Научные статьи \ Общие вопросы науки и культуры \ Информационные технологии. Вычислительная техника. Обработка данных \ Искусственный интеллект

Ансамбль онтологических моделей для обеспечения интеллектуальной поддержки лазерных аддитивных технологических процессов

Ансамбль онтологических моделей для обеспечения интеллектуальной поддержки лазерных аддитивных технологических процессов

Автор: Грибова В.В., Кульчин Ю.Н., Никитин А.И., Тимченко В.А.

Журнал: Онтология проектирования @ontology-of-designing

Рубрика: Методы и технологии принятия решений

Статья в выпуске: 2 (52) т.14, 2024 года.

Бесплатный доступ

Обсуждаются барьеры, затрудняющие применение в производстве аддитивных технологических процессов изготовления металлических деталей. Обосновывается необходимость внедрения интеллектуальной системы поддержки принятия решений в профессиональную деятельность инженеров-технологов лазерного аддитивного производства. Указываются преимущества, которые даёт применение разработанного онтологического двухуровневого подхода к формированию семантической информации. Особенность подхода состоит в том, что онтологические модели отделены от формируемых на их основе баз данных и знаний - целевой информации, а онтология определяет правила структурированного формирования целевой информации и её интерпретации. Представлен ансамбль онтологических моделей, положенный в основу разрабатываемой интеллектуальной системы. Описан состав ансамбля моделей, назначение отдельных его компонентов и возможные типы связей между ними. В состав ансамбля входят онтологии: справочных баз по оборудованию и материалам лазерного аддитивного производства, архива протоколов технологических операций лазерной обработки, базы знаний о настройках режимов лазерной обработки и базы математических моделей. Ансамбль онтологических моделей реализован на облачной платформе IACPaaS с использованием её инструментальных средств. Онтологии, базы данных и знаний, а также система поддержки принятия решений входят в состав портала знаний о лазерном аддитивном производстве. Аккумулирование в портале и дальнейшее использование знаний и опыта, накапливаемых разными технологами, позволит уменьшить число предварительных экспериментов, направленных на выявление практически пригодных технологических режимов, а также снизить требования к квалификации пользователей технологического оборудования.

Еще

Поддержка принятия решений, онтологии, онтологическое проектирование, лазерное аддитивное производство, графовая модель, облачная платформа

Короткий адрес: https://sciup.org/170205622

IDR: 170205622   |   УДК: 004.82   |   DOI: 10.18287/2223-9537-2024-14-2-279-300

An ensemble of ontological models for intelligent support of laser additive manufacturing processes

Barriers hindering the use of additive manufacturing processes for metal parts production are discussed. The necessity of integrating an intelligent decision support system (DSS) into the professional activities of laser additive manufacturing engineers is substantiated. The advantages of the developed ontological two-level approach for forming semantic information are highlighted. This approach's peculiarity lies in separating ontological models from the databases and knowledge formed on their basis-target information. The ontology dictates the rules for the structured formation and interpretation of target information. An ensemble of ontological models, forming the foundation of the developed intelligent system, is presented. The composition of the ensemble, the purpose of its individual components, and possible types of connections between them are described. The ensemble includes ontologies for reference databases on equipment and materials for laser additive manufacturing, an archive of protocols for technological operations of laser processing, a knowledge base about settings for laser processing modes, and a database of mathematical models. The ensemble of ontological models is implemented on the IACPaaS cloud platform using its tools. Ontologies, databases, knowledge bases, and a decision support system are part of the Laser Additive Manufacturing Knowledge Portal. Accumulating and using the knowledge and experience from different technologists in the portal will reduce the number of preliminary experiments needed to identify suitable technological modes and lower the qualification requirements for users of technological equipment.

Еще

Список литературы Ансамбль онтологических моделей для обеспечения интеллектуальной поддержки лазерных аддитивных технологических процессов

