Клочкова Ксения Валерьевна Автоматизированная система интеллектуальной поддержки принятия решений на этапе технологической подготовки производства изделий из композиционных материалов с требуемыми свойствами

Короткий опис

Клочкова Ксения Валерьевна Автоматизированная система интеллектуальной поддержки принятия решений на этапе технологической подготовки производства изделий из композиционных материалов с требуемыми свойствами

ОГЛАВЛЕНИЕ ДИССЕРТАЦИИ

кандидат наук Клочкова Ксения Валерьевна

ВВЕДЕНИЕ

ГЛАВА 1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ

1.1 Анализ композиционных материалов, применяемых для деталей машиностроительного производства

1.2 Современные инструментальные средства прогнозирования и поддержки принятия решений для изделий из композиционных материалов

1.3 Методы представления знаний

1.4 Методы и модели прогнозирования

1.5 Методы рационального планирования эксперимента на этапе обучения нейронной сети

1.6 Выводы по главе

ГЛАВА 2 РАЗРАБОТКА МАТЕМАТИЧЕСКОГО АППАРАТА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ЭТАПЕ ТЕХНОЛОГИЧЕСКОЙ ПОДГОТОВКИ ПРОИЗВОДСТВА ИЗДЕЛИЙ ИЗ КОМПОЗИЦИОННЫХ МАТЕРИАЛОВ

2.1 Разработка комбинированного метода математического анализа для модуля обучения автоматизированной системы интеллектуальной поддержки принятия решений на этапе технологической подготовки производства изделий из композиционных материалов

2.2 Разработка каскадной нейронной сети для прогнозирования свойств изделий из композиционных материалов

2.2.1 Разработка структуры нейронной сети

2.2.2 Выбор метода обучения нейронной сети

2.2.3 Разработка топологии структуры нейронной сети

2.3 Разработка метода прогнозирования с применением каскадной нейронной сети

2.3.1 Обучение каскадной нейронной сети

2.3.2 Разработка методики оптимизации структуры каскадной нейронной сети

2.4 Оценка адекватности каскадной нейронной сети на примере прогнозирования предела прочности изделий из чугуна с вермикулярным графитом

2.5 Разработка методики моделирования состава изделий из композиционных материалов для обучения каскадной нейронной сети на основе генетического алгоритма (на примере изделия из ЧВГ)

2.6 Разработка базы прецедентов

2.7 Выводы по главе

ГЛАВА 3 РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ЭТАПЕ ТЕХНОЛОГИЧЕСКОЙ ПОДГОТОВКИ ПРОИЗВОДСТВА ИЗДЕЛИЙ ИЗ КОМПОЗИЦИОННЫХ МАТЕРИАЛОВ С ТРЕБУЕМЫМИ СВОЙСТВАМИ

3.1 Разработка структурной модели автоматизированной системы интеллектуальной поддержки принятия решений на этапе технологической подготовки производства изделий из композиционных материалов

3.2 Модуль обучения автоматизированной системы интеллектуальной поддержки принятия решений

3.3 Модуль моделирования свойств

3.4 Разработка базы знаний

3.5 Разработка базы правил

3.6 Выводы по главе

ГЛАВА 4 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ЭТАПЕ ТЕХНОЛОГИЧЕСКОЙ ПОДГОТОВКИ ПРОИЗВОДСТВА ИЗДЕЛИЙ ИЗ КОМПОЗИЦИОННЫХ МАТЕРИАЛОВ

4.1 Разработка алгоритмов работы автоматизированной системы интеллектуальной поддержки принятия решений на этапе технологической подготовки производства изделий из композиционных материалов

4.1.1 Разработка алгоритма работы базы прецедентов

4.1.2 Разработка алгоритма проверки корректности введенных данных

4.1.3 Разработка алгоритма работы блока прогнозирования

4.2 Проектирование базы данных автоматизированной системы интеллектуальной поддержки принятия решений на этапе технологической подготовки производства изделий из композиционных материалов

4.2.1 Проектирование базы данных полимерных композиционных материалов

4.2.2 Проектирование базы данных чугунов с вермикулярным графитом

4.3 Практическая реализация автоматизированной системы интеллектуальной поддержки принятия решений на примере изделия из чугуна с вермикулярным графитом

4.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А Справка-отчёт по партиям отливок номенклатуры ЧВГ, микроструктуры образцов с отливок, внешний вид и параметры деталей

