Автоматизация процедуры классификации деталей в интегрированных САПР с использованием нейронных сетей тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Жога, Владимир Леонидович

• Жога, Владимир Леонидович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Жога, Владимир Леонидович

ВВЕДЕНИЕ.

ГЛАВА 1. СОВРЕМЕННЫЕ МЕТОДЫ И СРЕДСТВА ДЛЯ РЕШЕНИЯ ЗАДАЧ И АВТОМАТИЗАЦИ И П РОЦЕДУ РЫ КОНСТРУ КТОРСКО-ТЕХНОЛОГИЧЕСКОЙ КЛАССИФИКАЦИИ ДЕТАЛЕЙ В ИНТЕГРИРОВАННЫХ САПР.

1.1. Роль конструкторско-технологической классификации в процессе автоматизации технологической подготовки производства.

1.2. Методы автоматизации конструкторско-технологической классификации технических объектов.,.

1.3. Формализованное описание и постановка задачи кластерного анализа технических объектов.

1.4. Теоретические основы кластерного анализа технических объектов

1.5. Применение нейронных сетей для решения задачи кластеризации технических объектов.

1.6. Модели нейронных сетей для решения задачи кластерного анализа

1.7. Выводы по главе. Цель и задачи диссертационной работы.

ГЛАВА 2. ОБОСНОВАНИЕ И РАЗРАБОТКА ОБЩЕЙ МЕТОДИКИ И АЛГОРИТМОВ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ КЛАСТЕРНОГО АНАЛИЗА ТЕХНИЧЕСКИХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ.

2.1. Обоснование выбора и анализ свойств объекта исследования.

2.2. Разработка методики кластеризации технических объектов с использованием нейронной сети.

2.3. Построение математической модели самоорганизующейся нейронной сети для выполнения кластеризации технических объектов

2.4. Разработка алгоритма обучения самоорганизующейся нейронной сети.

2.5. Разработка алгоритма классификации технических объектов с использованием самоорганизующейся нейронной сети.

2.6. Определение конструкторско-технологических признаков деталей

2.7. Выводы ко второй главе.

ГЛАВА 3. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА КЛАССИФИКАЦИИ ДЕТАЛЕЙ С ИСПОЛЬЗОВАНИЕМ САМООРГАНИЗУЮЩЕЙСЯ НЕЙРОННОЙ СЕТИ.

3.1. Построение структуры автоматизированной системы кластеризации технических объектов с использованием самоорганизующейся • ЛГ нейронной сети.

3.5. Принципы функционирования программного комплекса и описание работы входящих в него модулей.

3.5.1. Настройка системы.

3.5.2. Определение признаков деталей.

3.5.3. Обучение нейросети и классификация.

3.6. Выводы к третьей главе.

ГЛАВА 4. ИСПОЛЬЗОВАНИЕ РАЗРАБОТАННОЙ МЕТОДИКИ И АЛГОРИМА КЛАСТЕРНОГО АНАЛИЗА ДЛЯ КЛАССИФИКАЦИИ

ДЕТАЛЕЙ ОБЩЕМАШИНОСТРОИТЕЛЬНОГО ПРИМЕНЕНИЯ.

4.1. Применение программного комплекса при решении задачи конструкторско-технологической классификации деталей в интегрированной САПР.

4.2. Оценка технико-экономической эффективности использования результатов исследования.

4.3. Выводы к четвертой главе.;.

Введение диссертации (часть автореферата) на тему «Автоматизация процедуры классификации деталей в интегрированных САПР с использованием нейронных сетей»

В настоящее время большое внимание уделяется концепции CALS, предусматривающей информационную поддержку изделия на всех этапах технической подготовки производства. На предприятиях, использующих идеологию CALS, формируется единое интегрированное информационное пространство с использованием систем CAD, САМ, CAE, PDM(PLM) и САПР ТП.

Автоматизация технической подготовки производства является одной из сложных и трудноформализуемых задач. Большое разнообразие конструктивных форм деталей и технических требований к ним и возможность использования различных методов обработки одних и тех же элементов заготовки на разных видах технологического оборудования приводит к многовариантности решений. Поэтому важнейшей задачей при проектировании технологических процессов (ТП) является получение унифицированных ТП. Согласно единой системы технологической г подготовки производства (ЕСТПП) обязательным этапом, предшествующим разработке унифицированных ТП, является кодирование и группирование изделий на основе классификации их конструктивных и технологических признаков [28].

