автореферат диссертации по обработке конструкционных материалов в машиностроении, 05.03.01, диссертация на тему:Обоснование технических характеристик гибких производственных модулей нейросетевыми методами

На правах рукописи

КУЗНЕЦОВ ДМИТРИЙ ИВАНОВИЧ

ОБОСНОВАНИЕ ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК ГИБКИХ ПРОИЗВОДСТВЕННЫХ МОДУЛЕЙ НЕЙРОСЕТЕВЫМИ МЕТОДАМИ

Специальность 05.03.01 - Технологии и оборудование механической

и физико-технической обработки

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Комсомольск-на-Амуре2004

Работа выполнена в Государственном общеобразовательном учреждении высшего профессионального образования «Хабаровский государственный технический университет»

Научный руководитель - кандидат технических наук, доцент

Давыдов Владимир Михайлович

Официальные оппоненты: доктор технических наук, профессор

Шпилёв Анатолий Михайлович г. Комсомольск-на-Амуре;

кандидат технических наук, доцент Биленко Сергей Владимирович г. Комсомольск-на-Амуре

Ведущая организация - Институт машиноведения и металлургии

Дальневосточного отделения РАН, г. Комсомольск-на-Амуре

Защита состоится 25 ноября 2004 г. в 10 часов на заседании диссертационного совета ДМ.212.092.01 в ГОУВПО «Комсомольский-на-Амуре государственный технический университет» по адресу: 681013, Комсомольск-на-Амуре, пр. Ленина, 27

С диссертацией можно ознакомиться в библиотеке ГОУВПО «Комсо-мольский-на-Амуре государственный технический университет»

Автореферат разослан 21 октября 2004 г.

Ученый секретарь диссертационного совета

канд. техн. наук, доцент

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Требования конкурентоспособности приводят к необходимости сокращения цикла разработки систем металлообработки. Одним из основных направлений снижения себестоимости производства является формирование технологической среды, способной быстро адаптироваться в условиях рыночной экономики. Практика внедрения гибких производственных модулей для многономенклатурного производства характеризуется преобладанием негативных результатов, что обусловлено ошибочными техническими решениями, а следовательно, низкими экономическими показателями оборудования. Основные проблемы недостоверности информации на ранних этапах проектирования связаны с ограниченной компетентностью заказчиков и поставщиков, управляющего персонала, непроработанностью решений. Всё это приводит к функциональной и технической избыточности оборудования.

Современное состояние и перспективы развития металлообработки характеризуются широким использованием информационных технологий, разработкой и внедрением интеллектуальных САПР, интегрированных систем. При этом резко возрастает объем информации, доступный для автоматизированных методов анализа и синтеза, но в настоящее время отсутствуют эффективные средства, заменяющие трудоёмкие традиционные методы проектирования оборудования и технологической подготовки многономенклатурного производства. Недостаточно проработаны вопросы взаимодействия и передачи информации между конструкторскими и технологическими САПР. В этом направленнии начинают активно использоваться решения на основе стандартов, разрабатываемых в рамках CALS-технологий.

Таким образом, исследования, направленные на решение проблемы обеспечения необходимой мобильности и эффективности многономенклатурного производства, носят актуальный характер.

Цель работы. Обо снование технических характеристик гибких производственных модулей (ГПМ) в условиях многономенклатурного производства на основе информации САПР о конструкторско-технологических параметрах деталей в САПР методами нейросетевого моделирования.

Для достижения поставленной цели необходимо решить ряд задач:

- выявить закономерности формирования технологической среды производственной системы с учетом конструкторско-технологических параметров обрабатываемых деталей;

- установить и формализовать конструкторско-технологические параметры обрабатываемых поверхностей деталей с использованием нейросетево-го кластерного анализа на основе твёрдотельных моделей деталей в САПР;

- разработать требования к интерфейсам САПР, обеспечивающих взаимодействие систем конструирования и предпроектных расчётов для автоматизированного получения конструкторско-технологических параметров деталей.

Объект исследования: процесс формирования технических требований к

ГПМ. Предмет исследования:

талей и технико

-экономические показатели ГПМ

БИБЛИОТЕКА

СЛ

О» ГМНж

'-и

Методы исследования. Теорет ические исследования выполнены с использованием основных положений теории формообразования и технологии машиностроения, теории нейронных сетей, теории множеств, теории кластерного анализа, методов статистического анализа, методов геометрического моделирования.

Достоверность результатов. Достоверность подтверждена результатами моделирования и расчётов на основе вычислительных экспериментов с использованием данных, полученных из технологических карт и измерений в действующей механообрабатывающей среде, а также сравнительным анализом характеристик современных ГПМ.

Научная новизна работы заключается в следующем:

1. Раскрыты закономерности формирования технологической среды производственной системы, представленные в виде структурной схемы формирования интеллектуальных моделей проектирования.

2. Обосновано применение нейросетевого кластерного анализа при выборе и обосновании технических характеристик ГПМ, выявлены и исследованы предпочтительные структуры и методы настройки нейронных сетей для задачи кластерного анализа.

3. Разработана методика синтеза конструкторско-технологической модели виртуальной детали на основе нейросетевого моделирования множества конструкторско-технологических векторов, позволяющая оценить возможности по обработке новых деталей на данном ГПМ.

Практическая ценность.

1. Выработаны методики по формированию рациональных технических характеристик ГПМ, позволяющие повысить точность и достоверность решений при выборе и проектировании оборудования.

2. Получены требования к интерфейсам САПР, определяющие преобразование геометрических моделей деталей в пространство конструкторско-технологических признаков.

3. Предложена методика синтеза виртуальной детали на основе процедуры нейросетевого кластерного анализа множества конструкторско-технологических векторов.

4. Разработаны алгоритмы и программное обеспечение, реализующие нейро-сетевую вычислительную модель кластерного анализа параметров деталей в пространстве конструкторско-технологических признаков.

Реализация результатов. Результаты работы, полученные в ходе теоретических исследований и компьютерного моделирования, представлены в виде методического и информационно-программного обеспечения, практических методик оценки возможностей металлорежущей системы по обработке новой продукции и обоснования технических характеристик ГПМ:

- методические рекомендации по формированию технических характеристик ГПМ нейросетевыми методами приняты ОАО «Дальдизель-ДВ» для формирования — технических заданий на производство ГПМ фирмам-производителям, ОАО «Хабаровский станкостроительный завод» в качестве основных методических рекомендаций при работе с заказчиками станков;

- разработка программной реализации классифицирующей нейронной сети для анализа конструкторско-технологических параметров деталей с учётом ограничений проектируемой металлорежущей системы зарегистрирована во ВНТИИЦ №50200300102;

- результаты исследования используются в учебном процессе по специальностям 120200 «Металлообрабатывающие станки и комплексы», 120100 «Технология машиностроения».

Апробация работы. Основные положения работы докладывались и обсуждались на международной конференции «Моделирование технологических процессов и систем в машиностроении» (Хабаровск 1994 г.), международной научной конференции «Синергетика. Самоорганизующиеся процессы в системах и технологиях» (г.Комсомольск-на-Амуре 1998 г.), региональной научно-технической конференции «Научное и научно-техническое обеспечение экономического и социального развития Дальневосточного региона» (Хабаровск, 1998 г.) , в Институте конструкторско-технологической информатики РАН (Москва, 1998 г.), в ВЦ ДВО РАН (Хабаровск, 2002-2004 гг.), а также в 19942003 гг. на семинарах кафедры «Компьютерное проектирование и сертификация машин» XГТУ, кафедры «Технологическая информатика и информационные системы» XГТУ, кафедры «Компьютерные системы управления» МГТУ «Станкин», лаборатории «Инженерный центр ГПС» НИИ КТ ХГТУ.

