CC BY
1ИНФОРМАЦИОННО-КОММУНИКАЦИОННЫЕ
ТЕХНОЛОГИИ INFORMATION-COMMUNICATION TECHNOLOGIES
Научная статья УДК 004.89
doi:10.24151/1561-5405-2024-29-5-679-686 EDN: AQTEEW
Управление параметрами исполнительного оборудования при автоматизации сборочных операций
Ю. С. Шевнина, Л. Г. Гагарина, Е. В. Конюхов
Национальный исследовательский университет «МИЭТ», г. Москва, Россия
Аннотация. Основная проблема сборочных операций - определение взаимного расположения / ориентирования элементов и их последующего совмещения. Следовательно, при автоматизации сборочных операций в микроэлектронике необходимо учитывать технологические и конструктивные особенности собираемых изделий, такие как маршрут сборки изделия, схема совмещения и соединения элементов, линейные размеры, тип изделия, физико-химические свойства изделия и его составные элементы, технические условия и требования к сборке изделия. Кроме того, крайне важно соблюдать основные принципы, позволяющие обеспечивать качество изделия, его долговечность и надежность при эксплуатации. В работе определены параметры исполнительного оборудования при автоматизации сборочных операций. Исследована конфигурация производственного оборудования, представляющая собой совокупность настроек, аппаратных ограничений, выбранных дополнительных устройств и типов интерфейсов. Представлены образ изделия, учитывающий все его особенности, математическая модель изделия, полученная на основе его образа, математическая модель конфигурации исполнительного оборудования, схема автоматизированной сборки изделия. Рассмотренные решения дают возможность сформировать методику, позволяющую адаптивно выбирать конфигурацию оборудования с учетом маршрута сборки изделия, совмещаемых элементов и их характеристик, полученных в результате анализа и синтеза информации из технологической и конструкторской документации.
Ключевые слова: автоматизированная сборка, образ изделия, модель конфигурации, адаптивное управление исполнительным оборудованием
Для цитирования: Шевнина Ю. С., Гагарина Л. Г., Конюхов Е. В. Управление параметрами исполнительного оборудования при автоматизации сборочных операций // Изв. вузов. Электроника. 2024. Т. 29. № 5. С. 679-686. https://doi.org/ 10.24151/1561-5405-2024-29-5-679-686. - EDN: AQTEEW.
© Ю. С. Шевнина, Л. Г. Гагарина, Е. В. Конюхов, 2024
Original article
Controlling parameters of driven equipment when automating assembly operations
Yu. S. Shevnina, L. G. Gagarina, E. V. Konyukhov
National Research University of Electronic Technology, Moscow, Russia [email protected]
Abstract. The main problem of assembly operations is determining the relative position / orientation of elements and their subsequent alignment. Consequently, when automating assembly operations in microelectronics it is necessary to consider the technological and design features of the assembled products, such as the product assembly route, scheme for elements combining and connecting, linear dimensions, product type, physical and chemical properties of the product and its constituent elements, technical specifications and requirements for product assembly. In addition, it is extremely important to observe the basic principles to ensure product quality, durability and reliability during operation. In this work, the approaches to driven equipment parameters controlling when automating assembly operations are considered. The production equipment configuration is investigated, which is a collection of settings, hardware limitations, selected additional devices and types of interfaces. An image of the product with account for all its features, a mathematical model of the product obtained on the basis of its image, a mathematical model of the driven equipment configuration, and a diagram of automated product assembly are presented. The considered solutions make it possible to develop a procedure that allows the adaptive selection of the equipment configuration considering the product assembly route, combined elements and their characteristics obtained as a result of the analysis and synthesis of information from manufacturing and design documents.
Keywords: automated assembly, product image, configuration model, adaptive control of driven equipment
For citation: Shevnina Yu. S., Gagarina L. G., Konyukhov E. V. Controlling parameters of driven equipment when automating assembly operations. Proc. Univ. Electronics, 2024, vol. 29, no. 5, pp. 679-686. https://doi.org/10.24151/1561-5405-2024-29-5-679-686. - EDN: AQTEEW.
