CC BY
21
a) первая стадия начального периода, когда х << х0 и, следовательно, биномиальный закон отказов сводится к закону Гомперца.
b) вторая стадия начального периода, когда х « х0 и тогда применим только биномиальный закон отказов в полном виде без приближений.
1
^ третья стадия начального периода, когда х << х0 <<- биномиальный закон отказов сводится к
К
степенному закону роста интенсивности отказов (закону Вейбулла).
По мере того, как р стремится к единице, продолжительность первой стадии начального периода с экспоненциальным ростом интенсивности отказов стремительно уменьшается, а третьей - стремительно растет.
С увеличением времени эксплуатации интенсивность отказов блоков асимптотически стремится к верхнему пределу интенсивности отказов, не зависящему от числа исходно работоспособных элементов и равному к.
Поэтому интенсивность отказов системы, состоящей из п последовательно соединенных блоков, с увеличением времени эксплуатации, асимптотически стремится к верхнему пределу интенсивности отказов, равному пк, независимо от величин п и р.
Таким образом, обсуждаемая модель надежности позволяет объяснить основные закономерности отказов системы: экспоненциальный рост интенсивности отказов в начальный период с последующим замедлением темпов ее роста, а также компенсационный эффект отказов. Кроме того, обсуждаемая модель позволяет выяснить условия, при которых наблюдается не экспоненциальный, а степенной закон роста интенсивности отказов (закон Вейбулла). Наконец, предложенная модель позволяет представить два на первый взгляд взаимоисключающих закона - Гомперца и Вейбулла - как частные случаи одного, более общего биномиального закона отказов.
Предложенная модель может быть названа также моделью последовательно соединенных блоков с варьирующей степенью резервирования.
Список использованной литературы:
1. Гаврилов Л.А., Гаврилова Н.С. Биология продолжительности жизни. Биология продолжительности жизни. Издание второе, переработанное и дополненное: Москва, "НАУКА", 1991.
2. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. Докл. АН СССР, 1956. Т. 108, №. 2 С.179-182.
© Грачев А.С., 2023
УДК 65.012.122
Динмухаметова Г. Н.
Магистрант 1 курса Набережночелнинского института КФУ, г. Набережные Челны, РФ
ТЕХНОЛОГИЧЕСКАЯ ПОДГОТОВКА ПРОИЗВОДСТВА В ГИБКИХ ПРОИЗВОДСТВЕННЫХ СИСТЕМАХ
Аннотация
Данная статья исследует технологическую подготовку производства в гибких производственных системах. Рассмотрены методика QFD, симуляция процессов и применение искусственного интеллекта. Отмечается, что эти подходы способствуют повышению качества продукции, улучшению гибкости и
оптимизации производственных процессов. Также рассмотрена роль облачных вычислений в управлении данными и анализе больших объемов информации. Исследования в данной области подтверждают перспективность и практическую применимость этих методов и технологий для развития современной промышленности.
Ключевые слова
Технологическая подготовка, гибкие производственные системы, методика QFD, симуляция процессов,
искусственный интеллект, облачные вычисления, качество продукции, гибкость, оптимизация, управление данными, анализ данных, промышленность.
Dinmukhametova G. N.
1st-year master's student of Naberezhnye Chelny Institute of KFU, Naberezhnye Chelny, Russia
TECHNOLOGICAL PREPARATION OF PRODUCTION IN FLEXIBLE PRODUCTION SYSTEMS
Annotation
This article explores the technological preparation of production in flexible production systems. The QFD technique, process simulation and the use of artificial intelligence are considered. It is noted that these approaches contribute to improving product quality, improving flexibility and optimizing production processes. The role of cloud computing in data management and analysis of large amounts of information is also considered. Research in this area confirms the promise and practical applicability of these methods and technologies for the development of modern industry.
Keywords
Technological preparation, flexible manufacturing systems, QFD methodology, process simulation, artificial intelligence, cloud computing, product quality, flexibility, optimization, data management, data analysis, industry.
1. Введение
Гибкие производственные системы (ГПС) предлагают значительные преимущества в эффективности и гибкости производства. ГПС представляют собой интегрированные системы, способные быстро и эффективно реагировать на изменения в производственной среде и требования рынка. Однако, для успешной реализации ГПС, необходима тщательная технологическая подготовка производства.
Цель данной статьи заключается в исследовании и анализе процесса технологической подготовки производства в гибких производственных системах, выявлении ключевых факторов успешной реализации и предоставлении практических рекомендаций для организаций, стремящихся внедрить или улучшить гибкую систему производства.
2. Анализ требований производства
Анализ требований производства позволяет определить основные потребности и цели производства, а также учесть изменения в требованиях рынка. Для проведения анализа требований производства в ГПС существует несколько методов и подходов. Один из них основан на использовании методологии структурирования функций качества (Quality Function Deployment, QFD). QFD позволяет перевести потребности клиентов в конкретные требования к производству и создать связь между потребностями клиентов и производственными процессами [5].
Другим подходом является использование метода анализа функций (Function Analysis System Technique - FAST). Метод FAST помогает разложить сложные требования на более простые функции и их
взаимосвязи. Это позволяет лучше понять, какие функции необходимы для удовлетворения требований производства [6].
3. Проектирование гибкой производственной системы
Проектирование ГПС включает разработку архитектуры системы, определение структуры производственных процессов и выбор соответствующих технологий. В этом процессе необходимо учитывать требования клиентов, рыночные условия, а также особенности организации производства. Одним из важных подходов в проектировании ГПС является методология бережливого производства [1].
Также при проектировании ГПС используется технология цифрового двойника (Digital Twin). Цифровой двойник представляет виртуальную модель производственной системы, которая позволяет проводить симуляции, анализировать данные и оптимизировать процессы [2]. Симуляции, чаще всего, проводятся методом дискретно-событийного моделирования (Discrete Event Simulation) [7] либо методом агентно-ориентированного моделирования (Agent-Based Modeling) [8].