Существует большое количество теорий и практически реализованных систем автоматизированного проектирования, которые позволяют решать задачи структурного и параметрического синтеза технологических процессов. Однако вопрос автоматизации процесса классификации и кодирования объектов производства на основе их конструкторско-технологических признаков проработан недостаточно. В большинстве случаев процесс классификации и кодирования информации о детали для автоматизированного технологического проектирования производятся инженером-технологом вручную путем визуального анализа геометрической формы деталей, конструкторско-технологических требований и физикомеханических свойств материалов [33]. Это приводит к увеличению сроков технической подготовки производства и становится неэффективным при широкой номенклатуре изготовляемых изделий. Такой подход не вполне удовлетворяет современным требованиям к технологической подготовке производства, особенно при внедрении CALS-технологий в составе CAD-САМ-САЕ-систем (интегрированных САПР).

Проблема автоматизированной классификации и кодирования с использованием современных информационных технологий до сих пор остается нерешенной. В связи с этим, данная работа, направленная на автоматизацию процесса классификации и кодирования объектов производства в интегрированных САПР является актуальной для решения вопросов комплексной автоматизации конструкторско-техно логической подготовки производства.

Целью работы является автоматизация процедуры классификации деталей общемашиностроительного применения в интегрированных САПР с использованием современных методов кластерного анализа и искусственных нейронных сетей.

Методология и методы исследования. При выполнении исследований и решении поставленных задач использовались основные научные положения: теории автоматизированного проектирования; технологии машиностроения; теории классификации и кодирования; теории кластерного анализа; теории нейронных сетей; теории реляционных баз данных; при разработке программных модулей использовались методы объектно-ориентированного и структурного программирования.

Научная новизна работы состоит в следующем:

1. Разработана методика и предложен общий алгоритм для классификации деталей общемашиностроительного применения с использованием современных искусственных нейронных сетей.

2. Разработана общая структура гибридной нейронной сети для выполнения процедуры конструкторско-технологической классификации деталей.

3. Предложена математическая модель формализованного описания конструктивных и технологических признаков деталей.

4. Разработана структурная и функциональная схема программного комплекса для автоматизации процесса классификации деталей с использованием самоорганизующейся нейронной сети в составе интегрированных САПР.

Практическую ценность работы составляют:

1. Программные модули обучения сети и классификации объектов с помощью самоорганизующейся нейронной сети.

2. Программный модуль автоматического определения конструкторско-технологических признаков деталей класса 71 на основе их ЗБ-моделей и 2D-чертежей.

3. Разработанный программный комплекс для автоматизации процесса классификации деталей общемашиностроительного применения класса 71 по классификатору ЕСКД в составе интегрированных САПР.

Цель и поставленные задачи определили следующую структуру работы:

В первой главе рассматривается роль и место конструкторско-технологической классификации объектов в процессе автоматизации технологической подготовки производства. Дается формальное описание процесса классификации технических объектов.

Проводится анализ существующих методов решения поставленной задачи, и на его основании делается вывод об актуальности проблемы автоматизации процесса классификации и кодирования.

Приводится обоснование использования методов кластерного анализа, как одного из самых эффективных способов классификации технических объектов. Из всего множества алгоритмов кластерного анализа для' решения задачи конструкторско-технологической классификации технических объектов наилучшим образом подходит алгоритм, основанный на использовании современных искусственных нейронных сетей. Проводится анализ существующих моделей нейронных сетей, для решения поставленной задачи и обосновывается выбор нейронной сети с самоорганизацией на основе конкуренции, использующие алгоритм обучения без учителя, для решения задачи конструкторско-технологической классификации объектов производства.

Вторая глава посвящена разработке общей методики и алгоритмов кластерного анализа технических объектов с использованием нейронной сети.

Предложена общая методика классификации деталей с использованием нейронных сетей и обобщенный алгоритм классификации по их конструкторско-технологическим признакам.

Приводится подробное описание конструктивных и технологических признаков деталей класса 71 по ЕСКД. Описан математический аппарат для определения конструктивных и технологических признаков 3D моделей и 2Э-чертежей, созданных в современных САПР (на примере деталей класса 71).

Предложена общая структура нейронной сети для выполнения классификации технических объектов.

Приводится описание математической модели самоорганизующейся нейронной сети для решения поставленной задачи, а также разработанные алгоритмы обучения сети и алгоритм классификации технических объектов.

Третья глава посвящена разработке информационного обеспечения и программного комплекса автоматизированной системы классификации деталей с использованием самоорганизующейся нейронной сети.