Выполненные в работе теоретические и методические разработки отражены в отчетах о НИР (НИИ КТ ХГТУ): «Решение обратной задачи при расчете производственной мощности ГПС» (1997 г.), «Разработка методов структурно-параметрического анализа и синтеза технологических процессов с учетом ресурсов производственных подсистем» (1998 г.), «Разработка объектно-ориентированных моделей систем поддержки групповых решений производственных подсистем» (1999 г.), «Разработка методов управления, структурного синтеза и экспертной поддержки в динамических системах» (2000 г.).

По результатам выполненных исследований опубликовано восемь статей и получены регистрационные свидетельства на два программных продукта.

Структура и объем работы. Диссертация состоит из введения, четырех глав и заключения, что составляет 190 страниц; списка литературы из 100 наименований; 5 приложений; содержит 41 рисунок и 5 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Введение. Во введении показана актуальность проблем выбора и обоснования технических характеристик ГПМ в машиностроительном производстве. Аргументируется необходимость разработки и исследования подходов по формированию технических требований на ранних этапах проектирования металлорежущей системы. Дается аннотация работы, формулируются цель работы и основные положения, представляемые на защиту.

Первая глава. АНАЛИЗ ПОДХОДОВ К ОЦЕНКЕ ТЕХНОЛОГИЧЕСКИХ ВОЗМОЖНОСТЕЙ ГПМ.

В главе рассмотрены общие подходы к решению проблем выбора и обоснования технических требований, предъявляемых к станочному оборудованию. Этим вопросам посвящены работы Г. Н. Васильева, Л. А. Васина, А. П. Владзи-евского, В. М. Давыдова, А. М. Дальского, А. Г. Ивахненко, Ю. Г. Кабалдина, А. И. Кондакова, А. В. Кудинова, А. А. Кутана, В. Т. Портмана, Ю. М. Соломенцева, А. В. Пуша, Б. И, Черпакова, и др. Всесторонне исследована проблема характеристик станочного оборудования на примере работ С.П.Митрофанова, А.В.Кудинова, Л.И.Волчкевича, С.И.Клепикова, А. С. Проникова, Д. Н. Решетова и др.. Выполнен анализ группового и типового подходов при проектировании технологических процессов и выборе металлорежущего оборудования по работам С. П. Митрофанова, В.Д. Цветкова, Г. К. Горанского, А. П. Соколовского, Б. М. Бржозовского, А. И. Кондакова. Разобраны подходы к выбору критериев и ограничений при анализе экономических аспектов проектирования перспективного металлорежущего оборудования технологических комплексов (работы В.Н.Васильева, Г. Опитца). Рассмотрены результаты синергетического подхода к управлению и моделированию технологических систем на основе нейронных сетей по работам Ю. Г. Кабалдина, А. М. Шпилева, Б. М. Бржозовского, А. В. Кудинова и др. Представлен круг задач, решаемых в данной работе, и показано их место в процессе проектирования ГПМ.

Проблемы оценки характеристик станочного оборудования и формирования технических требований к металлорежущим системам имеют существенное значение в задачах прогноза, выбора и проектирования ГПМ. Необходимо отметить, что эти проблемы носят взаимодополняющий характер. С одной стороны, процесс формирования технических требований к металлорежущим системам является составной частью разработки технического задания. С другой стороны, в процессе анализа технологических возможностей существующей металлорежущей системы используются характеристики станочного оборудования, являющиеся результатом реализованного технического задания. Формирование технических характеристик станочного оборудования на основе частных критериев в результате даёт далёкие от оптимальных параметры. Статистический анализ, используемый в большинстве методик, позволяет в отдельности оценить значение одного-двух показателей, а комплексная оценка множества показателей в целом зависит от опыта проектировщика. Использование в расчетах комплексных показателей и укрупнённых коэффициентов часто упрощает анализ, но в итоге может привести к значительному завышению проектных требований и созданию станка с экономически неоправданными характеристиками.

Используемые для конструирования моделей деталей и сборок, прочностных расчётов, моделирования процесса сборки современные твёрдотельные параметрические САПР (SolidWorks, KMmc^D, Mechanical Desktop, Inventor и другие) позволяют оперировать геометрическими объектами безотносительно к возможным методам обработки проектируемых деталей. Широкое распростра-

нение в САПР получило использование в качестве базовых элементов конст-рукторско-технологических примитивов (featuгe-технологии), но в условиях многономенклатурного мелкосерийного производства такая практика себя не оправдывает, так как имеет существенные ограничения в условиях изменяющейся технологической среды и непрерывного внедрения новых технологических процессов (ТП). Анализ существующих подходов показывает, что применение в этой области формализованных методов наталкивается на серьезные ограничения, определяемые высокой размерностью пространства признаков.

Вторая глава. МЕТОДИКА ОПРЕДЕЛЕНИЯ ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК ГПМ В УСЛОВИЯХ САПР.

Задачу проектирования можно разделить на множество локальных задач, каждая из которых выполняется ответственным за ее решение интеллектуальным агентом (экспертом или программным модулем) и окончательное решение задачи синтезируется из локальных решений. Такой подход позволяет строить распределенные системы поддержки принятия решений для сложной задачи на основе интеллектуальных агентов, с внедрением элементов нейронных сетей, баз знаний, экспертных систем и аналогичных компонентов в САПР. Взаимосвязь задач, методов решений и информационных объектов рассматриваемых при автоматизации процессов формирования и эксплуатации технологической среды показана на рис. 1.

Задачи

43-

Формирование номенклатуры обработки

Выбор методов механообработки

Формирование технологической среды

Наладка оборудования, планирование ресурсов

Интеллектуальные агенты поддержки принятия решений

-О-

проектирования (САПР), инженерно-расчётные

кластерного анализа, расчёта оптимальных операций, анализа на технологичность

выбора-проектирования станков, инструмента и приспособлений, планирования загрузки станков

Обработка, диагностика и ремонт

управления,

обслуживания,

диагностики

Тип используемых данных

-а

геометрические примитивы, твердотельная и оболочковая модель детали

технологические примитивы, виртуальная деталь

технические возможности стан. ков, операционные маршруты обработки

• план загрузки оборудования,

- обеспеч. материал, запасами,

- программы наладки

Рис. 1. Последовательность решения задач, методик и моделей при использовании САПР в процессе проектирования и эксплуатации ГПМ

Предложена методика формирования интеллектуальных агентов, обеспечивающая выбор и обоснование технических характеристик на ранних этапах проектирования ГПМ. Данная методика определяет последовательность пре-

образования конструкторско-технологической информации на ранних этапах проектирования станка (рис. 2) и состоит из четырёх модулей: модуль А - анализ номенклатуры деталей для механообработки; модуль В - анализ и синтез обрабатываемых поверхностей; модуль С - нейросетевой кластерный анализ обрабатываемых поверхностей; модуль D- алгоритм формирования интеллектуальных агентов технологической среды.

Рис. 2. Последовательность преобразования конструкторско-технологической информации на ранних этапах проектирования станка

Общий подход к представлению деталей в САПР (рис. 3) состоит в представлении тела совокупностью ограничивающих его объем оболочек, грани и ребра которых заданы параметрически. Каждая оболочка строится из набора стыкующихся друг с другом поверхностей произвольной формы, содержащих полную информацию о своих границах и связях с соседями. Такое описание тел даёт возможность выполнять над ними множество операций и позволяет моделировать объекты произвольной формы и сложности.

Один из ключевых способов обеспечения автоматизации обработки информационных потоков между всеми стадиями производственного процесса заключается в представлении объектов в более высокоуровневых терминах и семантически значимых элементах, чем обычно используемое в САПР понятие геометрического примитива. В настоящее время при интеграции проектирования, технологической подготовки производства и собственно производства существенное развитие получил подход на основе использования конструктор-ско-технологических элементов за счёт эффективного применения информации, полученной при создании модели объекта и на последующих стадиях его жизненного цикла.