Введение. В настоящее время в микроэлектронном производстве автоматизировано более 90 % технологических операций, в то время как сборочных - только 7 %, что обусловлено их высокой трудоемкостью. Основная сложность сборочных операций - определение взаимного расположения / ориентирования элементов и их последующего совмещения. Как правило, для совмещения и позиционирования элементов на производстве используется оборудование типа манипулятор, который осуществляет захват элемента для его последующего перемещения. Современные тенденции к уменьшению линейных размеров изделий и, следовательно, к повышению точности выполняемых
операций требуют новых способов управления исполнительным оборудованием с учетом его аппаратных ограничений. Кроме того, необходимо учитывать тип, физико-химические и другие свойства совмещаемых элементов при автоматизации сборочных операций в микроэлектронике [1, 2].
В настоящей работе рассматриваются подходы к настройке параметров исполнительного оборудования и управлению ими при автоматизации сборочных операций.
Определение параметров исполнительного оборудования. При выполнении любых сборочных операций, в том числе и в микроэлектронике, следует соблюдать основные принципы, позволяющие обеспечивать качество изделий, его долговечность и надежность при эксплуатации: высокая точность и скорость сборки; применение исполнительного оборудования, позволяющего выполнять операцию с требуемыми параметрами [3, 4]. Следовательно, при автоматизации сборочных операций в микроэлектронике необходим комплексный подход, учитывающий технологические и конструктивные особенности собираемых изделий. Данную задачу можно решить последовательным сбором информации из технической и конструкторской документации на выпускаемые изделия, однако она значительно усложняется для изделий, состоящих из множества совмещаемых элементов. Как правило, при использовании автоматизированных систем управления данные из документации собираются в базе данных, что позволяет упростить их использование при проектировании сборочных операций.
При автоматизации сборочных операций должны учитываться маршрут сборки изделия, схема совмещения и соединения элементов, линейные размеры и масса собираемого изделия и его отдельных элементов, технические условия и требования к сборке изделия. Процесс изготовления одного изделия может состоять из нескольких сборочных операций, как последовательных, так и отдельных. Причем каждая операция требует различных настроек исполнительного оборудования. Исходными данными для построения автоматизированного маршрута сборки являются сведения технологической и конструкторской документации. Предлагается использовать образ изделия, содержащий перечень элементов, последовательность их сборки и требования к ней (рис. 1). При формировании образа изделия учитываются его тип, требования к сборке, методы совмещения и позиционирования элементов, требования к соединению элементов.
Маршрут M автоматизированной сборки изделий зависит от нескольких взаимосвязанных факторов: множества элементов изделия £ = ,...,5и|, множества параметров исполнительного оборудования Р = { р,..., рп}, множества вариантов сборки V = ,...,у„}. При выборе подмноже-
Рис. 1. Образ изделия Fig. 1. Product image
ства V с V определяется подмножество р с Р. С целью повышения эффективности автоматизированной сборки изделий для выбора варианта сборки и параметров исполнительного оборудования в зависимости от типа изделия и входящих в его состав элементов используются методы машинного обучения. На основе накопленных ранее данных строится прогностическая модель сборки, позволяющая определить параметры исполнительного оборудования: максимальный угол поворота манипулятора, минимальный шаг сдвига элемента и т. п. Схема автоматизированной сборочной операции представлена на рис. 2.
Рис. 2. Схема маршрута сборки Fig. 2. Assembly route diagram
Для анализа и обработки данных методами машинного обучения применяется кластеризация по определенным признакам [5, 6]. Рассмотрим формализованное математическое представление кластеризации исходных данных, в качестве которых используются параметры исполнительного оборудования: тип и количество интерфейсов, дополнительно подключаемые устройства, аппаратные ограничения. Набор таких данных определяет состояние исполнительного оборудования. Пусть Ц - исходное пространство выделенных признаков (количественных, качественных, смешанных); к : Д ^ К - определяющий признак; (Ц,...,ДД - последовательность данных.
При этом V/ е{1,...,п}3/ е{1,...,п}: Ц * Д; V/ е{1,...,п} :шах{к(Ц, Д) | к е{1,...,п}}> 0.
