CC BY
2
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2
Vestnik of Astrakhan State Technical University. Series: Management, computer science and informatics. 2024. N. 2 ISSN2072-9502 (Print), ISSN2224-9761 (Online)
УПРАВЛЕНИЕ, МОДЕЛИРОВАНИЕ, АВТОМАТИЗАЦИЯ
CONTROL, MODELING, AUTOMATION
Научная статья УДК 62-519
https://doi.org/10.24143/2072-9502-2024-2-7-20 EDN YWJDNM
Иерархическая модель оптимизации технологических параметров комплекса рабочих переходов для процесса механической обработки
Я. Ю. БровкинаИ. Н. Хрусталева, М. Б. Хрусталев, В. Н. Хохловский, В. П. Шкодырев
Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия, [email protected]ш
Аннотация. Оптимизация параметров процесса изготовления изделия является одной из ключевых задач технологической подготовки производства. Технологический процесс механической обработки имеет сложную иерархическую структуру. Эффективность оптимизации процесса изготовления изделия напрямую зависит от уровня его детализации и оптимального выбора целевых показателей и параметров управления. В данном случае технологический процесс механической обработки как объект управления можно описать в виде иерархической модели. Таким образом, задача оптимизации технологического процесса механической обработки заключается в определении оптимальных значений параметров управления для каждого структурного элемента (промежуточного состояния объекта управления) иерархической модели управления. Целью работы является разработка иерархической модели оптимизации параметров комплекса рабочих переходов для операций механической обработки. Описана структура иерархической модели процесса изготовления изделия на металлорежущих станках. В рамках разработанной модели выделены пять уровней управления, определены параметры управления для отдельных структурных элементов модели, а также взаимосвязь между ними. Для промежуточных состояний объекта управления (структурных элементов) представлено описание единичных и векторных критериев оптимизации. Представлена практическая реализация разработанной модели управления на примере оптимизации технологических параметров для детали «Втулка». Применение разработанной модели управления позволит повысить эффективность технологического процесса изготовления изделия на металлорежущих станках за счет оптимизации технологических параметров на основе многокритериального анализа на этапе технологической подготовки производства.
Ключевые слова: технологический процесс, векторный критерий оптимизации, частный критерий оптимизации, иерархическая модель, структурные элементы, механическая обработка, технологический переход, технологическая операция
Благодарности: исследование выполнено при поддержке гранта РНФ № 23-29-00551 от 13.01.2023 «Методы и алгоритмы построения интеллектуальных киберфизических систем для обеспечения семантической интеро-перабельности».
Для цитирования: Бровкина Я. Ю., Хрусталева И. Н., Хрусталев М. Б., Хохловский В. Н., Шкодырев В. П. Иерархическая модель оптимизации технологических параметров комплекса рабочих переходов для процесса механической обработки // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2. С. 7-20. https://doi.org/10.24143/2072-9502-2024-2-7-20. EDN YWJDNM.
© Бровкина Я. Ю., Хрусталева И. Н., Хрусталев М. Б., Хохловский В. Н., Шкодырев В. П., 2024
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2
ISSN2072-9502 (Print), ISSN2224-9761 (Online)
Управление, моделирование, автоматизация
и Я
§ | Original article
8 ю
CP CP
| A hierarchical model for optimizing the technological parameters 11 of a complex of working transitions for the machining process
E _
« I -
§ | Ya. Yu. BrovkinaI. N. Khrustaleva, M. B. Khrustalev, V. N. Khokhlovskiy, V. P. Shkodyrev
s S Peter the Great St. Petersburg Polytechnic University,
и a Saint Petersburg, Russia, [email protected]
О о, _
£ &
g § Abstract. Optimization of the parameters of the product manufacturing process is one of the key tasks of technologist 4 cal preparation of production. The technological process of mechanical processing has a complex hierarchical struc-® ture. The effectiveness of optimizing the manufacturing process of a product directly depends on the level of its detail g and the optimal choice of targets and control parameters. In this case, the technological process of mechanical prog cessing, as an object of control, can be described in the form of a hierarchical model. Thus, the task of optimizing the 5 technological process of mechanical processing is to determine the optimal values of control parameters for each § structural element (intermediate state of the control object) of the hierarchical control model. The aim of the work is to ^ develop a hierarchical model for optimizing the parameters of a complex of working transitions for machining operations. The structure of the hierarchical model of the product manufacturing process on metal-cutting machines is de-| scribed. Within the framework of the developed model, five control levels are identified, control parameters for indi-
s
я
я
vidual structural elements of the model are defined, as well as the relationship between them. For the intermediate states of the control object (structural elements), a description of single and vector optimization criteria is presented.
| The practical implementation of the developed control model is presented using the example of optimizing the techno-
2 logical parameters for the Bushing part. The application of the developed control model will increase the efficiency 5 of the technological process of manufacturing products on metal-cutting machines by optimizing technological pa-§ rameters based on a multi-criteria analysis at the stage of technological preparation of production.
5
g Keywords: technological process, vector optimization criterion, particular optimization criterion, hierarchical model,
g structural elements, mechanical processing, technological transition, technological operation я
<р Acknowledgements: the research was carried out with the support of the Russian Academy of Sciences grant
6 No. 23-29-00551 dated 13.01.2023 "Methods and algorithms for building intelligent cyberphysical systems to en-^ sure semantic interoperability".
я For citation: Brovkina Ya. Yu., Khrustaleva I. N., Khrustalev M. B., Khokhlovskiy V. N., Shkodyrev V. P. A hierarchical model for optimizing the technological parameters of a complex of working transitions for the machining pro-
§ cess. Vestnik of Astrakhan State Technical University. Series: Management, computer science and informatics.
§ 2024;2:7-20. (In Russ.). https://doi.org/10.24143/2072-9502-2024-2-7-20. EDN YWJDNM.
3
я Введение включающая сбор данных, их обработку и анализ на
® Быстрые темпы развития производства и высокая основе разработанных методов и алгоритмов [14-16].
§ конкуренция способствуют все более широкому В настоящее время для решения задач оптими-
§ внедрению цифровых технологий в производствен- зации широко применяются графы знаний [17, 18].
g ный процесс. В современных экономических усло- Граф знаний представляет собой семантическую
^ виях цифровизация производственных процессов сеть, в которой содержится информация о струк-
w является одним из основных направлений развития турных элементах объекта исследования и связях
^ промышленных предприятий [1]. Цифровые техно- между ними. Применение графов знаний для ре-
§ логии позволяют значительно повысить эффектив- шения практических производственных задач рас-
^ ность хозяйственной деятельности предприятия за смотрено в работах [19-21].
X счет создания многоуровневой системы, позволяю- Также широкое распространение для решения
¡п. щей оптимизировать параметры производственных задач оптимизации получили методы, базирующие-
к потоков на основе многокритериального анализа [2]. ся на генетических алгоритмах, основанных на есте-
| Проблеме оптимизации производственных про- ственном процессе отбора, имитирующем биологи-
| цессов и внедрения цифровых технологий посвя- ческую эволюцию [18]. Примеры решения задач
^у щено большое количество научных работ [3-12]. оптимизации, в основе которых лежит генетический
^ Современные цифровые технологии, такие как Ин- алгоритм, представлены в работах [22-24].
2 тернет вещей, облачные вычисления, аналитика В научной литературе также представлены больших данных и искусственный интеллект, по- примеры решения задач оптимизации, основанные
2з зволяют значительно повысить эффективность на методе прямого поиска [25-28]. Данная группа
| производственного процесса [13]. методов относится к методам нулевого порядка,
w В основе оптимизации производственных про- которые предполагают использование только зна-цессов лежит аналитика большого объема данных, чения функции и неиспользование ее производной.
Vestnik of Astrakhan State Technical University. Series: Management, computer science and informatics. 2024. N. 2 ISSN2072-9502 (Print), ISSN2224-9761 (Online)
Control, modeling, automation
Одним из ключевых показателей эффективности работы предприятия является качество выпускаемой продукции. Для оптимизации данного целевого показателя применяется метод Тагути [29-31], который позволяет оценить показатели качества производимой продукции и потери, возникающие по мере отклонения значений технического параметра изделия от номинального, в том числе и в пределах допуска.
Целью исследования является разработка модели оптимизации технологических параметров процесса механической обработки для повышения ее эффективности.
Задачами исследования являются анализ факторов, влияющих на эффективность механической обработки; разработка иерархической модели процесса обработки изделий на металлорежущих станках; формирование векторных критериев оптимизации для структурных элементов модели.
Объектом управления является процесс обработки изделия на металлорежущих станках.
Изделие как объект управления
Переход объекта управления из состояния заготовки в состояние готового изделия происходит на основе реализации технологического процесса, содержащего четкую последовательность действий,
направленных на изменение структуры и свойств исходной заготовки, в результате выполнения которых получается изделие с заданными техническими параметрами, с применением специализированной оснастки и технологического оборудования. В рамках данной работы будет рассмотрен процесс изготовления изделия на металлорежущих станках.
Объект управления представляет собой описание четкой последовательности промежуточных состояний изделия в процессе его изготовления и средств, необходимых для перехода объекта управления из (' - 1)-го состояния в (')-е состояние.
Процесс изменения структуры и свойств изделия в процессе его изготовления можно представить в виде 5-уровневой иерархической модели, содержащей следующие уровни управления:
- уровень № 1 - технологический процесс;
- уровень № 2 - этап обработки;
- уровень № 3 - технологическая операция;
- уровень № 4 - технологический переход;
- уровень № 5 - рабочий ход.
На первом уровне объект управления имеет два состояния: £заг - состояние изделия до начала процесса обработки, £изд - состояние изделия после завершения выполнения всех технологических операций (рис. 1).
^^^заг -
Е
Технологический процесс механической обработки
M i . IY
ста
K
И K
<
s i
V
< A
Рис. 1. Граф первого уровня управления объектом «Изделие»: Езаг-изд - условия перехода объекта управления из состояния 5заг в состояние SK
Fig. 1. Graph of the first level of control of the Product object: Езаг-изд - conditions of control object transition from S^ to Smj, state
Задачами данного уровня управления являются:
- оптимизация количества этапов обработки в рамках технологического процесса;
- оптимизация типов обработки в рамках каждого этапа.
Частными критериями оптимизации для данного уровня управления будут являться: G1изд - трудоемкость изготовления изделия в рамках технологического процесса, ч; G™д - величина оператив-
ных затрат в рамках технологического процесса, руб.; G3изд - индекс точности достижения заданных технических параметров в рамках технологического процесса; G4нд - величина капитальных затрат, необходимых для изготовления изделия, руб.
Таким образом, векторный критерий оптимизации будет иметь вид
Fизд (и )=(G™ (и ), g™ (и), G™ (и), б4,зд (и)),
где U - вектор параметров управления.
Параметрами управления в рамках данного уровня управления будут являться: Ntr - количество этапов обработки, шт.; Typetr - тип обработки в рамках этапа обработки.
На втором уровне переход объекта управления
оЭО оЭО
из состояния а2(кв состояние \ производится в рамках этапа обработки (рис. 2).
i n'
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2
ISSN2072-9502 (Print), ISSN 2224-9761 (Online)
Управление, моделирование, автоматизация
Я S3
о и
И S-
о о
X VQ
U aS
& а
и ю
с о
а «
о о. & с
Е
Еза
Рис. 2. Граф второго уровня управления объектом «Изделие»: 521, ^22, S2(Ъ-1), S2k - 1-Ъ-е промежуточные состояния объекта на втором уровне управления; , Е21-22, Ещ-ху-тъ Е2Ъ-изд - условия изменения промежуточных состояний объекта управления £заг ^ S21,
S21 ^ S22, S2(k-1) ^ S2k, S2k ^ 0изд; k - количество промежуточных состояний объекта на втором уровне управления
к к я
Fig. 2. Graph of the second level of control of the Product object: S21, S22, S2(k-1), S2k - 1-k-th intermediate states of the object at the second control level; E3ar-21, E21-22, E2(k-1)_2k, E2k-H3fl - conditions of control object transition S3ar ^ S21, S21 ^ S22, S2(k-1) ^ S2k, S2k ^ SH3fl; k - number of intermediate object states in the second control level
SP S3
X &
Ш
«
о и
ш
>S3 S3
и
Задачами второго уровня управления являются:
- оптимизация технологического маршрута в рамках этапа обработки;
- оптимизация количества технологических операций в рамках этапа обработки.
Частными критериями оптимизации для второго
уровня управления будут являться: (^ЭО) - трудоемкость изготовления изделия в рамках Ъ-го этапа обработки, ч; ) - величина оперативных за-
трат в рамках Ъ-го этапа обработки, руб.; ^3ЭО) -
индекс точности достижения заданных технических
параметров в рамках Ъ-го этапа обработки; ^4Э°) -
величина капитальных затрат, необходимых для реализации Ъ-го этапа обработки, руб.
Таким образом, векторный критерий оптимизации для Ъ-го этапа обработки будет иметь вид
^ (U ) = ((G» )2k (U), (G^ ) (U), (Gf )2k (U), (Gf ) (U)).
Параметрами управления в рамках данного этапа будут являться: Nop - количество технологических операций в рамках этапа обработки, шт.; Typeeq - тип применяемого оборудования в рамках
этапа обработки.
На третьем уровне объект управления имеет следующие промежуточные состояния:
оз;
о,.
SI
2k-изд
S.
2k-изд
х
&
х
&
X
rt И S3
и
где Ъ - количество этапов обработки в рамках технологического процесса, шт.; п - количество промежуточных состояний объекта управления в рамках этапа обработки, шт.
Переход объекта управления из состояния
02(Ъ-1)-2Ъ
в состояние производится в рамках вы-
полнения технологической операции (рис. 3).
Рис. 3. Граф третьего уровня управления объектом «Изделие»
Fig. 3. Graph of the third level of control of the Product object
Vestnik of Astrakhan State Technical University. Series: Management, computer science and informatics. 2024. N. 2 ISSN2072-9502 (Print), ISSN2224-9761 (OnUne)
Control, modeling, automation
Задачами третьего уровня управления являются:
- оптимизация структуры технологических операций;
- оптимизация номенклатуры технологического оборудования и установочно-зажимных приспособлений для каждой технологической операции;
- оптимизация используемых методов формообразования в рамках технологической операции.
Частными критериями оптимизации для третьего уровня управления являются: (О^0 ^ - трудоемкость
выполнения работ в рамках п-й технологической операции, ч; (О™ ^ - величина оперативных затрат в рамках п-й технологической операции, руб.; (ОзТО)з - индекс точности достижения заданных технических параметров в рамках п-й технологической операции.
Таким образом, векторный критерий оптимизации для п-й технологической операции будет иметь вид
e n в a
a ^
h ^ i .
iu
g 1-
F™ (U) = ((G™)u (U), (G2to )3n (U), (G™ ) (U)).
Параметрами управления в рамках третьего этапа будут являться: Мп - количество технологических переходов в рамках технологической операции, шт.; Турвеа-и - модель технологического оборудования, применяемого в рамках технологической операции; Туре^ - модель установочно-зажимного приспособления, применяемого в рамках технологической операции; (ТурергМ )1 к -
методы формообразования, применяемые в рамках технологических переходов 1, ..., к.
Четвертый уровень управления в рамках технологической операции имеет следующие промежуточные состояния:
<-г3(п-1)-3п <-г3(п-1)-3п <-г3(п-1)-3п ^3(п-1)-3п
¿41 ^ ¿42 ¿4(у-1) ^ ¿4у ,
где V - количество промежуточных состояний объекта управления в рамках технологической операции, шт.
Переход объекта управления из состояния
о3(п-1)-3п
1Ч в состояние
4(v-i)
c3(n-1)-3n
S4v производится в рам-
h
<
•Л i
ках выполнения технологического перехода (рис. 4).
> h
Рис. 4. Граф четвертого уровня управления объектом «Изделие»: V - количество промежуточных состояний объекта управления в рамках технологической операции;
т-г3(п-1)-3п т-т3(п-1)-3п т-г3(п-1)-3п т-т3(п-1)-3п - г
-^3(п-1)-41 , —41-42 , ¿4^, - условия изменения промежуточных состоянии объекта управления
-»4(v-1)-4v -
ç2(k-1)-2k ç3(n-l)-3n ç3(n-l)-3n ç3(n-l)-3n ç3(n-1)-3n ç3(n-l)-3n ç3(n-l)-3n o2(k-1)
J3(n-l)
4(v-1)
Fig. 4. Graph of the fourth level of control of the Product object: v - number of intermediate states of the control object within the technological operation;
EtiMi", E^--1"3", , E3--"-3" - conditions of control object transition
"3(n-0
o2(k-1)-2k ç,3(n-1)-. S3(n-1) ^ S41
^4(v-1)-r»3(n-1)-3n
S41
r»3(n-1)-3n ç3(n-1)-3n r»3(n-1)-3n ç3(n-1)-S42 , S4(v-1) ^ S4v , S4v
S2(k-1)-
Задачами четвертого уровня управления являются:
- оптимизация номенклатуры режущего инструмента, используемого в рамках технологического перехода;
- оптимизация схем обработки (траектории движения режущего инструмента) в рамках технологического перехода.
Частными критериями оптимизации для четвер-
того уровня управления являются: (О^0 ^ - трудоемкость выполнения работ в рамках v-го технологического перехода, ч; (О™ ^ - величина оперативных затрат в рамках v-го технологического перехода, руб.; (03го^ - индекс точности дости-
i 5"
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика 2024. № 2
ISSN 2072-9502 (Print), ISSN2224-9761 (Online)
Управление, моделирование, автоматизация
в s £ й
л л
и о
с о
X «
s о
sr M
о о
о й
жения заданных технических параметров в рамках ции для у-го технологического перехода будет у-го технологического перехода. иметь вид
Таким образом, векторный критерий оптимиза-
^ (U) = ((G™)4v (U), (G~)4v (U), (G~)4v (U)).
Параметрами управления в рамках четвертого
этапа будут являться: Турвс! - модель режущего инструмента, применяемого в рамках технологического перехода; ТурвРг8ь - схема траектории движения режущего инструмента.
¿51 ^ ¿52 ^
где г - количество промежуточных состояний объекта управления в рамках технологического пере-
На пятом уровне изменение промежуточного состояния объекта управления производится в результате выполнения рабочего хода. В рамках отдельного технологического перехода объект управления имеет следующие промежуточные состояния:
^ S5(r-1) ^ S5r
хода, шт. (рис. 5).
Рис. 5. Граф пятого уровня управления объектом «Изделие»: г - количество промежуточных состояний объекта управления в рамках технологического перехода;
о4(т-1)-4т гг4(т-1)-4т гг4(т-1)-4т гг4(т-1)-4т ~
Ь5{ ' , ¿52 , ¿5(^1) , ' - условия изменения промежуточных состоянии объекта управления
5r
m-1)-4m
гг3(и-1)-3и _ çr4(m-1)-4m гт4(т-1)
S4(v-1) ^ S51 , S51
o4(m-1)-4m r>4(m-l)-4m ^ S52 , S5(r-1)
g4(m-1)-4m g 4(m-1)-
g 3(и-1)-
Fig. 5. Graph of the fifth level of control of the Product object r - number of intermediate states of the control object within the technological transition;
S5i , S52 , , ¿sr - conditions of control object transition
гг3(и-1)-3и _ rr4(m-l)-4m rr4(m-l) ....
S4(v-1) ^ S51 , ^
5(r-l)
m-1)-4m _^ rr4(m-l)-4m
S52
t4(m-l)-4m
5(r-1)
^ g4(m-l)-4m g4(m-l)-
^ S43f-1)-
На пятом уровне управления решается задача ках г-го рабочего хода, руб.; (GзРХ) - индекс точно-оптимизации значений параметров резания в рамках ^ '5г
рабочего хода сти достижения заданных технических параметров
Частными критериями оптимизации для данного в рамках г-го рабочего хода.
Таким образом, векторный критерий оптимиза-
уровня управления являются: ^РХ )5 - трудоемкость выполнения работ в рамках г-го рабочего хода, ч; ^2РХ ^ - величина оперативных затрат в рам-
^ (и) = (КХ )5г (и) ,(G2РХ )5г (и) , (GзРХ )5г (и))
ции для r-го рабочего хода будет иметь вид
Параметрами управления в рамках пятого уровня будут являться параметры резания, в част-
процесса изготовления детали «Втулка»
В рамках этапа технологической подготовки
ности S - величина подачи; V - величина скорости производства поставлена задача оптимизации параметров технологического процесса изготовления детали «Втулка» (рис. 6).
резания, м/мин; t - величина глубины резания, мм. Оптимизация параметров технологического
Vestnik of Astrakhan State Technical University. Series: Management, computer science and informatics. 2024. N. 2 ISSN 2072-9502 (Print), ISSN 2224-9761 (Online)
Control, modeling, automation
Рис. 6. Твердотельная модель детали «Втулка» Fig. 6. Solid-state model of the Bushing part
M i . SY
era
K
На рис. 7 представлена последовательность из- вого и третьего уровней управления. менения состояний изделия «Втулка» в рамках пер-
K
<
s
i
V
< A
Рис. 7. Последовательность изменения состояний изделия «Втулка» в рамках первого и третьего уровней управления: S31, S32, S33, S34 - промежуточные состояния объекта на третьем уровне управления; Е3аг-2ь E21-22, E22-23, E23-24, Е24.изд - условия изменения промежуточных состояний объекта управления S33r ^ S31,
S31 ^ S32, S32 ^ S33, S33 ^ S34, S34 ^ >^изд
Fig. 7. The sequence of changing the states of the Bushing product within the first and third control levels: S31, S32, S33, S34 - intermediate states of the object at the third management level; Езаг-21, E21-22, E22-23, E23-24, Е24-изд - conditions of control object transition S3sr ^ S31,
S31 ^ S32> S32 ^ S33> S33 ^ S34> S34 ^ Snзд
Изготовление изделия производится в рамках одного этапа обработки, поэтому граф измерения состояния объекта в рамках второго уровня управления идентичен графу первого уровня управления На рис. 8 представлена последовательность про-
межуточных состояний изделия для четвертого и пятого уровней управления для технологической операции, в рамках которой производится переход изделия из состояния ¿заг в состояние ¿31.
i S'
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2
ISSN2072-9502 (Print), ISSN2224-9761 (Online)
Управление, моделирование, автоматизация
о 2
п h
о о
X VO
и се
а а
и о
с о
X «
s о
з- и
о о
о a
а £
а s
та 5
о 5
м И
и
аз ч
£ с
Vestnik of Astrakhan State Technical University. Series: Management, computer science and informatics. 2024. N. 2 ISSN 2072-9502 (Print), ISSN 2224-9761 (Online)
Control, modeling, automation
Целями оптимизации являются:
- состояние объекта управления Х?^-41: снижение значения целевого показателя (О1РХ ) не менее чем на 15 %, при этом увеличение значения целевого показателя (О3РХ ) не должно превышать 7 %;
- состояние объекта управления Х41-31 : снижение значения целевого показателя (О3РХ) не менее чем на 5,5 %, при этом увеличение целевого показателя (О2РХ) не должно превышать 10 %.
В рамках исходного технологического процесса (до процесса оптимизации) параметры технологического процесса имели следующие значения:
Промежуточное состояние 41 : (О^)51 =
= 59,693 с; 02РХ) = 6,798 руб.; (О3РХ= 0,202 . Промежуточное состояние Х41-31 : (О1РХ ) =
= 15,271 с; (О2РХ ) = 1,739 руб.; (ОрХ) = 0,217.
Графики зависимости значений частных критериев оптимизации от параметров управления для промежуточных состояний объекта управления Х^-41 (при фиксированной глубине резания /1 = 1,0 мм) и Х.4]1-31 (при фиксированной глубине резания /1 = = 0,6 мм) представлены на рис. 9, 10.