Перспективность такого подхода не вызывает сомнений, но в рамках решаемых в работе задач существует ряд серьёзных ограничений (рис. 4):

- конструктор ограничен инструментарием, накопленным в процессе обучения и работы с САПР, но многономенклатурный характер производства предполагает оперирование с библиотеками конструкторских элементов, достигающих в некоторых САПР порядков нескольких миллионов элементов, в связи с этим увеличиваются затраты времени на получение и переработку моделей деталей;

- используемые конструкторско-технологические элементы (КТЭ) привязаны к технологическому оборудованию конкретной металлорежущей системы, что противоречит разделению функций проектирования и производства деталей в условиях транзитивной экономики;

- предопределённые моделью детали КТЭ ограничивают число вариантов при разработке технологического процесса и препятствуют использованию новых методов обработки, неизвестных на стадии проектирования детали.

В целях повышения интеграции конструкторских и технологических САПР предлагается дополнить КТЭ-модели интегрированным механизмом анализа и синтеза структурообразующих компонентов таких моделей в виде элементарных обрабатываемых поверхностей (ЭОП) и, таким образом, определить требования к интерфейсам САПР.

Третья глава. НЕЙРОСЕТЕВОЙ КЛАСТЕРНЫЙ АНАЛИЗ КОНСТ-РУКТОРСКО-ТЕХНОЛОГИЧЕСКИХ ПАРАМЕТРОВ МОДЕЛЕЙ ДЕТАЛЕЙ В УСЛОВИЯХ САПР.

Традиционно в процессе анализа номенклатуры деталей, подлежащих металлорежущей обработке, решают две задачи, сводящиеся к проблеме группирования. Во-первых, детали классифицируют по массогабаритным параметрам. Затем, в зависимости от целей группирования, по различным методикам (иллюстрированные классификаторы, кодификаторы и т. п.) детали разносят по типам и классам. При этом естественным образом формируется иерархическая структура групп анализируемой номенклатуры деталей. Полученная упорядоченная структура позволяет, при соответствующих методиках, переходить к проектированию ТП, но мало что говорит о потребных параметрах, свойствах и системе управления проектируемого обрабатывающего оборудования. Для укрупнённого анализа требований к обрабатывающему оборудованию предлагается модифицировать методику анализа деталей включением в неё связей с теорией механообработки. Для этих целей разработана методика получения групп подобных объектов, называемых классами, или кластерами. Для метода кластерного анализа предлагается использовать формализованное представление кон-структорско-технологических параметров (рис. 5). Сгруппированные такими методами модели обрабатываемых поверхностей деталей позволяют синтезировать требования к характеристикам обрабатывающей системы.

Вектор конструкторско-технологических признаков (р) - математическая форма представления элементарной обрабатываемой поверхности, получаемая на этапе анализа модели конструкции детали и требований к её изготовлению. Векторы р1 характеризуют комплекс ограничений, накладываемых на обрабатывающую среду, и образуют множество Р всех ЭОП (в записи вектора прописные символы относятся к общим характеристикам детали, строчные - к отдельным поверхностям этой детали):

р, = ( ГО, I, В, Н, N. Т, а, Ь, с}, з{х, у, г), к{а, Ь, с, а, Р, у}, г, ст, <р), где ГО - идентификатор детали; Ь, В, Н - соответственно длина, ширина и высота детали; N - число деталей в партии; Т - величина такта выпуска партии; Е- пластичность материала детали; а, Ь, с} - тип поверхности f и разме-

и

ры - а, Ь, с описывающие параметры поверхности; s{x, у, г) - бинарная величина, характеризующая совпадение оси симметрии поверхности и осей х, у, z симметрии детали; - точность относительно базовой поверх-

ности размерная - а, Ь, с, и угла поворота - а, |3, у; Г - шероховатость поверхности; - твердость поверхности; - коэффициент доступности поверхности.

Параметры вектора конструкторско-технологических признаков Взаимосвязь с техническими параметрами станка Метод формализации параметров

L, В, H - длина, ширина и высота габаритов детали Рабочее пространство, вес, компоновка, нормы точности, жёсткость, виброусгойчивосгь Упорядочивание и соотношение размеров по геометрическим рядам

Е - пластичность материала детали

v(f, а, Ь, с) - тип поверхности ( и размеры а, Ь, с, описывающие параметры поверхности Формообразующие движения, компоновка, число координат, требования к системе управления, специальные приспособления и методы обработки Группирование по подобию метода формообразования, тела вращения и не тела вращения, открытость-закрытость поверхности

s(x, у, z} - совпадение оси симметрии поверхности и осей симметрии детали

Ч> - коэффициент доступности поверхности

it[a, Ъ, с, а, р, т) - точность относительно базовой поверхности размерная - а, Ь, с и угла поворота - а, р, у Класс точности станка, точность позиционирования Группирование по нормам и диапазонам точности

г - шероховатость поверхности Жесткость, виброусгойчивосгь, режимы обработки Нормирование в соответствии с режущими материалами, по скоростям обработки

а - твердость поверхности

N - число деталей в партии Уровень интеграции операций и автоматизации (ёмкость магазина инструментов, скорость переналадки и др), количество базовых операций, требования к системе управления Группирование по серийности и норме времени на переналадку

Т - величина такта выпуска партии

Рис. 5. Связь параметров вектора конструкторско-технологических признаков и характеристик проектируемого станка

Предлагается, сохранив в целом иерархическую структуру процедуры анализа деталей, не рассматривать геометрические модели детали, а трансформировать виртуальные модели деталей в неупорядоченный набор технологических модулей, которые определяют точную спецификацию на обработку в рамках заданной технологии. Для целей анализа и синтеза мощностей металлообработки исходное множество необходимо дополнить информацией о партиях запуска и критическом времени обработки. Анализ отдельных технологических модулей позволяет рассчитывать требуемые производительности обработки отдельных операций без учёта их совмещения во времени.

Процесс механообработки определяется как формообразование посредством снятия припуска (рис. 6). Припуск рассчитывается как слой материала между номинальной (базовой) и эквидистантной к ней поверхностью обработки.

01-240006-1 Вал Операции 10

{ 157,70,70,Ы,Т, Е,

48,32.67^}, »{0.0,1}, й(а,Ь,с,а,р,у),

г.о.ф)

í /Л

240006-1 Вал Операции 19

( 157,70,70, N,1, Е, уЦ, 27,5,27,5,72,5), 1(0,0,1>,

¡1(430,430,740,0, Р, у),

г, а, ф)

01-240006-1 Вал Операция 30

(150,67,67, N. Т,Е, 25,5,18,5,31},

»{о,о, и,

¡1{а,Ь,с,а,р,у}, г, о, <р)

Рис. 6. Примеры векторов конструкторско-технологических признаков, определяющих требования к обработке на основе информации о промежуточных обрабатываемых поверхностях

Границы эквидистантных поверхностей определяются путём расчёта на их основе продолженных поверхностей.

Вводится понятие виртуальной детали - это совокупность обрабатываемых поверхностей детали с параметрами точности и геометрической привязки, свойств материала, партий запуска и так далее на различных этапах обработки. Предлагаемая модель виртуальной детали представляет собой множество линейных технологических графов, определяющих промежуточные состояния детали в пространстве конструкторско-технологических признаков.

Задача кластерного анализа заключается в том, чтобы на основании данных, определяемых множеством I конструкторско-технологических параметров ЭОП, получить разбиение на подмножество объектов-кластеров ¡|, ¡2, ..., ¡га таким образом, чтобы объекты из I, принадлежащие только одному и тому же кластеру, были сходными, в то время как объекты, принадлежащие разным кластерам, были разнородными (несходными). Таким образом, необходимо решить

следующую задачу: заданы группы Б), Бл, ..., с соответствующими группо-

I 2 к

образующими изображениями причем

5„ с [х:4{у,х) йг}, (т = 1,2.....к),

{х-.аСу-.х^^^в'.х)*/-,^, т*1 {т,1 = 1,2.....л).