Следовательно, для каждого /-го элемента последовательности данных определяется функция сходства:
ег : {1,..., п}^[0,1]; ег (;) := 1 - к (Д'Д)
max{h(D,Dk) | k е{1,...,n}}' 5г :{1,...,и}2 ^[0,...,1]; 5г(k,l):= 1 -|e,(Dk)-9г(Dt)|, ц: {1,...,и}2 ^[0,...,1]; ц(/, j) := min{5k (i, j) | k e{l,...,n}}.
Рекурсивная функция p(k) :{1,...,n}2 ^[0,1] для к = 1,2,...,п равна:
р(1) (A j ) := Р (U j ),
) (i, j) := max{min{p(k~1) (i,s),p(k~1) (s,j)} | s e {1,...,n}}.
Отношение эквивалентности R ^ {A,-., A }2 Для элементов Y e[0,l](A, A)e R P(k)(i, j)- Y позволяет разбить множество данных {A,,...,An}
на классы эквивалентности [7, 8].
Для создания базы знаний и обучения нейронной сети необходимо собрать и обработать исходные данные в разных состояниях исполнительного оборудования. В результате кластеризации исходных данных по выделенным признакам формируется
матрица нечеткого разбиения F = [f ], f e[0,1]; i = 1,..., m; j = 1,..., k. Для обеспече-
m
ния наполняемости кластера необходимо выполнение условия Xf > 0, j e{1,.., k};
i=1
для создания базы знаний о состояниях исполнительного оборудования - условия
k
X fj = 1,i e{1,...,m} .
j=1
После выполнения кластеризации данных формируются условия возникновения, сохранения и переходов между состояниями исполнительного оборудования. С учетом этих условий строится модель состояний исполнительного оборудования, которая имеет иерархическую структуру (рис. 3):
{А,..., АM„
K
<St : {Aj,...,DmMi, K
Sn : {Д,..., An Mn,
где Si - состояние исполнительного оборудования; Mi - иерархический уровень состояния, который определяет степень детализации или абстракции состояния технической системы; K - конфигурация параметров; k, n, m - количество данных, описывающих состояние исполнительного оборудования.
Рис. 3. Иерархическое представление состояний технической системы Fig. 3. Hierarchical representation of technical system states
Рассмотренная модель состояний исполнительного оборудования позволяет разрабатывать алгоритмы адаптивного управления параметрами исполнительного оборудования при автоматизации сборочных операций. Адаптивность управления заключается в применении различных методов и средств настройки параметров исполнительного оборудования в зависимости от его текущего и требуемого состояний, что определяется иерархическим уровнем. При этом для формирования управляющего воздействия требуется настройка только тех параметров, которые отвечают за состояние исполнительного оборудования с учетом иерархического уровня.
Управление конфигурациями параметров исполнительного оборудования. Конфигурация параметров исполнительного оборудования при автоматизации сборочных операций представляет собой совокупность настроек, аппаратных ограничений, выбранных дополнительных устройств и типов интерфейсов [9-11]. При сборке изделия поиск и выбор конфигурации проводится с учетом количества и характеристик элементов изделия. Все возможные конфигурации К для сборки изделия объединены
во множество К = {К, •••, К }.
На основании изложенного математическая модель собираемого изделия Е имеет вид
22 2п
К К К '
^ вт\ вт 2 К втп у
где в= {(а,у)} £ £ - элемент изделия, математическое представление которого заключается во множестве его характеристик а и значений у.
Таким образом, процесс сборки изделия представляет собой Ь = V о К о Е и может быть рассмотрен с учетом иерархии состояний исполнительного оборудования. Процесс сборки осуществляется постепенно. В зависимости от количества и типа элементов собираемого изделия и способа сборки выбирается конфигурация исполнительного оборудования (рис. 4).
