Обоснование технических характеристик гибких производственных модулей нейросетевыми методами тема диссертации и автореферата по ВАК РФ 05.03.01, кандидат технических наук Кузнецов, Дмитрий Иванович

• Кузнецов, Дмитрий Иванович
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Кузнецов, Дмитрий Иванович

ВВЕДЕНИЕ.

1. АНАЛИЗ ПОДХОДОВ К ОЦЕНКЕ ТЕХНОЛОГИЧЕСКИХ ВОЗМОЖНОСТЕЙ ГПМ.

1.1. Основные термины и определения используемые в работе:.

1.2. Определение технических характеристик металлорежущих станков.

1.3. Методы решения прямой и обратной задачи расчета производственной мощности.

1.4. Цель и задачи исследования.

2. МЕТОДИКА ОПРЕДЕЛЕНИЯ ТЕХНИЧЕСКИХ

ХАРАКТЕРИСТИК ГПМ В УСЛОВИЯХ САПР.

2.1. Алгоритмы формирования интеллектуальных агентов, используемых на ранних этапах проектирования ГПМ.

2.2. Анализ методов параметрического проектирования в САПР с использованием конструкторско-технологических элементов.

2.3. Базовые элементы моделей деталей в САПР.

2.4. Интерфейсы передачи информации между конструкторскими и технологическими САПР.

2.5. Выводы по главе.

3. НЕЙРОСЕТЕВОЙ КЛАСТЕРНЫЙ АНАЛИЗ КОНСТРУКТОРСКО-ТЕХНОЛОГИЧЕСКИХ ПАРАМЕТРОВ МОДЕЛЕЙ ДЕТАЛЕЙ В УСЛОВИЯХ САПР.

3.1. Геометрическое моделирование промежуточных обрабатываемых поверхностей.

3.2. Формализация конструкторско-технологических параметров моделей деталей с учётом особенностей процессов механической обработки.

3.3. Кластерный анализ конструкторско-технологических параметров моделей деталей.

3.4. Выводы по главе.

4. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ВЫБОРА И ОБОСНОВАНИЯ ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК ГПМ.

4.1. Элементы нейросетевых моделей и порядок настройки их параметров.

4.2. Выбор структур и алгоритмов нейронных сетей для решения задачи нейросетевого кластерного анализа.

4.3. Разработка нейросетевой модели группирования конструкторско-технологических параметров деталей.

4.4. Подготовка исходных данных для настройки нейронной сети.

4.5. Анализ конструкторско-технологических параметров деталей на нейросетевой модели.

4.6. Определение технических характеристик ГПМ на примере

ОАО «Дальдизель-ДВ».

4.7. Выводы по главе.

Введение диссертации (часть автореферата) на тему «Обоснование технических характеристик гибких производственных модулей нейросетевыми методами»

Требования конкурентоспособности приводят к необходимости сокращения цикла разработки металлообрабатывающих систем. Одним из основных направлений снижения себестоимости производства является формирование технологической среды, способной быстро адаптироваться в условиях рыночной экономики. Практика внедрения гибких производственных модулей для многономенклатурного производства характеризуется преобладанием негативных результатов, что обусловлено ошибочными техническими решениями, а вследствие чего, низкими экономическими показателями оборудования. Основные проблемы недостоверности информации связаны с ограниченной компетентностью заказчиков и поставщиков, управляющего персонала, непроработанностью решений на ранних этапах проектирования металлообрабатывающего оборудования. Всё это приводит к функциональной и технической избыточности оборудования.

Особенности технологической среды механообработки в условиях многономенклатурного производства предполагают непрерывное совершенствование технического оснащения с учётом показателей эффективности оборудования при адаптации к изменению ассортимента. Современные средства автоматизированного конструирования и управления производством обеспечивают своевременное и эффективное решения этих проблем. В тоже время, как показывает практика, высокая стоимость и сложность интеграции таких решений существенно ограничивает их использование.

Современное состояние и перспективы развития металлообработки характеризуются широким использованием информационных технологий, разработкой и внедрением интеллектуальных САПР, интегрированных систем. При этом резко возрастает объем информации, доступный для автоматизированных методов анализа и синтеза, но в настоящее время отсутствуют эффективные решения, заменяющие трудоёмкие традиционные методы проектирования оборудования и технологической подготовки многономенклатурного производства. Недостаточно проработаны вопросы взаимодействия и передачи информации между конструкторскими и технологическими САПР. В качестве базы решения этой проблемы существенным становится использование стандартов, разрабатываемых в рамках САЬБ-технологий.

Решение данных вопросов входит в принятый на федеральном уровне перечень приоритетных и критических технологий развития науки и техники, и проблемы, рассматриваемые в предлагаемой работе, носят актуальный и своевременный характер.

Заключение диссертации по теме «Технологии и оборудование механической и физико-технической обработки», Кузнецов, Дмитрий Иванович

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Раскрыты закономерности выбора и обоснования технических характеристик ГПМ, заключающиеся в модификации и развитии подходов на основе интеллектуальных моделей автоматизированного конструкторско-технологического анализа обрабатываемых деталей. Разработана структурная схема интеллектуальных моделей проектирования и предложена новая конструкторско-технологической модель детали.

2. Теоретически обоснована и проверена достоверность применения методов кластерного анализа, нейросетевого моделирования конструкторско-технологических параметров деталей с учетом технологических: и производственных факторов позволяющая повысить качество принимаемых решений при формировании технических характеристик ГПМ на стадии проектирования.

3. Разработаны требования к проектированию интерфейсов взаимодействия интеллектуальных агентов с системами CAD/CAM на базе протоколов STEP для автоматизированного обмена конструктивно-технологическими параметрами и производственно-техническими требованиями на изготовление деталей. Разработаны алгоритмы и программные средства интерфейсного взаимодействия с системами САПР для автоматизированного передачи конструктивно-технологичеких параметров деталей в систему нейросетевого кластерного анализа.

4. Проведены исследования сравнительной эффективности использования нейронных сетей различной структуры и алгоритмов обучения в качестве реализации методики кластерного анализа конструкторско-технологических параметров деталей. По полученным результатам предложено использование в качестве нейровычислителя метода GNG с модифицированными параметрами Разработаны алгоритмы и программная реализация кластерного нейровычислителя.

5. На основе проведенных в работе исследованиях по предложенным моделям деталей ОАО «Дальдизель», сформированы рекомендации по оптимальным требованиям к выбору станочного оборудования для обработки заданной выборки деталей. Результаты, полученные с помощью разработанных методик и моделирования, позволили сформировать требования по модернизации ГПМ на машиностроительном предприятии.

ЗАКЛЮЧЕНИЕ

Предлагаемые методы формализации конструкторско-технологической информации позволяют создать группу необходимых и достаточных показателей к вновь создаваемым ГПМ, что дает большую свободу при проектировании металлорежущего оборудования. Применение искусственных нейронных сетей в качестве интеллектуальных агентов САПР при комплексного обследования деталей позволяет эффективно решать задачи выбора и обоснования технических характеристик на ранних стадиях проектирования ГПМ.

Предлагаемая в работе методика формирования технических требований к ГПМ при решении прямой и обратной задачи расчета производственной мощности, основанная на теории кластерного анализа с использованием нейросетевых моделей, позволяет укрупнено оценивать мощности производства. Эта оценка дает возможность принимать решение о начале конструкторского и технологического проектирования для данного ассортимента продукции. Достоверность этой оценки увеличивается при увеличении размерности пространства признаков, ограничением служит требуемая точность моделей на предпроектных этапах разработки ГПМ.

В процессе моделирования с использованием данных существующего производства происходит адаптация модели, отражающая изменения в состоянии показателей функционирования технологической системы. Что позволяет сделать вывод об адекватности результатов моделирования текущим требованиям производства.

Предложенные методы группирования деталей, использованные в системе поддержки принятия решений при формировании технических требований к механообрабатывающему оборудованию, в результате позволяют получить настроенные нейросетевые модели классификаторов деталей. Такие классификаторы, определяемые как виртуальные детали, позволяют решить задачу оценки производственных мощностей спроектированной станочной системы.

Практическая реализация разработанной совокупности методов нейросетевой классификации позволяет повысить эффективность анализа технико-экономических показателей ГПМ.

Список литературы диссертационного исследования кандидат технических наук Кузнецов, Дмитрий Иванович, 2004 год

1. Автоматизированное проектирование и производство в машиностроении, (под ред. Соломенцева Ю. М., Митрофанова В. Г.) М.: Машиностроение, 1986.-237 с.

2. Базров Б. М. Модульная технология в машиностроении. М.: Машиностроение, 2001. — 368 с.

3. Базров Б. М. Расчет точности машин на ЭВМ. М.: Машиностроение, 1984.- 248 с.

4. Балакшин Б. С. Теория и практика технологии машиностроения: В 2-х кн.-М.: Машиностроение, 1982 Кн.1. Основы технологии машиностроения. 1982.-367 с.

5. Батурин В. Н. Установление комплекса взаимосвязанных конструктивно-технологических факторов с целью повышения эффективности автоматизированного проектирования ТП механической обработки заготовок машин. 1990. — 167 с.

6. Борзов Б. М. Расчет точности машин на ЭВМ. М.: Машиностроение, 1984. -198 с.

7. Буч Г. Объектно-ориентированный анализ и проектирование. — М.: «Издательство Бином», СПб.: «Невский диалект», 1999. 467 с.

8. Вагнер Г. Основы исследования операций: Пер. с англ. В 3-х т. М.: Мир, 1972. Т.1.-336 с. Т.2.-488 с.

9. Ванеев О. Н. Формирование оптимального варианта структуры ТП механической обработки корпусных деталей в условиях действующей производственной системы, 1991. — 205 с.

10. Васильев Г. Н. Автоматизация проектирования металлорежущих станков.- М.: Машиностроение. 1987. 280 с.

11. Васильев В. И., Коновалеико В. В., Горелов Ю. И. Имитационное управление неопределенными объектами. — К.: "Наукова думка", 1989. — 244 с.

12. Васильев В. Н. Организация, управление и экономика гибкого интегрированного производства в машиностроении. М.: Машиностроение, 1986.-312с.

13. Вентцель Е. С. Исследование операций. М.: Сов. радио, 1972. — 552 с.

14. Волкова Г. Д. Разработка взаимосвязанных информационных моделей процесса проектирования объектов машиностроения на этапе предпроектных исследований при создании САПР, 1987. 232с.

15. Волчкевич Л. И. Технико-экономические показатели автоматических линий и методы их определения //Автоматические линии в машиностроении. Справочник. — М., 1984. — Т. 1. — 192с.

16. Врагов Ю. Д. Анализ компоновок металлорежущих станков: (Основы компонетики). М.: Машиностроение, 1978. — 208 с.

17. Вязгин В. А., Федоров В. В. Математические методы автоматизированного проектирования. М.: Высш. шк., 1989. - 184 с.

18. Гайдышев И. Анализ и обработка данных: специальный справочник СПб: Питер, 2001.-752 с.

19. Галушкин А. И. Теория нейронных сетей. Кн. 1. — М.: ИПРЖР, 2000. — 416 с.

20. Голованов Н. Н. Геометрическое моделирование. — М.: Издательство Физико-математической литературы, 2002. — 472 с.

21. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996.-276 с.

22. Горюшкин В. И. Основы гибкого производства деталей машин и приборов. М.: Наука и техника, 1984. 346с.Г

23. Давыдов В. М. Системно-функциональный синтез мехатронных систем металлообработки// Вестник ХГАЭП, 2001. №3. С.52-58.

24. Давыдов В. М., Кабалдин Ю. Г. Концептуальное проектирование мехатронных модулей механообработки. Владивосток: Дальнаука, 2003. — 251 с.

25. Давыдов В. М., Кузнецов Д. И. Ранжирование технологических признаков деталей нейросетевыми методами. //Сборник трудов отделения Российской инженерной академии. Вып.1. Владивосток: Изд-во ДВГУ, 1998. С. 34-39

26. Давыдов В. М., Прудников В. Я., Кузнецов Д. И. Основы кластерного анализа классификации деталей. /Методы и средства обработки информации. Сборник научных трудов НИИ КТ. Хабаровск: Изд-во Хабар, гос. техн. ун-та, 2001. Вып. 11. - С. 65-68.

27. Зильберг М.Л. и др. Автоматизированная система проектирования для серийного производства. В сб. «Опыт внедрения ЕСТПП». Вып. 7. М.: Из-во стандартов, 1978. 162с.

28. Ивахненко А. Г. Концептуальное проектирование металлорежущих систем. Структурный синтез. — Хабаровск: Изд-во Хабар, гос. техн. ун-та, 1998.-124 с.

29. Искусственный интеллект: применение в интегрированных производственных системах/ Под ред. Э.Кьюсиака. — М.: Машиностроение, 1991. 418с.

30. КаширинА. И. Метод составления и анализ производственных характеристик токарного станка. М.: Оргинформация, 1936. - №10. — С. 15-20

31. Каширин А. И. Составление и анализ производственной характеристики сверлильного станка. М.: Оргинформация, 1936. — 10 с.

32. Каширин А. И. Составление и анализ производственной характеристики фрезерного станка. //Станки и инструменты. 1937. - №8, С. 14-21.

33. Кибяков П. П., Давыдов В. М. Агентно-ориентированное моделирование в механотронике. Хабаровск, ХГУЭП, 2003, С. 5-9.

34. Дюран Б., Одел П. Кластерный анализ М.¡Статистика, 1977. - 128с.

35. Колесов И. М. Служебное назначение изделия и технические условия. М.: Знание, 1977. 252с.

36. Кондаков Н. И. Логический словарь справочник. 2-е изд.- М.: Наука, 1975.-720 с.

37. Кондаков А. И. Применение подобия технологических решений при их автоматизированной поддержке// Известия вузов. Машиностроение. — 1999.-№2-3.-С.72-77.

38. Кондаков А. И. Формирование групп технологически подобных деталей при обеспечении загрузки производственных систем// Вестник МГТУ. Машиностроение. 2001. - №3. -С. 117-126.

39. Маталин А. А. Технология машиностроения. — Л.: Машиностроение, 1985. -496 с.

40. Минский М. Л., Пейперт С. Персептроны. М.:Мир. - 1971. - 202 с.

41. Митрифанов С. П. и др. Технологическая подготовка гибких производственных систем. — Л.: Машиностроение, 1987. 352 с.

42. Митрофанов С. А. Автоматизация проектирования технологических процессов механообработки в среде ГПС: Дис. док. техн. наук. — Москва, 1991.-351 с.-Рукопись.

43. Митрофанов С. П. Научная организация машиностроительного производства. Л.: Машиностроение, 1976. - 128 с.

44. Муртаф Б. Современное линейное программирование: Пер. с англ. М.: Мир, 1984. - 224 с.

45. Нейроинформатика / Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296с.

46. Нейронные сети. STATISTICA Neural Networks. — М.: Горячая линия -Телеком, 2000. 182 с.

47. Опитц Г. Современная техника производства (состояние и тенденции). — М.: Машиностроение, 1975. 280 с.

48. Отчет о НИР: Разработка информационно—программного обеспечения ГПС (международный проект). Хабаровск: ХГТУ НИИКТ, 1994. - 46 с.

49. Петкевич A.B., Хамец Н.И. Feature-технологии: состояние и перспективы //Автоматизация проектирования. 2000. — №1-2 — С. 16-26

50. Петров В.А., Масленников А.Н., Осипов Л.А. Планирование гибких производственных систем. Л.: Машиностроение, 1985. — 182 с.

51. Политехнический словарь. Под ред. Артоболевского И.И. — М.: Советская энциклопедия, 1977. 212 с.

52. Политехнический словарь. Под ред. Шилинского А.Ю. — М.: Советская энциклопедия, 1989.- 178 с.

53. Пономарев В. М., Лескин А. А., Смирнов А. В. Модели автоматизированного синтеза оптимальных технологических комплексов гибких производственных систем.- Методы и системы автоматизации в задачах науки и производства. М.: Наука, 1986, С. 36-49.

54. Проблемы, стоящие перед разработчиками при переходе предприятия от применения ГПС к широкому применению ИПК или производства, все функции управления которым интегрированы компьютером, вып.2// Кикай то когу, 1986, №10, С. 51-56.

55. ПушВ. Э. Конструирование металлорежущих станков. М.: Машиностроение, 1977. 390 с.

56. Райан Д. Инженерная графика в САПР. М.: Мир, 1989. 256 с.

57. Реклейтис Г., Рейвиндран А., Рэгсдел К. Оптимизация в технике: В 2-х кн. Пер. с англ. М.: Мир, 1986. Кн.1. - 350 с. Кн.2.

58. Родин П. Р. Основы формообразования поверхности резанием. — Киев: Издательское объединение «Вища школа», 1977. — 192 с.

59. Саввин Н.Н. Обсуждение норм приемки станков для обработки металлов //Вестник общества технологов. 1913. №4 - С. 137-138

60. Системное проектирование интегрированных производственных комплексов. Домарацкий А. Н. и др. Л.: Машиностроение, 1986, - 319 с.

61. Смирнов А. В. Исследование алгоритмической модели технологического синтеза гибких производственных систем. — Проблемы интегральной автоматизации производства. Л.: Наука, 1988, С. 73-85.

62. СмирновА. В., Шерематов Л. Б. Многоагентная технология проектирования сложных систем // Автоматизация проектирования, № 3, 1998 г. С. 23-27

63. Справочник по технологии резания материалов. В 2-х кн. (Ред. нем. изд.: Шпур Г., Штеферле Т.; пер. с нем., под ред. Соломенцева Ю.М.) М.: Машиностроение, 1985. 212 с. — 252 с.

64. Старостин В.Г., Лелюхин В.Е. Формализация проектирования процессов обработки резанием. М.: Машиностроение, 1987. — 182 с.

65. Технологические аспекты конверсии машиностроительного производства.// Васильев А. С., Васин С. А., Дальский А. М., Кондаков А. И./ Под ред. Кондакова А. И. М. - Тула: ТулГУ, 2003. -271 с.

66. Технологический классификатор деталей машиностроения и приборостроения/ в 2-х частях. М.: Изд-во стандартов. 1974, 1976.

67. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. — М.: Мир, 1992.-184 с.

68. Уямов А.И. Системный подход и общая теория систем. М.: Мысль, 1978. — 262 с.

69. Фиакко А., Мак-Кормик Г. Нелинейное программирование. Методы последовательной безусловной минимизации: Пер. с англ. — М.: Мир, 1972.- 240 с.

70. ФуксА. И. Определение рациональных технических характеристик размерного ряда металлорежущих станков//Диссертация. — Ленинград, 1970.-126 с.

71. Химмельблау Д. Прикладное нелинейное программирование: Пер. с англ.1. М.:Мир, 1975-536 с.

72. Шарин Ю.С. Обработка деталей на станках с ЧПУ. М.: Машиностроение, 1983.-194 с.

73. Шефер X. Топологические векторные пространства. М.: Мир, 1971. — 360 с.

74. Энциклопедический справочник. Машиностроение. Том 7. Под ред. акад. ЧудаковаЕ. А. М.: Государственное научно-техническое издательство машиностроительной литературы, 1949. - 462 с.

75. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics of Control, Signals, and Systems, 1989. Vol. 2. PP. 303 314.

76. Elinson A., Herrmann J. W., Minis I. E., Nau S. D., Singh G. Toward hybrid variant/generative process planning. Proc. of DETC'97 Conference, Sept. 1997. Sacramento, California.

77. Feigenbaum E., Simon H.: EPAM-like models of recognition and learning, Cognitive, Seiens, 8, 1984.

78. Fisher D.H.: Knowledge acquisition via incremental conceptual clustering, Machine lerning, (2), 1987.

79. Fritzke B. A Growing Neural Gas Network Learns Topologies/ Advances in Neural Information Processing System 7 Cambridge MA: MIT Press, 1995.

80. Hartley J. FMS at Work. IFS (Publications) Ltd., UK, North-Holland, 1984.

81. Hecht-Nielsen R., "Counterpropagation networks", Applied Optics, Vol. 23, No. 26, pp. 4979-4984,1987.

82. Hecht-Nielsen R., "Counterpropagation networks", Proc. First IEEE Int. Conf. on Neural Networks, eds. M.Candill, C.Butler, Vol. 2, pp. 19-32, San Diego, CA: SOS Printing. 1987.

83. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. Vol. 2. PP. 359 366.

84. Kibyakov P. P. Neural Network World of Agent-Doubles. The Fifth International Conference on Neural Information Processing. Kitakyushu, Japan, 1998, P.45.

85. Kibyakov P. P. The intelligent agents doubles. // Works of the International Scientific and techical Conference" Neural, relator and continuous-logik system and models". - Ulyanovsk: U1STU, 1998, P.20.

86. Kochenov D. A., Rossiev D. A. Approximations of functions of CA,B. class by neural-net predictors (architectures and results). AMSE Transaction, Scientific Siberian, A. 1993, Vol. 6. Neurocomputing. P. 189-203.

87. Kohonen T., "Self-organized formation of topologically correct feature maps", Biological Cybernetics, Vol. 43, pp.59-69, 1982.

88. Kohonen T., Self-Organizing Maps, Springer, 1995.

89. Laakko T. Incremental feature modelling: methodology for integrating features and solid models. Dr. tech. thesis, Helsinki University of Technology, 1993. 84 c.

90. LebowitzM. Experiments with incremental concept formation: UNIMEM, Machine lerning (2), 1987.

91. Mantyla M., Nau D., Shah J. Challenges in feature-based manufacturing research // Communications of the ACM, 1996. -Vol. 39. -№2.- P. 77-85.

92. Parry-Berwick S., BowyerA. Feature Technology. Technical Report 001/1993 University of Bath School of Mechanical Engineering, 1993.

93. Rummelhart D. E., Hinton G. E., Williams R. J., "Learning representations by back-propagating errors", Nature, Vol.323, pp.533-536, 1986.

94. Salomons 0. W., Houten F.J.A.M., Kals H.J.J. Review of research in feature based design// Journal of Manufacturing Systems. 1993. Vol. 12. -№2.- P.l 13132.

95. Stone M. N. The generalized Weierstrass approximation theorem. Math. Mag., 1948. V.21. PP. 167-183, 237-254.

96. Winder R. 0. Single-stage logic. Paper presented at the AIEE Fall General Meeting, 1960.

97. Frost H. R., Cutkosky M. R. Design for Manufacturability via Agent Interaction.- ASME Design for Manufacturing Conference. Irvine, CA, 1996, pp. 18-22.

98. Intelligent Agents Theories, Architectures, and Languages / Wooldridge Eds. M., Jennings N. R. - Springer-Verlag, 1995. - Lecture Notes in Artificial Intelligence, - V. 890, p 289.

99. Intelligent Agents / Wooldridge Eds. M., Mueller J. P., Tambe M. SpringerVerlag, 1996. - Lecture Notes in Artificial Intelligence. - V. 1037. 356 p.