Требуется определить для каждого ш=1,2,..., к

с!(ут, хк)->шт, хкс{хк}.

Если этот минимум <Зтк<гга, тогда изображение хк попадает в группу 5т.

Мера сходства между элементами множества определяется величиной метрики, которая в обобщенном представлении определяется формулой

£г I 2>гЫ

Наиболее часто используемыми являются производные от метрики Мин-ковского

В таком случае получаем для евклидовой метрики г = 2, хеммингово расстояние г= 1, супремум-норма Г —> °о.

С помощью методов кластеризации (классификации и группирования) параметров объектов обработки и станочного оборудования решены следующие задачи:

1. Увеличение срока эффективной эксплуатации и управляемости станков.

2. Анализ и прогнозирование возможностей обработки на станке новых деталей.

3. Формирование требований к служебному назначению дополнительного (недостающего) станочного оборудования.

4. Вывод из технологической среды неэффективного (устаревшего, изношенного) обрабатывающего оборудования.

5. Формирование стандартных программных циклов системы управления.

6. Повышение партионности деталей.

7. Создание типовых и групповых процессов ТП и элементов ТП.

Для метода кластерного анализа требуется формализованное представление конструкторско-технологических параметров. Параметры классификации задаются необходимой метрической шкалой в зависимости от соответствующих возможностей - ограничений технологии механообработки. Набор параметров ограничивается множеством рассматриваемых в рамках предложенной модели и доступных в настоящее время на существующем или проектируемом оборудовании.

В качестве альтернативы предлагается использовать подход, основанный на методах искусственного интеллекта и в частности - нейронных сетей. Нацеленность алгоритмов кластерного анализа на определенную структуру группировок деталей в пространстве признаков может приводить к неоптимальным или даже неправильным результатам, если гипотеза о типе группировок неверна. В случае отличия реальных распределений от гипотетических указанные алгоритмы часто "навязывают" данным не присущую им структуру (рис. 7).

Рис. 7. Сравнение методов группирования с использованием кластерного и нейросетевого подходов

При определении состава технологической среды данных о конструкции детали и заготовки недостаточно для оценки количества и параметров возможных операций обработки. Для решения этой задачи предлагается использовать понятие технологического модуля, которое расширяет геометрическое определение граней детали на пространство конструкторско-технологических признаков.

Четвертая глава. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ВЫБОРА И ОБОСНОВАНИЯ ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК ГПМ.

В главе решаются следующие задачи: построение классифицирующей нейронной сети (выбор целесообразной структуры, алгоритмов настройки и назначение их параметров); формирование подмножества классификационных параметров, значимых для заданной технологической механообрабатывающей среды; проектирование и настройка искусственной нейронной сети. Обоснова-

Нечеткие кластеры 1-3, формируемые с использованием евклидовой метрики

Кластеры 1-3 и 4*-6*, формируемые нейронной сетью с сигмоидальной (логистической) функцией активации

но использование нейронного вычислителя как наиболее эффективного в задачах кластеризации в многопараметрическом пространстве признаков.

В качестве алгоритма кластерного анализа в работе использован подход на основе нейронных сетей. Нейросетевые модели наиболее эффективны для кластерного анализа многопараметрических данных, имеющих сложный или аналитически неформализуемый характер зависимостей.

В главе показано, что наиболее продуктивным является применение методов распознавания без обучения. В исследовании использованы следующие типы нейронных сетей:

а) двухслойная нейронная сеть Self Organize Map (SOM), состоящая из входного слоя Кохонена и выходной звезды Гросберга;

б) трёхслойная полносвязная нейронная сеть, обучающаяся по алгоритму обратного распространения ошибки;

в) однослойная нейронная сеть с алгоритмом обучения Neural Gas (NG);

г) нейронная сеть растущей структуры с алгоритмом обучения Growing Neural Gas (GNG).

Показана достоверность результатов применения нейросетей для аналитических зависимостей (рис. 8), для заданной точности определены требуемые параметры нейросети (рис. 9). Рассмотрен подход к решению задачи нейросете-вого ранжирования параметров деталей и станочного оборудования при укрупненной оценке производственной мощности. Предложена программная реализация алгоритмов нейросетевых вычислителей.

Результат кластерного анализа настроенной нейронной сети для четырёх параметров и сформированные кластеры показаны на рис. 10.

• — 10п0,001% ......2 Юп 0,001%

•-10п0,01% -2 Юп 0,01 %

-10п1% ----5л 1,5 %

--5п0,15%

Рис. 8. Определение требуемого размера нейронной сети при аппроксимации функции нормального распределения с заданной точностью

Аналит. — -

----3 10п 0,001 % — •

-3 10л 0,01 %

---- 5п 1,5 % --

Рис. 10. Формирование пяти кластеров в пространстве четырёх параметров, сечение по параметру - длина детали

Рассмотрим переход от множества кластеров (К) к множеству технологических модулей (ТМ). Синтез множества технологических модулей выполняется на основе составных кластеров ЭОП и при ограничении схем формообразования, выполняемых на этапе кинематического анализа ГПС

ТМ = (к/").

В свою очередь, формирование множества возможных схем формообразования кластеров ЭОП выполняется как решение задачи (рис. 11)

где К" - один из способов f формообразования кластера К; m - количество способов формообразования для отдельного кластера ЭОП; п - количество кластеров.

Предложенные методики реализованы в виде двух программных продуктов интеллектуальной обработки информации: автоматизированной системы «Кластер» для технологического группирования деталей для механообработки и программного комплекса «НЕЙРОСЕТЬ» на основе нейросетевых алгоритмов SOM, NG, GNG, решающего задачу кластерного анализа конструкторско-технологических параметров деталей при обосновании технических характеристик ГПС.

Элемент вектора КТП Степень точности на соосность и радиальное биение

«1 «1 И} «4 Й! 'к № »1 1Ь и а

А 1 X а а а а а а а а

А 1 X 1 X а а 0 0 а 0

А 0 0 0 0 X X 0 0 0 а

А 0 0 0 а 0 а X X 0 0

А 0 0 X X а а 0 а 0 а

к X X а а 0 а 0 а 0 а

Н 0 0 X X 0 & 0 0 0 0

А X X 0 а 0 0 а 0 0 0

0 а X X 0 а 0 а 0 0

А 0 0 а а X X 0 0 0 а

£ о а 0 а X I а а а 0

ь а 0 0 а 0 0 X X 0 0

? а 0 0 а 0 0 а 0 X X

£ 0 а 0 а X X 0 0 а 0

и а а а а 0 а X X а 0

/« 0 а а 0 а 0 0 0 X X

/» 0 а 0 0 0 0 X X 0 0

Л а а 0 0 а 0 X X 0 а

Л р 0 0 а а а а 0 X X

Рис. 11. Определение вида формообразования по отдельному параметру кластера

На основе разработанных методик выполнены расчеты и проведён анализ данных действующей металлорежущей системы завода «Дальдизель» (г. Хабаровск). Приводится кластерный анализ на нейронной сети выборки деталей, обрабатываемых на линии фрезерно-расточных станков с ЧПУ (модели СС2ВО5ПМФ4, ГФ2171С5, 6Р13ФЗ-37). По результатам моделирования даются рекомендации по оптимальным требованиям к набору технологических компонентов для обработки данной выборки деталей. Выявлена функциональная избыточность станочной группы обработки расчетной номенклатуры деталей при заданных требованиях по точности и мощности обработки. Рекомендовано сократить существующий парк оборудования или заменить группу станков многофункциональным обрабатывающим центром. Определены требования к производительности, рассчитанные по моделируемым данным. При анализе необходимых массогабаритных параметров деталей выявлено, что требования по параметрам рабочего пространства станков не соответствуют использующемуся оборудованию.

