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   |   DOI: 10.18287/2223-9537-2024-14-2-279-300

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
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp