Перспектива применения нейронных сетей для планирования загрузки участка механической обработки
Автор: Кузнецов С.В., Роговик А.А.
Журнал: Международный журнал гуманитарных и естественных наук @intjournal
Рубрика: Технические науки
Статья в выпуске: 9-2 (96), 2024 года.
Бесплатный доступ
В данной статье рассказывается о перспективах применения нейронных сетей для разбиения (сортировки) деталей на группы, которые можно применять при планировании производства, с использованием двух инструментов: группированием деталей по определенным (выбираемым) конструктивным и технологическим признакам с дальнейшим выполнением операций механической обработки для данной группы деталей (а не для каждого вида деталей отдельно) и применением коэффициента штучного времени детали аналога на внедряемую деталь.
Планирование производства, группирование деталей, механическая обработка, нейронные сети, корректировка штучного времени
Короткий адрес: https://sciup.org/170207141
IDR: 170207141 | DOI: 10.24412/2500-1000-2024-9-2-115-117
Текст научной статьи Перспектива применения нейронных сетей для планирования загрузки участка механической обработки
Повышение производительности металлорежущего оборудования - это задача, которую можно назвать одной из главных, которая стоит перед специалистами в этой области. Правильное планирование загрузки участка механической обработки может помочь увеличить производительность оборудования этого участка. Тут можно выделить несколько основных положительных аспектов. Первое - это сокращение простоев в загрузке оборудования. Второе - уменьшение размеров незавершенного производства, которое возникает на различных этапах производственного цикла из-за несогласованности. Третье - уменьшение риска работы в авральном режиме.
Далее будет описан метод, который поможет значительно повысить качество планирования производства и за счет этого эффективность и производительность участка механической обработки.
Цель выполненного исследования - выявить перспективы применения нейронных сетей для планирования производства, конкретно для группирования деталей, и дальнейшего их производства совместно.
Объектом исследования стала возможность применения нейронных сетей для планирования производства.
Данная работы будет интересна специалистам по планированию, работающим в единичном и серийном производствах, в которых есть участок механической обработки.
Как известно, для достижения более эффективного планирования необходимо учитывать ранее полученный опыт производства, то есть определенную статистику и анализ этих данные. В качестве таких данных может выступать информация по ранее произведенным деталям на этом производстве. В процессе этого анализа детали должны быть разбиты на группы, которые будут формироваться на принципах подобия по конструкторским и технологическим особенностям детали. Преимущества применения подобия для планирования была доказана ранее многими авторами [1-6 и др.].
После разбиения можно выделить два разработанных ранее инструмента, которыми можно воспользоваться при планировании производства.
Первый инструмент - это когда собирается и запускается совместно группа из деталей, максимально схожих по конструктивным и технологическим признакам. В группу могут входить как детали, которые уже ранее производились на этом предприятии, так и детали, которые производятся впервые. Сбор группы позволит выполнять определенные операции в ходе их технологических процессов совместно, за счет чего появляется возможность увеличения партии (серии). Увеличение партии приводит к следующим положительным изменениям: появляется возможность использования специальных высокотехнологичных вариантов изготовления деталей и средств производства, уменьшается срок изготовления деталей за счет сокращения времени наладок на новую деталь, сокращение сроков подготовки производства, уменьшение числа бракованных деталей за счет повышения специализации рабочих мест. Все эти факторы сокращают стоимость изготовления деталей [4].
Второй инструмент - это применения коэффициента штучного времени для впервые внедряемых деталей на данном производстве. Это требует нахождение детали-аналога, расчет для нее коэффициента штучного времени, который находится как отношение фактического штучного времени к расчетному штучному времени, и далее умножение расчетного штучного времени внедряемой детали на этот коэффициент, и использование для планирования загрузки станков уже полученного значения [1].
Используя эти инструменты, специалист по планированию может добиться существенного увеличения эффективности планирования, и как следствие увеличение производительности участка механической обработки. Но основным фактором тут является правильный подбор аналога.
