Инструменты контроля качества технологических процессов интеллектуального машиностроительного производства тема диссертации и автореферата по ВАК РФ 05.02.22, кандидат наук Фазилова Ксения Наильевна

• Фазилова Ксения Наильевна
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Фазилова Ксения Наильевна

ВВЕДЕНИЕ

ГЛАВА 1. КОНТРОЛЬ КАЧЕСТВА ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В МАШИНОСТРОИТЕЛЬНОМ ПРОИЗВОДСТВЕ

1.1. Инструменты контроля качества машиностроительного производства

1.2. Особенности интеллектуального машиностроительного производства

1.3. Постановка научной задачи

ГЛАВА 2. РАЗРАБОТКА ИНСТРУМЕНТОВ КОНТРОЛЯ КАЧЕСТВА ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

2.1. Разработка алгоритмов оценки точности технологических операций

2.2. Разработка математической модели динамики качества технологических процессов

2.3. Разработка методики контроля качества технологических процессов

2.4. Прогнозирование состояний технологических процессов

ГЛАВА 3. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ МЕТОДИКИ КОНТРОЛЯ КАЧЕСТВА ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

3.1. Возможные области применения разработанной методики

3.2. Применение разработанной методики для контроля качества технологического процесса изготовления лопаток газотурбинных двигателей

3.3. Применение разработанной методики для контроля качества технологического процесса калибровки эталонных мер нанометрии

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

ВВЕДЕНИЕ

Актуальность темы исследования

В настоящее время к наиболее прогрессивным и гибким производственным системам относят так называемые «Умное производство», «Умная фабрика», «Производство 4.0», «Интеллектуальное производство». Интеллектуальные производственные системы предполагают объединение в единую коммуникационную сеть всех операций внутри предприятия по стадиям производства и используют методы и средства мониторинга для контроля качества и получения информационного потока данных, необходимого для адаптации к новым требованиям.

Ближайшей перспективой является создание интеллектуальных машиностроительных производств (ИМП), функционирующих исключительно под управлением искусственного интеллекта. Интеллектуальное машиностроительное производство в своей основе представляет собой совокупность взаимосвязанных технологических процессов (ТП) и машин-роботов, объединенных в сеть для эффективного функционирования и генерации необходимой для аналитики информации. К технологическим процессам предъявляются высокие требования по точности производимых изделий, а также по сверхвысокой точности в области нанотехнологий, что может быть достигнуто путем широкого использования накопленных знаний, их пополнения и эффективного использования. В соответствии с этим каждый технологический процесс (технологическая операция) должен содержать локальную систему знаний, средства накопления и обработки информации, принятия решений, а также интерфейсные средства ввода-вывода и обмена с другими процессами (операциями). Важным аспектом является своевременный доступ и обработка информации о состоянии технологического процесса, мониторинг уровня качества процесса для быстрого, в случае необходимости, его обновления и оперативной переориентации с учетом возможных интенсивных приращений знаний. В свою очередь качество

технологического процесса в значительной степени определяется точностью выполнения технологических операций (ТОп), объединенных в единый технологический процесс.

В связи с этим представляется актуальным разработка инструментов контроля качества технологических процессов с учетом точности выполнения технологических операций, пополнения знаний и их использования.

Степень разработанности темы исследования

Существует целый ряд научных работ [1, 40, 41, 51, 52, 57, 58, 59, 63, 72, 73, 74, 75, 80, 82, 88], посвященных инструментам управления качеством производственными процессами (Колобов А.А., Омельченко И.Н., Орлов А.И., Васильев В.А., Бром А.Е., Рыжикова Т.Н., Туровец О.Г., Исикава К., Кабалдин Ю.Г., Дэминг У.Э., Шухарт У.Э. и другие).

Цель настоящей работы - создание научно-обоснованных инструментов (методов и алгоритмов), предназначенных для разработки методик, систем мониторинга и прогнозирования качества технологических процессов интеллектуального машиностроительного производства.

Задачи исследований

Для достижения поставленной цели необходимо решить следующие задачи:

* анализ инструментов контроля качества технологических процессов машиностроительного производства;

* определение особенностей организации интеллектуального машиностроительного производства;

* разработка алгоритма оценки точности технологических операций машиностроительного производства;

* разработка и теоретическое обоснование математической модели динамики качества технологических процессов интеллектуального машиностроительного производства;

* разработка методики контроля качества технологических процессов интеллектуального машиностроительного производства;

* практическая апробация разработанной методики.

Научная новизна

В диссертационной работе получены следующие научные результаты:

* разработана и теоретически обоснована математическая модель динамики качества технологических процессов интеллектуального машиностроительного производства;

* разработана методика контроля качества технологических процессов интеллектуального машиностроительного производства с оценкой как его текущего состояния, так и возможностью прогнозирования последующих состояний;

* разработаны метод и реализующий его алгоритм определения границ областей показателей качества технологических процессов.

Теоретическая и практическая значимость работы

Теоретическая значимость работы заключается в разработке инструментов, которые могут быть использованы для решения целого ряда практических задач, связанных с контролем качества и прогнозирования состояний технологических процессов интеллектуального машиностроительного производства.

Методы исследований

В работе использованы методы системного анализа, методы стандартизации и управления качеством, математического и компьютерного моделирования, имитационного динамического моделирования, планирования экспериментов.

Положения, выносимые на защиту:

* математическая модель, описывающая динамику качества технологических процессов интеллектуального машиностроительного производства, представляет собой нелинейное дифференциальное уравнение, связывающее вероятностные оценки точности технологических операций, интенсивности приращения и использования знаний с энтропией как мерой отлаженности технологического процесса;

* контроль качества технологических процессов интеллектуального машиностроительного производства основан на предварительном построении

границ областей качества и последующем определении текущего уровня качества технологического процесса;

* разработанные инструменты применимы для решения практических задач, связанных с контролем качества широкого класса технологических процессов интеллектуального машиностроительного производства.

Степень достоверности и апробация результатов

Достоверность разработанной методики определяется апробацией и использованием:

1. При контроле качества технологического процесса изготовления лопаток газотурбинных двигателей на АО «ОДК-Пермские моторы».

2. При контроле качества технологического процесса калибровки эталонных мер нанометрии на предприятии АО «Научно-исследовательский центр по изучению свойств поверхности и вакуума».

3. В учебном процессе РТУ МИРЭА.

Введение диссертации (часть автореферата) на тему «Инструменты контроля качества технологических процессов интеллектуального машиностроительного производства»

Апробация работы

Основные результаты диссертационной работы докладывались и обсуждались на 19 конференциях, из них 8 международных.

Личный вклад автора заключается в непосредственном участии в разработке основных положений, выносимых на защиту, разработке методики контроля качества технологических процессов и практической апробации этой методики.

Публикации

Основные результаты исследований по теме диссертации изложены в одиннадцати работах, из них четыре статьи в журналах, индексируемых Scopus, шесть статей в журналах списка ВАК, одна статья, индексируемая РИНЦ.

Структура и объем работы

Диссертация изложена на 123 страницах и состоит из введения, трех глав, заключения, списка литературы из 103 наименований и четырех приложений, содержит 19 таблиц и 85 рисунков.

В Главе 1 проведен анализ инструментов контроля качества технологических процессов машиностроительного производства. Определены показатели качества технологических операций и технологических процессов. Определены статистические методы контроля и реализующие их алгоритмы. Определены особенности и возможности интеллектуального машиностроительного производства. Выделены ключевые особенности. Определены основные этапы получения цифровых двойников, как основы интеллектуального машиностроительного производства. Представлено содержание интеллектуальной платформы производства, организационная структура интеллектуального машиностроительного производства. Определены методы проектирования интеллектуального машиностроительного производства. Осуществлена постановка научной задачи.

В Главе 2 установлено, что достоверную оценку реальной точности обработки заготовок на той или иной операции дает метод статистического анализа результатов измерений контролируемого размера. Разработан алгоритм вероятностной оценки точности технологических операций, сочетающий статистический анализ результатов с прецизионными измерениями, что обеспечивает возможность непрерывного мониторинга качества технологических процессов. В качестве математической модели динамики качества технологических процессов интеллектуального машиностроительного производства может быть использовано нелинейное дифференциальное уравнение, позволяющее отслеживать тенденции изменения качества процесса в зависимости от точности выполнения технологических операций, приращения знаний и их использования. На основании данной модели разработан алгоритм построения граничных значений области качества. Разработан алгоритм оценки реального показателя качества, основанный на определении текущих значений вероятностных оценок точности технологических операций и соответствующих энтропийных показателей. Разработана методика контроля качества технологических процессов, основанная на сопоставлении реального показателя качества с установленными граничными значениями области качества.

