УПРАВЛЕНИЕ НЕОПРЕДЕЛЕННОСТЬЮ ТЕХНОЛОГИЧЕСКОЙ ИНФОРМАЦИЕЙ В ЦИФРОВОМ ПРОИЗВОДСТВЕ

Обложка

Цитировать

Полный текст

Аннотация

На основе содержательного анализа понятия «неопределенность» и базовых понятий, и задач технологического проектирования и обеспечения машиностроительного производства построена классификация видов технологической информации в соответствии с видами и родами неопределенности. Определены виды технологической информации, наиболее значимо влияющие на формирование неопределенности различного рода. Обоснованы возможности и описаны информационные каналы, обеспечивающие эффективное управление неопределенностью технологической информации. Показано, что управляемое снижение неопределенности I, II и IV рода, применительно к процессу и результатам металлообрабатывающего производства, позволяет существенно снизить уровень неопределенности III рода – последствия принятых решений, что равнозначно повышению стабильности результатов производства. Эффективное управление неопределенностью II, IV и, частично, I рода, в цифровом производстве может быть реализовано за счет применения интеллектуальных технологических систем с адаптивным управлением, в том числе, самообучающихся.

Об авторах

Юлий Львович Чигиринский

Волгоградский государственный технический университет

Email: Julio-Tchigirinsky@yandex.ru
кафедра "Технология машиностроения", профессор, доктор технических наук

Дмитрий Вадимович Крайнев

Волгоградский государственный технический университет

Email: krainevdv@mail.ru
кафедра «Технология машиностроения», доцент, кандидат технических наук

Список литературы

  1. Дорожкин А.М., Соколова О.И. Понятие "неопределённость" в современной науке и философии // Вестник Вятского гуманитарного университета, 2015. № 12. С. 5−12. EDN: VKAXZZ.
  2. Терминологический словарь автоматизации строительства и производственных процессов [Электронный ресурс]. URL: http://slovar-avt.ru (дата обращения: 14.03.2025). doi: 10.34660/c0727-6092-6372-a
  3. Ингеманссон А.Р. Технологические составляющие цифровизации производственного процесса на машиностроительном предприятии // Наукоемкие технологии в машиностроении. 2024. № 8 (158). С. 41−48. doi: 10.30987/2223-4608-2024-41-48. EDN PDJLDO.
  4. Чигиринский Ю.Л. Трансформация информационной структуры как инструмент повышения эффективности многономенклатурного производства / Ю.Л. Чигиринский, Д.В. Крайнев, Ж.С. Тихонова // Наукоемкие технологии в машиностроении. 2024. № 4(154). С. 29−40. doi: 10.30987/2223-4608-2024-4-29-40. EDN EIXHSQ.
  5. Леон К.С., Калачев О.Н. Применение дополненной реальности в сборочных процессах машиностроения // Сборка в машиностроении, приборостроении. 2022. Т. 23, № 8. С. 346−349. doi: 10.36652/0202-3350-2022-23-8-346-349.
  6. Чигиринский Ю.Л. Современное состояние и тенденции развития технологической подготовки машиностроительного производства / Ю.Л. Чигиринский // Наукоёмкие технологии в машиностроении. 2020. № 8 (110). C. 29−35
  7. Снегирева К.К. Улучшение обрабатываемости инструментальных сталей резанием посредством управления свойствами обрабатываемого материала / К.К. Снегирева, С.А. Тараканов // Ресурсосберегающие технологии производства и обработки давлением материалов в машиностроении. 2021. № 4 (37). С. 52−58.
  8. Кузнецова Е.М. Разработка экспертной системы технологического обеспечения требуемой шероховатости при обработке закаленных сталей на станках с ЧПУ / Е.М. Кузнецова, В.Е. Овсянников, Р.Ю. Некрасов, У.С. Путилова // iPolytech Journal. 2024. Т. 28. № 3. С. 418−426.
  9. Остапчук А.К. Адаптивное управление чистовой токарной обработкой деталей транспортных машин на станках с ЧПУ / А.К. Остапчук, Е.М. Кузнецова / Модернизация и научные исследования в транспортном комплексе. 2019. Т.1. С. 98−103.
  10. Бржозовский Б.М., Мартынов В.В., Бровкова М.Б. Создание и развитие высоконадежных информационно-управляющих систем с элементами искусственного интеллекта для перспективных технологических комплексов // Наукоёмкие технологии в машиностроении. 2024. № 7 (157). С. 32−42.
  11. Унянин А.Н. Коррекция режима точения в условиях неопределенности технологической информации с учетом изменения параметров процесса обработки / А.Н. Унянин, П.Р. Финагеев // Известия Самарского научного центра Российской академии наук. 2022. Т. 24. № 3 (107). С. 63−68.
  12. Крайнев Д.В., Тихонова Ж.С., Рогачев А.В., Нилидин Д.А., Чигиринская Н.В. Возможность оценки режущих свойств твердосплавного инструмента с покрытием по теплофизическим свойствам // Современные наукоемкие технологии. 2024. № 5. С. 64−70; DOI: https://doi.org/10.17513/snt.40006.
  13. Маслов Д.А. Модель для оценки износа режущего инструмента на основе искусственного интеллекта / Д.А. Маслов, В.Е. Овсянников, Г.Н. Шпитко // Известия ВолгГТУ. Сер. Прогрессивные технологии в машиностроении. 2023, № 3 (274). С. 27−30. doi: 10.35211/1990-5297-2023-3-274-27-30
  14. Суслов А.Г., Медведев Д.А., Петрешин Д.И., Федонин О.Н. Система автоматизированного технологического управления износостойкостью деталей машин при обработке резанием // Наукоемкие технологии в машиностроении. 2018. № 5. С. 40−44.
  15. Решетникова Е.П. Формализация выбора контрольно-измерительных средств для оценки размерных характеристик деталей со сложнопрофильными поверхностями при разработке технологических процессов / Е.П. Решетникова, П.Ю. Бочкарев // Известия Волгоградского государственного технического университета. 2017, № 9 (204). С. 135−137.

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).