На данный момент функция по разбиению деталей на группы выполняются человеком, но, к сожалению, в процессе этого часто происходят ошибки, которые связаны с обыкновенной невнимательность и недостаточной концентрацией, чему способствует то, что данный процесс довольно рутинный, кроме того, необходимо анализировать большие объемы информации, которые увеличиваются в зависимости от объема производства. Исходя из этого, предлагается передать эти функции нейронной сети. Это позволит:
-
- Значительно сократить количество ошибок при планировании и запуске групп деталей в производство;
-
- Автоматизация процесса планирования и группирования;
-
- Значительно отодвинуть предел группирования за счет возможности анализа больших объемов информации. То есть, там, где человека может эффективно разбивать детали на группы, допустим по 1520 признакам, нейронная сеть практически не имеет ограничений.
Стоит отметить, что за последние несколько лет нейронные сети получили широкое распространение во многих сферах человеческой деятельности. Их появление и применение позволило сделать прорыв во многих отраслях, как в фундаментальных, так и в прикладных направлениях.
В настоящие время нейронные сети так же начинают внедряться повсеместно в промышленности, в частности, в машиностроении. Это происходит за счет того, что они способны анализировать большие объемы данных, автоматизировать рутинную работу, которая не требует высокой квалификации и оптимизировать многие процессы в управлении производством.
Нейросеть можно обучить на основе статистических данных, которые были получены за определенный период времени. Они способны распознать некие закономерности, которые не в состоянии рассмотреть обычный человек, и за счет этого они могут делать прогнозы протекания тех или иных процессов на производстве. Возможность самообучения позволяют нейронным сетям быстро адаптироваться к изменениям на производстве, они улучшаются при поступлении в них все новых и новых данных. Все эти возможности делают нейронные сети одним из самых перспективных инструментов, который может помочь решить множество проблем в машиностроении и повысить качество выпускаемой продукции [7].
Вывод
Таким образом, существует несколько приемов, которые можно применять при планировании загрузки участка механической обработки, и которые помогают добиться повышения производительности. Первый прием - это группирование деталей, по каким либо конструктивным и технологическим признакам, и в дальнейшем выполнение операции механической обработки для группы деталей, а не для каждо- го вида деталей отдельно. Второй прием – применение коэффициента штучного времени детали аналога, на внедряемую деталь.
Сейчас эти приемы требуют примене- ния рутинного труда человека, во время которого часто происходят ошибки, кроме того это требует больших временных затрат. Так же стоит отметить, что компью- терные программы давно опередили человека по объему информации, которую нужно проанализировать. Исходя из этого можно сказать, что применение нейронных сетей для планирования загрузки участка механической обработки имеет большие перспективы, и может способ- ствовать улучшению качества планирования, так как нейронные сети давно доказали свою эффективность во многих областях сферы деятельности человека, в том числе и в машиностроении.
Список литературы Перспектива применения нейронных сетей для планирования загрузки участка механической обработки
- Кузнецов С.В., Аносов М.С., Роговик А.А., Муругов Ю.С. Определение коэффициентов штучного времени деталей типа "вал" на основе их подобия // Научно-технический вестник Поволжья. - C. 72-75.
- Нефедов, А.А. Количественное оценивание подобия изготавливаемых деталей / А.А. Нефедов // Известия высших учебных заведений. Машиностроение. - 2007. - № 11. - С. 69-76. EDN: UAADLZ
- Классификатор ЕСКД. Класс 71. - М., 1986.
- Кузнецов С.В., Роговик А.А., Муругов Ю.С. Подбор оптимальной группировки деталей типа "Вал" для увеличения серийности при планировании производства // Машиностроение: сетевой электронный научный журнал. - C. 51-55.
- Митрофанов С.П. Научная организация машиностроительного производства. - Л.: Машиностроение, 1976. - 712 с.
- Yong Yin Application of similarity coefficient method to parts coding and classification analysis in group technology // Manufacturing Systems. - P. 42-48.
- Шаламов А.В., Мазеин П.Г. Нейронные сети как новый подход к управлению технологическим оборудованием // Известия Челябинского научного центра. - 2003. - № 1 (18). - С. 60-64. EDN: HBNIEL