Существенным элементом использования симуляции является интеграция с технологией цифрового двойника (Digital Twin) и системой управления производством MES (Manufacturing Execution System). MES обеспечивает контроль и управление производственными процессами, собирает и анализирует данные, а также координирует взаимодействие между различными производственными ресурсами [9].
4. Оптимизация технологических процессов в гибких производственных системах
Одним из подходов к оптимизации технологических процессов является применение метода «Lean Six Sigma», объединяющего принципы бережливого производства и инструменты «Шести Сигм» для устранения излишков, минимизации дефектов и повышения производительности [10]. Использование методов математического моделирования и оптимизации позволяет анализировать и оптимизировать процессы производства с учетом различных ограничений и целевых функций. Вместе с тем применяются инновационные технологии, такие как «Интернет вещей» (internet of things, ioT) и искусственный интеллект (ИИ), возможности которого на данный момент кажется почти безграничны [3]. Эти технологии позволяют собирать и анализировать данные в режиме реального времени, оптимизировать процессы и предсказывать возможные сбои.
5. Управление изменениями в гибких производственных системах
При переходе к гибкой системе необходимо учитывать изменения в процессах, структуре, технологиях и культуре предприятия. Решением является комплексный подход к уходу за оборудованием (Total Productive Maintenance, TPM). TPM направлен на обеспечение непрерывной работы оборудования, улучшение эффективности и предотвращение сбоев [4].
Наряду с тем используется методология Kaizen, которая основана на непрерывном улучшении процессов и вовлечении сотрудников в процесс изменений [11].
Заключение
Технологическая подготовка производства в ГПС требует систематического подхода и применения различных инновационных методов. Методика QFD позволяет связать планирование разработки и строительство процессов с конкретными потребностями клиента, что способствует повышению качества продукции и удовлетворению требований заказчика. Применение симуляции позволяет анализировать и оптимизировать процессы в гибких производственных системах с помощью различных способов моделирования и интеграции с другими инструментами, такими как цифровой двойник и система управления производством MES.
Применение искусственного интеллекта открывает новые возможности для автоматизации, оптимизации и улучшения процессов в гибких производственных системах. Облачные вычисления играют важную роль в управлении данными, предоставлении доступа к приложениям и анализе больших объемов данных, способствуя эффективному управлению производственными процессами.
Исследования, проведенные в данных областях, демонстрируют значительный потенциал и
практическую применимость описанных методов и технологий. Дальнейшее развитие и интеграция этих подходов могут существенно повысить гибкость, производительность и конкурентоспособность. Понимание и применение данных инноваций имеет важное значение для развития современной промышленности и удовлетворения потребностей рынка. Список использованной литературы:
1. Еропкин А.М. Бережливое производство на предприятиях и в организациях оборонно-промышленного комплекса / А.М. Еропкин. - Екатеренбург: Доброе слово, 2015. - 136 с. - ISBN 978-5-89796-531-5
2. Прохоров, А. ЦИФРОВОЙ ДВОЙНИК Анализ, тренды, мировой опыт / А. Прохоров, М. Лысачев. - Москва: АльянсПринт, 2020. - 401 с.
3. Петин В. Arduino и Raspberry Pi в проектах Internet of Things / В. Петин. - Санкт-Петербург: БВХ-Петербург, 2017. - 319 с.
4. ТРМ или всеобщий уход за оборудованием //URL:https://okdesk.ru/blog/tpm (дата обращения: 03.06.2023)
5. Akao Yoji A. Quality Function Deployment: Integrating Customer Requirements into Product Design. (Translated by Glenn H. Mazur) / A. Akao Yoji. - Cambridge: Productivity Press, 1990. - 369 с.
6. Патент № 10242193 Соединенные Штаты Америки, МПК G 06 F 21/57, H 04 L 29 / 06. Method of resource-limited device and device class identification using system and function call tracing techniques, performance, and statistical analysi: № US10242193B1: заявл. 04.01.2018: опубл. 22.11.2019 / Leonardo Babun, Hidayet Aksu, A. Selcuk Uluagac - 28 с.
7. Discrete-Event System Simulation. Pearson Education. / J. Banks, J. S. Carson, B. L. Nelson, D. M. Nicol. -Liverpool: Fourth Edition, 2005. - 75 с.
8. Grimm V Agent-Based and Individual-Based Modeling: A Practical Introduction / V Grimm, S F. Railsback. -Princeton: Princeton University Press, 2011. - 352 с. - ISBN 9781400840656
9. Manufacturing execution system (MES) // TechTarget: сайт. - URL: https://www.techtarget.com/searcherp/definition/manufacturing-execution-system-MES (дата обращения: 03.06.2023)
10. Franchetti M. J. Lean six sigma for engineers and managers: with applied case studies. / M. J. Franchetti. -Boca Raton: CRC Press, 2015. - 279 с.
11. Harari, J. The Japanese philosophy of Kaizen holds the answer to business growth. / J. Harari // Linkedin: электронный журнал. - URL: https://www.linkedin.com/pulse/japanese-philosophy-kaizen-holds-answer-business-growth-james-harari. - Дата публикации: 08.10.2020.
© Динмухаметова Г.Н., 2023
УДК 621.644
Клепова К.А.
студент магистратуры кафедры водопользования и экологии СПбГАСУ
Санкт-Петербург, Россия
РАЗРАБОТКА МОДЕЛИ КАНАЛИЗАЦИОННОГО СТОЯКА В АМБУБ
Аннотация
Программа ANSYS - это универсальная система, основанная на вычислительной гидродинамике.