В Главе 3 проведена практическая апробация разработанной методики, которая показала, что данная методика может быть использована для решения целого ряда практических задач, связанных с контролем качества динамики технологических процессов интеллектуального машиностроительного производства.

ГЛАВА 1. КОНТРОЛЬ КАЧЕСТВА ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В МАШИНОСТРОИТЕЛЬНОМ ПРОИЗВОДСТВЕ

1.1. Инструменты контроля качества машиностроительного производства

ТП относятся к категории систем. Основанием для этого служит наличие у ТП многих свойств, которые находятся в тесном динамическом единстве и взаимодействии. Высокое качество ТП является материальной основой выпуска продукции высокого качества. В итоге качество продукции определяется качеством заготовок, инструмента, техническим состоянием оборудования и технологической оснасткой [38, 53, 65].

При оценке качества ТОп и ТП исходят, как правило, из значительной сложности их природы, объединяющей в себе технологические, экономические и организационные показатели (Таблица 1).

Таблица 1.

Показатели качества ТОп и ТП

Технические Экономические Организационные

Точность Материалоемкость Удобство обслуживания и управления

Стабильность Металлоемкость Уровень износа

Надежность Энергоемкость Степень загрязнения окружающей среды

Уровень автоматизации Производительность

Быстродействие Технологическая трудоемкость

Контролируемость Технологическая себестоимость

Уровень выхода годной продукции Экономичность

В качестве основных будем рассматривать технические показатели: точность, стабильность, надежность и уровень автоматизации.

Контроль точности и стабильности ТОп и ТП проводится в два этапа:

* 1 этап - выбор основных параметров ТОп и ТП. Выбор происходит согласно рекомендации Р 50.54.55-88 [77], устанавливающей правила выбора основных параметров ТП, определяющих надежность изделия.

* 2 этап - оценка показателей точности и стабильности. Оценка точности ТП осуществляется согласно ГОСТ 27.202-83 [46], устанавливающем методы оценки надежности путем вычисления показателей точности (Рисунок 1.1).

Кривая распределения размеров

Рисунок 1.1. Контроль точности Коэффициент точности ТОп:

поле рассеяния отклонения параметров Ш

КТОп =---= 1,0 (1.1)

поле допуска о

кзт

Запас точности 0,58 — At — 0,5Ж)

8 8

(1.2)

= 05*С) — хо — 0,5Ж ^) , 8

Т.к. коэффициент смещения Ксм = ——, а коэффициент мгновенного

8

—о

8

рассеяния Кмр = , то коэффициент запаса точности приобретает вид

Кзт = 0,5 —К см—0,5КмР (1.3)

Оценка стабильности ТП может быть осуществлена по результатам сравнения дисперсий основного параметра ТП для первой и последней выборок с использованием критерия равенства дисперсий (Фишера или Бартлетта). ТП признается стабильным, если по результатам упомянутых критериев принимается нулевая гипотеза о равенстве сравниваемых дисперсий [8].

Надежность ТП - свойство процесса сохранять в заданных пределах в течение определенного времени значения основных характеристик процесса. Это свойство может быть выражено коэффициентом надежности процесса, характеризующим вероятность сохранения указанных значений в заданном интервале времени.

Оценка надежности связана с определением вероятности того, что в течении заданной наработки показатели качества изделия или нормированные параметры обработки находятся в пределах установленных допусков на всех операциях [52]. Наиболее удобно и просто оценка надежности осуществляется по вероятности нахождения показателей качества в пределах установленных допусков (границ).

Уровень автоматизации ТП - характеризует научно-технический уровень процесса, его производительность, а также стабильность качества изделий, т.к. автоматизация существенно уменьшает степень воздействия обслуживающего персонала на процесс, его вмешательство в ход процесса.

Важным этапом в оценке такого показателя качества ТП как точность является идентификация функций распределения [8]. Важность данного этапа

определяется постоянным ростом требований к достоверности оценок вероятностных характеристик исследуемых технологических операций и процессов наукоемких технологий. Проведение идентификации осуществляется, как правило, в следующем порядке (Рисунок 1.2).

Г Л

Построение эмпирической кривой распределения по результатам измерений

ч_)

г \

Формирование гипотезы о законе распределения

V_)

/ \

Проверка с помощью одного из критериев правдоподобия (согласия) выдвинутой гипотезы

V_)

Рисунок 1.2. Порядок проведения идентификации Построение эмпирической кривой осуществляется с помощью алгоритма (Рисунок 1.3).

Формирование гипотезы о законе распределения. Форма гистограммы имеет ступенчатый вид и в общем-то можно сказать случайна, случаен также ступенчатый вид интегральной функции распределения. Фактор случайности обусловлен ограниченным числом проделанных наблюдений. Известно, что действие данного фактора в значительной мере нивелируется только при очень большом числе наблюдений (сотни, тысячи), а исследуемые ТОп и ТП в полной мере обнаруживают присущие им закономерности. На практике же число наблюдений всегда ограничено, поэтому при формировании гипотезы в общем случае следует исходить из случайного характера полученной гистограммы.

В связи с этим важнейшими являются операции, направленные на повышение точности идентификации гистограммы. К одной из таких операций следует отнести сглаживание или выравнивание полученного эмпирического распределения. При этом задача сводится к тому, чтобы не просто заменить гистограмму плавной кривой, имеющей достаточно простое аналитическое выражение. Желательно, чтобы эта кривая, соответствовала одному из известных законов распределения, наиболее предпочтителен нормальный закон распределения. Таким образом смысл формирования гипотезы часто заключается в том, чтобы провести обработку полученных данных, направленную на их нормализацию.

Проверка выдвинутой гипотезы. Как бы тщательно ни была подобрана теоретическая модель (кривая), она всегда имеет расхождение с эмпирическим распределением. Степень соответствия теоретического закона эмпирическому распределению устанавливается с помощью критериев согласия. Критерии согласия позволяют дать ответ на вопрос являются ли расхождения случайными, вызванными ограниченным числом наблюдений, или они носят принципиальный характер, связанный с неудачным подбором теоретического закона.

о

Критерий Пирсона (х - критерий) - лучший критерий проверки гипотезы о виде распределения при п > 50. Основу данного критерия составляет оценка степени расхождения гистограммы результатов наблюдений с гистограммой,

построенной на основе теоретического распределения с таким же числом интервалов. Мерой расхождения служит сумма квадратов разностей экспериментального числа результатов, попавших в соответствующий интервал, и числа результатов, которые теоретически должны попадать в этот интервал:

7 (п. - п. I2 -

/ = Г ; А , . = 1,5 (1.4)

. п.

где п. - число результатов, попавших ву-й интервал; п. - теоретическое число результатов ву-м интервале

п. = и Р. (1.5)

где Р. - теоретическая вероятность попадания результатов в у -й интервал, которая равна

Р. =Ф(2.в ) -Ф(. ) (1.6)

Ф( г) - функция Лапласа (интеграл вероятности), _*

а.в — а . = ^—;--нормированная верхняя границау-го интервала;

7

_*

а ы - а

2]н = —;--нормированная нижняя граница у -го интервала;

7

7* =

(* _* \2

а* — а )

X п. (а. — а

. I I * у * I_*

— '^'а ,■ I р, — (а

п

I ( *\2 * Г~Л2 = ^Ща* ) Р* — (а )

(1.7)

среднее квадратическое отклонение;

* а + а ,■.

2

а. = ——-—---середина у-го интервала;

_* * *

а =Х а*р* - среднее арифметическое значение эмпирического

распределения;

р* = ^ - эмпирическая вероятность (относительная частота) попадания

. п

результатов в . -й интервал.

Сумма квадратов разностей не должна выходить за границы, определенные по таблицам х\, Р - распределения Пирсона (Таблица 2 и 3) при заданном уровне

доверительной вероятности Р и числе степеней свободы к: (х2Р) , (Хк,а) , где

к = б — 1 — г - число степеней свободы х - распределения, г - число параметров теоретического закона распределения, в частности, для нормального закона г = 2, т.к. он определяется двумя параметрами - математическим ожиданием и дисперсией.

Таблица 2.

Значения х2 р и х1, а

к Р а

0.99 0.98 0.95 0.05 0.02 0.01

4 0.30 0.43 0.71 9.49 11.70 13.30

5 0.55 0.75 1.14 11.10 13.40 15.10

6 0.87 1.13 1.63 12.60 15.00 16.80

7 1.24 1.56 2.17 14.10 16.60 18.50

Таблица 3.