Заключение. Предлагаемые в работе методы формализации конструк-торско-технологической информации позволяют обоснованно сформировать группу необходимых и достаточных показателей, определяющих технические характеристики проектируемых ГПМ. Это повышает точность и надежность процессов принятия решений при проектировании металлорежущего оборудования. Применение при анализе деталей нейронных сетей в виде интеллектуальных агентов САПР позволяет эффективно решать задачи выбора и обоснования технических характеристик ГПМ на ранних стадиях проектирования.

Методы обоснования технических требований к ГПМ, основанные на теории кластерного анализа с использованием нейросетевых моделей, позволя-

ют укрупнено оценивать мощности производства. Эта оценка дает возможность принимать решение о начале конструкторского и технологического проектирования для данного ассортимента продукции. Достоверность этой оценки увеличивается при увеличении размерности пространства признаков. В процессе моделирования с использованием данных существующего производства происходит адаптация модели, отражающая изменения показателей функционирования ГПМ.

Предложенные методы группирования деталей, использованные в системе поддержки принятия решений при формировании технических требований к механообрабатывающему оборудованию, в результате позволяют получить нейросетевые модели - виртуальные детали. Такие модели позволяют решить задачу оценки возможности обработки новых деталей на спроектированном ГПМ. Практическая реализация предложенного метода нейросетевого клас-стерного анализа позволяет повысить эффективность анализа технико-экономических показателей ГПМ.

Приложения.

В приложении 1 приведены данные по производственной мощности двух цехов ОАО «Дальдизель-ДВ» по плану производства на 2001 и 2003 годы. Расчет произведен по «узким» местам технологических линий и участков. Трудоемкость принята в расчет по состоянию на 1991 год с учётом 100 % выполнения норм и планом производства на 200 дизелей и дизель-генераторов.

В приложении 2 представлено содержание стандартного обменного файла в формате STEP, описывающего тело-призму. Приведены тексты исходного вида файла и полученная на его основе объектно-ориентированная форма.

В приложении 3 показаны результаты исследования по настройке нейронных сетей для заданных функций распределения. Приведены оценки точности настройки и требуемой структурной размерности используемых нейронных сетей.

В приложении 4 приведены экранные формы и текст программы «НЕЙ-РОСЕТЬ», решающей задачу сравнительной нейросетевой кластеризации с использованием алгоритмов SOM, NG, GNG.

В приложении 5 показаны экономически достижимые степени точности при различных способах обработки и формализованное представление, позволяющее оперировать ими в условиях САПР.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Раскрыты закономерности выбора и обоснования технических характеристик ГПМ, заключающиеся в модификации и развитии подходов на основе интеллектуальных моделей автоматизированного конструкторско-технологического анализа обрабатываемых деталей. Разработана структурная схема интеллектуальных моделей проектирования и предложена новая конструкторско-технологическая модель детали.

2. Теоретически обоснована и проверена достоверность применения методов кластерного анализа, нейросетевого моделирования конструкторско-технологических параметров деталей с учетом технологических и производственных факторов, позволяющая повысить качество принимаемых решений при формировании технических характеристик ГПМ на стадии проектирования.

3. Выработаны требования к проектированию интерфейсов взаимодействия интеллектуальных агентов с системами CAD/САМ на базе протоколов STEP для автоматизированного обмена конструкторско-технологическими параметрами и производственно-техническими требованиями на изготовление деталей. Разработаны алгоритмы и программные средства интерфейсного взаимодействия с системами САПР для автоматизированной передачи кон-структорско-технологических параметров деталей в систему нейросетевого кластерного анализа.

4. Исследована сравнительная эффективность нейронных сетей различной структуры и алгоритмов их обучения, используемых в основе методики кластерного анализа конструкторско-технологических параметров деталей. По полученным результатам предложено использовать в качестве нейровычис-лителя наиболее эффективный метод GNG с модифицированными параметрами. Разработаны алгоритмы и программная реализация кластерного ней-ровычислителя.

5. На основе проведенных исследований деталей, обрабатываемых на ОАО «Дальдизель-ДВ», сформированы рекомендации по оптимальным требованиям к выбору станочного оборудования. Результаты, полученные с помощью разработанных методик и моделирования, позволили сформировать требования по модернизации ГПМ на машиностроительном предприятии.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ ОТРАЖЕНО В СЛЕДУЮЩИХ ПУБЛИКАЦИЯХ:

1. Davydov V. М., Konevtsov L. I., Kuznetsov D. I. Logical model of developing the technological process of the case type components in FMS // Проблемы технического прогресса Дальневосточного региона. - Хабаровск: Изд-во Хабар, гос. техн. ун-та, 1997. - Вып.З. - С. 69-71.

2. Давыдов В. М., Кузнецов Д. И. Ранжирование технологических признаков деталей нейросетевыми методами // Сборник трудов отделения Российской инженерной академии. - Владивосток: Изд-во ДВГУ, 1998. - Вып.1. - С.123-129.

3. Давыдов В. М., Кузнецов Д. И. Планирование производственных мощностей с использованием сетей Петри // Синергетика. Самоорганизующиеся процессы в системах и технологиях: Ч. 2. Материалы международной научной конференции / Редкол.: Ю. Г. Кабалдин и др. - Комсомольск-на-Амуре: Комсо-мольский-на-Амуре гос. техн. ун-т, 1998. - С. 114-115.

4. Давыдов В. М, Прудников В. Я., Кузнецов Д. И. Основы кластерного анализа классификации деталей // Методы и средства обработки информации: Сборник научных трудов НИИ КТ. - Хабаровск: Изд-во Хабар, гос. техн. ун-та, 2001.-Вып. 11.-С. 65-68.

5. Автоматизированная система «Кластер» группирования деталей для механообработки: Свидетельство об официальной регистрации программы для ЭВМ. ВНТИИЦ №50200200309. Авторы: Давыдов В. М., Кузнецов Д. И. Зарегистрировано в реестре программ для ЭВМ 31.05.2002.

6. Программный комплекс «НЕЙРОСЕТЬ»: Свидетельство об официальной регистрации программы для ЭВМ. ВНТИИЦ №50200300102. Авторы: Давыдов В. М., Бойко Е. С, Кузнецов Д. И. Зарегистрировано в реестре программ для ЭВМ 25.02.2003.

7. Давыдов В. М., Кузнецов Д. И. Кластеризация конструкторско-технологических параметров деталей методами нейронных сетей // Нелинейная динамика и прикладная синергетика: Материалы научной конференции. - Комсомольск-на-Амуре: ГОУВПО «Комсомольский-на-Амуре гос. техн. ун-т»,

2003.-С. 216-219.

8. Давыдов В. М., Кузнецов Д. И. Формирование технологической среды механообработки нейросетевыми методами // Роль науки, новой техники и технологий в экономическом развитии регионов: Материалы Дальневосточного инновационного форума с международным участием: В 2 ч. - Хабаровск: Изд-во Хабар, гос. техл. ун-та, 2003. - Ч. 2. - С.71-76.

9. Давыдов В. М., Кузнецов Д. И. Формирование исходных данных для проектирования станков на основе нейросетевого моделирования // СТИН. - 2004. -№ 6, С. 18-21.

Ю.Давыдов В. М., Кузнецов Д. И. Нейросетевой кластерный анализ деталей в условиях САПР // Вестник компьютерных и информационных технологий. —

2004.-№2,-С. 43-46.

