Details

Данная работа посвящена изучению разработки структуры и определению состава автоматизированной системы инструментального обеспечения гибкого модуля. Задачи, которые решались в ходе исследования: 1) определение на основе расчета, состав автоматизированной системы инструментальной подготовки производства в гибком модуле.; 2) выбор центрального магазина инструмента; 3) оценка параметрического отказа инструмента; 4) определение состава и структуры участков сборки и настройки инструмента. Исследование гибкого производственного модуля (ГПМ) включало в себя комплексный анализ его функционирования, технического обслуживания и оценки качества производимой продукции. В ходе работы была определена структура автоматизированной системы инструментального обеспечения (АСИО) ГПМ, которая включает в себя не только программное обеспечение для управления станками и роботами, но и базу данных с параметрами инструментов, систему мониторинга состояния оборудования и модуль прогнозирования износа режущего инструмента. Последний, основанный на алгоритмах машинного обучения, позволяет предсказывать остаточный ресурс инструмента, минимизируя простои оборудования и повышая эффективность производства. Особое внимание было уделено сбору и анализу информации, касающейся автоматизации механической обработки, а также влиянию инструмента.

This work is devoted to the study of the development of the structure and definition of the composition of an automated system of instrumentation for a flexible module. Tasks that were solved during the research: 1) calculation-based determination, composition of an automated tool preproduction system in a flexible module.; 2) selection of a central tool store; 3) evaluation of the parametric failure of the instrument; 4) determining the composition and structure of the tool assembly and configuration sites. The study of the flexible manufacturing module (BPM) included a comprehensive analysis of its functioning, maintenance, and product quality assessment. In the course of the work, the structure of the automated instrumentation system (ASIO) was determined GPM, which includes not only software for controlling machines and robots, but also a database with tool parameters, an equipment condition monitoring system, and a module for predicting cutting tool wear. The latter, based on machine learning algorithms, makes it possible to predict the remaining life of a tool, minimizing equipment downtime and increasing production efficiency. Special attention was paid to the collection and analysis of information related to automation of mechanical processing, as well as the impact of the tool.