Определены основные требования к программному комплексу. Разработана общая структура комплекса, выбрано программное техническое и лингвистическое обеспечение. В качестве лингвистического обеспечения была использована среда программирования Visual С++ 6.0.

Предложена структура базы данных системы для хранения конструкторско-технологической модели детали, всех параметров нейронной сети и дополнительной информации. База данных реализована в СУБД реляционного типа Microsoft Access 2000.

Приводится описание принципа работы программного комплекса "NeuroKlaster", а также описание и порядок работы входящих в него модулей.

В четвертой главе показаны пути использования разработанного программного комплекса для классификации деталей общемашиностроительного применения.

Рассмотрен пример использования программного комплекса для классификации деталей гидроцилиндра по их ЗЭ-моделям, созданных в современных САПР "T-Flex" и "Autodesk Inventor".

Произведен примерный расчет экономической эффективности использования разработанного программного комплекса.

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Жога, Владимир Леонидович

4.3. Выводы к четвертой главе

1. Рассмотрен пример использования программного комплекса NeuroKlaster для решения задачи конструкторско-технологической классификации деталей общемашиностроительного применения, что показало его успешное функционирование.

2. Показано успешное применение программного комплекса для классификации деталей гидроцилиндра общего назначения в условиях ОАО «Агрегатный завод».

3. Произведен примерный расчет экономической эффективности использования разработанной системы.

145

ЗАКЛЮЧЕНИЕ

В результате анализа проблемы и проведенных в работе исследований по автоматизации конструкторско-технологической классификации деталей была разработана общая методика классификации технических объектов на примере общемашиностроительных деталей с использованием современных методов кластерного анализа и нейронных сетей, которая была реализована в программном комплексе "NeuroKlaster", что является достижением основной цели работы.

Основные научные и практические результаты работы докладывались и обсуждались на молодежной научно-технической конференции вузов приграничных регионов славянских государств в 2003 г. в г. Брянске, на международной молодежной научной конференции "XXX Гагаринские чтения" в 2004 г. в г. Москве, на научно-практической конференции «Практика и перспективы применения ИПИ-технологий в производстве» в 2004 г. в г. Ульяновске, на межрегиональной научно-технической: конференции студентов и аспирантов "Информационные технологии, энергетика и экономика" в 2004 г. в г. Смоленске, на IX Всероссийской научно-технической конференции «Новые информационные технологии в научных исследованиях и в образовании» в 2004 г. в г. Рязани, на международной научно-технической интернет-конференции

Информационные технологии в управлении и моделировании» в 2005 г. в г. Белгороде.

Диссертационная работа выполнена на кафедре "Компьютерные технологии и системы" Брянского государственного технического университета. Результаты работы используются при подготовке специалистов по специальности САПР в БГТУ.

При выполнении работы были получены следующие основные выводы и результаты:

1. Разработана общая методология автоматической классификации деталей общемашиностроительного применения по их конструкторско-технологическим признакам с использованием современных методов кластерного анализа и нейронных сетей, что позволило создать программный

4 комплекс классификации деталей.

2. Предложен способ описания деталей в виде матрицы конструкторско-технологических признаков, как наиболее полно и достоверно отвечающий требованиям нейросетевого моделирования, что позволило применить нейронные сети для решения задачи классификации деталей.

3. Разработана модель и общая структура гибридной нейронной сети для выполнения процедуры кластеризации технических объектов, а также построены математические модели функционирования и обучения предлагаемой нейронной сети. На основании этих моделей был написан программный код с использованием современных языков программирования.

4. Разработана структура базы данных системы, позволяющая хранить информацию о конструкторско-технологических признаках деталей, состоянии обученной нейронной сети, параметрах настройки системы и результатах процесса классификации.

5. Разработана структурная и функциональная схема программного комплекса для автоматизации процедуры классификации технических объектов с использованием самоорганизующейся нейронной сети, а также ряд алгоритмов, реализующих теоретические изыскания, проводимые в 4 рамках диссертационного исследования.

6. Разработан программный комплекс "NeuroKlaster" для автоматического определения конструкторско-технологического кода деталей общемашиностроительного применения по классификатору ЕСКД. Работа программного комплекса протестирована на ряде деталей класса 71 -«тела вращения», что говорит об успешном достижении поставленных целей диссертационного исследования.

147

Список литературы диссертационного исследования кандидат технических наук Жога, Владимир Леонидович, 2005 год

1. Аверченков В.И., Жога B.JI. Автоматизация процедур кластеризации технических объектов на основе использования самоорганизующейся нейронной сети. — Вестник компьютерных и информационных технологий. 2005. №6 (12). с.2-7.