Рис. 4. Схема автоматизированной сборки изделия Fig. 4. Scheme of automated product assembly
E =
21 K
Заключение. Рассмотренные решения позволяют сформировать методику управления параметрами производственного оборудования при автоматизации сборочных операций: анализ и синтез технологической и конструкторской документации с целью формирования образа выпускаемого изделия; определение метода сборки; выбор конфигурации исполнительного оборудования. При этом соблюдаются основные принципы, позволяющие обеспечивать качество изделий, его долговечность и надежность при эксплуатации.
Литература
1. Круглов М. Г., Юрин Д. С. Контроль качества в современных условиях // Известия ТулГУ. Технические науки. 2023. № 7. С. 193-199. https://doi.org/10.24412/2071-6168-2023-7-193-194. -EDN: JMFOYC.
2. Скрипко Л. Е. Становление взглядов на менеджмент качества // Вестник Санкт-Петербургского университета. Менеджмент. 2022. Т. 21. № 3. С. 395-428. https://doi.org/10.21638/11701/spbu08.2022.304. - EDN: AOKOVM.
3. Данилевич С. Б., Третьяк В. В. Выходной контроль: влияние индекса качества продукции на риски принятия ошибочных решений // Компетентность. 2022. № 4. С. 32-35. https://doi.org/10.24412/ 1993-8780-2022-4-32-35. - EDN: HPAZVE.
4. Смирнов К. К. Автоматизация операций прослеживаемости качества интегральных структур при производстве сверхбольших интегральных схем // Тр. МАИ. 2017. № 95. Ст. 25. EDN: ZHNYDR.
5. Емельянова М. Г., Смаилова С. С., Бакланова О. Е. Обнаружение поверхностных дефектов сварных соединений при визуальном контроле методами машинного зрения // Компьютерная оптика. 2023. Т. 47. № 1. С. 112-117. https://doi.org/10.18287/2412-6179-C0-1137. - EDN: UFHBJU.
6. Прыткова Е. А., Давыдов В. М. Анализ применения иерархических нейросетевых методов в контроле качества // Вестник МГТУ им. Г. И. Носова. 2023. Т. 21. № 1. С. 74-81. https://doi.org/10.18503/ 1995-2732-2023-21-1-74-81. - EDN: GJGYLJ.
7. Шевнина Ю. С. Метод оценки состояния нелинейной системы на основе логического анализа данных // Изв. вузов. Электроника. 2022. Т. 27. № 3. С. 407-415. https://doi.org/10.24151/1561-5405-2022-27-3-407-415. - EDN: BZRDEB.
8. Шевнина Ю. С., Гагарина Л. Г., Конюхов Е. В., Харитонова А. Д. Метод кластерного анализа гетерогенных данных с использованием положений нечеткой логики // Изв. вузов. Электроника. 2023. Т. 28. № 4. С. 537-546. https://doi.org/10.24151/1561-5405-2023-28-4-537-546. - EDN: AVWMTN.
9. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с пол. И. Д. Рудинского. М.: Горячая линия - Телеком, 2008. 383 с.
10. Interactive multidimensional modeling of linked data for exploratory OLAP / E. Gallinucci, M. Golfarelli, S. Rizzi et al. // Information Systems. 2018. Vol. 77. P. 86-104. https://doi.org/10.1016/ j.is.2018.06.004
11. Cheraghalipour A., Hajiaghaei-Keshteli M., Paydar M. M. Tree growth algorithm (TGA): A novel approach for solving optimization problems // Eng. Appl. Artif. Intell. 2018. Vol. 72. P. 393-414. https://doi.org/ 10.1016/j.engappai.2018.04.021
Статья поступила в редакцию 05.12.2023 г.; одобрена после рецензирования 14.12.2023 г.;
принята к публикации 16.08.2024 г.
Информация об авторах
Шевнина Юлия Сергеевна - кандидат технических наук, доцент Института системной и программной инженерии и информационных технологий Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), [email protected]
Гагарина Лариса Геннадьевна - доктор технических наук, профессор, директор Института системной и программной инженерии и информационных технологий Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), [email protected]
Конюхов Евгений Владимирович - соискатель Института системной и программной инженерии и информационных технологий Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), [email protected]
References
1. Kruglov M. G., Yurin D. S. Quality control in modern conditions. Izvestiya TulGU. Tekhnicheskiye nauki = Proceedings of the TSU. Technical Sciences, 2023, no. 7, pp. 193-199. (In Russian). https://doi.org/ 10.24412/2071-6168-2023-7-193-194. - EDN: JMFOYC.
2. Skripko L. E. Adoption of views on quality management. Vestnik Sankt-Peterburgskogo universiteta. Menedzhment = Vestnik of Saint Petersburg University. Management, 2022, vol. 21, no. 3, pp. 395-428. (In Russian). https://doi.org/10.21638/11701/spbu08.2022.304. - EDN: AOKOVM.
3. Danilevich S. B., Tret'yak V. V. Final control: Influence of the product quality index on the risks of making erroneous decisions. Kompetentnost' = Competency (Russia), 2022, no. 4, pp. 32-35. (In Russian). https://doi.org/10.24412/1993-8780-2022-4-32-35. - EDN: HPAZVE.
4. Smirnov K. Automation of operations of traceability of integrated structures quality in the manufacture of VLSIs. Trudy MAI, 2017, no. 95, art. no. 25. (In Russian). EDN: ZHNYDR.
5. Yemelyanova M. G., Smailova S. S., Baklanova O. E. Detection of surface defects in welded joints during visual inspections using machine vision methods. Komp 'yuternaya optika = Computer Optics, 2023, vol. 47, no. 1, pp. 112-117. (In Russian). https://doi.org/10.18287/2412-6179-CO-1137. - EDN: UFHBJU.
6. Prytkova E. A., Davydov V. M. Analysis of the use of hierarchical neural network methods in quality control. Vestnik MGTU im. G. I. Nosova = Vestnik of Nosov Magnitogorsk State Technical University, 2023, vol. 21, no. 1, pp. 74-81. (In Russian). https://doi.org/10.18503/1995-2732-2023-21-1-74-81. - EDN: GJGYLJ.
7. Shevnina Ju. S. Method for estimating the state of a nonlinear system based on logical data analysis. Izv. vuzov. Elektronika = Proc. Univ. Electronics, 2022, vol. 27, no. 3, pp. 407-415. (In Russian). https://doi.org/ 10.24151/1561-5405-2022-27-3-407-415. - EDN: BZRDEB.
8. Shevnina Yu. S., Gagarina L. G., Konyukhov E. V., Kharitonova A. D. Method of cluster analysis of heterogeneous data using the provisions of fuzzy logic. Izv. vuzov. Elektronika = Proc. Univ. Electronics, 2023, vol. 28, no. 4, pp. 537-546. (In Russian). https://doi.org/10.24151/1561-5405-2023-28-4-537-546. -EDN: AVWMTN.
9. Rutkowska D., Pilinski M., Rutkowski L. Neural networks, genetic algorithms and fuzzy systems. Moscow, Goryachaya liniya - Telekom Publ., 2008. 383 p. (In Russian).
10. Gallinucci E., Golfarelli M., Rizzi S., Abelló A., Romero O. Interactive multidimensional modeling of linked data for exploratory OLAP. Information Systems, 2018, vol. 77, pp. 86-104. https://doi.org/10.1016/ j.is.2018.06.004
11. Cheraghalipour A., Hajiaghaei-Keshteli M., Paydar M. M. Tree growth algorithm (TGA): A novel approach for solving optimization problems. Eng. Appl. Artif. Intell., 2018, vol. 72, pp. 393-414. https://doi.org/ 10.1016/j.engappai.2018.04.021
The article was submitted 05.12.2023; approved after reviewing 14.12.2023;
accepted for publication 16.08.2024.
Information about the authors
Yulia S. Shevnina - Cand. Sci. (Eng.), Assoc. Prof. of the Institute of System and Software Engineering and Information Technologies, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), [email protected]
Larisa G. Gagarina - Dr. Sci. (Eng.), Prof., Director of the Institute of System and Software Engineering and Information Technologies, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), [email protected]
Evgeny V. Konyukhov - Applicant of the Institute of System and Software Engineering and Information Technologies, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), [email protected]