  • Razvi S.S, Feng S., Narayanan A., Lee Y.T., Witherell P. A Review Of Machine Learning Applications In Additive Manufacturing // In: Proc. of the ASME 2019 Int. Design Engineering Technical Conferences and Computers and Information in Engineering Conference (Anaheim, CA, USA, August 18-21, 2019). ASME, 2019. P.1-10. DOI: 10.1115/DETC2019-98415.
  • Piscopo G., Iuliano L. Current research and industrial application of laser powder directed energy deposition // Int. J. of Advanced Manufacturing Technology. 2022. Vol. 119. P.6893-6917. DOI: 10.1007/s00170-021-08596-w.
  • Svetlizky D., Zheng B., Vyatskikh A., Das M., Bose S., Bandyopadhyay A., Schoenung J.M., Lavernia E.J., Eliaz N. Laser-based directed energy deposition (DED-LB) of advanced materials // Materials Science and Engineering. 2022. Vol. 840. 142967. P.1-137. DOI: 10.1016/j.msea.2022.142967.
  • Распоряжение Правительства РФ от 14 июля 2021 г. № 1913-р «Об утверждении Стратегии развития аддитивных технологий в РФ на период до 2030 г. // Правительство Российской Федерации: офиц. сайт. http://static.government.ru/media/acts/files/1202107160042.pdf (дата обращения: 06.05.2024).
  • Thompson S.M., Bianc L., Shamsaeia N., Yadollahi A. An overview of Direct Laser Deposition for additive manufacturing; Part I: Transport phenomena, modeling and diagnostics // Additive Manufacturing. 2015. Vol. 8. P.36-62. DOI: 10.1016/j.addma.2015.07.001.
  • Yadav S., Paul C.P., Jinoop A.N., Rai A.K., Bindra K.S. Laser Directed Energy Deposition based Additive Manufacturing of Copper: Process Development and Material Characterizations // Journal of Manufacturing Processes. 2020. Vol. 58. P.984-997. DOI: 10.1016/j.jmapro.2020.09.008.
  • Caiazzo F., Alfieri V. Simulation of laser-assisted directed energy deposition of aluminum powder: prediction of geometry and temperature evolution // Materials. 2019. Vol. 12(13). 2100. P.1-22. DOI: 10.3390/ma12132100.
  • Saboori A., Aversa A., Marchese G., Biamino S., Lombardi M., Fino P. Application of Directed Energy Deposition-Based Additive Manufacturing in Repair // Applied Sciences. 2019. Vol. 9(16). 3316. P.1-26. DOI: 10.3390/app9163316.
  • Thomas D.S. Economics of Additive Manufacturing // In: L. Bian, N. Shamsaei, J. Usher (eds.) Laser-Based Additive Manufacturing of Metal Parts: Modeling, Optimization, and Control of Mechanical Properties. Boca Raton: CRC Press, 2017. 342 p. DOI: 10.1201/9781315151441-9.
  • Qi X., Chen G., Li Y., Cheng X., Li Ch. Applying Neural-Network-Based Machine Learning to Additive Manufacturing: Current Applications, Challenges, and Future Perspectives // Engineering. 2019. Vol. 5(4). P.721-729. DOI: 10.1016/j.eng.2019.04.012.
  • Wang Y.B., Zheng P., Peng T., Yang H.Y., Zou J. Smart additive manufacturing: Current artificial intelligenceenabled methods and future perspectives // Science China Technological Sciences. 2020. Vol. 63(9). P.1600-1611. DOI: 10.1007 / s11431-020-1581-2.
  • Nagulin K., Iskhakov F., Shpilev A., Gilmutdinov A. Optical diagnostics and optimization of the gas-powder flow in the nozzles for laser powder cladding // Optics & Laser Technology. 2018. Vol. 108. P.310-320. DOI: 10.1016/j.optlastec.2018.07.001.
  • Yang L., Hsu K., Baughman B., Godfrey D., Medina F., Menon M., Wiener S. Additive Manufacturing of Metals: The Technology, Materials, Design and Production. Springer, 2017. 168 p.
  • Dehaghani S.M.H., Hajrahimi N. Which factors affect software projects maintenance cost more? // Acta Informatica Medica. 2013. Vol. 21(1). P.63-66. DOI: 10.5455/AIM.2012.21.63-66.
  • Islam M., Katiyar V. Development of a software maintenance cost estimation model: 4th GL perspective // International Journal of Technical Research and Applications. 2014. Vol. 2(6). P. 65-68.
  • Грибова В.В., Шалфеева Е.А. Обеспечение жизнеспособности систем, основанных на знаниях // Информационные технологии. 2019. Т. 25, №12. C.738-746. DOI: 10.17587/it.25.738-746.
  • Sanfilippo E.M., Belkadi F., Bernard A. Ontology-based knowledge representation for additive manufacturing // Computers in Industry. 2019. Vol. 109. P.182-194. DOI: 10.1016/j.compind.2019.03.006.
  • Ko H., Witherell P., Lu Y., Kim S., Rosen D.W. Machine learning and knowledge graph based design rule construction for additive manufacturing // Additive Manufacturing. 2021. Vol. 37. 101620. P.1-32. DOI: 10.1016/j.addma.2020.101620.
  • Хорошевский В.Ф. Проектирование систем программного обеспечения под управлением онтологий: модели, методы, реализации // Онтология проектирования. 2019. Т. 9, №4. С.429-448. DOI: 10.18287/2223-9537-2019-9-4-429-448.
  • Gandomi A., Haider M. Beyond the hype: big data concepts, methods, and analytics // International Journal of Information Management. 2015. Vol. 35 (2). P.137-144. DOI: 10.1016/j.ijinfomgt.2014.10.007.
  • Albagli-Kim S., Beimel D. Knowledge Graph-Based Framework for Decision Making Process with Limited Interaction // Mathematics. 2022. Vol. 10(21). 3981. P.1-17. DOI: 10.3390/math10213981.
  • Gribova V.V., Kleshchev A.S., Moskalenko F.M., Timchenko V.A. A Two-level Model of Information Units with Complex Structure that Correspond to the Questioning Metaphor // Automatic Documentation and Mathematical Linguistics. 2015. Vol. 49(5). P.172-181. DOI: 10.3103/S0005105515050052.
  • Gribova V.V., Kleshchev A.S., Moskalenko F.M., Timchenko V.A. A Model for Generation of Directed Graphs of Information by the Directed Graph of Metainformation for a Two-Level Model of Information Units with a Complex Structure // Automatic Documentation and Mathematical Linguistics. 2015. Vol. 49(6). P.221-231. DOI: 10.3103/S0005105515060059.
  • Bayat M., Dong W., Thorborg J., To A.C., Hattel J.H. A review of multi-scale and multi-physics simulations of metal additive manufacturing processes with focus on modeling strategies // Additive Manufacturing. 2021. Vol. 47. 102278. P.1-25. DOI: 10.1016/j.addma.2021.102278.
  • Грибова В.В., Тимченко В.А. Концепция поддержки лазерного аддитивного производства на основе онтологического подхода // Онтология проектирования. 2020. Т. 10, №2. С.176-189. DOI: 10.18287/2223-9537-2020-10-2-176-189.
  • Gribova V., Kulchin Y., Nikitin A., Velichko A., Basakin A., Timchenko V. The Concept of Intelligent Support for Laser Additive Manufacturing Process Engineer // In: O. Dolinina, et al. (eds.): Artificial Intelligence in Models, Methods and Applications. AIES 2022. Studies in Systems, Decision and Control, vol. 457. Springer, Cham, 2023. P.355-368. DOI: 10.1007/978-3-031-22938-1_25.
  • Gribova V.V., Moskalenko P.M., Timchenko V.A., Shalfeeva E.A. The IACPaaS Platform for Developing Systems Based on Ontologies: A Decade of Use // Scientific and Technical Information Processing. 2023. Vol. 50(5). P.406-413. DOI: 10.3103/S0147688223050064.
  • Qi Q., Pagani L., Scott P., Xiang J. A categorical framework for formalising knowledge in additive manufacturing // Procedia CIRP. 2018. Vol. 75. P.87-91. DOI: 10.1016/j.procir.2018.04.076.
  • Roh B.M., Kumara S.R.T., Witherell P., Simpson T.W. Ontology-based Process Map for Metal Additive Manufacturing // Journal of Materials Engineering and Performance. 2021. Vol. 30(12), P.8784-8797. DOI: 10.1007/s11665-021-06274-2.
  • Li Z., Huang M., Zhong Y., Qin Y. A Description Logic Based Ontology for Knowledge Representation in Process Planning for Laser Powder Bed Fusion // Applied Sciences. 2022. Vol. 12(9). 4612. P.1-23. DOI: 10.3390/app12094612.
  • Phillips P.J., Hahn C.A., Fontana P.C., Yates A.N., Greene K., Broniatowski D.A., Przybocki M.A. Four Principles of Explainable Artificial Intelligence // NIST Interagency/Internal Report (NISTIR) - 8312, National Institute of Standards and Technology, Gaithersburg, MD. 2021. URL: https://doi.org/10.6028/NIST.IR.8312 (дата обращения: 06.05.2024).
Еще
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp