автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Интеллектуальная система автоматизированного проектирования управляющих программ для обработки типовых элементов в деталях

На правах рукописи 005054019 АИ^-

Попович Алексей Владимирович

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ УПРАВЛЯЮЩИХ ПРОГРАММ ДЛЯ ОБРАБОТКИ ТИПОВЫХ ЭЛЕМЕНТОВ В ДЕТАЛЯХ

Специальность 05.13.12 — Системы автоматизации проектирования (промышленность)

АВТОРЕФЕРАТ

Диссертации на соискание ученой степени кандидата технических наук

2 5 ОКТ 2012

Ульяновск 2012

005054019

Работа выполнена на кафедре «Основы проектирования машин» Ульяновского государственного технического университета

Научный руководитель: доктор технических наук, профессор

Дьяков Иван Федорович

Официальные оппоненты: Соснин Петр Иванович

доктор технических наук, профессор, зав. кафедрой «Вычислительная техника» ФГБОУ ВПО УлГТУ

Ларин Сергей Николаевич

кандидат технических наук, доцент, начальник комплексно-технологического отдела НПО «МАРС»

Ведущая организация: ФГБОУ ВПО Ульяновский Государственный

университет

Защита состоится «21» ноября 2012 г. в 15 часов на заседании диссертационного совета Д212.277.01 при Ульяновском государственном техническом университете по адресу: 432027, г. Ульяновск, ул. Северный Венец, 32 (ауд. 211, Главный корпус).

С диссертацией моясно ознакомиться в научно-технической библиотеке Ульяновского государственного технического университета

Автореферат разослан «18» октября 2012 г.

Ученый секретарь диссертационного совета д.т.н., профессор

___В.И. Смирнов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В современном машиностроении одной из важнейших задач, является повышения конкурентоспособности и качества выпускаемой продукции. В широкой номенклатуре деталей, представленных в различных отраслях отечественной промышленности, присутствует такое понятие, как типовые элементы. Типовые элементы дифференцированы по трем основным группам: отверстия, пазы и карманы. Каждому элементу соответствует свой вид, метод и стратегия механической обработки.

При описании процесса механической обработки, необходимо использование технологических знаний и опыта пользователя САПР с целью формирования специальных команд по управлению перемещением режущего инструмента. Данный набор команд является управляющей программой для используемого станка, оснащенного системой ЧПУ. В настоящее время, процесс формирования такой управляющей программы, в которой подробно описываются все операции и технологические переходы в процессе механической обработки деталей, обладает элементами автоматизации посредством использования САПР. Существующие системы моделирования и конструирования твердотельных моделей деталей, позволяют изначально задавать наборы параметров типовым элементам, которые могут быть использованы САПР для автоматических процедур, например, таких, как подбор режущего инструмента.

Постоянное развитие и повсеместное распространение высокоскоростных и производительных обрабатывающих центров, оснащенных системами ЧПУ, вынуждает человека обеспечивать снижение временных затрат на проектирование управляющих программ. Сегодня решение этой задачи является приоритетным и однозначно актуальным явлением, а перед исследователем формализуется цель в разработке перспективной и максимально эффективной системы. В качестве первоначального объекта исследований была выбрана технология механической обработки типовых элементов в деталях различных отраслей отечественного машиностроения.

По результатам проведенного обзора, наглядно отобразилась определенная динамика роста использования и внедрения систем искусственного интеллекта и подобных им алгоритмов, в САПР, системы ЧПУ металлорежущего оборудования и различные производственные процессы. Такие системы способны решать поставленные автором задачи, а в связи с низким процентом их использования в САПР, можно уверенно заявить об уникальности их применения в выбранной тематике исследований.

Разрабатываемая автором интеллектуальная система автоматизированного проектирования управляющих программ должна обладать возможностями автоматизации процессов проектирования программ с использованием интеграции опыта пользователя в САПР, а также способностью самообучения для последующего автоматизированного

пополнения собственной базы данных новыми методиками, и расширением опыта, применяемого программистами на предприятиях страны.

На основании вышеизложенного, диссертационная работа на тему «Интеллектуальная система автоматизированного проектирования управляющих программ для САМ-систем» является актуальной и своевременной.

Цель и задачи исследования. По результатам формулирования области, объекта и предмета исследований вытекает основная цель исследований -это разработка интеллектуальной системы автоматизированного проектирования технологических процессов механической обработки типовых элементов деталей на основе нейронных сетей для сокращения времени проектирования управляющих программ.

Для достижения поставленной цели необходимо решить следующие основные задачи:

1. Разработать методику взаимодействия параметров, получаемых из элементов деталей, и параметрами, вводимых пользователем.

2. Разработать средства классификации данных параметров, с дальнейшим обеспечением использования их в среде САПР;

3. Выбрать нейронную сеть с учетом необходимого набора входных и выходных данных, требуемых для успешной механической обработки основных представителей типовых элементов деталей;

4. Описать принцип формирования управляющей программы и принятия решений программистом, с целью реализации процессов обучения и переобучения выбранной нейронной сети;

5. Определить точки интеграции в САМ-модули САПР ипщгарЫсэ №С разработанных методик.

Область исследований — разработка и исследование моделей, алгоритмов и методов синтеза и анализа проектных решений, включая конструкторские и технологические решения в САПР/АСТПП, [из паспорта специальности 05.13.12 - «Системы автоматизации проектирования (по техническим наукам - промышленность)»].

Объект исследований - технология проектирования управляющих программ для обработки типовых элементов в современных САБ/САМ-системах.

Предмет исследований - технологический процесс обработки типовых элементов в деталях различных отраслей машиностроения с целью снижения временных и человеческих затрат в области проектирования управляющих программ для станков с ЧПУ.

Методы исследования в настоящей работе:

1. Методология функционально-стоимостной инженерии, включающая в своем составе технико-экономические, экономико-математические и физико-математические методы исследований;

2. Методы теоретического исследования, обуславливающие идеализацию процедур с созданием гипотетическим САПР, формализацию процессов

и процедур с составлением и уточнением математического описания процессов испытаний, а также использование теоретического расчета экономической эффективности САПР 11111.

Научная новизна работы заключается в следующем:

1. Получены методики для взаимодействия между параметрами существующих элементов и параметрами, вводимыми пользователями для создания системы автоматизации механической обработки типовых элементов деталей, в рамках выбранной САПР;

2. В разработанной САПР используется интеллектуальная система в виде нейронной сети - многослойного персептрона, с обучением учителем по алгоритму обратного распространения ошибки и возможностью дообучения в процессе дальнейшей работы;

3. Определены точки интеграции разработанных методик в САПР. Определены основные объекты классов и классы, необходимые для взаимодействия между параметрами распознанных элементов и требуемыми критериями механической обработки.

Теоретическая значимость исследований заключается в:

1. Характеристике и структурировании параметров типовых элементов, необходимых для их механической обработки;

2. Обосновании наличия производственно-технологического потенциала комплексной интегрированной САПР 11111 и внедрения её в процессы проектирования управляющих программ для станков с ЧПУ.

3. Раскрытии возможностей применения интеллектуальных систем для автоматизации процессов проектирования управляющих программ и сокращение итераций в процессах принятия решений со стороны человека.

Практическая значимость работы заключается в использовании разработок в сфере САПР 11111 на основе:

1. Совершенствования процедур ручного проектирования управляющих программ для станков с ЧПУ в средах современных САПР;

2. Уменьшение количества итераций, выполняемых человеком в процессе проектирования операций механической обработки в САПР;

3. Опциональная возможность самостоятельного принятия решений по утверждению полученных стратегий механической обработки со стороны разработанной системы;

4. Снижение вероятности возникновения ошибки в процессе принятия решений со стороны человека, что особенно актуально при однотипности и цикличности выполняемых действий.

Базой исследования и верификации послужили производственно-технологические процессы, осуществляемые на площадках предприятия (ООО ИПК «XAJITEK»). В работе рассмотрены примеры использования интеллектуальных систем при обработке трех видов типовых элементов в деталях.

Апробация и внедрение результатов исследований. Основные результаты исследований и экспериментов докладывались на научно-технических

конференциях профессорско-преподавательского состава Ульяновского государственного технического университета (УлГТУ) в 2011 году; на научно-технических конференциях в 2009 году в УВАУГА г. Ульяновск, в 2009 году «Наука-будущее Литвы» г. Вильнюс; получен диплом конкурса инновационных проектов «У.М.Н.И.К.-2010» в 2010 году; получен грант Фонда содействия развитию малых форм предприятий в научно-технической сфере: программа «СТАРТ-2012», направление HI.

Публикации. По теме диссертации опубликовано 11 научных работ, в том числе 2 - в изданиях, рекомендованных ВАК РФ, 4 свидетельства о государственной регистрации программ для ЭВМ.

Структура работы. Диссертация состоит из введения, четырех глав основного текста, выводов, списка литературы, включающего 127 наименований, содержит 163 страницы машинописного текста, 72 иллюстрации, 28 таблиц и 8 приложений.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, дана ее краткая характеристика, сформулированы цель и задачи исследования, изложены основные научные положения и результаты, выносимые на защиту.