2. Аверченков В.И., Камаев В.А. Основы построения САПР. — Волгоград: ВПИ, 1984.-120 с.

3. Аверченков В.И., Каштальян И.А., Пархутик A.IE САПР технологических процессов, приспособлений и режущих инчтрументов. Минск.: Высш. шк., 1993 - 288 с.

4. Автоматизация разработки и выполнения конструкторской документации, под ред. Романычевой Э.Т. М.: Высш. шк., 1990. - 173 с.

5. Автоматизированная система проектирования технологических процессов механического производства. В.М. Зарубин, Н.М. Капустин, В.В. Павлов. М.: Машиностроение, 1979. - 247с.

6. Автоматизированное проектирование и производство в машиностроении / Соломенцев Ю.М., Митрофанов В.Г., Прохров А.Ф. и др. М.: Машиностроение, 1986. - 256 с.

7. Ален И. Голуб С и С++. Правила программирования. М.: БИНОМ. -272 с.

8. Боннер Р.Е. Некоторые методы классификации // Автоматический анализ изображений.- М.: Мир, 1969.- С. 205-234.

9. Борн Г. Форматы данных: графика, текст, базы данных, электронные таблицы: Пер. с нем. Киев: Bhv, 1995.- 472 с.

10. Буч Г. Объектно-ориентированное проектирование с примерами применения. М.: Конкорд 1992. - 519 с.

11. Буч Г. Объектно-ориентированный анализ и проектирование с примерами на С ++ (второе издание) / Перевод с английского под редакцией И. Романовского и Ф. Андреева. Опубликовано на web-сервере www.helloworld.ru.

12. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384 с.

13. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб пособие для вузов / Общ. ред. А.И. Галушкина. М.: ИПРЖР, 2000. - 416 с.

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

15. Гардан И., Люка М. Машинная графика и автоматизированное конструирование: Пер. с Франц. М.: Мир, 1987. - 272 с.

16. Гилев С.Е., Миркес Е.М. Обучение нейронных сетей // Эволюционное моделирование и кинетика. Новосибирск: Наука, 1992.- с. 9-23.

17. Горанский Г.К. Автоматизированные системы технологической подготовки производства в машиностроении. — М.: Машиностроение, 1976.-239 с.

18. Горанский Г.К., Бендерева Э.И. Технологическое проектирование в комплексных автоматизированных системах подготовки производства. -М.: Машиностроение, 1981. 456 с.

19. Горанский Г.К., Кочуров В.А. и др. Автоматизированные системы технологической подготовки производства в машиностроении. — М.: Машиностроение, 1976. 240 с.

20. Горбань А.Н. Алгоритмы и программы быстрого обучения нейронных сетей. // Эволюционное моделирование и кинетика. Новосибирск: Наука, 1992.-с. 36-39.

21. Горбань А.Н. Решение задач нейронными сетями / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. 182 с.

22. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. -М.: Наука, 1996. 276 с.

23. ГОСТ 14.301-83 Общие правила разработки технологических процессов.

24. ГОСТ 14.303-73 Правила разработки и применения типовых технологических процессов.

25. ГОСТ 14.316-75 Правила разработки групповых технологических процессов.

26. ГОСТ 14.409-75 Единая система технологической подготовки производства. Требования к информационно-поисковым системам технологического назначения.

27. ГОСТ 2.201-80. ЕСКД. Обозначение изделий и конструкторских документов.

28. Давыдов В.М., Кабалдин Ю.Г. Концептуально проектирование мехатронных модулей механобработки. Владивосток: Дальнаука, 2003. -251 с.

29. Диалоговое проектирование технологических процессов/ Н.М. Капустин, В.В. Павлов, JI.A. Козлов и др. М.: Машиностроение, 1983. -255 с. ил.

30. Дорофеюк А.А. Алгоритмы автоматической классификации (обзор). -Автоматика и телемеханика, 1971, № 12.-е. 78-113.

31. Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977. - 249 с.

32. Бвгеньев Г.Б. Системология инженерных знаний. М.: Изд-во МГЬУ им. Н.Э. Баумана, 2001.-376 с.

33. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение влэкономике и бизнесе. М.-.МИФИ, 1998. - 218 с.

34. Жога ВЛ. Кластеризация технических объектов с использованием нейросети // XXX ГАГАРИНСКИЕ ЧТЕНИЯ. Тезисы докладовмеждународной молодежной конференции. Москва, 6-10 апреля 2004 г.- М.: МАТИ- РГТУ им. К.Э. Циолковского, 2004. Т.З, с.23.

35. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики.- М.: Наука, 1978, вып. 33.- с. 5-68.

36. Иванова Г.С., Ничушкина Т.Н., Пугачев Е.К. Объектно-ориентированное программирование. М.: Издательство МГТУ им. Баумана, 2001. - 320с.

37. Искусственный интеллект: Применение в интегрированных производственных системах / Под. ред. Э. Кьюсиака; Пер. с англ. М.: Машиностроение, 1991. - 544 с.

38. Казенное Г.Г., Соколов А.Г. Основы построения САПР и АСТПП. М.: Высш. Шк., 1989. - 200 с.

39. Капустин Н.М. Автоматизация машиностроения. М.: Высш. Шк., 2003.- 223 с.

40. Капустин Н.М. Разработка технологических процессов обработки' деталей на станках с помощью ЭВМ. М.: Машиностроение, 1976. — 288с.

41. Капустин Н.М., Павлов В.В., Козлов JI.A. и др. Диалоговое проектирование технологических процессов. М.: Машиностроение, 1983 -255 с.

42. Калачев О.Н. Основы САПР в технологии машиностроения: Учебное пособие. — Ярославль, Яросл. политехи, ин-т, 1993. — 180 с.

43. Классификатор ЕСКД. Иллюстрированный определитель деталей. Классы 71, 72,73, 74, 75, 76. М.: Ихд-во стандартов, 1991. - 438 с.

44. Классификатор ЕСКД. Класс 71. (ред. Пателеева Т.В.) М.: Изд. Стандартов, 1986. - 104 с.

45. Коннэл Дж. Visual Basic 6. в программирование баз данных: Пер. с англ.- М.: ДМК, 2000. 720 е.: ил.

46. Конструкторско-технологическое обеспечение качества деталей машин / Пономарев В.П., Батов А.С., Захаров А.В. и др. М.: Машиностроение, 1984.- 184 с.

47. Корсаков B.C., Капустин Н.М., Темпельгоф К.Х., Лихтенберг X.

48. Автоматизация проектирования технологических процессов в машиностроении. М.: Машиностроение, 1985. - 304 с.

49. Корячко В.П. Теоретические основы САПР. — М.: Энергоатомиздат, 1987.-400 с.

50. Круглое В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети". Физматлит, 2001. — 224 с.

51. Лихачев А.А. Автоматическая подготовка производства М.: Изд-во МАИ, 1993.- 256 с.

52. Льюииг Л. Идентификация систем. Теория для пользователя: Пер. с англ. / Под ред. Я.З. Цыпкина. М.: Наука. Гл. ред. физ.-мат. лит., 1991. -432 с.

53. Мейер Д. Теория реляционных баз данных. М.: Мир, 1987. - 608 с.

54. Митрофанов В.Г., Калачев О.Н, Схиртладзе A.F., Басин A.M. САПР в технологии машиностроения. Учеб. Пособие. Ярославль: Изд-во Яросла. Гос. Тех.ун-та, 1995. - 298 с.

55. Митрофанов СЛ. Групповая технология машиностроительного производства. В 2-х т. Л. Машиностроение, 1983. - 376 с.

56. Митрофанов С.П. Научная организация машиностроительного производства. 2-е изд. - Л.: Машиностроение, 1976. - 712 с.

57. Митрофанов С.П., Куликов Д.Д., Миляев О.Н., Падун Б.С. Технологическая подготовка гибких производственных систем. -Л.Машиностроение, 1987. 364 с.

58. Моисеева Н.К. Функционально-стоимостной анализ в машиностроении. М.: Машиностроение, 1987. - 320 с.

59. Нейроинформатика / А.Н. Горбань, B.JI. Дунин-Барковский, А.Н. Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296 с.

60. Нейроматематика. Кн. 6: Учеб. пособие для вузов / Агеев А.Д., Балухто А.Н., Бычков А.В. и др.; Общая ред. А.И. Галушкина. М.: ИПРЖР, 2002.-448 е.: ил. (Нейрокомпьютеры и их применение).

61. Новиков Ф.А., Яценко А.Д. Microsoft® Office 2000 в целом. СПб.: БХВ - Санкт-Петербург, 1999. - 728с., ил.

62. Норенков И.П. Основы автоматизированного проектирования. М.: Издательство МГТУ им. Н.Э. Баумана., 2002 г. - 336 с.