Значения хк, р и х1,

к Ри

0.90 0.80 0.70 0.50 0.30 0.20 0.10

4 1.06 1.65 2.20 3.36 4.88 5.99 7.78

5 1.61 2.34 3.00 4.35 6.06 7.29 9.24

6 2.20 3.07 3.83 5.35 7.23 8.56 10.60

7 2.83 3.82 4.67 6.35 8.38 9.80 12.00

а

а = 1 — Р - уровень значимости. Уровень значимости определяет

вероятность отклонения правильной гипотезы (вероятность пропуска). Поэтому q выбирается, как правило, достаточно малым, но не слишком малым, чтобы не увеличивать вероятность принятия ложной гипотезы (вероятность ложной идентификации). Рекомендуемые значения уровня значимости: 0.01 < а < 0.05. И

если при выбранном q вычисленный критерий х2 превысит верхнюю границу

доверительного интервала (хк, а) , то это означает, что эмпирическое

распределение не идентифицируемо с выбранным теоретическим законом. Если же

х2 окажется меньше нижней границы (хк р) , то это указывает на практически

полное совпадение распределений, чего в принципе быть не может, если только не было выполнено достаточно большого числа наблюдений (сотен, а возможно и тысяч). При меньшем числе наблюдений (менее сотен и тысяч) правдоподобность проверяемой гипотезы следует поставить под сомнение и принять нужное решение: увеличить число наблюдений; уточнить или изменить вид нормализующего преобразования в случае проверки гипотезы о нормальном распределении; уточнить (изменить) характер операции сглаживания исходной гистограммы. Если условие

(хк,р)н <х2 <(хк,а)в (1.8)

выполняется, то это означает, что эмпирическое распределение не противоречит теоретическому. Вместе с тем это не означает, что оно полностью соответствует теоретическому распределению. При определенной доверительной

вероятности критерий х 2 может дать положительный результат и для некоторого другого теоретического закона. Однозначность же ответа заключается в невыполнении условия (1.8), когда эмпирическое распределение не соответствует теоретическому, на соответствие которому проверялось. Таким образом, критерий Пирсона обеспечивает возможность проверки соответствия эмпирического распределения любому выбранному заранее теоретическому распределению. Вместе с тем этот критерий, как и другие критерии согласия, не обеспечивает

однозначной идентификации эмпирического распределения, т.е. не устанавливает однозначно вид этого распределения.

Таким образом, при выполнении условия (1.8), используя значение к и

вычисленное х2, по Таблицам 2 и 3 необходимо найти соответствующее значение вероятности правильной идентификации Ри, являющейся мерой близости (или расхождения) эмпирического и теоретического распределений, мерой правдоподобия выдвинутой гипотезы. По значению Ри эксперт имеет возможность сделать соответствующий вывод и принять то или иное решение. Так, если вероятность Ри достаточно велика, то расхождение между распределениями можно считать несущественным, а гипотезу о том, что измеряемая величина имеет теоретическое распределение с вероятностью Ри, считать правдоподобной. Если же вероятность Ри слишком мала, то гипотеза может быть по решению эксперта

отклонена как неправдоподобная.

Критерий Пирсона наиболее точный, а при малом числе наблюдений для быстрой прикидочной проверки может быть использован непараметрический критерий.

Непараметрический критерий - используется при малом числе наблюдений для быстрой прикидочной проверки гипотезы о нормальном распределении результатов наблюдений. Порядок обработки:

1) результаты наблюдений располагаются в виде вариационного ряда, т.е. в порядке возрастания а1 < а2 <... < ап;

2) строится эмпирическая интегральная функция распределения Г*(а.)

согласно указанному алгоритму (Рисунок 1.4);

3) алгоритм принятия решений

* Ф(г.) = Г\а.);

* определение 2у Г * (а.) = Ф( г.) ^ г. ;

Рисунок 1.4. Алгоритм построения эмпирической интегральной функции

a j - m * „ _ J

Zj = а

* Zj = f (aj) - прямая линия (Рисунок 1.5);

* результаты ^-математическое ожидание ctg а = а.

Рисунок 1.5. Зависимость = / (а^ )

Точечный метод контроля размеров заготовок. Данный метод [81] может быть реализован с помощью алгоритма контроля измеряемого размера (Рисунок 1.6), состоящего из операций по установлению контрольного числа групп заготовок, установлению границы поля допуска размера, определению границ рассеивания средних арифметических значений в группах и, на основании алгоритма, построена точностная диаграмма (Рисунок 1.7).

Данный алгоритм отличается простотой практической реализации, но при этом требует предварительного формирования групп заготовок, что делает проблематичным его использование для текущего контроля.

