Разработка цифрового двойника станка с ЧПУ на основе методов машинного обучения

Введение. В статье показано, что цифровой двойник (электронный паспорт) станка с ЧПУ разрабатывается как киберфизическая система. Цель работы — создание нейросетевых моделей, определяющих функционирование станка с ЧПУ, его производительность и динамическую устойчивость при резании.

Материалы и методы. Рассматриваются вопросы создания математических моделей процессов механической обработки с использованием системы сенсоров и промышленного интернета вещей. Оценены методы машинного обучения, подходящие для реализации названных задач. Предложена нейросетевая модель динамической устойчивости процесса резания, позволяющая оптимизировать процесс механической обработки на этапе технологической подготовки производства. На основе подходов нелинейной динамики реконструированы аттракторы динамической системы резания и определены их фрактальные размерности. Выбраны оптимальные характеристики оборудования по входным параметрам и отладке планируемого технологического процесса на основе цифровых двойников.

Результаты исследований. Использование методов машинного обучения позволило создать и исследовать нейросетевые модели технологических систем обработки резанием и программное обеспечение для их реализации. Показана возможность применения деревьев решений для задачи диагностики и классификации неисправностей станков с ЧПУ.

Обсуждение и заключения. В реальном производстве технология цифровых двойников позволяет оптимизировать режимы обработки с учетом технического и динамического состояния станков с ЧПУ. Это обеспечивает высокоточную оценку производственных мощностей предприятия при составлении производственной программы. Кроме того, на основе интеллектуального анализа данных системы распределенных сенсоров можно выявить неисправности оборудования в режиме реального времени.

1. Искусственный интеллект и киберфизические механообрабатывающие системы в цифровом производстве / Ю. Г. Кабалдин [и др.]. — Нижний Новгород : Изд-во Нижегород. гос. техн. ун-та им. Р. Е. Алексеева, 2018. — 271 с.

2. Организация и управление механообрабатывающим цифровым производством / Ю. Г. Кабалдин [и др.] // Вестник машиностроения. — 2018. — № 11. — С. 19–27.

3. Кабалдин, Ю. Г. Управление динамическими процессами в технологических системах механообработки на основе искусственного интеллекта / Ю. Г. Кабалдин, С. В. Биленко, С. В. Серый. — Комсомольск-наАмуре : Изд-во Комсомольского-на-Амуре гос. техн. ун-та, 2003. — 201 с.

4. Frankel, A. Есть способ лучше: цифровой двойник повысит эффективность процессов конструкторско-технологического проектирования и производства / A. Frankel, J. Larsson // САD/CAM/CAE Observer. — 2016. — № 3. — С. 36–40.

5. Шитиков, В. К. Классификация, регрессия и другие алгоритмы Data Mining с использованием R [Электронный ресурс] / В. К. Шитиков, С. Э. Мастицкий. — Режим доступа: http://www.ievbras.ru/ecostat/Kiril/R/DM/DM_R.pdf (дата обращения: 14.02.19).

6. Уайт, Т. Hadoop. Подробное руководство / Т. Уайт. — Санкт-Петербург : Питер, 2013. — 672 с.