ПРИЛОЖЕНИЕ Б Составы полимерных композиционных материалов, внешний вид и параметры футеровочных плит из ПКМ

ПРИЛОЖЕНИЕ В Влияние наполнителей на физико-механические и эксплуатационные свойства полимерных композиционных материалов

ПРИЛОЖЕНИЕ Г Результаты, полученные после применения методов рационального планирования эксперимента и итоговые показатели прогнозных моделей

ПРИЛОЖЕНИЕ Д Листинг реализации базы правил интеллектуальной системы на языке CLIPS

ПРИЛОЖЕНИЕ Е SQL запросы для создания базы данных модуля прогнозирования

ПРИЛОЖЕНИЕ Ж Реализация каскадной нейронной сети на языке C++

ПРИЛОЖЕНИЕ И Технический акт внедрения на изготовление футеровочных плит из полимерных дисперсно-наполненных композиционных материалов

ПРИЛОЖЕНИЕ К Технический акт об использовании результатов кандидатской диссертационной работы

ПРИЛОЖЕНИЕ Л Свидетельство о государственной регистрации программы для ЭВМ

Список літератури

ЗАКЛЮЧЕНИЕ
При проведении теоретических и практических исследований по тематике диссертации получены следующие научные и практические результаты:
1. Диссертация является законченной научно -квалификационной работой, в которой содержится решение научной задачи, имеющей существенное значение для развития автоматизированных информационных систем с элементами искусственного интеллекта на этапе технологической подготовки производства изделий для машиностроительных предприятий.
2. Применение комбинированного метода математического анализа, основанного на предварительном рациональном планировании экспериментов по методу комбинационных квадратов с последующей статистической обработкой результатов экспериментов с помощью корреляционно-регрессионного анализа, позволило получить прогнозные модели описывающие взаимосвязь между составом изделий из композиционных материалов и их физико-механическими и эксплуатационными свойствами. Полученные прогнозные модели обладают высокой точностью (95,28%) и объяснительной способностью (91,2%).
3. Разработанная модель представления знаний в базе прецедентов на основе сочетания фреймовой модели, продукционной модели и нечеткой логики, с применением кластерного анализа для выбора множества аналогичных решений при поиске прецедента и формирования новых правил позволила обеспечить необходимые физико-механические и эксплуатационные свойства. Методика апробирована на примере изделия из чугуна с вермикулярным графитом «Картер делителя передач» (№ 154-177003210).
4. Разработанный метод каскадного подхода к обработке информации при прогнозировании свойств композиционных материалов на основе каскадной нейронной сети позволил увеличить диапазон разновидностей композиционных материалов, реализуемых системой и область применения данной сети. Среднеквадратичная ошибка прогнозирования обучающей выборки составила 0,013179%, среднеквадратичная ошибка прогнозирования контрольной выборки
- 0,00888%.
5. Разработанные алгоритмы формирования базы прецедентов, проверки корректности введенных данных, работы блока прогнозирования свойств изделий из композиционных материалов, обучения каскадной нейронной сети и оптимизации структуры каскадной нейронной сети обеспечивают в автоматическом режиме нахождение корректного решения.
6. Результаты моделирования свойств изделий из ПКМ были использованы для производства опытной партии футеровочных плит из дисперсно-наполненных КМ на предприятии ООО «РенБизнесАвто». Проведенные испытания показали, что данные изделия отвечают всем требованиям ТУ 38 305137-99 (футеровочные детали).
7. Результаты диссертационной работы использованы ООО «Риэль Инжиниринг» при разработке проектной документации и программного обеспечения по теме «Разработка единого программно-аппаратного комплекса по оперативному контролю и учету параметров технологического процесса машиностроительного предприятия на примере литейного предприятия».
8. Предложенные методы и алгоритмы реализованы в виде программного обеспечения «Обеспечение свойств изделий из композиционных материалов на этапе технологической подготовки на основе каскадной нейронной сети на языке С++» (Свидетельство о государственной регистрации программы для ЭВМ № 2020610246 от 10.01.2020 г.)
Результаты проведенных исследований создают предпосылки для их использования при изготовлении изделий из композиционных материалов на этапе проектирования в условиях машиностроительного производства, что позволит снизить себестоимость продукции вследствие уменьшения количества экспериментов, а также сократить время на подготовку производства за счет использования интеллектуальной модели прогнозирования их свойств.