Методика анализа организационно-технических рисков обеспечения готовности оборудования для процесса селективного лазерного сплавления на основе сетей Байеса

Методика анализа организационно-технических рисков обеспечения готовности оборудования для процесса селективного лазерного сплавления на основе сетей Байеса

Автор: Искворин Д.С., Хаймович А.И.

Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc

Рубрика: Машиностроение и машиноведение

Статья в выпуске: 3 т.26, 2024 года.

Бесплатный доступ

В статье предложена методика анализа организационно-технических рисков обеспечения готовности оборудования к селективному лазерному сплавлению (СЛС) деталей, основанная на применении сетей Байеса. Идентификация рисков и вероятность возникновения нежелательных событий проведена путем анкетирования экспертов. На основе обработки результатов анкетирования разработана вероятностная модель количественной оценки влияния организационных факторов на отклонения от стандартного регламента подготовки оборудования к процессу СЛС, позволяющая количественно оценить степень воздействия отклонений на производственную систему и доступность оборудования к выполнению заказа.

Еще

Организационно-технические риски, сети байеса, аддитивные технологии, селективное лазерное сплавление

Короткий адрес: https://sciup.org/148329377

IDR: 148329377   |   DOI: 10.37313/1990-5378-2024-26-3-63-73

Список литературы Методика анализа организационно-технических рисков обеспечения готовности оборудования для процесса селективного лазерного сплавления на основе сетей Байеса