м
c Y i .
iy
K
K
<
s
i
V
< A
Рис. 9. Графики зависимости значений частых критериев оптимизации для промежуточного состояния объекта управления S^-41 от подачи и скорости резания при глубине резания t = 1,0 мм: а - зависимость трудоемкости выполнения рабочего хода; б - зависимость величины затрат на выполнение рабочего хода; в - зависимость значения индекса точности
Fig. 9. Graphs of the dependence of the values of particular optimization criteria for the intermediate state of the control object
S™-41 on the feed and cutting speed at cutting depth t = 1.0 mm:
a - dependence of the labor intensity of the stroke;
б - dependence of the cost of the stroke; в - dependence of the accuracy index value
i
1
б
а
в
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2
ISSN2072-9502 (Print), ISSN2224-9761 (Online)
Управление, моделирование, автоматизация
и я
о и
4 fc
о о
X ю
(О Ю
с о
X >я
я о
№ и
я я я
ч ч
ср К
е
И
ш &
А
ч о и
В я'
И
X w
Рис. 10. Графики зависимости значений частых критериев оптимизации для промежуточного состояния объекта управления S^1-31 от подачи и скорости резания при глубине резания t = 0,6 мм: а - зависимость трудоемкости выполнения рабочего хода; б - зависимость величины затрат на выполнение рабочего хода; в - зависимость значения индекса точности
Fig. 10. Graphs of the dependence of the values of frequent optimization criteria for the intermediate state of the control object on S^1-31 the feed and cutting speed at the cutting depth t = 0.6 mm: a - dependence of the labor intensity of the stroke; б - dependence of the cost of the stroke; в - dependence of the accuracy index value
Параметры перехода объекта управления из со-
стояния S_ в состояние SZ
S47 31 в состояние S4 31 представлены в таблице.
, а также из состояния
S-i
о ¡у
ср
X
Я'
К
Значения параметров резания в процессе изменения состояний объекта управления S31lr ^ S^"41, S^"31 ^ S4
Values of cutting parameters in the process of changing the states of the control object Smr ^ S^"41, S^"31 ^ S^
Изменение состояния объекта управления Значения параметров управления
До оптимизации После оптимизации
t s v t s v
о . озаг-41 °заг ^ S51 1,0 0,045 190 1,0 0,0525 220
озаг-31 _^ о41-31 S41 ^ S51 0,6 0,075 310 0,6 0,07 305
H
о ¡у
Ср £
Я Я и
б
а
в
Vestnik of Astrakhan State Technical University. Series: Management, computer science and informatics. 2024. N. 2 ISSN2072-9502 (Print), ISSN2224-9761 (Online)
Control, modeling, automation
В результате проведенной оптимизации промежуточные состояния имеют следующие значения целевых показателей:
Промежуточное состояние Х^-41: (ОрХ) = = 45,316 с; (ОрХ)51 = 5,161 руб.;(О3РХ) = 0,215. Снижение значения целевого показателя (О1РХ )51 составляет 24,8 %, при этом увеличение значения целевого показателя (О3РХ )51 - 6,44 %.
Промежуточное состояние Х41-31 : (О1РХ )51 = = 16,649 с; (ОрХ)51 = 1,896 руб.; (О3РХ)51 = 0,203. Снижение значения целевого показателя (О3РХ) составляет 6,45 %, при этом увеличение целевого по-
казателя (Gf )5l - 9,02 %.
Заключение
Оптимизация целевых показателей технологического процесса является ключевым фактором повышения эффективности процесса изготовления изделия. Эффективность процесса оптимизации напрямую зависит от степени детализации объекта управления. Представленная в работе иерархическая модель технологического процесса механической обработки представляет собой структурную декомпозицию целей, которые должны быть достигнуты в рамках выделенных уровней управления. Данная иерархия целей позволяет повысить эффективность технологического процесса за счет детального анализа и оптимизации целевых показателей отдельных структурных элементов модели.
рэ
c Y i .
IY
рэ
ста
K
И K
Список источников
1. Abe Zeid, Sarvesh Sundaram, Mohsen Moghaddam, Sagar Kamarthi, Tucker Marion. Interoperability in Smart Manufacturing: Research Challenges // Machines. 2019. V. 7 (2). P. 21. https://doi.org/10.3390/machines7020021.
2. Khrustaleva I. N., Larionova T. A., Lyubomudrov S. A., Chernykh L. G., Stepanov S. N. Automating production engineering for custom and small-batch production on the basis of simulation modeling // Journal of Physics: Conference Series. 2021. V. 1753. P. 012047.
3. Kostenko D., Shkodyrev V., Onufriev V. Solving Mul-ticriteria Optimization Problem for an Oil Refinery Plant // Proceedings of International Scientific Conference on Telecommunications, Computing and Control. 2021. P. 131-140.
4. Kostenko D., Arseniev D., Shkodyrev V., Onufriev V. Pareto optimization in oil refinery // Data Mining and Big Data. Communications in Computer and Information Science. 2020. P. 26-33.
5. Kudryavtsev E. Automation of optimization of discrete technological processes // 27th Russian-Polish-Slovak Seminar, Theoretical Foundation of Civil Engineering (27RSP), TFOCE 2018 (Rostov-on-Don, 17-21 September 2018), MATEC Web of Conferences. 2018. V. 196. P. 04067. DOI: 10.1051/matecconf/201819604067.
6. Efimov A., Gorkavyy M., Egorova V., Gorkavyy A. Optimization of Technological Parameters of Robotized Mechanical Processing Processes of Aviation Products // Current Problems And Ways Of Industry Development: Equipment And Technologies (Warsaw, 01 January -31 December 2021). Warsaw: Springer, 2021. V. 200. P. 204-215. DOI: 10.1007/978-3-030-69421-0_22.
7. Yong Xu, Ling Yuan, Khalfaoui R., Radulescu M., Mallek S., Xin Zhao. Making technological innovation greener: Does firm digital transformation work? // Technological Forecasting and Social Change. 2023. V. 197. P. 122928. https://doi.org/10.1016/j.techfore.2023.122928.
8. Martyn Ye., Liaskovska S., Gregus M., Izonin I., Vely-ka O. Optimization of Technological's Processes Industry 4.0 Parameters for Details Manufacturing via Stamping: Rules of Queuing Systems // Procedia Computer Science. 2021. V. 191. P. 290-295. https://doi.org/10.1016/j.procs.2021.07.036.
9. Levchenko E. Machine learning as a tool for optimization of technological processes // World of petroleum prod-
ucts. 2021. V. 02. P. 44-47. DOI: 10.32758/2782-30402021-1-1-44-47.
10. El Maraghy H., Schuh G., El Maraghy W., Piller F., Schonsleben P., Tseng M., Bernard A. Product variety management // CIRP Annals. 2013. V. 62. Iss. 2. P. 629-652. https://doi.org/10.1016Zj.cirp.2013.05.007.
11. Tkach E., Semenov V., Shumilina Yu. Optimization of the composition and technological processes of dispersed cement systems with high performance properties // IOP Conference Series: Materials Science and Engineering. 2021. V. 1030. P. 012024. DOI: 10.1088/1757-899X/1030/1/012024.
12. Shanin I. Methodology for the implementation of a technological solution, taking into account the optimization of production business processes based on simulation // IOP Conference Series: Materials Science and Engineering. 2021. V. 1064 (1). P. 012037. DOI: 10.1088/1757-899X/1064/1/012037.
13. Tao Fei, Qi Qinglin, Wang Lihui, Nee Andrew. Digital Twins and Cyber-Physical Systems toward Smart Manufacturing and Industry 4.0: Correlation and Comparison // Engineering. 2019. V. 5. P. 653-661. DOI: 10.1016/j.eng. 2019.01.014.
14. Kai Kang, Ray Y. Zhong. A methodology for production analysis based on the RFID-collected manufacturing big data // Journal of Manufacturing Systems. 2023. V. 68 (1). P. 628-634. https://doi.org/10.1016/jjmsy.2023.05.014.
15. Shuaiyin Ma, Yingfeng Zhang, Jingxiang Lv, Yun-tian Ge, Haidong Yang, Lin Li. Big data driven predictive production planning for energy-intensive manufacturing industries // Energy. 2020. V. 211. P. 118320. https://doi.org/ 10.1016/j.energy.2020.118320.
16. Yongheng Zhang, Rui Zhang, Yizhong Wang, Hongfei Guo, Ray Y. Zhong, Ting Qu, Zhiwu Li. Big data driven decision-making for batch-based production systems // Procedia CIRP. 2019. V. 83. P. 814-818. https://doi.org/ 10.1016/j.procir.2019.05.023.
17. Pan J., Vetere G., Manuel Gomez-Perez J., Wu H. Exploiting Linked Data and Knowledge Graphs in Large Organisations. Springer Cham, 2017. 266 p. https://doi.org/ 10.1007/978-3-319-45654-6.
18. Mst. Mim Akter, Md-Mizanur Rahoman. A Systematic Review on Knowledge Graphs Classification and Their
<
s
i
V
<
A
i 1
я я я
га
га
X
х
х
tí я я и
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2
ISSN2072-9502 (Print), ISSN2224-9761 (Online)
Управление, моделирование, автоматизация
и Я
о и
4 fe
о о
X ю
OJ tí
(О Ю
я о
Various Usages // Artificial Intelligence Evolution. 2023. P. 187-215. DOI: 10.37256/aie.4220233605.
19. Fensel D., §im§ek U., Angele K., Huaman E., Karle E., Panasiuk O., Toma I., Umbrich J., Wahler A. How to Use a Knowledge Graph // Knowledge Graphs. Springer, Cham, 2020. P. 69-93. https://doi.org/10.1007/978-3-030-37439-6_3.
20. Jawad M. S., Chitra Dhawale, Azizul Azhar Bin Ramli, Hairulnizam Mahdin. Adoption of knowledge-graph best development practices for scalable and optimized manufacturing processes // MethodsX. 2023. V. 10. P. 102124. https: //doi.org/10.1016/j. mex.2023.102124.
21. Xin-She Yang. Chapter 6 - Genetic Algorithms // Nature-Inspired Optimization Algorithms. Academic Press, 2021. P. 91-100. https://doi.org/10.1016/B978-0-12-821986-7. 00013-5.
22. Shahram Ghadami, Hassan Biglarian, Hossein Beyrami, Mohsen Salimi. Optimization of multilateral well trajectories using pattern search and genetic algorithms // Results in Engineering. 2022. V. 16. P. 100722. https://doi.org/10.1016/j.rineng.2022.100722.
23. Ricardo Fitas, Gonjalo das Neves Carneiro, Carlos Conceijao Antonio. Swarm intelligence hybridized with genetic search in multi-objective design optimization under constrained-Pareto dominance // Composite Structures. 2023. V. 319. P. 117155. https://doi.org/10.1016/j.comp-struct.2023.117155.
24. Suresh P. V. S., Venkateswara Rao P., Deshmukh S. G. A genetic algorithmic approach for optimization of surface roughness prediction model // International Journal of Machine Tools and Manufacture. 2002. V. 42. Iss. 6. P. 675-680. https://doi.org/10.1016/S0890-6955(02)00005-6.
25. Kuo-Hao Chang. Stochastic Nelder-Mead simplex method - A new globally convergent direct search method for simulation optimization // European Journal of Opera-
tional Research. 2012. V. 220. Iss. 3. P. 684-694. https://doi.org/10.1016/j.ejor.2012.02.028.
26. Kuo-Hao Chang. A direct search method for unconstrained quantile-based simulation optimization // European Journal of Operational Research. 2015. V. 246. Iss. 2. P. 487-495. https://doi.org/10.1016/j.ejor.2015.05.010.
27. Abdel-Rahman Hedar, Masao Fukushima. Tabu Search directed by direct search methods for nonlinear global optimization // European Journal of Operational Research. 2006. V. 170. Iss. 2. P. 329-349. https://doi.org/10.1016/j.ejor. 2004.05.033.
28. Paresh Kumar Panigrahi, Sukanta Nayak. Numerical approach to solve imprecisely defined systems using Inner Outer Direct Search optimization technique // Mathematics and Computers in Simulation. 2024. V. 215. P. 578-606. https://doi.org/10.1016/j.matcom.2023.08.025.
29. Umesh Khandey, Vedpal Arya. Optimization of multiple surface roughness characteristics of mild steel turned product using weighted principal component and Taguchi method // Materials Today: Proceedings. 2023. https:// doi.org/10.1016/j.matpr.2023.04.298.
30. Sidharthan S., Raajavignesh G., Nandeeshwaran R., Radhika N., Jojith R., Jeyaprakash N. Mechanical property analysis and tribological response optimization of SiC and MoS2 reinforced hybrid aluminum functionally graded composite through Taguchi's DOE // Journal of Manufacturing Processes. 2023. V. 102. P. 965-984. https://doi.org/10. 1016/j.jmapro.2023.08.013.
31. Paramjit Singh Bilga, Sehijpal Singh, Raman Kumar. Optimization of energy consumption response parameters for turning operation using Taguchi method // Journal of Cleaner Production. 2016. V. 137. P. 1406-1417. https://doi.org/ 10.1016/j.jclepro.2016.07.220.
References
1. Abe Zeid, Sarvesh Sundaram, Mohsen Moghaddam, Sagar Kamarthi, Tucker Marion. Interoperability in Smart Manufacturing: Research Challenges. Machines, 2019, vol. 7 (2), p. 21. https://doi.org/10.3390/machines7020021.
2. Khrustaleva I. N., Larionova T. A., Lyubomudrov S. A., Chernykh L. G., Stepanov S. N. Automating production engineering for custom and small-batch production on the basis of simulation modeling. Journal of Physics: Conference Series, 2021, vol. 1753, p. 012047.
3. Kostenko D., Shkodyrev V., Onufriev V. Solving Mul-ticriteria Optimization Problem for an Oil Refinery Plant. Proceedings of International Scientific Conference on Telecommunications, Computing and Control, 2021, pp. 131-140.
4. Kostenko D., Arseniev D., Shkodyrev V., Onufriev V. Pareto optimization in oil refinery. Data Mining and Big Data. Communications in Computer and Information Science, 2020, pp. 26-33.
5. Kudryavtsev E. Automation of optimization of discrete technological processes. 27th Russian-Polish-Slovak Seminar, Theoretical Foundation of Civil Engineering (27RSP), TFOCE 2018 (Rostov-on-Don, 17-21 September 2018), MATEC Web of Conferences. 2018. Vol. 196. P. 04067. DOI: 10.1051/matecconf/201819604067.
6. Efimov A., Gorkavyy M., Egorova V., Gorkavyy A. Optimization of Technological Parameters of Robotized Mechanical Processing Processes of Aviation Products. Current Problems And Ways Of Industry Development: Equipment And Technologies (Warsaw, 01 January - 31 December 2021). Warsaw, Springer, 2021. Vol. 200. Pp. 204-215.
DOI: 10.1007/978-3-030-69421-0_22.
7. Yong Xu, Ling Yuan, Khalfaoui R., Radulescu M., Mallek S., Xin Zhao. Making technological innovation greener: Does firm digital transformation work? Technological Forecasting and Social Change, 2023, vol. 197, p. 122928. https://doi.org/10.1016/j.techfore.2023.122928.
8. Martyn Ye., Liaskovska S., Gregus M., Izonin I., Velyka O. Optimization of Technological's Processes Industry 4.0 Parameters for Details Manufacturing via Stamping: Rules of Queuing Systems. Procedia Computer Science, 2021, vol. 191, pp. 290-295. https://doi.org/10.1016j.procs.2021.07.036.
9. Levchenko E. Machine learning as a tool for optimization of technological processes. World of petroleum products, 2021, vol. 02, pp. 44-47. DOI: 10.32758/2782-30402021-1-1-44-47.
10. El Maraghy H., Schuh G., El Maraghy W., Piller F., Schonsleben P., Tseng M., Bernard A. Product variety management. CIRP Annals, 2013, vol. 62, iss. 2, pp. 629-652. https://doi.org/10.1016/j.cirp.2013.05.007.
11. Tkach E., Semenov V., Shumilina Yu. Optimization of the composition and technological processes of dispersed cement systems with high performance properties. IOP Conference Series: Materials Science and Engineering, 2021, vol. 1030, p. 012024. DOI: 10.1088/1757-899X/1030/1/012024.
12. Shanin I. Methodology for the implementation of a technological solution, taking into account the optimization of production business processes based on simulation. IOP Conference Series: Materials Science and Engineering,
Vestnik of Astrakhan State Technical University. Series: Management, computer science and informatics. 2024. N. 2 ISSN 2072-9502 (Print), ISSN 2224-9761 (Online)
Control, modeling, automation
2021, vol. 1064 (1), p. 012037. DOI: 10.1088/1757-899X/1064/1/012037.
13. Tao Fei, Qi Qinglin, Wang Lihui, Nee Andrew. Digital Twins and Cyber-Physical Systems toward Smart Manufacturing and Industry 4.0: Correlation and Comparison. Engineering, 2019, vol. 5, pp. 653-661. DOI: 10.1016/j.eng. 2019.01.014.
14. Kai Kang, Ray Y. Zhong. A methodology for production analysis based on the RFID-collected manufacturing big data. Journal of Manufacturing Systems, 2023, vol. 68 (1), pp. 628-634. https://doi.org/10.1016/jjmsy.2023.05.014.
15. Shuaiyin Ma, Yingfeng Zhang, Jingxiang Lv, Yun-tian Ge, Haidong Yang, Lin Li. Big data driven predictive production planning for energy-intensive manufacturing industries. Energy, 2020, vol. 211, p. 118320. https:// doi.org/10.1016/j .energy.2020.118320.
16. Yongheng Zhang, Rui Zhang, Yizhong Wang, Hongfei Guo, Ray Y. Zhong, Ting Qu, Zhiwu Li. Big data driven decision-making for batch-based production systems. Procedia CIRP, 2019, vol. 83, pp. 814-818. https://doi.org/10.1016Zj.procir.2019.05.023.
17. Pan J., Vetere G., Manuel Gomez-Perez J., Wu H. Exploiting Linked Data and Knowledge Graphs in Large Organisations. Springer Cham, 2017. 266 p. https://doi.org/ 10.1007/978-3-319-45654-6.
18. Mst. Mim Akter, Md-Mizanur Rahoman. A Systematic Review on Knowledge Graphs Classification and Their Various Usages // Artificial Intelligence Evolution. 2023. P. 187-215. DOI: 10.37256/aie.4220233605.
19. Fensel D., §im§ek U., Angele K., Huaman E., Karle E., Panasiuk O., Toma I., Umbrich J., Wahler A. How to Use a Knowledge Graph // Knowledge Graphs. Springer, Cham,
2020. P. 69-93. https://doi.org/10.1007/978-3-030-37439-6_3.
20. Jawad M. S., Chitra Dhawale, Azizul Azhar Bin Ramli, Hairulnizam Mahdin. Adoption of knowledge-graph best development practices for scalable and optimized manufacturing processes. MethodsX, 2023, vol. 10, p. 102124. https://doi.org/10.1016j.mex.2023.102124.
21. Xin-She Yang. Chapter 6 - Genetic Algorithms. Nature-Inspired Optimization Algorithms. Academic Press,
2021. Pp. 91-100. https://doi.org/10.1016/B978-0-12-821986-7.00013-5.
22. Shahram Ghadami, Hassan Biglarian, Hossein Beyrami, Mohsen Salimi. Optimization of multilateral well trajectories using pattern search and genetic algorithms. Results in Engineering, 2022, vol. 16, p. 100722. https://doi.org/10.1016j.rineng.2022.100722.
23. Ricardo Fitas, Gonjalo das Neves Carneiro, Carlos Conceijao Antonio. Swarm intelligence hybridized with genetic search in multi-objective design optimization under con-strained-Pareto dominance. Composite Structures, 2023, vol. 319, p. 117155. https://doi.org/10.1016j.compstruct. 2023.117155.
24. Suresh P. V. S., Venkateswara Rao P., Deshmukh S. G. A genetic algorithmic approach for optimization of surface roughness prediction model. International Journal of Machine Tools and Manufacture, 2002, vol. 42, iss. 6, pp. 675-680. https://doi.org/10.1016/S0890-6955(02)00005-6.
25. Kuo-Hao Chang. Stochastic Nelder-Mead simplex method - A new globally convergent direct search method for simulation optimization. European Journal of Operational Research, 2012, vol. 220, iss. 3, pp. 684-694. https://doi.org/10.1016j.ejor.2012.02.028.
26. Kuo-Hao Chang. A direct search method for unconstrained quantile-based simulation optimization. European Journal of Operational Research, 2015, vol. 246, iss. 2, pp. 487-495. https://doi.org/10.1016/j.ejor.2015.05.010.
27. Abdel-Rahman Hedar, Masao Fukushima. Tabu Search directed by direct search methods for nonlinear global optimization. European Journal of Operational Research, 2006, vol. 170, iss. 2, pp. 329-349. https://doi.org/10.1016/ j.ejor.2004.05.033.
28. Paresh Kumar Panigrahi, Sukanta Nayak. Numerical approach to solve imprecisely defined systems using Inner Outer Direct Search optimization technique. Mathematics and Computers in Simulation, 2024, vol. 215, pp. 578-606. https://doi.org/10.1016/j.matcom.2023.08.025.
29. Umesh Khandey, Vedpal Arya. Optimization of multiple surface roughness characteristics of mild steel turned product using weighted principal component and Taguchi method. Materials Today: Proceedings, 2023. https://doi.org/ 10.1016/j.matpr.2023.04.298.
30. Sidharthan S., Raajavignesh G., Nandeeshwaran R., Radhika N., Jojith R., Jeyaprakash N. Mechanical property analysis and tribological response optimization of SiC and MoS2 reinforced hybrid aluminum functionally graded composite through Taguchi's DOE. Journal of Manufacturing Processes, 2023, vol. 102, pp. 965-984. https://doi.org/ 10.1016/jjmapro.2023.08.013.
31. Paramjit Singh Bilga, Sehijpal Singh, Raman Kumar. Optimization of energy consumption response parameters for turning operation using Taguchi method. Journal of Cleaner Production, 2016, vol. 137, pp. 1406-1417. https:// doi.org/10.1016/jjclepro.2016.07.220.
M
c Y i .
IY
era
K
K
<
s
i
V
< A
Статья поступила в редакцию 01.12.2023; одобрена после рецензирования 16.01.2024; принята к публикации 11.04.2024 The article was submitted 01.12.2023; approved after reviewing 16.01.2024; accepted for publication 11.04.2024
Информация об авторах I Information about the authors
Яна Юрьевна Бровкина - старший преподаватель высшей школы машиностроения; Санкт-Петербургский политехнический университет Петра Великого; [email protected]
Yana Yu. Brovkina - Senior Lecturer of the Higher School of Mechanical Engineering; Peter the Great St. Petersburg Polytechnic University; [email protected]
i 1
Ирина Николаевна Хрусталева - кандидат технических наук; доцент высшей школы машиностроения; Санкт-Петербургский политехнический университет Петра Великого; [email protected]
Irina N. Khrustaleva - Candidate of Technical Sciences; Assistant Professor of the Higher School of Mechanical Engineering; Peter the Great St. Petersburg Polytechnic University; [email protected]
я я я
И
И
X
X
X
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2
ISSN2072-9502 (Print), ISSN2224-9761 (Online)
Управление, моделирование, автоматизация
и Я
о и
4 fe
о о
X ю
oj tí рр
(О Ю
я о
Михаил Борисович Хрусталев - аспирант высшей школы машиностроения; Санкт-Петербургский политехнический университет Петра Великого; т320ргк1 @гатЫег.ш
Michail B. Khrustalev - Postgraduate Student of the Higher School of Mechanical Engineering; Peter the Great St. Petersburg Polytechnic University; [email protected]
Владимир Николаевич Хохловский - кандидат технических наук, доцент; доцент высшей школы управления киберфизическими системами; Санкт-Петербургский политехнический университет Петра Великого; [email protected]
Vladimir N. Khokhlovskiy - Candidate of Technical Sciences, Assistant Professor; Assistant Professor of the Higher School of Cyberphysical Systems Management; Peter the Great St. Petersburg Polytechnic University; [email protected]
Вячеслав Петрович Шкодырев - доктор технических наук, профессор; профессор высшей школы управления киберфизическими системами; Санкт-Петербургский политехнический университет Петра Великого; [email protected]
Vyacheslav P. Shkodyrev - Doctor of Technical Sciences, Professor; Professor of the Higher School of Cyberphysical Systems Management; Peter the Great St. Petersburg Polytechnic University; [email protected]
tí я я и