Рисунок 1.6. Структурная схема алгоритма контроля измеряемого размера

Рисунок 1.7. Точностная диаграмма Рассмотренные статистические методы позволяют осуществлять операционный контроль (мониторинг) качества ТП и его изменения под действием различных факторов: износ оборудования технологической оснастки и инструмента, старение, температурные деформации. Реализация операционного контроля позволяет выявить ухудшение качества уже на ранних стадиях и своевременно устранить причины ухудшения.

Реально случайные причины ухудшения качества многочисленны. При этом, если каждая из них может вызвать незначительное по величине отклонение по заданным параметрам качества, то в совокупности они могут привести к существенным отклонениям и вызвать полную разладку ТП. При механической обработке заготовок они могут быть следствием неизбежных изменений упругих напряжений цепи станок-приспособление-инструмент-обрабатываемый материал, которые происходят не мгновенно, а с опозданием, т.к. обрабатываемый материал обладает некоторой вязкостью и упругостью; изменения размеров режущих инструментов вследствие износа; неоднородности обрабатываемого материала по твердости, размерам, форме, механическим свойствам; нагрева отдельных частей станка, инструмента, обрабатываемых деталей; субъективных влияний.

1.2. Особенности интеллектуального машиностроительного производства Четвертая промышленная революция [86] связана прежде всего с созданием так называемых цифровых заводов (интеллектуального машиностроительного производства) на основе технологий промышленного Интернета вещей, трехмерной печати металлом на основе цифровых моделей, комплексной роботизации производства и аналитики больших данных (Big Data). Организация

ИМП предполагает [49, 59, 64, 68], что каждая единица оборудования способна к самостоятельной настройке параметров производства в ходе взаимодействия с другим оборудованием, подключенным к общей базе знаний. Кроме того, организация ИМП предполагает всестороннюю визуализацию производственных (технологических) процессов, позволяющую установить четкие причинно-следственные связи при мониторинге каждой стадии производства (технологического процесса), контролировать качество [65], быстро обнаруживать проблемы и устранять их [48].

Особенностями ИМП являются:

наличие общей сети взаимодействия оборудования; самостоятельная настройка параметров оборудования; взаимодействие с другим оборудованием; связь между процессами;

оснащение оборудования интеллектуальными датчиками; постоянное обновление данных, пополнение знаний; визуализация производственных процессов; автоматический анализ большого объема данных; наличие базы знаний и источников ее пополнения; использование технологий, связывающих физические процессы с цифровыми: цифровые двойники [47], дополненная реальность и др;

* инструменты контроля качества технологических операций, процессов и оборудования.

Возможности ИМП представлены на Рисунке 1.8.

К ключевым особенностям можно отнести:

* связанность;

* оптимизация;

* прозрачность;

* проактивность;

* * * * * * * * * *

Производственные операции

Складские операции

Отслеживание ресурсов

У

У

Качество

У

Обслуживание

У

Аддитивное производство для быстрого изготовления прототипов или запасных частей. Расширенное планирование с использованием данных о производстве и запасах, поступающих в режиме реального времени. Автономные роботы для эффективного выполнения рутинных операций. Цифровой двойник для оцифровки технологических процессов.

Дополненная реальность для помощи персоналу при погрузочныхработах.

Автономные роботы для выполнения складских операций.

Датчики для отслеживания перемещения и местоположения сырья, инструментов и готовой продукции. Аналитика для оптимизации запасов сырья, комплектующих и пр.

У

Контроль качества в процессе производства с использованием оптических методов. Контроль параметров оборудования в режиме реального времени для прогнозирования потенциальных проблем с качеством.

Дополненная реальность (экспертные системы), помогающая персоналу выполнять обслуживание и ремонт. Датчики на оборудовании для мониторинга оборудования и прогнозного технического обслуживания.

Подробно ключевые особенности ИМП представлены на Рисунке 1.9.

Связанность

1 Постоянное извлечение традиционных данных и данных с датчиков с учетом местоположения.

1 Обмен данными в реальном времени с поставщиками и заказчиками.

1 Коллаборация между отделами (например, отправка обратной связи от производства в отдел разработок)

Оптимизация

■ Предсказуемая производительность.

■ Увеличение срока службы оборудования и эффективности производства.

■ Высокоавтоматизированное производство и логистика с минимальным задействованием людей.

■ Минимизация затрат на обеспечение качества и стоимости продукции

Прозрачность

1 Актульная информация помогает принимать эффективные решения.

Прогонозирование спроса через обратную связь с потребителем.

1 Гибкое отслеживание заказов клиентов.