Кузнецов Дмитрий Иванович

ОБОСНОВАНИЕ ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК ГИБКИХ ПРОИЗВОДСТВЕННЫХ МОДУЛЕЙ НЕЙРОСЕТЕВЫМИ МЕТОДАМИ

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 24.09.04. Формат 60x84 1/16. Бумага писчая. Гарнитура «Тайме». Усл. печ. л. 1,22 Уч.-изд. л. 1,05. Тираж 100 экз. Заказ 22.1

Отдел оперативной полиграфии издательства Хабаровского государственного технического университета 680035, Хабаровск, ул. Тихоокеанская, 136

120155

РНБ Русский фонд

2005-4 21383

ВВЕДЕНИЕ.

1. АНАЛИЗ ПОДХОДОВ К ОЦЕНКЕ ТЕХНОЛОГИЧЕСКИХ ВОЗМОЖНОСТЕЙ ГПМ.

1.1. Основные термины и определения используемые в работе:.

1.2. Определение технических характеристик металлорежущих станков.

1.3. Методы решения прямой и обратной задачи расчета производственной мощности.

1.4. Цель и задачи исследования.

2. МЕТОДИКА ОПРЕДЕЛЕНИЯ ТЕХНИЧЕСКИХ

ХАРАКТЕРИСТИК ГПМ В УСЛОВИЯХ САПР.

2.1. Алгоритмы формирования интеллектуальных агентов, используемых на ранних этапах проектирования ГПМ.

2.2. Анализ методов параметрического проектирования в САПР с использованием конструкторско-технологических элементов.

2.3. Базовые элементы моделей деталей в САПР.

2.4. Интерфейсы передачи информации между конструкторскими и технологическими САПР.

2.5. Выводы по главе.

3. НЕЙРОСЕТЕВОЙ КЛАСТЕРНЫЙ АНАЛИЗ КОНСТРУКТОРСКО-ТЕХНОЛОГИЧЕСКИХ ПАРАМЕТРОВ МОДЕЛЕЙ ДЕТАЛЕЙ В УСЛОВИЯХ САПР.

3.1. Геометрическое моделирование промежуточных обрабатываемых поверхностей.

3.2. Формализация конструкторско-технологических параметров моделей деталей с учётом особенностей процессов механической обработки.

3.3. Кластерный анализ конструкторско-технологических параметров моделей деталей.

3.4. Выводы по главе.

4. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ВЫБОРА И ОБОСНОВАНИЯ ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК ГПМ.

4.1. Элементы нейросетевых моделей и порядок настройки их параметров.

4.2. Выбор структур и алгоритмов нейронных сетей для решения задачи нейросетевого кластерного анализа.

4.3. Разработка нейросетевой модели группирования конструкторско-технологических параметров деталей.

4.4. Подготовка исходных данных для настройки нейронной сети.

4.5. Анализ конструкторско-технологических параметров деталей на нейросетевой модели.

4.6. Определение технических характеристик ГПМ на примере

ОАО «Дальдизель-ДВ».

4.7. Выводы по главе.

Требования конкурентоспособности приводят к необходимости сокращения цикла разработки металлообрабатывающих систем. Одним из основных направлений снижения себестоимости производства является формирование технологической среды, способной быстро адаптироваться в условиях рыночной экономики. Практика внедрения гибких производственных модулей для многономенклатурного производства характеризуется преобладанием негативных результатов, что обусловлено ошибочными техническими решениями, а вследствие чего, низкими экономическими показателями оборудования. Основные проблемы недостоверности информации связаны с ограниченной компетентностью заказчиков и поставщиков, управляющего персонала, непроработанностью решений на ранних этапах проектирования металлообрабатывающего оборудования. Всё это приводит к функциональной и технической избыточности оборудования.

Особенности технологической среды механообработки в условиях многономенклатурного производства предполагают непрерывное совершенствование технического оснащения с учётом показателей эффективности оборудования при адаптации к изменению ассортимента. Современные средства автоматизированного конструирования и управления производством обеспечивают своевременное и эффективное решения этих проблем. В тоже время, как показывает практика, высокая стоимость и сложность интеграции таких решений существенно ограничивает их использование.

Современное состояние и перспективы развития металлообработки характеризуются широким использованием информационных технологий, разработкой и внедрением интеллектуальных САПР, интегрированных систем. При этом резко возрастает объем информации, доступный для автоматизированных методов анализа и синтеза, но в настоящее время отсутствуют эффективные решения, заменяющие трудоёмкие традиционные методы проектирования оборудования и технологической подготовки многономенклатурного производства. Недостаточно проработаны вопросы взаимодействия и передачи информации между конструкторскими и технологическими САПР. В качестве базы решения этой проблемы существенным становится использование стандартов, разрабатываемых в рамках САЬБ-технологий.

Решение данных вопросов входит в принятый на федеральном уровне перечень приоритетных и критических технологий развития науки и техники, и проблемы, рассматриваемые в предлагаемой работе, носят актуальный и своевременный характер.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Раскрыты закономерности выбора и обоснования технических характеристик ГПМ, заключающиеся в модификации и развитии подходов на основе интеллектуальных моделей автоматизированного конструкторско-технологического анализа обрабатываемых деталей. Разработана структурная схема интеллектуальных моделей проектирования и предложена новая конструкторско-технологической модель детали.

2. Теоретически обоснована и проверена достоверность применения методов кластерного анализа, нейросетевого моделирования конструкторско-технологических параметров деталей с учетом технологических: и производственных факторов позволяющая повысить качество принимаемых решений при формировании технических характеристик ГПМ на стадии проектирования.

3. Разработаны требования к проектированию интерфейсов взаимодействия интеллектуальных агентов с системами CAD/CAM на базе протоколов STEP для автоматизированного обмена конструктивно-технологическими параметрами и производственно-техническими требованиями на изготовление деталей. Разработаны алгоритмы и программные средства интерфейсного взаимодействия с системами САПР для автоматизированного передачи конструктивно-технологичеких параметров деталей в систему нейросетевого кластерного анализа.

4. Проведены исследования сравнительной эффективности использования нейронных сетей различной структуры и алгоритмов обучения в качестве реализации методики кластерного анализа конструкторско-технологических параметров деталей. По полученным результатам предложено использование в качестве нейровычислителя метода GNG с модифицированными параметрами Разработаны алгоритмы и программная реализация кластерного нейровычислителя.

5. На основе проведенных в работе исследованиях по предложенным моделям деталей ОАО «Дальдизель», сформированы рекомендации по оптимальным требованиям к выбору станочного оборудования для обработки заданной выборки деталей. Результаты, полученные с помощью разработанных методик и моделирования, позволили сформировать требования по модернизации ГПМ на машиностроительном предприятии.

ЗАКЛЮЧЕНИЕ

Предлагаемые методы формализации конструкторско-технологической информации позволяют создать группу необходимых и достаточных показателей к вновь создаваемым ГПМ, что дает большую свободу при проектировании металлорежущего оборудования. Применение искусственных нейронных сетей в качестве интеллектуальных агентов САПР при комплексного обследования деталей позволяет эффективно решать задачи выбора и обоснования технических характеристик на ранних стадиях проектирования ГПМ.

Предлагаемая в работе методика формирования технических требований к ГПМ при решении прямой и обратной задачи расчета производственной мощности, основанная на теории кластерного анализа с использованием нейросетевых моделей, позволяет укрупнено оценивать мощности производства. Эта оценка дает возможность принимать решение о начале конструкторского и технологического проектирования для данного ассортимента продукции. Достоверность этой оценки увеличивается при увеличении размерности пространства признаков, ограничением служит требуемая точность моделей на предпроектных этапах разработки ГПМ.

В процессе моделирования с использованием данных существующего производства происходит адаптация модели, отражающая изменения в состоянии показателей функционирования технологической системы. Что позволяет сделать вывод об адекватности результатов моделирования текущим требованиям производства.

