WORK PREPARATION UPGRADING FOR MACHINING INDUSTRIES BASED ON AN EXPANDED ANALYSIS OF PARTS DESIGN FEATURES

Capa

Citar

Texto integral

Resumo

A methodological approach to the formation and description of data on the design and technological features of parts under technological preparation of machining industries is presented, the difference, if compared to other well-known approaches, lies in recording of additional data that is not explicitly reflected in the reference design. As an additional information component, it is proposed to use: information on the mutual influence of one elementary surface on another or others, i.e. dimensioning specifications of other surfaces; data on the dimensional features of each elementary surface, which is not shown in the drawings; extreme geometric shape deviations for elementary surfaces and also mutual arrangement between elementary surfaces; data on the design bases of the part in question. The formation of a database of machined parts is given graphically, which makes it possible to use a wide range of mathematical tools technique in the creation of formalized models, providing their uncomplicated adaptation for using in existing computer-aided design systems. The analysis of additional design and technological parameters allows assessing the interdependence of the dimensions and characteristics of each of the part surfaces and the parameters of other surfaces, ensuring the quality of decision-making at the stages of technological preparation based on increasing the degree of reliability of information flows. The obtained results expand the possibilities of conducting dimensional analysis of the basic, operational and interoperation connections of the developed technical processes, increasing the level of automation in design procedures. Produced graphical models, aimed at reducing the complexity of design actions outline, are able to expand, due to the approximation to the traditional data specification of technological equipment, the possibility of taking into account the state of production capacities in machining production on a real time scale. They also contribute to the deciding modern issues on effective engineering complexes formation.

Sobre autores

Pyotr Bochkarev

Email: purpose22@mail.ru

doctor of technical sciences

Evgenia Reshetnikova

PC “Scientific-Production Enterprise “Diamond”;

Autor responsável pela correspondência
Email: purpose22@mail.ru

Bibliografia

  1. Справочник технолога / под общей ред. А.Г. Суслова. М.: Инновационное машиностроение, 2019. 800 с.
  2. Базров Б.М. Базис технологической подготовки машиностроительного производства: монография. М.: КУРС, 2023. 324 с.
  3. Васильев А.С., Дальский А.М., Золотаревский Ю.М., Кондаков А.И. Направленное формирование свойств изделий машиностроения /под ред. А.И. Кондакова. - М.: Машиностроение, 2005. 352с.
  4. Бочкарёв П. Ю. Системное представление планирования технологических процессов механообработки // Технология машиностроения. 2002. № 1. С. 10-14.
  5. Чигиринский Ю.Л., Крайнев Д.В., Фролов Е.М. Цифровизация машиностроительного производства: технологическая подготовка, производство, прослеживание // Наукоемкие технологии в машиностроении. 2022. № 8 (134). С. 39- 48.
  6. Ингеманссон А.Р. Основные положения методологии технологической подготовки производства и адаптивного управления в цифровых производственных системах для механической обработки // Известия волгоградского государственного технического университета. 2021. № 1 (248). С. 15-18.
  7. He B., Bai K.J. Digital twin-based sustainable intelligent manufacturing: a review // Adv. Manuf. 2021. Vol. 9. P. 1-21.
  8. Tao F., Zhang M. Digital twin shop-floor: a new shopfloor paradigm towards smart manufacturing // IEEE Access. 2018. Vol.5. P. 20418-20427.
  9. Решетникова Е.П., Бочкарев П.Ю. Концепция группирования деталей механообрабатывающих производств при формировании рационального маршрута технологического процесса их изготовления // Наукоемкие технологии в машиностроении. 2021. № 3 (117). С. 19-25.
  10. Chakraborty S., Chowdhury R. Graph-theoretic-approach-assisted Gaussian Process for Nonlinear Stochastic Dynamic Analysis Under Generalized Loading // Journal of Engineering Mechanics. 2019. Vol. 145. № 12. P. 04019105.
  11. Решетникова Е.П., Бочкарев П.Ю. Принципы формирования комплекса контрольно-измерительных процедур в системе автоматизированного планирования производства // Наукоемкие технологии в машиностроении. 2022. № 11 (137). С. 25-31.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».