Проактивность

Прогнозное отслеживание и устрание неисправно стей

' Автоматизированое пополнение запасов.

' Раннее выявление проблем с качеством продукции поставщика.

' Контроль безопасности в режиме реального времени.

Гибкость

Гибкое адаптируемое планирование и внесение изменений.

■ Возможность наблюдать последствия изменений в реальном времени.

Возможность оперативной реструктуризации производства.

ИМП предполагает наличие интеллектуальной платформы, основу которой составляют накопленные и пополняемые базы знаний [95].

Практическим воплощением данной платформы является создание цифровых двойников, представляющих собой математические модели, служащих для характеристики изменения состояния оборудования, инструмента, ТОп и ТП во времени [94].

Системным решением, влияющим на основные этапы производственного цикла изделия, является интеграция цифровых двойников в производственную модель ИМП.

Основные этапы получения цифровых двойников представлены на Рисунке 1.10.

Рисунок 1.10. Структурная схема алгоритма разработки и внедрения технологии

На Рисунках 1.11, 1.12, 1.13, 1.14, 1.15 и 1.16 представлены подробные алгоритмы этапов получения цифровых двойников.

Рисунок 1.11. Выбор оборудования

г N

Конец

У

Рисунок 1.13. Подключение оборудования к сети промышленного интернета

Рисунок 1.14. Сбор телеметрических данных

Рисунок 1.16. Автоматическое создание цифровых двойников Цифровые двойники составляют основу ИМП, являются интеллектуальной платформой (Рисунок 1.17).

его

Интеллектуальная платформа предприятия

Организационная структура ИМП (Рисунок 1.18) строится на основе накопленной базы знаний в обусловленной сфере производства с ее пополнением как из внешних источников, так и за счет приобретения собственного опыта.

Внедрение цифровых двойников существенно повышает эффективность ИМП (Рисунок 1.19).

Общая структура ИМП представлена на Рисунке 1.20.

Автоматизированная система управления предприятием

Функциональные подсистемы

^основное производство

*вспо м о гател ьное производство

*сбыт и реализация

*финансы

*инвестиции

^маркетинг

*работа с персоналом (кадры)

*закупки

Обеспечивающие подсистемы

*техническое обеспечение

*математическое обеспечение

^информационное обеспечение

^организационное обеспечение

^правовое обеспечение

^программное обеспечение

*лингвистическое обеспечение

*недвижимость

*качество

^безопасность, охрана труда

*экология

*исследования

^проектирование

Методы проектирования ИМП представлены на Рисунке 1.21.

Рисунок 1.21. Методы проектирования ИМП 1.3. Постановка научной задачи

Реально, несмотря на перечисленные преимущества, в интеллектуальном машиностроительном производстве существует ряд скрытых ограничений и многочисленных потерь в производственных цепочках, что негативно сказывается на качестве продукции.

Слабыми звеньями технологического процесса являются металлорежущее оборудование и инструмент, что требует постоянного контроля режимов функционирования оборудования. Можно сказать, что роль оборудования и инструмента в ТП является решающей в достижении требуемого качества продукции.

Кроме того, интеллектуальное машиностроительное производство характеризуется большим числом разнородных элементов, высокой степенью их

взаимосвязи и взаимозависимости в процессе производства, неопределенностью выполнения ТОп и ТП, в итоге - нестационарно.

В связи с этим возникает задача разработки инструментов высокоточной диагностики процессов механической обработки и прогнозирования технического состояния в режиме реального времени [39, 53]. Применение таких инструментов должно обеспечивать возможность оперативно оценивать состояние ТП в целом, степень износа оснастки (инструмента) в реальном времени, прогнозировать возможные состояния, отслеживать изменения применения в состоянии технической оснастки.

В ИМП указанная задача может быть решена путем использования ранее рассмотренных статистических методов и реализующих алгоритмов, а также путем интеграции технологий «цифровых двойников» в производство, основанных на подходах искусственного интеллекта и машинного обучения.

Вместе с тем, следует учитывать воздействие на все ТП ИМП процесса пополнения (приращения) знаний, вносящего существенную неопределенность в состояние технологического процесса. Неопределенность состояния ТП вносит также процесс использования знаний.

Список литературы диссертационного исследования кандидат наук Фазилова Ксения Наильевна, 2022 год

Библиография

[1] Федеральный закон от 26 июня 2008 г. N 102-ФЗ «Об обеспечении единства измерений»

[2] Рекомендации по межгосударственной стандартизации. РМГ 29-99. Государственная система обеспечения единства измерений. Метрология. Основные термины и определения

[3] Рекомендации по межгосударственной стандартизации. РМГ 83-2007. Государственная система обеспечения единства измерений. Шкалы измерений. Термины и определения

[4] Рекомендации по метрологии. МИ 1967-89. Государственная система обеспечения единства измерений. Выбор методов и средств измерений при разработке методик выполнения измерений. Общие положения

[5] Порядок разработки перечня национальных стандартов, содержащих правила и методы исследований (испытаний) и измерений, в том числе правила отбора образцов, необходимые для применения и исполнения принятого технического регламента и осуществления оценки соответствия, а также в случае отсутствия указанных национальных стандартов применительно к отдельным требованиям технического регламента или объектам технического регулирования порядок разработки правил и методов исследований (испытаний) и измерений, в том числе правил отбора образцов, необходимых для применения и исполнения принятого технического регламента и осуществления оценки соответствия. Утвержден Приказом Минпромторга от 3 сентября 2008 г. N 119, зарегистрирован в Минюсте РФ 20 октября 2008 г., регистрационный номер N 12510

[6] Правила по межгосударственной. Порядок разработки и ведения стандартизации ПМГ 13-95 межгосударственных классификаторов

[7] Рекомендации по межгосударственной стандартизации. РМГ 19-96 Рекомендации по основным принципам и методам стандартизации терминологии

ПРИЛОЖЕНИЕ В

Справка об использовании результатов исследования

одк

ПЕРМСКИЕ МОТОРЫ

Акционерное общее! во «ОДК-Псрмскнс могоры» Комсомольский нроспскт. д. 93, корпус 61, г. Пермь. Псрчскин край, (>14010. Российски Федерация. Факс [phone] Телефон [phone]-КО

1>пы|| рт/У'рт/.ш ШеЬоДт: |1Ир ччилк рту ги ОКНО 4Л780054. ОП'Н |02<'>(И1Х«>.!Хл4 ИМИ КПП 5404007312'785050001

на №

№ ОТ

СПРАВКА

об использовании результатов диссертационной работы Фазиловой Ксении Наильевны на тему «Инструменты контроля качества технологических процессов интеллектуального машиностроительного

производства»

Предлагаемая в работе методика контроля качества технологических процессов используется для контроля стабильности технологического процесса изготовления компрессорных лопаток газотурбинных двигателей.

Предлагаемая методика обеспечивает возможность совершенствования технологического процесса штамповки заготовок лопатки ГТД, на ее основании были внедрены организационные и технологические мероприятия, позволяющие снизить трудоемкость изготовления.

Изготовление заготовки лопатки занимает более 70% от технологической себестоимости. своевременное обновление технологической оснастки позволяет снизить себестоимость изготовления на 15% и повысить эффективность производства.

Зам. директора программы двигателей ПД-14, ПД-35. ПД-8

>

Д.А.Дическул

ПРИЛОЖЕНИЕ Г

Справки об использовании результатов исследования

^ АКЦИОНЕРНОЕ ОБЩЕСТВО

«НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ ЦЕНТР ПО ИЗУЧЕНИЮ СВОЙСТВ ПОВЕРХНОСТИ И ВАКУУМА:

ИНН 7728309630 КПП 772801001 ОК'ПО 04776430 ОГРН 1047728023463 ул. Новаторов, д. 40, корп.1 г. Москва. 119421 тел/факс: [phone] 11, Н-ша»: пиНЯтгру.ги

об использовании результатов диссертационной работы Фазиловой Ксении Наильевны на тему «Инструменты контроля качества технологических процессов интеллектуального машиностроительного

производства»

Комплекс подготовки калибровочных мер включает в себя установку для вакуумного магнетронного напыления пленки заданной толщины с размером напыляемого зерна порядка 0,5 нм.

Предложенная в диссертационной работе методология использоватась для контроля процесса напыления пленки хрома Сг на поверхность меры по всей площади в целях формирования электропроводящего слоя на поверхности исследуемых образцов, сохраняющего топографию элементов рельефа и позволяющего проводить сканирование без накопления заряда в образце. Применение данной методологии контроля обеспечило возможность напыления тонких пленок хрома Сг на поверхность мер высоты, рельефные элементы которых имеют разный коэффициент отражения, что позволяет повысить точность измерения почти на 20%.

Генеральный директор

СПРАВКА

Д.М. Михайлюк