами различного технологического назначения. Предложенные методы и подходы моделирования апробированы на различных предприятиях машиностроения при обработке деталей на токарных, токарно-фрезерных и шлифовальных станках как универсальных, так и с ЧПУ. Результаты исследований позволили обосновать новые принципы автоматизированного контроля и оптимальной настройки технологических процессов в реальном времени и создать автоматизированную систему оценки их качества, позволяющую повысить оперативность и достоверность принимаемых управляющих решений за счет проведения оптимизации непосредственно на действующем оборудовании. На основе изложенных выше методов и подходов получены новые результаты при реализации плазменных технологий модификации геометрически сложных поверхностей изделий машиностроения, направленных на повышение износостойкости, твердости и других технических характеристик рабочих поверхностей изделий прецизионного машиностроения. Достаточно полная апробация методов, подходов, процедур и критериев принятия решений для различных технологий позволяет их рекомендовать для универсального применения.

Об авторах

Борис Максович Бржозовский

Институт машиноведения им. А.А. Благонравова Российской академии наук (ИМАШ РАН)

ORCID iD: 0009-0005-8486-4467
профессор, доктор технических наук

Владимир Васильевич Мартынов

Институт машиноведения им. А.А. Благонравова Российской академии наук (ИМАШ РАН)

ORCID iD: 0000-0002-4177-0963
доктор технических наук

Марина Борисовна Бровкова

Институт машиноведения им. А.А. Благонравова Российской академии наук (ИМАШ РАН)

ORCID iD: 0009-0009-1863-0709

Список литературы

  1. Кабалдин Ю.Г., Кузьмишина А.М., Шатагин Д.А., Аносов М.С. Нейронно-сетевое моделирование процесса изнашивания твёрдосплавного инструмента // Автоматизация. Современные технологии. 2021. Т. 75. № 9. С. 398–402.
  2. Тугенгольд А.К., Лукьянов Е.А., Волошин Р.Н., Бонилья В.Ф. Интеллектуальная система мониторинга и управления техническим состоянием мехатронных технологических объектов // Вестник Донского государственного технического университета. 2020. Т. 20. № 2. С. 188–195.
  3. Yanming Guo, Yu Liu, Ard Oerlemans, Songyang Lao, Song Wu, Michael S. Lew Deep learning for visual understanding: A review, Neurocomputing, Volume 187, 2016, pp. 27–48, https://doi.org/10.1016/j.neucom.2015.09.116.
  4. Schmidhuber J. Deep learning in neural networks: an overview // Neural Netw. 61, 2015, pp. 85–117.
  5. Ren R., Hung T., Tan K.C. A generic deep-learning-based approach for automated surface inspection // IEEE Trans. Cybernet. 48 (3), 2018, pp. 929–940, https://doi.org/ 10.1109/TCYB.2017.2668395.
  6. Заковоротный В.Л., Гвинджилия В.Е. Бифуркации притягивающих множеств деформационных смещений режущего инструмента в ходе эволюции свойств процесса обработки // Известия высших учебных заведений. Прикладная нелинейная динамика. 2018. Т. 26. № 5. С. 20–38.
  7. Азиков Н.С., Бржозовский Б.М., Бровкова М.Б., Зинина Е.П., Мартынов В.В., Сусский А.В. Повышение эффективности процесса низкотемпературного плазменного упрочнения на основе организации его мониторинга // Проблемы машиностроения и надежности машин. 2017, № 6. С. 68–75.
  8. Бржозовский Б.М., Мартынов В.В., Бровкова М.Б., Свиридов С.В. Алгоритмизация процедур настройки и диагностирования сложного технологического оборудования по интегральным параметрам вибросигналов // Мехатроника, автоматизация, управление. 2013. № 4. С. 53–56.
  9. Купцов П.В., Бровкова М.Б., Мартынов В.В. Свидетельство о государственной регистрации программы для ЭВМ № 2020667034 Российская Федерация. Создание датасета на основе сделанных во внелабораторных условиях фотографий шероховатостей с применением ресегментации и аугментации: № 2020665455: заявл. 30.11.2020: опубл. 21.12.2020 (РИД).
  10. Купцов П.В., Купцова А.В. Бровкова М.Б., Мартынов В.В. Свидетельство о государственной регистрации программы для ЭВМ № 2021667829 Российская Федерация. Нейронная сеть с архитектурой машинной ассоциации, осуществляющая оценку степени износа режущего инструмента: № 2021666126: заявл. 07.10.2021: опубл. 03.11.2021 (РИД).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).