Предложенные методы группирования деталей, использованные в системе поддержки принятия решений при формировании технических требований к механообрабатывающему оборудованию, в результате позволяют получить настроенные нейросетевые модели классификаторов деталей. Такие классификаторы, определяемые как виртуальные детали, позволяют решить задачу оценки производственных мощностей спроектированной станочной системы.

Практическая реализация разработанной совокупности методов нейросетевой классификации позволяет повысить эффективность анализа технико-экономических показателей ГПМ.

1. Автоматизированное проектирование и производство в машиностроении, (под ред. Соломенцева Ю. М., Митрофанова В. Г.) М.: Машиностроение, 1986.-237 с.

2. Базров Б. М. Модульная технология в машиностроении. М.: Машиностроение, 2001. — 368 с.

3. Базров Б. М. Расчет точности машин на ЭВМ. М.: Машиностроение, 1984.- 248 с.

4. Балакшин Б. С. Теория и практика технологии машиностроения: В 2-х кн.-М.: Машиностроение, 1982 Кн.1. Основы технологии машиностроения. 1982.-367 с.

5. Батурин В. Н. Установление комплекса взаимосвязанных конструктивно-технологических факторов с целью повышения эффективности автоматизированного проектирования ТП механической обработки заготовок машин. 1990. — 167 с.

6. Борзов Б. М. Расчет точности машин на ЭВМ. М.: Машиностроение, 1984. -198 с.

7. Буч Г. Объектно-ориентированный анализ и проектирование. — М.: «Издательство Бином», СПб.: «Невский диалект», 1999. 467 с.

8. Вагнер Г. Основы исследования операций: Пер. с англ. В 3-х т. М.: Мир, 1972. Т.1.-336 с. Т.2.-488 с.

9. Ванеев О. Н. Формирование оптимального варианта структуры ТП механической обработки корпусных деталей в условиях действующей производственной системы, 1991. — 205 с.

10. Васильев Г. Н. Автоматизация проектирования металлорежущих станков.- М.: Машиностроение. 1987. 280 с.

11. Васильев В. И., Коновалеико В. В., Горелов Ю. И. Имитационное управление неопределенными объектами. — К.: "Наукова думка", 1989. — 244 с.

12. Васильев В. Н. Организация, управление и экономика гибкого интегрированного производства в машиностроении. М.: Машиностроение, 1986.-312с.

13. Вентцель Е. С. Исследование операций. М.: Сов. радио, 1972. — 552 с.

14. Волкова Г. Д. Разработка взаимосвязанных информационных моделей процесса проектирования объектов машиностроения на этапе предпроектных исследований при создании САПР, 1987. 232с.

15. Волчкевич Л. И. Технико-экономические показатели автоматических линий и методы их определения //Автоматические линии в машиностроении. Справочник. — М., 1984. — Т. 1. — 192с.

16. Врагов Ю. Д. Анализ компоновок металлорежущих станков: (Основы компонетики). М.: Машиностроение, 1978. — 208 с.

17. Вязгин В. А., Федоров В. В. Математические методы автоматизированного проектирования. М.: Высш. шк., 1989. - 184 с.

18. Гайдышев И. Анализ и обработка данных: специальный справочник СПб: Питер, 2001.-752 с.

19. Галушкин А. И. Теория нейронных сетей. Кн. 1. — М.: ИПРЖР, 2000. — 416 с.

20. Голованов Н. Н. Геометрическое моделирование. — М.: Издательство Физико-математической литературы, 2002. — 472 с.

21. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996.-276 с.

22. Горюшкин В. И. Основы гибкого производства деталей машин и приборов. М.: Наука и техника, 1984. 346с.Г

23. Давыдов В. М. Системно-функциональный синтез мехатронных систем металлообработки// Вестник ХГАЭП, 2001. №3. С.52-58.

24. Давыдов В. М., Кабалдин Ю. Г. Концептуальное проектирование мехатронных модулей механообработки. Владивосток: Дальнаука, 2003. — 251 с.

25. Давыдов В. М., Кузнецов Д. И. Ранжирование технологических признаков деталей нейросетевыми методами. //Сборник трудов отделения Российской инженерной академии. Вып.1. Владивосток: Изд-во ДВГУ, 1998. С. 34-39

26. Давыдов В. М., Прудников В. Я., Кузнецов Д. И. Основы кластерного анализа классификации деталей. /Методы и средства обработки информации. Сборник научных трудов НИИ КТ. Хабаровск: Изд-во Хабар, гос. техн. ун-та, 2001. Вып. 11. - С. 65-68.

27. Зильберг М.Л. и др. Автоматизированная система проектирования для серийного производства. В сб. «Опыт внедрения ЕСТПП». Вып. 7. М.: Из-во стандартов, 1978. 162с.

28. Ивахненко А. Г. Концептуальное проектирование металлорежущих систем. Структурный синтез. — Хабаровск: Изд-во Хабар, гос. техн. ун-та, 1998.-124 с.

29. Искусственный интеллект: применение в интегрированных производственных системах/ Под ред. Э.Кьюсиака. — М.: Машиностроение, 1991. 418с.

30. КаширинА. И. Метод составления и анализ производственных характеристик токарного станка. М.: Оргинформация, 1936. - №10. — С. 15-20

31. Каширин А. И. Составление и анализ производственной характеристики сверлильного станка. М.: Оргинформация, 1936. — 10 с.

32. Каширин А. И. Составление и анализ производственной характеристики фрезерного станка. //Станки и инструменты. 1937. - №8, С. 14-21.

33. Кибяков П. П., Давыдов В. М. Агентно-ориентированное моделирование в механотронике. Хабаровск, ХГУЭП, 2003, С. 5-9.

34. Дюран Б., Одел П. Кластерный анализ М.¡Статистика, 1977. - 128с.

35. Колесов И. М. Служебное назначение изделия и технические условия. М.: Знание, 1977. 252с.

36. Кондаков Н. И. Логический словарь справочник. 2-е изд.- М.: Наука, 1975.-720 с.

37. Кондаков А. И. Применение подобия технологических решений при их автоматизированной поддержке// Известия вузов. Машиностроение. — 1999.-№2-3.-С.72-77.

38. Кондаков А. И. Формирование групп технологически подобных деталей при обеспечении загрузки производственных систем// Вестник МГТУ. Машиностроение. 2001. - №3. -С. 117-126.

39. Маталин А. А. Технология машиностроения. — Л.: Машиностроение, 1985. -496 с.

40. Минский М. Л., Пейперт С. Персептроны. М.:Мир. - 1971. - 202 с.

41. Митрифанов С. П. и др. Технологическая подготовка гибких производственных систем. — Л.: Машиностроение, 1987. 352 с.

42. Митрофанов С. А. Автоматизация проектирования технологических процессов механообработки в среде ГПС: Дис. док. техн. наук. — Москва, 1991.-351 с.-Рукопись.

43. Митрофанов С. П. Научная организация машиностроительного производства. Л.: Машиностроение, 1976. - 128 с.

44. Муртаф Б. Современное линейное программирование: Пер. с англ. М.: Мир, 1984. - 224 с.

45. Нейроинформатика / Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296с.

46. Нейронные сети. STATISTICA Neural Networks. — М.: Горячая линия -Телеком, 2000. 182 с.

47. Опитц Г. Современная техника производства (состояние и тенденции). — М.: Машиностроение, 1975. 280 с.

48. Отчет о НИР: Разработка информационно—программного обеспечения ГПС (международный проект). Хабаровск: ХГТУ НИИКТ, 1994. - 46 с.

49. Петкевич A.B., Хамец Н.И. Feature-технологии: состояние и перспективы //Автоматизация проектирования. 2000. — №1-2 — С. 16-26

50. Петров В.А., Масленников А.Н., Осипов Л.А. Планирование гибких производственных систем. Л.: Машиностроение, 1985. — 182 с.

