📄Работа №104164
Тема: Определение параметров процесса обработки на основе искусственного интеллекта с помощью нейронных сетей
Тип работы
Бакалаврская работа
Предмет
машиностроение
Объем:
70 листов
Год:
2022
Просмотров:
296
4390
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
1 Обзор механизмов износа и способов его контроля 7
1.1 Анализ механизмов износа 7
1.2 Анализ методов и средств контроля 13
1.3 Сигналы диагностики 16
1.4 Нейросетевое моделирование 20
1.5 Типы нейронных сетей 28
2 Методика проведения эксперимента 30
2.1 Описание исходных данных 30
2.2 Обработка сигнала 31
2.3 Использование для процесса диагностики нейронных сетей 32
3 Экспериментальное исследование износа инструмента 35
3.1 Изображения резца 35
3.2 Звуковые файлы 38
3.3 Анализ сигнала 39
3.4 Формирование нейронных сетей 42
4 Технология изготовления вала 44
4.1 Анализ исходных данных 44
4.2 Анализ технологичности 44
4.3 Выбор заготовки 45
4.4 Разработка маршрута 46
4.5 Проектирование операции 47
5 Безопасность и экологичность технического объекта 51
5.1 Конструктивно-технологическая характеристика объекта 51
5.2 Идентификация профессиональных рисков 52
5.3 Методы и технические средства снижения рисков 52
5.4 Обеспечение пожарной безопасности объекта 53
5.5 Обеспечение экологической безопасности технического объекта 54
6 Экономическая эффективность работы 56
Заключение 62
Список используемых источников 63
Приложение А. Маршрутные карты 67
Приложение Б. Операционная карта
1 Обзор механизмов износа и способов его контроля 7
1.1 Анализ механизмов износа 7
1.2 Анализ методов и средств контроля 13
1.3 Сигналы диагностики 16
1.4 Нейросетевое моделирование 20
1.5 Типы нейронных сетей 28
2 Методика проведения эксперимента 30
2.1 Описание исходных данных 30
2.2 Обработка сигнала 31
2.3 Использование для процесса диагностики нейронных сетей 32
3 Экспериментальное исследование износа инструмента 35
3.1 Изображения резца 35
3.2 Звуковые файлы 38
3.3 Анализ сигнала 39
3.4 Формирование нейронных сетей 42
4 Технология изготовления вала 44
4.1 Анализ исходных данных 44
4.2 Анализ технологичности 44
4.3 Выбор заготовки 45
4.4 Разработка маршрута 46
4.5 Проектирование операции 47
5 Безопасность и экологичность технического объекта 51
5.1 Конструктивно-технологическая характеристика объекта 51
5.2 Идентификация профессиональных рисков 52
5.3 Методы и технические средства снижения рисков 52
5.4 Обеспечение пожарной безопасности объекта 53
5.5 Обеспечение экологической безопасности технического объекта 54
6 Экономическая эффективность работы 56
Заключение 62
Список используемых источников 63
Приложение А. Маршрутные карты 67
Приложение Б. Операционная карта
📖 Введение
Современные технологии изготовления деталей широко используют так называемые цифровые двойники. По сути, они представляют собой математические модели элементов и процессов технологической системы. Отличительной особенностью цифрового двойника является комплексный подход к описанию процесса обработки с рассмотрением отдельных физических процессов резания, трения, нагрева, электромагнитных явлений. Добавляется параллельное моделирование с использованием разных математических методов, которое включает численное решение систем дифференциальных уравнений, в том числе методом конечных элементов, методы нейросетевого моделирования и нечеткой логики и тому подобное.
Возможности современного аппаратного и программного обеспечения позволяют проводить такое комплексное моделирование в режиме реального времени. Это обеспечивает оперативное управление и оптимизацию осуществляемых процессов обработки.
Задачи, которые при этом решаются, отличаются многообразием. Это повышение производительности, точности, снижение затрат, повышение надежности работы инструмента и оборудования. Для этого используются информационные сигналы, которые получают с различных датчиков, которые могут быть как встроенными элементами в конструкции технологической системы, так и добавлены дополнительно в ходе модернизации станков.
В результате получается многоканальная управляющая система, в рамках которой необходимо из большого количества информационных данных получить полезную информацию, на основе которой можно корректировать ход технологической операции. Для этого необходимо обеспечить поступление соответствующих данных по процессу резания с заданной периодичностью, обработку этих данных по заданному алгоритму и генерирование необходимого сигнала о смене инструмента.
Возможности современного аппаратного и программного обеспечения позволяют проводить такое комплексное моделирование в режиме реального времени. Это обеспечивает оперативное управление и оптимизацию осуществляемых процессов обработки.
Задачи, которые при этом решаются, отличаются многообразием. Это повышение производительности, точности, снижение затрат, повышение надежности работы инструмента и оборудования. Для этого используются информационные сигналы, которые получают с различных датчиков, которые могут быть как встроенными элементами в конструкции технологической системы, так и добавлены дополнительно в ходе модернизации станков.
В результате получается многоканальная управляющая система, в рамках которой необходимо из большого количества информационных данных получить полезную информацию, на основе которой можно корректировать ход технологической операции. Для этого необходимо обеспечить поступление соответствующих данных по процессу резания с заданной периодичностью, обработку этих данных по заданному алгоритму и генерирование необходимого сигнала о смене инструмента.
✅ Заключение
В представленной работе приведены результаты исследования износа режущего инструмента и связанные с ним изменения информационных сигналов, полученных из звукового сигнала, снятого с микрофона, который записывал шум, возникающий в ходе обработки. Полученные данные были обработаны статистически, из них полученные базовые статистические параметры, которые использовались для определения степени износа. Для верификации предложенной методики был использован метод непосредственного контроля степени износа, получаемый на реальном объекте и на изображении фаски режущего инструмента.
Фотография задней поверхности инструмента обрабатывалась с выделением контура фаски износа.
Получены статистические регрессионные зависимости степени износа от входных параметров, в качестве которых выступали режимы резания, а также набор количественных характеристик вибрационного и звукового сигналов. Кроме этого использовались методы машинного обучения в частности, нейросетевое моделирование с использованием нейронной сети с обратным распространением сигнала. Сформированная нейронная сеть модели износа позволяет сформировать алгоритм контроля износа режущей пластины с учетом технологических параметров.
Для примера использования такой диагностической системы спроектирован процесс изготовления вала из коррозионностойкого материала. Использование системы диагностики позволит обеспечить максимальное использование ресурса инструмента со снижением процента брака. Своевременное вмешательство в ход процесса в случае критического состояния инструмента обеспечивает повышение точности и качества обработки. Это дает экономию на расходах на инструментальное обеспечение и снижает технологическую себестоимость изготовления вала.
Фотография задней поверхности инструмента обрабатывалась с выделением контура фаски износа.
Получены статистические регрессионные зависимости степени износа от входных параметров, в качестве которых выступали режимы резания, а также набор количественных характеристик вибрационного и звукового сигналов. Кроме этого использовались методы машинного обучения в частности, нейросетевое моделирование с использованием нейронной сети с обратным распространением сигнала. Сформированная нейронная сеть модели износа позволяет сформировать алгоритм контроля износа режущей пластины с учетом технологических параметров.
Для примера использования такой диагностической системы спроектирован процесс изготовления вала из коррозионностойкого материала. Использование системы диагностики позволит обеспечить максимальное использование ресурса инструмента со снижением процента брака. Своевременное вмешательство в ход процесса в случае критического состояния инструмента обеспечивает повышение точности и качества обработки. Это дает экономию на расходах на инструментальное обеспечение и снижает технологическую себестоимость изготовления вала.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.