В первой главе проводится анализ состояния вопроса и обзор литературы, постановка целей и задач исследования. Включает в себя анализ существующих современных средств и систем автоматизированного проектирования для обработки типовых элементов деталей. В качестве рассматриваемых систем были выбраны САПР Tebis (компании Tebis), Unigraphics NX (компании Siemens), SolidCAM (компании SolidCAM), Feature CAM (компания Delcam), HyperMill (компании OpenMind), Master-Cam (компании MasterCam), Pro/ENGINEER (компании PTC), Catia (компании Dassault Systèmes, S.A . и IBM), ESPRIT (компании DP Technology Corp.) Рассматриваются общие принципы и механизмы обработки типовых элементов на примере системы MasterCam, а также использование нейронных сетей и интеллектуальных алгоритмов при описании процессов механической обработки деталей.

Рассмотрена классификация нейронных сетей по типам применяемости в области решения различного рода задач. Выбрана нейронная сеть персептронного вида по причине того, что в рамках данной работы решается задача классификации.

При оценке достоинств и недостатков, указанных выше решений, была выбрана библиотека Fast Artificial Neural Network Library (FANN). FANN -бесплатная нейросетевая библиотека, способная реализовать многослойные структуры средствами языка программирования Си, при поддержке кросс-платформенного исполнения с фиксированной или плавающей точкой. FANN включает в себя framework удобный в плане обращения с наборами данных

для обучения. Глобально рассмотрено развитие САМ-технологий с момента появления до настоящего времени.

Представлена классификация доступных типовых элементов, отображенная на рис. 1.

Рис. 1. Классификация типовых элементов

По итогам обзора разработана схема диссертационного исследования, коррелирующая с задачами исследования.

Во второй главе рассмотрены разработанные теоретические методики повышения эффективности и производительности процесса проектирования управляющих программ для станков с числовым программным управлением в CAD/CAM-системах путем использования интеллектуальных самообучающихся систем на основе нейронных сетей.

Описывается распознавание типовых элементов как извлечение формы элемента из существующей твердотельной модели детали. При рассмотрении основных подходов при распознавании элементов - был выделен вариант «hint-based», который наиболее эффективно взаимодействует с такими элементами.

Рис. 2. Эскиз элементарного отверстия

Стандартные типовые элементы имеют ряд параметров, описывающих их геометрию и особенности. В качестве первого объекта для анализа и описания будущей нейронной сети, выбран простой типовой элемент - элементарное отверстие (рис. 2).

Элементарное отверстие описывается следующими параметрами: Б -диаметр отверстия; Ь - его глубина; Т - тип дна; М — материал детали.

Основной целью функционирования интеллектуальной системы автоматизированного проектирования является применение и аккумуляция опыта инженера-программиста, выступающего в роли учителя, а также постоянное самосовершенствование и возможность использования любым пользователем. Интеллектуальная составляющая на основе нейронной сети, единожды обученной учителем, позволит использовать его знания и опыт в процессах принятия решений, а также параллельно самообучаться на новых примерах, и решениях задач производства. Реализация такого алгоритма, осуществляющую механическую обработку типовых элементов интеллектуальной системой, в рамках данной научной работы получила название <а-ГеаШге» (рис. 3).

Считывание типа обрабатываемого и инструментального материала Считывание параметров обрабатываемого элемента

О

і-ГеаШге

О

Вызов диалогового окна для корректировки и апробации данных

Генерация траекторий перемещения режущего инструмента

О

Постпроцессирование управляющей программы

Рис. 3. Принцип работы предлагаемой системы «і-ґеайіге»

Опыт пользователя в данной системе играет ключевую роль. Разработанными средствами, пользовательский опыт подвергается аккумуляции и актуализации, тем самым, подстраиваясь под условия производства.

В САПР при работе с функциями описания механической обработки деталей, пользователь взаимодействует с рядом параметров. Существуют параметры, которые относятся к обрабатываемым элементам в детали, и параметры - к режущему инструменту, необходимому для их обработки. Часть этих параметров напрямую связана друг с другом, например, диаметр отверстия и диаметр сверла, необходимого для его получения, а часть вводится пользователем и подвергается классификации внутри разработанной системы.

Интеллектуальная система автоматизированного проектирования управляющих программ объединяет в себе средства обработки обеих категорий описанных параметров, передавая необходимый набор переменных в следующие функциональные разделы САПР, а по результатам их работы - пользователю для завершающего утверждения.

Интеллектуальная составляющая системы включает в себя нейронную сеть персептронного вида, а общая логика её работы представлена следующим образом:

- существуют данные об элементах в модели детали, которые сформированы на стадии её конструирования. Эти данные считываются при распознавании элементов в детали или вводятся вручную и являются входными для нейронной сети;

- существуют данные, которые вводятся пользователем в САМ-систему во время его работы в ней, отражая полноценно его опыт и навыки. Эти данные являются выходными для нейронной сети;

- пользовательский опыт в автономном режиме перманентно собирается специальным сборщиком для постоянного самосовершенствования подсистемы и повышение качества решений, которые она впоследствии предлагает;

- входные и выходные параметры формируют обучающие выборки, необходимые для обучения нейронной сети и дальнейшей обработки и выдачи результатов во время работы подсистемы.

В результате работы системы осуществляется соотнесение данных пользователя с данными обрабатываемого типового элемента, после чего необходимый набор значений переменных передается в диалоговое окно на апробацию пользователю. В данном окне пользователь может внести коррективы в предлагаемое системой решение. Далее после утверждения им предложенных результатов - переменные передаются в разделы САПР, отвечающие за генерацию траектории перемещения режущего инструмента и средства пост-процессирования для соответствующей системы ЧПУ.

При работе с интеллектуальной системой, стоит отметить необходимость добавления опыта инженера-программиста нейронной сети после ее первого обучения. В таком случае система «¡-Гвалте» в перспективе сможет предлагать решения по механической обработке нового типового элемента, с

отсутствующими геометрическими параметрами в исходной обучающей выборке, но относящегося к представленной в выборке группе. Качество первоначального обучения напрямую сказывается на верности результата, полученного на выходе нейронной сети. В системе реализована возможность дообучения нейронной сети по актуализированным обучающим выборкам. В данном случае, интеллектуальная система обладает преимущественной возможностью адаптации к параметрам, используемыми пользователями на предприятии.

Искусственные нейронные сети (ИНС) строятся по принципам организации и функционирования их биологических аналогов. Очевидно, что процесс функционирования нейронной сети - сущность действий, которые она способна выполнять, зависит от величин синаптических связей. В процессе функционирования нейронная сеть формирует выходной сигнал У в соответствии с входным сигналом X, реализуя некоторую функцию

В качестве примера, создается нейронная сеть для обработки элементарного отверстия в детали. При этом структура сети представляет собой сеть с тремя парами входов-выходов и пятью скрытыми слоями. Количество скрытых слоев определялось по формуле 2п-1. В качестве входа были выбраны параметры: Ьотв - глубина отверстия; Мдетали— материал детали; Ма^р^ - материал сверла.

В качестве выходов были выбраны следующие параметры механической обработки: НфОХОДов - количество проходов; Урезания — скорость резания (м/мин); Бподача_ подача (мм/об). Необходимая нейронная сеть для автоматического описания параметров механической обработки элементарного отверстия состоит из двух входных нейронов, трех выходных нейронов, одного

и

Важно отметить, что вся информация, которую сеть приобретает о задаче, содержится в наборе примеров. Поэтому качество обучения сети зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают задачу. Для расчета необходимого количества примеров для обучения сети используют следующую зависимость:

\Р '

где Ео - ошибка обобщения нейронной сети; d - размерность входов; Р - количество примеров в обучающей выборке.

Учитывая, что данные для обучения представлены в целочисленном виде, а нейронная сеть оперирует либо с двоичными, либо с вещественными числами — то необходимо осуществить перевод данных в соответствующую форму. Приведение к единому масштабу обеспечивается нормировкой каждой переменной на диапазон разброса ее значений, а осуществляется это с помощью линейного преобразования:

х — х V — i.min

»~ ; х — х . /,max ),min

в единичный отрезок Xi е [0,1], где xi - произвольная компонента нормированных (предобработанных) данных. Среднее количество информации, при— а

носимой каждым примером ди , равно энтропии распределения значений

~ а

этой компоненты H(xi ) .

После успешного обучения, необходима проверка работы нейронной сети и верности выдаваемых ей результатов. Для этого формируется тестовая выборка данных. Она отличается от обучающей выборки тем, что ряды данных в ней иные. После работы нейронной сети по тестовой выборке, оценивается результат и принимается решение о возможном переобучении сети, для чего обучающую выборку расширяют, представляя сети большее количество примеров.

При успешном обучении полученные выходы нейронной сети переводят обратно, в понятный пользователю вид по формуле:

Х- = Х- • (Х- —Х- ■ ) + Х- ■ i 1 \ I,max min/ i.irnn

Интеллектуальная система проектирования способна прогнозировать не только параметры работы инструмента и режимы резания, но и обучаться на основе примеров по стратегиям обработки деталей, что в свою очередь говорит о доступности к передаче ряда параметров, используемых при генерации траекторий перемещения режущего инструмента. В таком случае - нейронная сеть будет обладать дополнительным набором входов и выходов.

Учитывая широкую номенклатуру обрабатываемых материалов и режущего инструмента, было принято решение для каждого сочетания этих параметров создавать собственную нейронную сеть. Т.к. при обучении нейрон-

ной сети все входные параметры должны быть отличными, а при одинаковом типе инструмента или материала, различны лишь режимы резания и параметры траектории. Составление подборки данных для обучения возможно и в автоматическом режиме перед эксплуатацией системы «i-feature». Это реализуется при обычной рядовой работе пользователя в САПР. Все необходимые параметры для нейронной сети, в фоновом режиме собираются специальной подпрограммой, встроенной в «i-feature». Таким же образом осуществляется сбор данных при успешной эксплуатации нейронной сети во время работы САПР и «i-feature». После сбора - данные добавляются к предыдущей обучающей выборке, после чего сеть автоматически переобучается.

Также во второй главе предложен алгоритм интеграции нейронной сети в качестве подпрограммы для САПР NX. Приводится стандартный алгоритм действий при описании механической обработки элементарного отверстия, в пункты которого органично вписывается разработанная система «i-feature».

В третьей главе приводится методика проведения исследований по разработанной подпрограмме, ее назначение, структуры и дается краткое описание работы с ней. На основе теоретических предпосылок по оптимизации процесса программирования типовых элементов в современных САПР были определены основные моменты для проведения экспериментальных исследований:

• взаимодействие с типовыми элементами в САПР UG NX и модуль Feature Based Machining;

• механизм разложения твердотельной модели на объемы, необходимые для механической обработки;

• точки интеграции системы «i-feature» в работу модуля Feature Based Machining;

• взаимодествие классов библиотек Fast Artifical Network с классами UG Open С++;

• рассмотрена общая интеграция в САПР UG NX;

• выбрано соответствующее оборудование и рассмотрены его основные характеристики.

Представлена общая схема взаимодействия между распознанными типовыми элементами и модулями САМ для их механической обработки. Основными объектами приложения механической обработки в UG являются операции, обрабатываемые геометрии, режущие инструменты и параметры обработки. Представлена высокоуровневая модель таких объектов на языке EXPRESS-G.

Действия по механической обработке типовых элементов логически структурированы по группам использования инструмента так, чтобы подбор режущего инструмента осуществлялся наиболее быстрым и оптимальным методом. Также здесь представляется необходимая информация о режущем инструменте и основные параметры механической обработки, такие как скорость резания, величина подачи или подача охлаждения.

Также рассмотрены основные операции механической обработки типовых элементов: операции сверления, торцового и контурного фрезерования с определением необходимых параметров и фрезерование по-уровням.

Представлены основные возможности Open API интерфейса в NX. Приложения NX Open С++ могут быть созданы и скомпилированы в среде Visual Studio, где весь процесс написания такого рода приложений аналогичен обычному программированию в среде разработки. При запуске NX, автоматически загружаются необходимые библиотеки и фалы меню, содержащиеся в директориях Startup и Udo. При загрузке системой NX каждой библиотеки, немедленно исполняются стандартные точки входа. Затем приложение может инициализировать любые события, которые необходимы для содержания меню, диалогов и Udo-действий.

CAD/CAM модули позволяют произвести предварительную обработку и получение данных из твердотельной модели детали. Интерфейс UG САМ инициирует окружение для создания механической обработки, в котором указываются все эти необходимые данные. Система «i-feature» реализована в виде подпрограммы встроенной в UG и написанной на Visual С++ с использованием открытых библиотек UG/Open, которые открывают полный доступ ко всем объектам среды UG, и средств создания интерфейса UG GRIP (GRaphics Interactive Programming).

Для реализации подпрограммы в среде САПР UG NX, необходимо рассмотреть группу классов NXOpen::CAM::NXObject, куда входят следующие группы классов:

• NXOpen::CAM::CAMSetup (Основной класс по обработке событий в CAM-модулях программы, из которого вызываются все процедуры);

• NXOpen::CAM::NCGroup (группы раздела проектирования управляющих программ);

о NXOpen::CAM::FeatureGeometry (класс для описания геометрии

распознанных типовых элементов);

о NXOpen::CAM::Method (методы механической обработки); о NXOpen::CAM::OrientGeometry (установка систем координат); о NXOpen::CAM::Tool (описание режущего инструмента);

• NXOpen::CAM::Operation (механообработка деталей).

•

Структура классов NXOpen::CAM::Operation для описания операций механической обработки типовых элементов представлена в виде:

• NXOpen::CAM::HoleMaking (обработка отверстий);

• NXOpen::CAM::MillOperation (обработка карманов, пазов, отверстий);

• NXOpen::CAM::ThreadMilling (фрезерование резьбы).

Для проведения экспериментальных исследований использован металлорежущий станок — пятикоординатный обрабатывающий центр MAZAK VARIAXIS 730-5Х П.

Многоцелевые 5-осевые станки серии VARIAXIS оснащаются системой числового программного управления MAZATROL MATRIX.

В четвертой главе рассмотрены результаты работы интеллектуального и линейного алгоритмов. Принцип действия разработанной системы экспериментально подтверждается при обработке элементарного отверстия сверлением. На примере одной операции отображается суть обучения нейронной сети, формирование входящих и выходящих данных, а также графическое отображение процесса обучения и подбор весов для наиболее эффективного результата обучения.

Для работы интеллектуального алгоритма системы «¡-feature», выбраны необходимые прогнозируемые параметры, соответствующие входным и выходным переменным (табл. 1). Были выбраны обрабатываемые материалы и материал, из которого изготовлен режущий инструмент.

Таблица 1. Переменные входов и выходов нейронной сети

Параметр Вход Выход

Глубина Lotb ^проходов

Диаметр отверстия Dotb Срезания

^подача

Для обучения также подготовлена обучающая выборка с используемыми программистом режимами и параметрами механической обработки (табл. 2).

Таблица 2. Таблица данных для обучения нейронной сети

№ Вход Вход Выход Выход Выход

1 diam depth прго speed feed

2 1 7 2 80 0.1

3 1.5 6 2 80 0.1

4 2 4 1 80 0.1

5 2.5 8 3 80 0.1

196 13.5 6 4 60 0.12

197 14 6 4 60 0.12

198 14.5 5 3 60 0.12

199 15 24 15 60 0.12

200 15.5 28 17 60 0.12

При обучении нейронной сети использовалась сигмоида, показанная на рис. 10. Условием окончания обучения было поставлена средняя величина ошибки не более 0.05 и максимальная величина ошибки не более 0.05, также задано 100000 эпох обучения. Разбиение исходного множества составило 95% для обучающего и 5% для тестового множеств.

Сеть была обучена успешно, показав высокую результативность процесса прогнозирования, а результаты обучения отображены в приложении к диссертации.

Для обработки типовых элементов в среде САПР 11ш£гарЫсз КХ 7.5 была выбрана модель корпусной детали с отрасли приборостроения. Данная модель детали представляет собой планку, с большим количеством типовых элементов в виде карманов, пазов и отверстий (рис. 5).

Рис. 5. Загруженная в САПР 1ГС КХ модель детали

Финальной стадией описания механической обработки в любой САПР является ее проверка в виртуальной среде. Для этого в иг^гарЫсБ №С присутствуют средства, позволяющие в трехмерном режиме наглядно отобразить полученный результат. По факту успешной проверки полученных траекторий, осуществляется завершающая стадия - процесс генерирования управляющей программы для определенной модели системы ЧПУ станка. Полный цикл механической обработки с четырьмя установами производился на станке УАЫАХК 730-И 5Х японской компании УатагаЫ МА2АК.

После обработки на всех четырех установах была получена годная деталь, показанная на рис. 6.

Рис. 6. Полученная годная деталь

Была осуществлена оценка эффективности создания функционирования САПР ТП. Рассматривается время, затраченное на ручное программирование каждой операции механической обработки программистом и время, затраченное на использовании технологии распознавания элементов и применение шаблонов обработки, для проведения наиболее адекватной оценки экономической эффективности.

Время, затраченное на ручное программирование операций, необходимых для получения годной детали, показанной на рис. 6 опытным инженером-программистом составило 11 часов 35 минут.

Время, затраченное на использование средств ИХ по распознаванию и использованию шаблонов составило 2 минуты, однако изначально было потрачено 2 часа 37 минут на создание шаблонов механической и описание используемых режущих инструментов.

Время, затраченное системой «¡-ГеаШге» на обработку распознанных элементов составило 2 минуты, при этом скорость исполнения подпрограммы ограничена лишь аппаратными возможностями персонального компьютера, на котором используется выбранная САПР. Время на утверждение и внесение корректив в решения, предложенные разработанной системой составило 47 минут.

Из чего следует вывод о повышении производительности работы инженера-программиста в 3 раза, в сравнении с методом работы в САПР при использовании заранее созданных шаблонов механической обработки, и в 6 раз выше в сравнении с ручным последовательным созданием операций для каждого типового элемента.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Подводя обобщающий итог диссертационному исследованию и практическим разработкам, реализованным на их базе, можно утверждать следующее:

Цель исследований, направленная на разработку интеллектуальной системы автоматизированного проектирования технологических процессов механической обработки типовых элементов деталей на основе нейронных сетей для сокращения времени проектирования управляющей программы, достигнута.

Получены новые научные результаты:

1. Предложена методика использования параметров типовых элементов и, параметров введенных пользователем для автоматизации процессов проектирования управляющих программ при механической обработке деталей в САПР на станках с ЧПУ.

2. Разработана система классификации параметров, введенных пользователем средствами нейронной сети персептронного вида, которое необхо-

димо для автоматизации и ускорения процесса ввода данных параметров, с целью сокращения времени на проектирование управляющих программ.

3. Показаны точки интеграции разработанных методик в любые САПР на примере CAD/CAM-системы от Siemens PLM Software - Unigraphics NX 7.5.

4. Предложено развитие исследований в области интеллектуализации процессов генерации траекторий перемещения режущего инструмента на основе использования параметров траектории в рамках инженерного потенциала предприятия. Данные исследования позволят в 3 раза эффективнее использовать САПР при описании механической обработки большого количества различных деталей производства.

5. Обозначены перспективы использования разработанных методик в разрезе сокращения количества программистов на предприятии, требуемого для написания управляющих программ. Также предложены перспективные диалоговые решения для сокращения действий пользователем, оставляя интеллектуальной системе принятие ряда решений.

Основные результаты диссертации опубликованы в следующих работах: Публикации в издания, рекомендованных ВАК РФ:

1. Попович, A.B. Влияние механической обработки деталей на усталостную прочность / Попович А.В1, Дьяков И.Ф. // Автоматизация и современные технологии - 2011.- №9- С. 8-10.

2. Попович, A.B. Применение нейросетевых алгоритмов в методах автоматизированной обработки деталей в CAD/CAM-системах / Попович A.B., ДьякоЬ И.Ф. // Автоматизация и современные технологии.- 2010- №6 - С. 34-36.

Статьи и материалы конференций:

3. Попович, A.B. К вопросу оптимизации режимов резания червячной фрезой методом трехмерного моделирования / Дьяков И.Ф., Попович A.B. // Сб. научных трудов 4-й международной научно-технической конференции «Современные научно-технические проблемы транспорта».- Ульяновск, Ул-ГТУ, 2007.-С. 234-235.

4. Попович, A.B. Loosen machine for manufacture winter ground works in transport building / Дьяков И.Ф., Попович A.B. // Вильнюс, Транспорт.- 2007-№11.-С. 45-48.

5. Попович, A.B. Математическое моделирование технологического процесса обработки зубчатых изделий / Попович A.B., Дьяков И.Ф. // Сб. научных трудов 5-й международной научно-технической конференции «Современные научно-технические проблемы транспорта» - Ульяновск, УлГТУ, 2009.-С. 156-161.

6. Попович, A.B. Использование ЧМФ с модифицированным профилем при изготовлении зубчатых колес / Дьяков И.Ф., Попович A.B. // Могилев, 2009.-№3.-С. 65-69.

7. Попович, A.B. Нейросетевые алгоритмы в описании обработки типовых элементов твердотельных моделей деталей / Дьяков И.Ф., Попович A.B. // Вильнюс, Транспорт - 2010 - №7 - С. 32-36.

Свидетельства о государственной регистрации программ для ЭВМ, авторские свидетельства на изобретения:

8. Свидетельство о государственной регистрации программы для ЭВМ №2008612202. Подпрограмма для моделирования процесса зубофрезерова-ния червячной фрезой в рабочей среде пакета Unigraphics NX 4.0 / Попович

A.B., Демидов В.В.; заявитель и правообладатель УлГТУ.- №2008611127; за-явл. 18.03.2008; зарегистрир. 30.04.2008-Москва, Роспатент, 2008.

9. Свидетельство о государственной регистрации программы для ЭВМ № 2008612765. Программа для определения аппроксимирующей эвольвенты профиля зуба долбяков с наклонной осью вращения / Попович A.B., Демидов

B.В.; заявитель и правообладатель УлГТУ-№ 2008611832; заявл. 25.04.2008; зарегистрир. 5.06.2008-Москва,Роспатент,2008.

10. Свидетельство о государственной регистрации программы для ЭВМ № 2008612763. Программа для определения аппроксимирующей дуги окружности профиля зуба долбяков с наклонной осью вращения / Попович A.B., Демидов В.В.; заявитель и правообладатель УлГТУ - №2008611830; заявл. 25.04.2008; зарегистрир. 5.06.2008- Москва, Роспатент, 2008.

11. Свидетельство о государственной регистрации программы для ЭВМ № 2008612762. Программа для определения аппроксимирующей архимедовой спирали профиля зуба долбяков с наклонной осью вращения / Попович A.B., Демидов В.В.; заявитель и правообладатель УлГТУ - № 2008611829; заявл. 25.04.2008; зарегистрир. 5.06.2008 - Москва, Роспатент, 2008.

СПИСОК СОКРАЩЕНИЙ

АИТ автоматизированные информационные технологии

АСТПП - автоматизированная система технологической подготовки

производства

ИНС искусственная нейронная сеть

ис информационные системы

САПР система автоматизированного проектирования

ТПП технологическая подготовка производства

тэ типовой элемент (типовые элементы)

ТП технологический процесс

ти траектории инструмента

ЧПУ числовое программное управление

УП управляющая программа

2D 2 dimensional (двухмерный)

3D 3 dimensional (трехмерный)

3I-PP intelligent integrated incremental process planning (интегриро-

ванно-интеллектуальное инкрементальное планирование процессов) API - application programming interface (интерфейс прикладного про-

граммирования)

FANN — fast artificial neural network (быстрые нейронные сети) FBM - feature based modelling (конструирование на основе типовых элементов)

CAD - computer aided design (конструирование) CAM — computer aided manufacturing (подготовка производства изделий) .

САРР - computer aided process planning (планирование производства) CIM - computer-integrated manufacturing (компьютерно-интегрированное производство)

IMS - intelligent manufacturing systems (интеллектуальные системы в

производстве)

MCS - machine coordinate system (система координат станка) MF — manufacturing features (механо-обрабатываемые типовые эле-

менты)

NC - numeric control (числовое управление)

UDO - user defined objects (объекты описанные пользователем)

UG - Unigraphics

Подписано в печать 15.10.2012. Формат 60x84/16. Усл. печ. л. 1,00. Тираж 100 экз. Заказ 893.

Типография УлГТУ, 432027, г. Ульяновск, ул. Северный Венец, 32

СПИСОК АББРЕВИАТУР.

ВВЕДЕНИЕ.

ГЛАВА 1. СОСТОЯНИЕ ВОПРОСА ОБРАБОТКИ ТИПОВЫХ ЭЛЕМЕНТОВ В СИСТЕМАХ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ.

1.1. Анализ средств и систем автоматизированного проектирования для обработки типовых элементов деталей.

1.2. Существующие механизмы обработки типовых элементов.

1.3. Использование нейронных сетей и интеллектуальных алгоритмов при описании процессов механической обработки деталей.

1.4. Развитие существующих CAM-технологий.

ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ПРЕДПОСЫЛКИ ДЛЯ РАЗРАБОТКИ МЕТОДА АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ ТИПОВЫХ ЭЛЕМЕНТОВ ДЕТАЛЕЙ.

2.1. Технология Feature в CAD/CAM/CAPP.

2.2. Разработка предлагаемого алгоритма описания механической обработки типовых элементов.

2.3. Метод описания механической обработки основных типовых элементов с использованием нейронной сети.

ГЛАВА 3. ПРОГРАММА И МЕТОДИКА ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ.

3.1. Программа исследований.

3.2. Архитектура Feature Based Machining в Unigraphics NX.

3.3. Рассмотрение основных операций механической обработки типовых элементов в модуле Feature Based Machining в Unigraphics NX.

3.4. Интерфейс UGOpen API в среде САПР Unigraphics NX 7.5.

3.5. Библиотека классов и объектов FANN - Fast Artifical Neural Network.

3.6. Выбранное оборудование MAZAK VARIAXIS 730-II5X.

3.7. Планирование факторного эксперимента.

ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ И ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ.

4.1. Результаты работы обученной интеллектуальной системы «i-feature».

4.2. Результаты работы модуля FBMach и подпрограммы «i-feature» в САПР UGNX.

4.3. Результаты работы подпрограммы «i-feature» в САПР UG NX при описании механической обработки типовых элементов.

4.4. Проверка результатов и постпроцессирование управляющей программы для станков с системой ЧПУ.

4.5. Результаты механической обработки детали на станке MAZAK VARIAX

IS 730-И 5Х с системой ЧПУ MAZATROL MATRIX.

4.6. Расчет экономической эффективности полученных результатов исследования

В современном машиностроении одной из важнейших задач, является повышения конкурентоспособности и качества выпускаемой продукции. Исключительно большое значение имеет решение данной задачи в технологически ёмких производствах.

В широкой номенклатуре деталей, представленных в различных отраслях отечественной промышленности, присутствует такое понятие, как типовые элементы. Типовые элементы дифференцированы по трем основным группам: отверстия, пазы и карманы. Каждому элементу соответствует свой вид, метод и стратегия механической обработки.

