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

Искворин Д.С., Хаймович А.И.; Iskvorin D.S., Khaimovich A.I.

doi:10.37313/1990-5378-2024-26-3-63-73

Научные статьи \ Прикладные науки. Медицина. Технология \ Инженерное дело. Техника в целом \ Общее машиностроение. Ядерная технология. Электротехника. Технология машиностроения \ Технология обработки без снятия стружки в целом: процессы, инструмент, оборудование и приспособления

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 | УДК: 621.76+004.925.8 | DOI: 10.37313/1990-5378-2024-26-3-63-73

Methodology of analyzing the organizational and technical risks of equipment readiness of selective laser melting based on Bayes networks

The article proposes a methodology for analyzing the organizational-technical risks of equipment readiness to execution Selective Laser Melting (SLM) in accordance with established regulations, based on the use of Bayesian networks. The identification of risks and the possibility of undesirable events was carried out by questionnaires experts. The processing of questionnaires results made it possible to develop a probabilistic model, has been developed for quantifying the impact of organizational factors on deviations from the standard regulations for preparing equipment for the SLM process, which allows quantifying the degree of impact of deviations on the production system and the availability of equipment for order fulfillment.

Еще

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