  • Абрамов, И.В. Обеспечение развития аддитивных технологий в России в условиях санкций (Ensuring the development of additive technologies in Russia under sanctions) / И.В. Абрамов, Ю.Д. Лукина, В.И. Абрамов // Вестник евразийской науки. - 2022. - Т. 5. № 4. - С. 198–204.
  • Абрамов, И.В. Проблемы и перспективы цифровизации промышленных предприятий с использованием аддитивных технологий (Problems and prospects of digitalization of industrial enterprises using additive technologies) / И.В. Абрамов // Вестник евразийской науки. - 2023. - Т. 15. № 2.
  • Агаповичев, А.В. Исследование влияния режимов селективного лазерного сплавления на качество заготовок (Investigation of the effect of Selective Laser Melting modes on the quality of workpieces) / А.В. Агаповичев, А.В. Сотов, В.Г. Смелов // Самара: Изд-во Самар. ун-та. - 2017. - 30 с.
  • Yadav, P. In Situ Monitoring Systems of The SLM Process: On the Need to Develop Machine Learning Models for Data Processing / Pinku Yadav 1, Olivier Rigo, Corinne Arvieu, Emilie Le Guen, Eric Lacoste // Additive Manufacturing (AM) of Metallic Alloys. - 2020. - 26 c.
  • ГОСТР 58771-2019 Национальный стандарт Российской Федерации Менеджмент риска. Технологии оценки риска (Risk assessment technologies) (IEC 31010:2019, NEQ). – М. - 2020.
  • ГОСТР 31010-2011 (ИСО/МЭК) Национальный стандарт Российской Федерации Менеджмент риска. Методы оценки риска (Risk assessment methods) (ISO/IEC 31010:2009 Risk management — Risk assessment techniques (IDT)). – М. - 2012.
  • Hertlein, N. Prediction of selective laser melting part quality using hybrid Bayesian network / Nathan Hertlein, Sourabh Deshpande, Vysakh Venugopal, Manish Kumar, Sam Anand // Additive Manufacturing. – 2020. – V.32
  • Haruna, A. Adaptability analysis of design for additive manufacturing by using fuzzy Bayesian network approach / Auwal Haruna, Pingyu Jiang // Advanced Engineering Informatics. – 2022. – V.52.
  • Jing, L. Additive manufacturing industrial adaptability analysis using fuzzy Bayesian Network / Liting Jing, Bowen Tan, Shaofei Jiang, Junfeng Ma // Computers & Industrial Engineering. – 2021. – V.155.
  • Xie, Z. Bayesian inverse uncertainty quantifi cation of a MOOSE-based melt pool model for additive manufacturing using experimental data / Ziyu Xie, Wen Jiang, Congjian Wang, Xu Wu // Annals of Nuclear Energy. – 2022. – V.165.
  • Liu, D. Metal Additive Manufacturing Process Design based on Physics Constrained Neural Networks and Multi-Objective Bayesian Optimization / Dehao Liu, Yan Wang // Manufacturing Letters. – 2022. – V.33 – P. 817 - 827.
  • Zhu, J. Process parameter effects estimation and surface quality prediction for selective laser melting empowered by Bayes optimized soft attention mechanism-enhanced transfer learning / Jianjian Zhu, Zhongqing Su, Qingqing Wang, Runze Hao, Zifeng Lan, Frankie Siu-fai Chan, Jiaqiang Li, Sidney Wing-fai Wong // Computers in Industry. – 2024. – V.156.
  • Wu, L. Bayesian inference of high-dimensional fi nitestrain visco-elastic–visco-plastic model parameters for additive manufactured polymers and neural network based material parameters generator / Ling Wu, Cyrielle Anglade, Lucia Cobian, Miguel Monclus, Javier Segurado, Fatma Karayagiz, Ubiratan Freitas, Ludovic Noels // International Journal of Solids and Structures. – 2023. – V. 283.
  • Li, B. Machine-learning prediction of selective laser melting additively manufactured part density by feature-dimension-ascended Bayesian network model for process optimisation / Bo Li, Wei Zhang, Fuzhen Xuan // The International Journal of Advanced Manufacturing Technology. – 2022. – V. 121. – P. 4023-4038.
  • Bacha, A. Fault Diagnosis in the Field of Additive Manufacturing (3D Printing) Using Bayesian Networks / Abdelkabir Bacha, Ahmed Haroun Sabry, Jamal Benhra // International Journal of Online and Biomedical Engineering (iJOE). – 2019. – V.15. –N. 3. – P. 110 - 123.
  • Le-Hong, T. Data-driven models for predictions of geometric characteristics of bead fabricated by selective laser melting / Thai Le-Hong, Pai Chen Lin, Jian-Zhong Chen, Thinh Duc Quy Pham, Xuan Van Tran // Journal of Intelligent Manufacturing. – 2021. – V.34. – P. 1241 - 1257.
  • Ye, J. Bayesian Calibration of Multiple Coupled Simulation Models for Metal Additive Manufacturing: A Bayesian Network Approach / Jiahui Ye, Mohamad Mahmoudi, Kubra Karayagiz, Luke Johnson, Raiyan Seede, Ibrahim Karaman, Raymundo Arroyave, Alaa Elwany // Journal of Risk and Uncertainty in Engineering Systems, Part B: Mechanical Engineering. – 2022. – V. 8. – 12 p.
  • Ghuge S. Additive Manufacturing Process Root Selection Using Bayesian Network / Sagar Ghuge, Milind Akarte // Procedia Computer Science. – 2024. – V.232. – P. 698 - 707.
  • Francis J. Effi cient Distortion Prediction of Additively Manufactured Parts Using Bayesian Model Transfer Between Material Systems / Jack Francis, Arman Sabbaghi, M. Ravi Shankar, Morteza Ghasri- Khouzani, Linkan Bian // Journal of Manufacturing Science end Engineering. - 2020. - V. 142. - 16 p.
  • Chen, R. Ontology-Driven Learning of Bayesian Network for Causal Inference and Quality Assurance in Additive Manufacturing / Ruimin Chen, Yan Lu, Paul Witherell, Timothy W. Simpson, Soundar Kumara, Hui Yang / IEEE Robotics and Automation Letters. 2021. - V. 6. - P. 6032 - 6038.
  • Hosseini, S. Bayesian networks for supply chain risk, resilience and ripple effect analysis: A literature review / Seyedmohsen Hosseini, Dmitry Ivanov // Expert Systems with Applications. - 2020. - V. 161.
  • Литвиненко, Н.Г. Байесовские сети. Теория и практика (Bayesian networks. Theory and practice) / Н.Г. Литвиненко, А.Г. Литвиненко, О.Ж. Мамырбаев, А.С. Шаяхметова // Алматы: Институт информационных и вычислительных технологий КН МОН РК. - 2020. - 197 с.
  • Ветров, Д. Байесовские методы в машинном обучении (Bayesian methods in machine learning) / Дмитрий Ветров // Москва: исследовательская группа по байесовским методам. - 2016. - 66 с.
  • Мостеллер, Ф. Вероятность (Probability) / Ф. Мостеллер, Р. Рурке, Дж. Томас // М.: МЦНМО. - 2015. - 356 с.
  • Закирова, А.Р. Статистические методы в управлении качеством (Statistical methods in quality management) / А.Р. Закирова // Казань: Казан. ун-т. - 2015. - 40 с.
  • Семенова, Е.Г. Анализ и синтез организационно-технических решений при аддитивном производстве (Organizational and technical analysis and synthesis solutions in additive manufacturing) / Е.Г. Семенова, А.В. Чабаненко // Автоматизация и управление технологическими процессами и производствами, системы автоматизации проектирования. – 2018. – № 1. – С. 33 – 41.
  • Стукач, О.В. Программный комплекс Statistica в решении задач управления качеством (Statistical software package for solving quality management problems) / О.В. Стукач // Учебное пособие. – Томский политехнический университет. – Томск: Изд-во Томского политехнического университета. – 2011. – 163 с.
  • GeNIe Modeler. Version 4.1.R0 / Programmer’s Manual. – Bayes Fusion, LLC. - 2023. - 698 P.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp