Интеллектуальное управление технологическими системами в условиях цифрового производства

Проведен анализ развития систем адаптивного управления станками с ЧПУ. Показано, что построение систем оптимального управления процессом механической обработки базируется на таких подходах, как искусственный интеллект, генетические алгоритмы оптимизации режимов обработки, экспертные системы накопления знаний, облачные технологии и разработка цифрового двойника оборудования. Создана адаптивная система интеллектуального управления станком с ЧПУ на основе обучения нейросетевой модели, что дает возможность повысить качество обработки деталей и уменьшить износ режущего инструмента. Предложено рассматривать цифровые двойники как электронные паспорта киберфизических систем. Такая стратегия может стать основой современной цифровой трансформации на всех уровнях механообрабатывающего предприятия. Она позволит не только выполнять анализ данных оборудования, систем, устройств, но и использовать информацию для сокращения времени вывода новых изделий на рынок, для повышения гибкости производства, качества продукции и эффективности производственных процессов.

Литература

[1] Балакшин Б.С. Адаптивное управление станками. Москва, Машиностроение, 1973. 668 с.

[2] Кольцов А.Г. Управление станками и станочными комплексами. Омск, Изд-во ОмГТУ, 2007. 56 с.

[3] Фомин В.Н., Фрадков А.Л., Якубович В.Н. Адаптивное управление динамическими объектами. Москва, Наука, 1981. 448 с.

[4] Ядыкин И.Б., Шумский В.М., Овсепян Ф.А. Адаптивное управление непрерывными технологическими процессами. Москва, Энергоатомиздат, 1984. 240 с.

[5] Козлов Ю.М., Юсупов Р.М. Беспоисковые самонастраивающиеся системы. Москва, Наука, 1969. 455 с.

[6] Куропаткин П.В. Оптимальные и адаптивные системы. Москва, Высшая школа, 1980. 287 с.

[7] Чураков Е.П. Оптимальные и адаптивные системы. Москва, Энергоиздат, 1987. 256 с.

[8] Егупов Н.Д., ред. Методы робастного, нейро-нечеткого и адаптивного управления. Москва, Изд-во МГТУ им. Н.Э. Баумана, 2002. 744 с.

[9] Изерман Р. Цифровые системы управления. Москва, Мир, 1984. 541 с.

[10] Ярута С.П., Усачев П.А. Принципы создания систем адаптивного контроля технологических процессов для станков с ЧПУ. Современные научные исследования и инновации, 2012, № 4. URL: http://web.snauka.ru/issues/2012/04/11652 (дата обращения 26 марта 2019).

[11] Кабалдин Ю.Г., ред. Искусственный интеллект и киберфизические механообрабатывающие системы в цифровом производстве. Нижний Новгород, НГТУ им. Р.Е. Алексеева, 2018. 271 с.

[12] Кабалдин Ю.Г., Биленко С.В., Серый С.В. Управление динамическими процессами в технологических системах механообработки на основе искусственного интеллекта. Комсомольск-на-Амуре, КнАГУ, 2003. 201 с.

[13] Шитиков В.К., Мастицкий С.Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. 2017. 351 с. URL: https://github.com/ranalytics/data-mining

[14] Frankel A., Larsson J. Есть способ лучше: цифровой двойник повышает эффективность процессов конструкторско-технологического проектирования и производства. САD/CAM/CAE Observer, 2016, № 3, с. 36–40.

[15] Намиот Д.Е. Базы данных временных рядов в системах «Интернета вещей». Прикладная информатика, 2017, т. 12, № 2(68), с. 79–87.

[16] Перспективы развития киберфизических производственных систем. URL: https://controlengrussia.com/innovatsii/robototehnika/kiberfizicheskie-sistemy/ (дата обращения 14 июня 2016).

[17] Кабалдин Ю.Г., Шатагин Д.А., Аносов М.С., Кузьмишина А.М. Разработка цифрового двойника станка с ЧПУ на основе методов машинного обучения. Вестник Донского государственного технического университета, 2019, т. 19, № 1, с. 45–55, doi: https://doi.org/10.23947/1992-5980-2019-19-1-45-55

[18] Кабалдин Ю.Г., Шатагин Д.А., Колчин П.В., Мансуров Р.Ш. Модульное проектирование станочного оборудования как киберфизических систем на основе искусственного интеллекта и облачных технологий для цифровых производств. Вестник машиностроения, 2019, № 1, с. 7–15.