Применение технологической модели детали в условиях единичного и мелкосерийного производства

Д А Девятов

doi:10.22213/2410-9304-2025-4-16-21

Авторы

Д. А. Девятов ИжГТУ имени М. Т. Калашникова

DOI:

https://doi.org/10.22213/2410-9304-2025-4-16-21

Ключевые слова:

автоматизация производства, единичное и мелкосерийное производство, 2D-чертежи, графовый метод, машинное обучение, оптимизация процессов, распознавание конструктивных элементов

Аннотация

Вопросы автоматизации технологической подготовки производства, особенно в условиях единичного и мелкосерийного производства, сохраняют высокую актуальность. Современный программный инструментарий баз знаний в сочетании с активно развивающимися методами искусственного интеллекта, включая нейронные сети, создает потенциал для формирования и развития полностью автономных автоматизированных систем проектирования. Одной из ключевых задач автоматизации технологической подготовки производства остается автоматизация чтения графических и текстовых данных с 2D-чертежей. В условиях единичного и мелкосерийного производства, где оперативное внедрение новых изделий является критически важным фактором, актуальность использования технологической модели детали (ТМД) возрастает в связи с необходимостью быстрой адаптации технологических процессов. В данной работе ТМД представлено как формализованное описание геометрических, конструктивных и технологических характеристик изделия, адаптированное для работы с 2D-чертежами. Структурированная модель ТМД включает блоки ввода данных, предварительной обработки, формирования иерархической структуры, интеграции с технологическими данными, анализа и оптимизации, а также вывода результатов. Использование исключительно 2D-чертежей позволяет минимизировать временные затраты на внедрение новых изделий, обеспечивая точность и адаптивность к специфическим требованиям. В настоящей работе предложен подход к автоматизации технологической подготовки производства на основе ТМД и графового метода поиска конструктивных элементов, демонстрирующий значительный потенциал для повышения эффективности производства. Разработанная программная система, интегрирующая графовый анализ с технологиями оптического распознавания символов, успешно реализует распознавание элементов, таких как центральное отверстие детали типа «Кольцо», и формирует структурированные параметры, готовые для интеграции в системы автоматизированного управления производством.

Биография автора

Д. А. Девятов, ИжГТУ имени М. Т. Калашникова

аспирант

Библиографические ссылки

Девятов Д. А., Чернова А. А. Оценка возможности автоматизации формирования технологических процессов в мелкосерийном производстве // Вестник ИжГТУ имени М. Т. Калашникова. 2023. Т. 26, № 3. С. 67-74.

Рупинец И. С. Автоматизация управления технологическими потоками в мелкосерийном и единичном машиностроительном производстве // Инновации. Наука. Образование. 2021. № 35. С. 756-764.

Малкина И. В. Автоматизация контроля качества геометрических параметров деталей в машиностроении // Известия Самарского научного центра Российской академии наук. 2022. Т. 24, № 3 (107). С. 34-41. DOI 10.37313/1990-5378-2022-24-3-34-41.

Гатавлин Э. Г., Усманов У. К. Инновации в технологии машиностроения: современные подходы к автоматизации производственных процессов // Профессиональные коммуникации в научной среде - фактор обеспечения качества исследований. СПб.: Сциентиа, 2024. - С. 761-764.

Khan, M. T., etal. (2025). From Drawings to Decisions: A Hybrid Vision-Language Framework for Parsing 2D Engineering Drawings into Structured Manufacturing Knowledge.

Papadakis, K., Stavropoulos, P., Mourtzis, D. (2022). Knowledge-based manufacturability assessment for optimization of additive manufacturing processes based on automated feature recognition from CAD models. The International Journal of Advanced Manufacturing Technology, 122(5-6), 1567-1583.

Применение методов системного анализа и машинного обучения для автоматизации чтения чертежей / Д. А. Девятов, М. Р. Королева, М. С. Лялин [и др.] // Труды МАИ. 2025. № 142.

Wang, Y., Li, X., Zhang, J. (2024). Adaptive recognition of machining features in sheet metal parts based on a graph class-incremental learning strategy. Scientific Reports, 14, Article 61443.

Lin, Y.-H., Ting, Y., Huang, Y., Cheng, K., & Jong, W. (2023). Automatic Recognition of 2D Engineering Drawings. Encyclopedia, 3(4), 1456-1472.

Haar, C., Kim, H., Koberg, L. (2022). AI-based engineering and production drawing information extraction. Flexible Automation and Intelligent Manufacturing: The Human-Data-Technology Nexus. Editors: K.-Y. Kim, L. Monplaisir, J. [Chapter in proceedings]. Frontiers in Manufacturing Technology.

Shuhui Ding, Zhongyuan Guo, Bin Wang, Haixia Wang, Fai Ma. MBD Based Machining Feature Recognition and Process. Machines 2022, 10(10), 906, 2022.

Кармишин А. А., Макаров В. М., Морохин П. Н. Цифровая подготовка производства в машиностроении // РИТМ машиностроения. 2022. № 2. С. 12-18.

Гнездилова В. А. Анализ методов машинного обучения для сопоставления разноязычных графов знаний // МНСК-2021. Новосибирск: Новосибирский национальный исследовательский государственный университет, 2021. С. 83.

Лыгин В. С., Сирота А. А., Головинский П. А. Регуляризация процесса обучения графовых нейронных сетей методом распространение меток // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2024. № 3. С. 92-101.

Khan M. T., et al. (2024). Automatic Feature Recognition and Dimensional Attributes Extraction From CAD Models for Hybrid Additive-Subtractive Manufacturing.