51. Политехнический словарь. Под ред. Артоболевского И.И. — М.: Советская энциклопедия, 1977. 212 с.

52. Политехнический словарь. Под ред. Шилинского А.Ю. — М.: Советская энциклопедия, 1989.- 178 с.

53. Пономарев В. М., Лескин А. А., Смирнов А. В. Модели автоматизированного синтеза оптимальных технологических комплексов гибких производственных систем.- Методы и системы автоматизации в задачах науки и производства. М.: Наука, 1986, С. 36-49.

54. Проблемы, стоящие перед разработчиками при переходе предприятия от применения ГПС к широкому применению ИПК или производства, все функции управления которым интегрированы компьютером, вып.2// Кикай то когу, 1986, №10, С. 51-56.

55. ПушВ. Э. Конструирование металлорежущих станков. М.: Машиностроение, 1977. 390 с.

56. Райан Д. Инженерная графика в САПР. М.: Мир, 1989. 256 с.

57. Реклейтис Г., Рейвиндран А., Рэгсдел К. Оптимизация в технике: В 2-х кн. Пер. с англ. М.: Мир, 1986. Кн.1. - 350 с. Кн.2.

58. Родин П. Р. Основы формообразования поверхности резанием. — Киев: Издательское объединение «Вища школа», 1977. — 192 с.

59. Саввин Н.Н. Обсуждение норм приемки станков для обработки металлов //Вестник общества технологов. 1913. №4 - С. 137-138

60. Системное проектирование интегрированных производственных комплексов. Домарацкий А. Н. и др. Л.: Машиностроение, 1986, - 319 с.

61. Смирнов А. В. Исследование алгоритмической модели технологического синтеза гибких производственных систем. — Проблемы интегральной автоматизации производства. Л.: Наука, 1988, С. 73-85.

62. СмирновА. В., Шерематов Л. Б. Многоагентная технология проектирования сложных систем // Автоматизация проектирования, № 3, 1998 г. С. 23-27

63. Справочник по технологии резания материалов. В 2-х кн. (Ред. нем. изд.: Шпур Г., Штеферле Т.; пер. с нем., под ред. Соломенцева Ю.М.) М.: Машиностроение, 1985. 212 с. — 252 с.

64. Старостин В.Г., Лелюхин В.Е. Формализация проектирования процессов обработки резанием. М.: Машиностроение, 1987. — 182 с.

65. Технологические аспекты конверсии машиностроительного производства.// Васильев А. С., Васин С. А., Дальский А. М., Кондаков А. И./ Под ред. Кондакова А. И. М. - Тула: ТулГУ, 2003. -271 с.

66. Технологический классификатор деталей машиностроения и приборостроения/ в 2-х частях. М.: Изд-во стандартов. 1974, 1976.

67. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. — М.: Мир, 1992.-184 с.

68. Уямов А.И. Системный подход и общая теория систем. М.: Мысль, 1978. — 262 с.

69. Фиакко А., Мак-Кормик Г. Нелинейное программирование. Методы последовательной безусловной минимизации: Пер. с англ. — М.: Мир, 1972.- 240 с.

70. ФуксА. И. Определение рациональных технических характеристик размерного ряда металлорежущих станков//Диссертация. — Ленинград, 1970.-126 с.

71. Химмельблау Д. Прикладное нелинейное программирование: Пер. с англ.1. М.:Мир, 1975-536 с.

72. Шарин Ю.С. Обработка деталей на станках с ЧПУ. М.: Машиностроение, 1983.-194 с.

73. Шефер X. Топологические векторные пространства. М.: Мир, 1971. — 360 с.

74. Энциклопедический справочник. Машиностроение. Том 7. Под ред. акад. ЧудаковаЕ. А. М.: Государственное научно-техническое издательство машиностроительной литературы, 1949. - 462 с.

75. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics of Control, Signals, and Systems, 1989. Vol. 2. PP. 303 314.

76. Elinson A., Herrmann J. W., Minis I. E., Nau S. D., Singh G. Toward hybrid variant/generative process planning. Proc. of DETC'97 Conference, Sept. 1997. Sacramento, California.

77. Feigenbaum E., Simon H.: EPAM-like models of recognition and learning, Cognitive, Seiens, 8, 1984.

78. Fisher D.H.: Knowledge acquisition via incremental conceptual clustering, Machine lerning, (2), 1987.

79. Fritzke B. A Growing Neural Gas Network Learns Topologies/ Advances in Neural Information Processing System 7 Cambridge MA: MIT Press, 1995.

80. Hartley J. FMS at Work. IFS (Publications) Ltd., UK, North-Holland, 1984.

81. Hecht-Nielsen R., "Counterpropagation networks", Applied Optics, Vol. 23, No. 26, pp. 4979-4984,1987.

82. Hecht-Nielsen R., "Counterpropagation networks", Proc. First IEEE Int. Conf. on Neural Networks, eds. M.Candill, C.Butler, Vol. 2, pp. 19-32, San Diego, CA: SOS Printing. 1987.

83. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. Vol. 2. PP. 359 366.

84. Kibyakov P. P. Neural Network World of Agent-Doubles. The Fifth International Conference on Neural Information Processing. Kitakyushu, Japan, 1998, P.45.

85. Kibyakov P. P. The intelligent agents doubles. // Works of the International Scientific and techical Conference" Neural, relator and continuous-logik system and models". - Ulyanovsk: U1STU, 1998, P.20.

86. Kochenov D. A., Rossiev D. A. Approximations of functions of CA,B. class by neural-net predictors (architectures and results). AMSE Transaction, Scientific Siberian, A. 1993, Vol. 6. Neurocomputing. P. 189-203.

87. Kohonen T., "Self-organized formation of topologically correct feature maps", Biological Cybernetics, Vol. 43, pp.59-69, 1982.

88. Kohonen T., Self-Organizing Maps, Springer, 1995.

89. Laakko T. Incremental feature modelling: methodology for integrating features and solid models. Dr. tech. thesis, Helsinki University of Technology, 1993. 84 c.

90. LebowitzM. Experiments with incremental concept formation: UNIMEM, Machine lerning (2), 1987.

91. Mantyla M., Nau D., Shah J. Challenges in feature-based manufacturing research // Communications of the ACM, 1996. -Vol. 39. -№2.- P. 77-85.

92. Parry-Berwick S., BowyerA. Feature Technology. Technical Report 001/1993 University of Bath School of Mechanical Engineering, 1993.

93. Rummelhart D. E., Hinton G. E., Williams R. J., "Learning representations by back-propagating errors", Nature, Vol.323, pp.533-536, 1986.

94. Salomons 0. W., Houten F.J.A.M., Kals H.J.J. Review of research in feature based design// Journal of Manufacturing Systems. 1993. Vol. 12. -№2.- P.l 13132.

95. Stone M. N. The generalized Weierstrass approximation theorem. Math. Mag., 1948. V.21. PP. 167-183, 237-254.

96. Winder R. 0. Single-stage logic. Paper presented at the AIEE Fall General Meeting, 1960.

97. Frost H. R., Cutkosky M. R. Design for Manufacturability via Agent Interaction.- ASME Design for Manufacturing Conference. Irvine, CA, 1996, pp. 18-22.

98. Intelligent Agents Theories, Architectures, and Languages / Wooldridge Eds. M., Jennings N. R. - Springer-Verlag, 1995. - Lecture Notes in Artificial Intelligence, - V. 890, p 289.

99. Intelligent Agents / Wooldridge Eds. M., Mueller J. P., Tambe M. SpringerVerlag, 1996. - Lecture Notes in Artificial Intelligence. - V. 1037. 356 p.