63. Основы автоматизации технологического проектирования: Учеб. Пособие / Хмеловский Г.Л., Кроль О.С., Сурнин Ю.М. К.: УМК ВО, 1989. - 189 с.

64. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д.Рудинского. -М.: Финансы и статистика, 2002.- 344 с.:ил.

65. Павлов В.В. Типовые математические модели в САПР 11 111. М.: Мосстанкин, 1989. - 75с.

66. Петкевич А.В., Хамец Н.И. Feature-технологии: состояние и перспективы // Автоматизация проектирования. 2000. № 1-2. — с. 17-26.

67. Применение вычислительных машин для группирования деталей / С.П. Митрофанов, В.Г. Логашев. Машиностроитель, 1965, №6. - с. 4-7.

68. Применение ЭВМ в технологической подготовке серийного производства / Митрофанов С.П., Гульнов Ю.А., Куликов Д.Д. М.: Машиностроение, 1981. - 287 с.

69. Р 50-54-93-88. Классификация, разработка и применение технологических процессов.

70. Рязанцев А.Н., Жолобов А.А. Автоматизация проектирования технологических процессов. Сб. задач: Учебн. пособие. Мн.: ММИ, 1997.- 126 с.

71. Соломенцев Ю.М. Конструкторско-технологическая информатика и автоматизация производства. М.: "Станкин", 1992. - 127с.

72. Соломенцев Ю.М., Рыбаков А.В. Компьютерная подготовка производства. Автоматизация проектирования, 1997, №1. - с. 31-35.

73. Старостин В.Г., Лелюхин В.Е. Автоматизация проектирования процессов механической обработки деталей: Учебн. Пособие. -Владивосток: Изд-во дальневосточного университета, 1984. 124 с.

74. Страуструп Б. Язык программирования С++, 3-е изд. / Пер. с англ. -СПб; М.: «Невский диалект» «Издательство БИНОМ», 1999.-991 с.

75. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. 182 с.

76. Технологический классификатор деталей машиностроения и приборостроения. М.: Изд. стандартов, 1987. — 255 с.

77. Технология автоматизированного машиностроения: Специальная часть / А.А. Жлобов, В.Т. Высоцкий, В.А. Лукашенко и др.; Под ред. А.А. Жолобова. Мн.: Дизайн ПРО, 1997. - 384 с.

78. Технология машиностроения: Сборник задач и упражнений: Учеб. пособие / В.И. Аверченков и др.; Под общ. ред. В.И. Аверченкова и Е.А. Польского. 2-е изд., перераб. и доп. - М.: ИНФРА-М, 2005. - 288 с.

79. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика / Пер. с англ. -М.: Мир, 1992.-212 с.

80. Фролов А.А., Муравьев И.П. Информационные характеристики нейронных сетей. М.: Наука, 1988. — 160 с.

81. Хейфец М.Л. Математическое моделирование технологически процессов. Новополоцк: ПТУ, 1999. - 104 с.

82. Цветков В.Д. Система автоматизации проектирования технологических процессов. М.: Машиностроение, 1972. 240 с.

83. Цветков В.Д. Системно-структурное моделирование и автоматизация проектирования технологических процессов. Минск: Наука и техника, 1979. - 264 с.

84. Цыганков В.Д. Нейрокопьютер и его применение- М.: "Сол Систем", 1993.

85. Цыпкин ЯЗ. Информационная теория идентификации. ОД.: Наука. Физматлит, 1995. — 336 с.

86. Чикало О. CASE-методология разработки программного обеспечения // PC WEEK, 1996, №21. с. 21-24.

87. Ширяев Н. CALS, PDM, PLM, далее везде. // САПР и Графика. -2003. -№3

88. Шпур Г., Краузе Ф. Автоматизированное проектирование в машиностроении: Пер. с нем. М.: Машиностроение, 1988. - 648 с.

89. Энгельке У.Д. Как интегрировать САПР и АСТПП. М.: Машиностроение, 1990. - 320 с.

90. Яблочников Е.И., Маслов Ю.В. Автоматизация ТПП в машиностроении / Учебное пособие. СПб.: СПбГИТМО (ТУ), 2003. -104 с.

91. Kohonen Т. "Self-organization and Associative Memory", Berlin:, Springer-Verlag, 1989.

92. Laakko T. Incremental feature modeling: methodology for integrating features and solid models. Dr. tech. Thesis, Helsinki University of Technology, 1993. 84 p.