Для получения типового элемента в реальной детали, необходима её механическая обработка на соответствующем металлорежущем оборудовании. При проектировании процесса механической обработки, необходимо использование технологических знаний и опыта пользователя САПР с целью формирования специальных команд по управлению перемещением режущего инструмента. Данный набор команд является управляющей программой для используемого станка, оснащенного системой ЧПУ. В настоящее время, процесс формирования такой управляющей программы, в которой подробно описываются все операции и технологические переходы в процессе механической обработки деталей, обладает элементами автоматизации посредством использования САПР. Для сокращения объемов работ по ручному вводу параметров обработки и траекторий перемещения режущего инструмента в систему ЧПУ - создано значительное множество программных решений, которые открывают широкие возможности по автоматизации данных работ, а также обладают интерактивными средствами для удобного и гибкого взаимодействия с пользователем. В данном аспекте - конструирование моделей деталей на основе типовых элементов подразумевает под собой унификацию процессов конструирования, необходимую для сокращения времени, затрачиваемого на написание управляющей программы.

Существующие системы моделирования и конструирования твердотельных моделей деталей, позволяют изначально задавать наборы параметров типовым элементам, которые могут быть использованы САПР для автоматических процедур, например, таких, как подбор режущего инструмента.

Постоянное развитие и повсеместное распространение высокоскоростных и производительных обрабатывающих центров, оснащенных системами ЧПУ, вынуждает человека обеспечивать снижение временных затрат на проектирования управляющих программ. Причиной тому является высокая денежная стоимость данного оборудования, что в условиях современного рынка, заставляет предприятия эксплуатировать станки с максимально высоким коэффициентом их использования. Логично, что перед человеком встает очевидная задача обеспечения оборудования соответствующим непрерывным объемом работ, что в большинстве случаев не выполняется вследствие очевидной разницы между временем изготовления детали, и временем, затраченным на проектирование этапов её механической обработки. Сегодня решение этой задачи является приоритетным и однозначно актуальным явлением, а перед исследователем формализуется цель в разработке перспективной и максимально эффективной системы. В качестве первоначального объекта исследований была выбрана технология механической обработки типовых элементов в деталях различных отраслей отечественного машиностроения.

По результатам проведенного обзора, наглядно отобразилась определенная динамика роста использования и внедрения систем искусственного интеллекта и подобных им алгоритмов, в САПР, системы ЧПУ металлорежущего оборудования и различные производственные процессы. Такие системы способны решать поставленные автором задачи, а в связи с низким процентом их использования в САПР, можно уверенно заявить об уникальности их применения в выбранной тематике исследований.

Разрабатываемая автором интеллектуальная система автоматизированного проектирования управляющих программ должна обладать возможностями автоматизации процессов написания программ с использованием интеграции опыта пользователя в САПР, а также способностью самообучения для последующего автоматизированного пополнения собственной базы данных новыми методиками, и расширением опыта, применяемого программистами на предприятиях страны.

Спектр программных решений в области САПР Ulli, доступный для описания механической обработки деталей на основе типовых элементов, не обладает однозначным потенциалом к осуществлению подобной автоматизации процесса проектирования управляющей программы с достижением макси-мально качественного и верного результата.

Программные продукты предлагают относительно ограниченные решения в вопросах подобной автоматизации, что делает процесс программирования определенно времяемким и низкоэффективным. Данный факт означает, что большинство решений по настоящее время все также принимаются человеком, несмотря на существующие средства и функции автоматизации, например, создания режущего инструмента или подбор его последовательности применения в зависимости от параметров, изначально заданных в типовом элементе. В дополнение к существующей автоматизации процессов проектирования механической обработки, распространено проектирование операций механообработки на основе шаблонов, средствами которых аналогично возможно снизить время на проектирование управляющей программы. Однако использование шаблонов также являет собой факт ручного ввода определенных последовательностей и действий со стороны человека.

В данном случае отчетливо представляются следующие негативные составляющие существующих процессов проектирования управляющих программ средствами САПР 11111:

- человеческий фактор, приводящий к ошибочным действиям, зачастую даже не связанных с уровнем знаний и опытом;

- высокие временные затраты, зависящие от уровня владения компьютеризированной системой, посредством которой создается управляющая программа;

- определенное количество итераций, зависящее от наименования операций механической обработки, количеству позиций в файле шаблона или свойств типовых элементов в деталях.

Процент присутствия всех составляющих можно существенно снизить, интегрировав в современные САПР 11111 интеллектуальные алгоритмы. Однозначно стоит отметить тот факт, что в смысл создания автором интеллектуальной системы - вкладывается логичный переход от всевозможных существующих шаблонов механической обработки к новому единому объекту, который является вспомогательным средством, а механизм работы которого, основан на опыте одного, или группы пользователей. В данном случае опыт пользователя играет ключевую роль и способен постоянно актуализироваться и аккумулироваться, автоматически подстраиваясь под условия конкретного производства или группы производств.

Учитывая тот факт, что процесс обучения используемой интеллектуальной системы, включающий проверку результатов обучения, осуществляется при работе пользователя в САПР, можно уверенно утверждать о снижении вероятности принятия самой системой каких-либо ошибочных решений.

Общим выводом, полученным автором при анализе возникшей проблемы, является факт внедрения систем искусственного интеллекта в средства унификации процессов проектирования управляющих программ для систем ЧПУ современных обрабатывающих центров. В частности существующие разработки в области создания шаблонов обработки и процессы генерации траектории перемещения режущего инструмента на основе систем распознавания типовых элементов, позволяют сделать вывод о неизбежности дальнейшего расширения и интеграции подобных систем в будущие САПР ТПП. А комплексная интеграция систем искусственного интеллекта в различные разделы CAD/CAM/CAPP систем и развитие универсальных форматов обмена данными между пакетами и системами ЧПУ, позволит максимально сократить влияние человеческого фактора на принятие ряда решений, тем самым существенно снизив потенциал возникновения ошибочного действия при ручном вводе. В идеализированной модели такого рода систем, конечному пользователю предоставляется диалоговый режим для принятия окончательного решения, минуя серию промежуточных итераций, выполняемых вручную.

Определенный эффект будет выражен при использовании полученных разработок сотрудниками низкой квалификации и малым опытом работы на реальных предприятиях. Данный эффект обусловлен потенциальной интеграцией интеллектуальных функций в современные САПР.

На основании вышеизложенного, диссертационная работа на тему «Интеллектуальная система автоматизированного проектирования управляющих программ для CAM-систем» является актуальной и своевременной.

Область исследований - разработка и исследование моделей, алгоритмов и методов синтеза и анализа проектных решений, включая конструкторские и технологические решения в САПР/АСТПП, [из паспорта специальности 05.13.12 - «Системы автоматизации проектирования (по техническим наукам - промышленность)»].

Объект исследований - технология проектирования управляющих программ для обработки типовых элементов в современных CAD/CAM-системах.

Предмет исследований - технологический процесс обработки типовых элементов в деталях различных отраслей машиностроения с целью снижения временных и человеческих затрат в области проектирования управляющих программ для станков с ЧПУ.

По результатам формулирования области, объекта и предмета исследований вытекает основная цель исследований - это разработка интеллектуальной системы автоматизированного проектирования технологических процессов механической обработки типовых элементов деталей на основе нейронных сетей для сокращения времени проектирования управляющих программ.

Также определен ряд дополнительных целей:

- выбор архитектуры перспективного приложения;

- выбор соответствующего вида нейронной сети;

- выбор существующей САПР для интеграции разработанных решений;

- выбор средств программирования для реализации приложения.

На основе проведенного обзора за период с 2001 по 2011 год по направлениям разработки САПР 11111 и систем автоматизации и оптимизации проектирования управляющих программ для станков с ЧПУ, были поставлены следующие задачи:

1. Разработать методику взаимодействия параметров, получаемых из элементов деталей, и параметрами, вводимых пользователем.

2. Разработать средства классификации данных параметров, с дальнейшим обеспечением использования их в среде САПР;

3. Выбрать нейронную сеть с учетом необходимого набора входных и выходных данных, требуемых для успешной механической обработки основных представителей типовых элементов деталей;

4. Описать принцип формирования управляющей программы и принятия решений программистом, с целью реализации процессов обучения и переобучения выбранной нейронной сети;

5. Определить точки интеграции в CAM-модули САПР Unigraphics NX разработанных методик.

Методы исследования в настоящей работе:

1. Методология функционально-стоимостной инженерии, включающая в своем составе технико-экономические, экономико-математические и нейро-семантические методы исследований;

2. Методы теоретического исследования, обуславливающие автоматизацию процедур с созданием интеллектуального компонента САПР, формализацию процессов и процедур, а также использование теоретического расчета экономической эффективности САПР 11Ш.

Базой исследования и верификации послужили производственно-технологические процессы, осуществляемые на площадках предприятия (ООО ИПК «ХАЛТЕК»). В работе рассмотрены примеры использования интеллектуальных систем при обработке трех видов типовых элементов в деталях.

Научная новизна работы заключается в следующем:

1. Получены методики для взаимодействия между параметрами существующих элементов и параметрами, вводимыми пользователями для создания системы автоматизации механической обработки типовых элементов деталей, в рамках выбранной САПР;

2. В разработанной САПР используется интеллектуальная система в виде нейронной сети - многослойного персептрона, с обучением учителем по алгоритму обратного распространения ошибки и возможностью дообучения в процессе дальнейшей работы;

3. Определены точки интеграции разработанных методик в САПР. Определены основные объекты классов и классы, необходимые для взаимодействия между параметрами распознанных элементов и требуемыми критериями механической обработки.

Теоретическая значимость исследований заключается в:

1. Характеристике и структурировании параметров типовых элементов, необходимых для их механической обработки;

2. Обосновании наличия производственно-технологического потенциала комплексной интегрированной САПР ТПП и внедрения её в процессы проектирования управляющих программ для станков с ЧПУ.

3. Раскрытии возможностей применения интеллектуальных систем для автоматизации процессов проектирования управляющих программ и сокращение итераций в процессах принятия решений со стороны человека.

Практическая значимость работы заключается в использовании разработок в сфере САПР ТПП на основе:

1. Совершенствования процедур ручного проектирования управляющих программ для станков с ЧПУ в средах современных САПР;

2. Уменьшение количества итераций, выполняемых человеком в процессе проектирования операций механической обработки в САПР;

3. Опциональная возможность самостоятельного принятия решений по утверждению полученных стратегий механической обработки со стороны разработанной системы;

4. Снижение вероятности возникновения ошибки в процессе принятия решений со стороны человека, что особенно актуально при однотипности и цикличности выполняемых действий.

Достоверность научно-технических результатов гарантируется проведением функционально-стоимостного и функционально-системного анализа на основе методологии функционально-стоимостной инженерии с позиции функциональности исследований и разработок; анализом научно-технических первоисточников (литературы), нормативной документации и конструкторской документации разработчика; сопоставлением результатов и выводов выполняемой работы с данными других исследований и экспериментов; адекватностью используемых методов исследований поставленным целям; опорой на статистические наблюдения и практику проектирования интегрированной САПР ТПП с интеллектуальными компонентами.

Апробация и внедрение результатов исследований. Основные результаты исследований и экспериментов докладывались на научно-технических конференциях профессорско-преподавательского состава Ульяновского государственного технического университета (УлГТУ) в 2011 году; на научно-технических конференциях в 2009 году в УВАУГА г. Ульяновск, в 2009 году «Наука-будущее Литвы» г. Вильнюс; получен диплом конкурса инновационных проектов «У.М.Н.И.К.-2010» в 2010 году; получен грант Фонда содействия развитию малых форм предприятий в научно-технической сфере: программа «СТАРТ-2012», направление Н1.

Положения и разработки, выносимые на защиту:

1. Принципы автоматизированного проектирования технологических процессов обработки типовых элементов в деталях;

2. Методика для взаимодействия между параметрами существующих элементов и параметрами, вводимыми пользователями для создания системы автоматизации механической обработки типовых элементов деталей, в рамках выбранной САПР;

3. Методика оценки научно-технического и технико-экономического уровней внедрения интеллектуальных САПР ТПП технологических процессов механической обработки типовых элементов.

Структура работы. Диссертация состоит из введения, четырех глав основного текста, выводов, списка литературы, включающего 127 наименований, содержит 164 страницы машинописного текста, 72 иллюстрации, 28 таблиц и 8 приложений.

Основные результаты исследований и экспериментов докладывались на научно-технических конференциях профессорско-преподавательского состава Ульяновского государственного технического университета (УлГТУ) в 2011 году; на научно-технических конференциях в 2009 году в УВАУГА г. Ульяновск, в 2009 году «Наука-будущее Литвы» г. Вильнюс; получен диплом конкурса инновационных проектов «У.М.Н.И.К.-2010» в 2010 году; получен грант Фонда содействия развитию малых форм предприятий в научно-технической сфере: программа «СТАРТ-2012», направление Н1.

Ожидаются публикации 2 статей в изданиях, рекомендованных ВАК РФ. Поданы 2 заявки на патентование способа и системы в Федеральном институте промышленной собственности (Роспатент).

1. Круглов, В. В. Искусственные нейронные сети / Круглов, В. В, Борисов В. В // М.: Горячая линия-Телеком.- 2002.- С. 12-40.

2. Nagasaka Yoshiyuki, CAE Systems for Gear Design and Manufacturing as Concurrent Engineering Tool / Nagasaka Yoshiyuki, Shichino Hayato, Takahashi Tomoyuki // Transactions of the Japan Society of Mechanical Engineers.- 2000.- № 645.- P. 98.

3. Colin B. Besant, Computer-Aided Design and Manufacture / Colin B. Besant // 3rd ed. Ellis Horwood Ltd.- 1986.

4. Willian F. Gibbs, CAD/CAM integration what's the right choice for you? / Willian F. Gibbs // Modern Machine Shop.- 1998.

5. Steven L. Brooks, Representing Manufacturing Features to Support Design and Process Changes / Steven L. Brooks // Ph.D. thesis.- The University of Kansas.- Lawrence.- 1997.

6. Sandvik Coromant , Руководство по металлообработке / коллектив авторов компании Sandvik Coromant // Москва.- 2011.

7. Иво Липсте, Feature Based Machining в Mastercam ХЗ. Часть 1 / Иво Липсте // журнал CAD/CAM/CAE Observer.-№5 (41).- 2008.- С. 62-65.

8. Иво Липсте, Feature Based Machining в Mastercam ХЗ. Часть 2/ Иво Липсте // журнал CAD/CAM/CAE Observer №6 (42).- 2008.- С. 54-56.

9. Jan Н. Vanderbrande, Aristides A.G. Requicha "Spatial reasoning for the automatic recognition of machinable features in solid models"; IEEE Pattern Anal-ysisand Machine Intelligence, vol. 15, №12, pp 1269-1285,1993.

10. J. H. Vandenbrande, Automatic recognition of machinable features in solid models / J. H. Vandenbrande // Ph. D. Dissertation, Electrical Engineering Department.- University of Rochester.- 1990.

11. Kaparthi, S. Machine-component Cell Formation in Group Technology: A Neural Network Approach / Kaparthi S., Suresh N.C // International Journal of Production Research.- 1992,- Vol. 30.- №6.- P. 1353-1367.

12. Электронная публикация в интернете: Нейронные сети. Википедия / http://ru.wikipedia.org/wiki/HefipoceTH.

13. Xiaojun Liu, Recognising 2.5D manufacturing feature using neural network / Xiaojun Liu, Zhonghua Ni, Xiaoli Qiu, Tingyu Liu // Courtesy of In-derscience Publishers.- 2010.- №19.

14. Электронная публикация в интернете: Нейронные сети. М1Т/ http://mitpress.mit.edu/catalog/item/default.asp?ttype=2&tid=6650

15. Feature-based modelling and neural networks-based CAPP for integrated manufacturing / International Journal of Computer Integrated Manufacturing.-1999.-№12.- P. 61-74.

16. Ф. Уоссермен, Нейрокомпьютерная техника: Теория и практика / Ф. Уоссермен, Перевод на русский язык, Ю. А. Зуев, В. А. // Точенов.- 1992.

17. Turkay Dereli, Artificial intelligence in design and manufacturing / Tur-kay Dereli, Adil Baykasoglu // University of Gaziantep.- 2010.

18. FB-Machining Advisor Tutorial / Honeywell International // FM&T.2002.

19. Unigraphics NX documentation / Unigraphics Solutions Inc // 2002.

20. Christoph M. Hoffmann, Geometric and Solid Modeling / Christoph M. Hoffmann // Morgan Kaufmann Publishers.- San Francisco.- 1989.

21. Michael E. Mortenson, Geometric Modeling. 2nd / Michael E. Morten-son // John Wiley & Sons, Inc.- 1997.

22. K. Lee, Principles of CAD/CAM/CAE systems / K. Lee // Addison-Wesley.- 1999.

23. S. A. Brown, A description of the APT language / S. A. Brown, С. E. Drayton, and B. Mittman // Communications of the ACM.- 1963.- №11.- P. 649658.

24. Tien-Chien Chang, Computer-Aided Manufacturing. 2nd / Tien-Chien Chang, Richard A. Wysk, Hus-Pin Wang // Prentice Hall.- 1998.

25. Rober, Modeling and control of CNC machines using a PC-based open architecture controller / Rober, Stephen J, Shin, Yung C. // Mechatronics.- 1995.-№4.- P. 401-420.

26. M. Liang, A STEP based tool path generation system for rough machining of planar surfaces / M. Liang, S. Ahamed, B. van den Berg // Computers in Industry.-1996.-№2.- P. 219-231.

27. Jung Hyun Han, Manufacturing feature recognition toward integration with process planning / Jung Hyun Han, Inho Han, Juneho Yi // IEEE Transactions on Systems, Man and Cybernetics part В.- Cybernetics.- 2001.- №3, P. 373-380.

28. H.B. Marri, Computer-aided process planning: a state of art / H.B. Marri, A. Gunasekaran, R. J. Grieve // The International Journal of Advanced Manufacturing Technology.- 1998.- №14.- P. 261-268.

29. S. L. Brooks, XCUT: a rule-based expert system for the automated process planning of machined parts / S. L. Brooks, К. E. Hummel, M. L. Wolf // Proceedings of ASME Winter Annual Meeting.- 1997.- P. 181-194.

30. Khoshnevis B, An integrated process planning system using feature reasoning and space search-based optimization / Khoshnevis B, Sormaz D. N, Park J. Y // HE Transactions.- 1999.- №31.- P. 597-616.

31. Huikang K. Miao, CAD-CAM integration using machining features / Huikang K. Miao, Nandakumar Sridharan and Jimi J. Shah // Int. J. Computer Integrated Manufacturing.- 2002.- №4.- P. 296-318.

32. Shah, J.J. Parametric and Feature-Based CAD/CAM: Concepts, Techniques, and Applications / Shah, J. J. Mantyla, M. // John Wiley and Sons.- New York.- 1995.

33. Otto. W. Salomons, Computer Support in the Design of Mechanical Products: Constraint specification and satisfaction in feature based design for manufacturing / Otto. W. Salomons // Ph.D. thesis.- University of Twente.- Netherlands.- 1995.

34. Chen, X. On editability of feature-based design / Chen, X. Hoffmann, C. M // Computer-Aided Design.- 1995.- №12.- P. 905-914.

35. Han, J. H. Manufacturing feature recognition from solid models: a status report / Han, J. H., Pratt, M. Regli, W. C. // IEEE Transactions on Robotics and Automation.- 2000.- №6.- P. 782-796.

36. J. J. Shah, Assessment of features technology / J. J. Shah // Computer-Aided Design.- 1991.- №5.- P. 331-343.

37. ISO 10303-224:1999 / Application Protocol: Mechanical Product Definition for Process Planning Using Machining Features // International Standards Organization." 1999.

38. Mangesh P. Bhandarkar, STEP-based feature extraction from STEP geometry for agile manufacturing / Mangesh P. Bhandarkar, Rakesh Nagi // Computers in Industry.- 2000.- №41.- P. 3-24.

39. Zhang, S.G. Feature-based inspection process planning system for coordinate measuring machine / Zhang, S.G., Ajmal, A, Wootton, J, Chisholm, A. // Journal of Materials Processing Technology.- 2000.- №1-3.- P. 111-118.

40. S.K. Gupta, Systematic approach for analysing the manufacturability of machined parts / S.K. Gupta, D.S. Nau // Computer-Aided Design.- 1995.- №5, P. 323-342.

41. Eric Wang, Feature-based assembly mating relationship / Eric Wang, Yong Se Kim // Journal of Manufacturing systems.- 1999.- №3.- P. 187-202.

42. JungHyun Han, Mujin Kang and Hoogon Choi. STEP-based feature recognition for manufacturing cost optimization. Computer-Aided Design, 2001. v. 33, n. 9, 671-686.

43. JungHyun Han, Special panel session for feature recognition at the 1997 ASME Computers in Engineering Conference / JungHyun Han, David Rosen // Computer-Aided Design.- 1998.- №13.- P. 979-982.

44. Brooks, S.L. Using STEP to integrate design features with manufacturing features / Brooks, S.L. Greenway Jr., R.B // ASME Computers in Engineering Conference.- Boston.- 1995.- P. 579-586.

45. Somashekar Subrahmanyam, Michael Wozny. An overview of automatic feature recognition techniques for computer-aided process planning / Somashekar Subrahmanyam, Michael Wozny // Computers in Industry.- 1995.- №1.- P. 1-21.

46. S. Joshi, Graph-based heuristics for recognition of machined features from a 3D solid model / S. Joshi, T. C. Chang // Computer-Aided Design.- 1988.-№2.- P. 58-66.

47. S.H.F. Chuang, Using subgraph isomorphisms to recognize and decompose boundary representation features / S.H.F. Chuang, M. R. Henderson // Journal of Mechanical Design.- Transactions of the ASME.- 1994.- №3. p. 793-800.

48. Woo, T. Feature Extraction by Volume Decomposition / Woo, T. // Proc. Conf. CAD/CAM Technology in Mechanical Engineering.- Cambridge.- USA.-1982.- P. 76-94.

49. D. Waco, Geometric Reasoning for Machining Features using Convex Decomposition / D. Waco, Y.S. Kim // 2nd ACM Solid Modeling Symposium.-1993.- P. 323-331.

50. V. Sundararajan, Volumetric feature recognition for machining components with freeform surfaces / V. Sundararajan, P.K. Wright // Computer-Aided Design.-2004.-№1, P. 11-25.

51. J.H. Vandenbrande, Spatial reasoning for the automatic recognition of machinable features in solid models / J.H. Vandenbrande, A.A.G Requicha // IEEE Transactions on Pattern Analysis and Machine Intelligence.- 1993.- №12.- P. 1269-1285.

52. J. Han, Integration of feature based design and feature recognition / J. Han, A. Requicha // Computer-Aided Design.- 1997.- №5.- P. 393-403.

53. X.G. Ye, A hybrid method for recognition of undercut features from moulded parts / X.G. Ye, J.Y.H. Fuh, K.S. Lee. // Computer-Aided Design.- 2001.-№14,-P. 1023-1034.

54. Gupta, Satyandra K. Manufacturing feature instances: Which ones to recognize? / Gupta, Satyandra K., Regli, William C., Nau, Dana S. // Proceedings of the Symposium on Solid Modeling and Applications.- 1995.- P. 141-152.

55. Douglas A. Schenck, Information Modeling: The EXPRESS Way / Douglas A. Schenck, Peter Wilson // Oxford University Press.- USA.- 1994.

56. ISO 10303-42 / Industrial automation systems and integration Product data representation and exchange // Part 42: Integrated generic resource: Geometric and topological representation.- 1994.

57. Denise Janowski, Transferring CAD/CAM files / Denise Janowski // Modern Machine Shop.- 1999.- №2.- P. 70.

58. Brian C. Kuttner, Why IGES doesn't always work? / Brian C. Kuttner // Modern Machine Shop.- 1995.- №2.- P. 70.

59. Martin Hardwick, STEP into Automatic Machining / Martin Hardwick // STEP Tools, Inc.- 2001.

60. Brunnermeier, S. Interoperability Cost Analysis of the U.S. / Brunnermeier, S., Martin, S // Automotive Supply Chain.- Research Triangle Institute.-1999.

61. Xu, X.W. Striving for a total integration of CAD, CAPP, CAM and CNC / Xu, X.W., Q. He // Robotics and Computer-Integrated Manufacturing.-2004.-№2.-P. 101-109.

62. Week, M. D. STEP-NC—The STEP compliant NC programming interface evaluation and improvement of the modern interface / Week, M., Wolf, J. and Kiritsis, D / Proceedings of the ISM Project Forum.- Genf.- Switzerland.- 2001.

63. Suk-hwan Suh, On the architecture of intelligent STEP-complaint CNC / Suk-hwan Suh, Jung-Hoon Cho, Hee-Dong Hong // International Journal of Computer Integrated Manufacturing.- 2002.- №2.- 168-177.

64. S.T. Newman, CAD/CAM solution for STEP-compliant CNC manufacturing / S.T. Newman, R.D. Allen, R.S.U. Rosso, Jr // International Journal of Computer Integrated Manufacturing.- 2003.- №7-8, P.- 590-597.

65. Hardwick, M. On STEP-NC and the complexities of product data integration / Hardwick, M. // Journal of Computing and Information Science in Engineering.- 2004.- №1.- P. 60-67.

66. Allsion В Feeny, STEP-NC implementation ARM or AIM? / Allsion В Feeny, Tom Kramer, Fred Proctor, Martin Hardwick, David Loffredo // ISO T24 STEP-Manufacturing Meeting.- San Diego.- USA.- 2003.

67. UG Open API Reference Guide / Unigraphics Solutions Inc.- 2002.

68. Jan H. Vandenbrande, Spatial reasoning for the automatic recognition of machinable features in solid models / Jan H. Vandenbrande, Aristides A. G Re-quicha // IEEE Transactions on Pattern Analysis and Machine Intelligence.- 1993.-№12.-P. 1269-1285.

69. Artifical language, FANN / Software 2.O.- 2005.- №2. P.12-16.

70. Электронная публикация в интернете / http://leenissen.dk/fann/wp

71. Электронная публикация в интернете / http://www.i-intellect.ru/prog-rams/blog.html

72. Электронная публикация в интернете «FeatureCAM от Delcam» / http://www.delcam-ural.ru/cam/featurecam0

73. Электронная публикация в интернете: «Artificial neural network» / http://www.statsoft.ru/home/portal/applications/NeuralNetworksAdvisor/Adv-new/NeuralNetworksIntroductoryOverviewUsingaNeuralNetwork.htm

74. Электронная публикация в интернете: «Artificial neural network» / http://www-pal.usc.edu/papers/FRecl/NewFRecWeb.html

75. Электронная публикация в интернете: «The official STEP-NC page» / http://www.step-nc.org

76. Steffen Niessen, Neural networks made simple. Artificial Intelligence. / Steffen Niessen // Software 2.O.- №2.- 2005.

77. Электронная публикация в интернете: «Введение в теорию нейронных сетей: программная реализация» / http://www.orc.ru/~stasson/neurox.html

78. Электронная публикация в интернете: «Российское представительство американской компании StatSoft, выпускающей ПО для анализа данных» / http://www.statsoft.ru

79. Электронная публикация в интернете: «Обзор российского рынка нейросетевых технологий» / http://www.user.cityline.ru/~neurnews

80. Миркес Е.М, Нейроинформатика: теория и практика. Курс лекций / Миркес Е.М. // http://www.softcraft.ru/neuro/index.shtml

81. Электронная публикация в интернете: «Нейронные сети и искусственный интеллект» / http://www.hamovniki.net/~alchemist/NN/NN.htm

82. Н.С. Zhang, Application of neural networks in manufacturing: a state of the art survey / H.C. Zhang, S.H. Zhang //National Science Foundatio.- 1995.

83. Ильичев A.B, Эффективность проектируемых элементов сложных систем / A.B. Ильичев, В.Д. Волков, В.А. Грущанский // М.: Высшая школа.-1982.- 280 с.

84. Ляшенко И.Н, Линейное и нелинейное программирование / И.Н. Ляшенко, Е.А. Карагодова, Н.В. Черникова // Киев: Высшая школа.- 1976.372 с.

85. Вентцель Е.С, Исследование операций, задачи, принципы, методология / Е.С. Вентцель // М.: Наука.- 1980.- 207 с.

86. Цветков В.Д, Система автоматизации проектирования технологических процессов / В.Д. Цветков // М.- Машиностроение.- 1972.- 240 с.

87. Электронная публикация в интернете: «NX Machining. A complete solution for machine tool programming» / Siemens PLM Software // www.siemens.com/plm

88. T.-C. Chang, Computer-Aided Manufacturing / T.-C. Chang, R. A. Wysk, H.-P. Wang // Englewood Cliffs, NJ: Prentice-Hall.- 1991.- P. 3.

89. F.H. Mitchell, Jr., CIM Systems: An Introduction to Computer-Integrated Manufacturing / F. H. Mitchell, Jr. // Englewood Cliffs, NJ: Prentice-Hall.-1991.- P. 67.

90. Beaverstock, M.C, It takes knowledge to apply neural networks for control / Beaverstock, M. C. // ISA Transactions.- 1993.- №32.- P. 235-240.

91. Chovan, T, Neural network architecture for process control based on the RTRL algorithm / Chovan, Т., Catfolis, Т., Meert, K., // AIChE Journal.- 1996.-№42(2).- P. 493-502.

92. Coit, D.W., Using designed experiments to produce robust neural network models of manufacturing processes / Coit, D. W., Smith, A. E. // 4th Industrial Engineering Research Conference Proceedings.- 1995.- P. 229-238.

93. Du, R. Automated monitoring of manufacturing processes, part 1: Monitoring methods / Du, R., Elbestawi, M. A., Wu, S. M. // Journal of Engineering for Industry.- 1995.-№117.- P. 121-132.

94. Du, R. Automated monitoring of manufacturing processes, part 2: Applications / Du, R. Elbestawi, M. A., and Wu, S.M. // Journal of Engineering for Industry.- 1995.- №117,- P. 133-141.

95. Fan, H. T., Case studies on modeling manufacturing processes using artificial neural networks / Fan, H. T., Wu, S. M. // Journal of Engineering for Industry." 1995.- №117.- P. 412-417.

96. Hoskins, J. C., Process control via artificial neural networks and reinforcement learning / Hoskins, J. C., Himmelblau, D. M. // Computers & Chemical Engineering.- 1992.- №16(4).- P. 241-251.

97. Huang, S. H. Neural-expert hybrid approach for intelligent manufacturing: A survey / Huang, S. H., Zhang, H. C. // Computers in Industry.- 1995.-№26.-P. 107-126.

98. Hubick, K. ANNs thinking for industry / Hubick, K. // Process & Control Engineering.- 1992.- №15(11).- P. 36-38.

99. Jacobs, J.A. Engineering Materials Technology: Structure, Processing, Properties, and Selection, 2nd ed. / Jacobs, J. A., Kilduff, T. F. / New Jersey: Prentice Hall Career & Technology.- 1994.

100. Montgomery, D.C. Applied statistics and probability for engineers / Montgomery, D.C. and Runger, G.C. // John Wiley & Sons, Inc.- 1994.

101. Stich, T. The application of artificial neural networks to monitoring and control of an induction hardening process / Stich, T. // Thesis.- Southern Illinois University.- 1997.

102. Spoerre, J. Application of the cascade correlation algorithm (CCA) to bearing fault classification problems / Spoerre, J. // Computers in Industry.- 1997.-№32.- P. 295-304.

103. Toosi, M. An overview of acoustic emission and neural networks technology and their applications in manufacturing process control / Toosi, M., Zhu, M. // Journal of Industrial Technology.- №11(4).- 1995.- P. 22-27.

104. Kailash SB, A volume decomposition approach to machining feature extraction of casting and forging components / Kailash SB, Zhang YF, Fuh JYH // Computer-Aided Design.- 2001.- №33(8).- P. 605-617.

105. Park SC, Knowledge capturing methodology in process planning / Park SC. // Computer-Aided Design.- 2003.- №35(12).- P. 1109-1117.

106. Kim YS, Recognition of machining features for cast then machined parts / Kim YS, Wang E. // Computer-Aided Design.- 2002.- №34(1).- P. 71-87.

107. Joshi S, Graph-based heuristics for recognition of machined features from a 3D solid model / Joshi S, Chang TC. // Computer-Aided Design.- 1988.-№20(2).- P. 58-66.

108. Gayankar P, Graph-based extraction of protrusions and depressions from boundary representations / Gayankar P, Henderson MR. // Computer-Aided Design.- 1990.- №22(7).- P. 442-50.

109. Woo TC, Feature extraction by volume decomposition / Woo TC. // Proceedings of the Conference on CAD/CAM Technology in Mechanical Engineering.- 1982,- P. 76-94.

110. Vandenbrande JH, Spatial reasoning for the automatic recognition of machinable features in solid models / Vandenbrande JH, Requicha AAG. // IEEE Transactions Pattern Analysis & Machine Intelligence.- 1993.- №15(12).- P. 12691285.

111. Dong J, Manufacturing feature decomposition and extraction- Part I: optimal volume segment / Dong J, Vijayan S. // Computer-Aided Design.- 1997.-№29(6).- P. 427-440.

112. Dong J, Manufacturing feature decomposition and extraction- Part II: a heuristic approach / Dong J, Vijayan S. // Computer-Aided Design.- 1997.-№29(7).- P. 475-484.

113. Vatii BR, A generic solution to polygon clipping / Vatii BR // Communications of the ACM.- 1992.- №35(7).- P. 56-63.

114. Choi BK, STOPP: an approach to CADCAM integration / Choi BK, Barash MM. // Computer-Aided Design.- 1985.- №17(4).- P. 162-168.

115. Ham I, Computer-aided process planning: the present and the future / Ham I, Lu SCY. // Ann. CIRP.- 1998.- №37(2).- P. 591-601.

116. Alting L, Computer-aided process planning: the state-of-the-art survey / Alting L, Zhang H. // Int. J. Prod. Res.- 1989.- №27(4).- P. 553-585.

117. Wang E. Using automatic feature recognition to interface CAD to CAPP / Wang E. / Comput. Eng.- 1992.- №1.- P. 215-231.

118. Pratt MJ. Application of feature recognition in the product life-cycle / Pratt MJ. // Comput. Integrated Manuf.- 1993.- №6(1-2).- P. 13-19.

119. Kang TS, Feature representation and classification for automatic process planning systems / Kang TS, Nnaji BO // Journal of Manufacturing Systems.-2002.-№12(2).-P. 133-145.

120. Salomons OW, Review of research in feature-based design / Salomons OW, Houten FJAM, Kals HJJ. // Journal of Manufacturing Systems.- 2002.-№12(2).-P. 113-32.Пвнедрения результатов в опытную эксплуатацию в

121. ООО ИПК «ХАЛТЕК» системы автоматизированного проектирования -технологических процессов механической обработки деталей

122. Научный руководитель „ д,т.н., профессор1. И.Ф. Дьяков1. Заместитель директора по1. г ;

123. Ответственный исполнитель {аспирантч А.В. Попович1. А.Ю. Родионовскийжипломрь 2010г.у ФОНА СОДЕЙСТВИЯ РАЗВИТИЮ1. малых форм предприятии в научжмехкичссши гюр1. ВРУЧАЕТСЯ

124. Алексею Владимировичу Поповичза участие в конкурсе инновационных проектов по программе «У.М.Н.И.К.» 2010с проектом

125. Нейросетевые алгоритмы при автоматизации обработки типовых элементов моделей деталей в современных CAD/CAM системах

126. Представитель Фонда Председатель оргкомитета 1 и/содействия развития малых 111-й Международной научно-форм предприятий в научно- практической конференции V •технической сфере по молодых ученых «Молодёжь

127. Ульяновской области и наукаЖх! века», д.с.-х.-н., „ \професЫр

128. В.В. Ваховский В.А. Исайчев V5w •г. Ульяновск