CC BY
25
6. Пат. 2534026 Российская Федерация, МПК7 H04B 3/54. Способ сопряжения передачи, приема информации и питания импульсным током в двухпроводной линии связи / Ю. Б. Иванов : заявитель и патентообладатель Академия ФСО России. - № 201313784/08 ; заявл. 26.04.14 ; опубл. 26.09.2014. Бюл. № 27. - 5 с.
Ivanov Yuri Borisovich, PhD, Tech., Associate Professor
(e-mail: [email protected])
Federal Guard Service Academy of the Russian Federation, Oryol
Kazachkin Anton Vladimirovich, Employee
(e-mail: [email protected])
Federal Guard Service Academy of the Russian Federation, Oryol TRANSMISSION FEATURES OF PULSE WIDTH MODULATION SIGNALS IN THE UNCOORDINATED COMMUNICATION LINE
This article describes the features pulse signals transmission over a long uncoordinated communication line and estimated the limiting frequency and the transmission rate of pulse-width modulated to micropower sensors.
Keywords: pulse-width modulation, long communication line, micropower sensors, model of an artificial communication line
МЕТОДИКА ОБУЧЕНИЯ НАВЫКОВОЙ САПР МАРШРУТНЫХ ТЕХНОЛОГИЙ МЕХАНООБРАБОТКИ ДЕТАЛЕЙ МАШИН Комарова Карина Валерьевна, магистрант (е-mail:[email protected] ) Шацких Игорь Иванович, к.т.н., доцент (e-mail: [email protected]) Липецкий государственный технический университет, Россия
В данной статье рассматривается алгоритм методики обучения навы-ковой системы автоматизированного проектирования (САПР) маршрутных технологий механообработки деталей машин; раскрывается содержание основных этапов методики обучения (построения) системы.
Ключевые слова: САПР, навыковая, методика обучения, маршрут механообработки.
Технологическая подготовка современного производства (ТПП) базируется на применении систем автоматизированного проектирования технологических процессов (САПР ТП), систем поддержки принятия решений (СППР), автоматизированных систем принятия решений (АСПР). САПРТП, СППР, АСПР призваны решать не только рутинные, но и труд-ноформализуемые задачи: выбор технологического оснащения, выбор технологии и т.д. Современным направлением автоматизированного решения трудноформализуемых технологических задач является применение обучаемых навыковых систем, на основе которых строятся и могут быть построены САПР, СППР, АСПР [1,2,3,4 ].
Актуальной при их построении является разработка обстоятельной методики обучения-построения системы, обучаемой математической модели, на основе которой строятся системы.
Детали машин, для которых разрабатываются технологические процессы их изготовления, имеют, как правило, многообразие конструктивного исполнения (ступенчатые валы, корпусные детали, втулки и т.д.), различие в геометрических формах, размерах и предъявляемых технических требованиях. Однако, несмотря на это многообразие, в разработке алгоритма (методики) построения обучаемой математической модели имеются общие закономерности. Для различных по конструкции и размерам деталей алгоритм (схема методики) построения обучаемой навыковой математической модели, на основе которой строится навыковая словесно-числовая система автоматизированного выбора маршрутной технологии механообработки детали, включает следующие основные этапы (рис. 1).
Рисунок 1 - Схема методики обучения навыковой словесно-числовой системы автоматизированного выбора маршрутных технологий деталей
машин
На этапе постановки задачи следует точно сформулировать решаемую задачу и установить, какую именно математическую модель и систему необходимо разработать. Следующий этап - выявление структуры признаков, характеризующих технологические ситуации, т.е. выявление матрицы
признакового образа технологических ситуаций. Эту работу выполняет сам технолог. В целях унификации терминологии все формы информации, используемые в обучаемых навыковых системах, принято называть признаками. Таким образом, признак является универсальной единицей информации навыковых вычислительных моделей и систем. Числовые значения признаков в общем случае могут выбираться произвольно; самыми простыми из них могут быть 1 и 0 - как отражение наличия или отсутствия признака. В случае признаков типа 1 и 0 система становится близкой к поисково-архивной, с той разницей, что интервалы значений в текстах признаков сформированы не на основе классификации, а на основе сравнения обучающих примеров (т.е., система сохраняет обучаемые свойства). Так, например, при построении модели и системы выбора маршрутной технологии деталей типа фланцев и втулок выявлена и предлагается структура признаков, которая включает: тип производства (единичный, серийный, массовый), конструктивные элементы, вид заготовки, параметры качества самых качественных поверхностей, габариты детали, термообработку и т.п.
Следующий этап - подбор обучающих примеров - это также работа технолога. На основе обучающих примеров обучается математическая модель и система принятия решений. Обучающий пример представляет из себя комплект: «исходные данные - решение», или, например, в рассматриваемом случае «данные о детали - маршрут». Количество обучающих примеров, которые сможет воспринять система при обучении, можно подсчитать как произведение сумм чисел сочетаний по группам признаков из количества признаков в группе по количеству играющих роль признаков в группе.
Первоначальная настройка системы заключается в присвоении весовым коэффициентам случайных числовых значений, в частности, на начальном этапе можно приравнять их к нулю. Далее, при обучении (решении системы уравнений) коэффициенты устанавливаются в виде определённых значений.
Способ обучения системы - на основе алгоритма естественного обучения [5], который основывается на математическом алгоритме Качмажа [6] и который кратко можно описать следующим образом. Во-первых, последовательность действий при обучении следующая. Выбирают один из естественной совокупности обучающих примеров. Затем на вход системы подают исходные данные (значения признаков), взятые с этого примера, и вычисляют условный номер решения (маршрута). Далее этот номер сравнивается с заданным числовым значением решения. Если обнаруживается их расхождение по величине большей некоторого заранее заданного малого значения - допуска на обучение, то происходит корректировка (пересчёт) весовых коэффициентов. Таким образом, осуществляется перебор всей базы примеров до тех пор, пока для каждого примера расхождение вычисленного и заранее заданного номеров решения не будет превышать
некоторого малого значения (допуска на обучение). На этом процесс обучения считается законченным. Во-вторых, весовые коэффициенты признаков формируются автоматически в процессе обучения, в соответствии с математическим алгоритмом, на каждом шаге обучения: в каждой известной ситуации коэффициент изменяется пропорционально соответствующим признакам и в зависимости от величины и знака ошибки решения. В-третьих, обучение - многократное и строится по принципу рекуррентности.
Таблица 1 - Значения весовых коэффициентов обучаемой навыковой системы автоматизированного выбора маршрутной технологии механооб-_работки деталей типа фланцев и втулок_
Признаки Весовые коэффициенты
Тип производства: 1.Единичное, мелкосерийное 0.000000000000000
2.Среднесерийное 0.521050974480811
3.Крупносерийное, массовое 0.000000000000000
Основная форма детали: 4.Фланец-диск (деталь дискообразной формы с 1/ё <= 0,5) 0.193415636972814
5. Фланец-втулка (1/ё > 0,5) 0.165611481233132
6.Втулка 0.162023856274864
Конструктивные элементы: 9. Отверстие центральное сквозное 1.19998415772481
10. Отверстие центральное глухое необрабатываемое -0.678933183243999
Материал детали: 17.Чугун, цветной металл 0.355439493247679
18. Сталь 0.165611481233132
Заготовка 19.Отливка (чугун) 0.193415636972814
20. Отливка (сталь), штамповка 0.165611481233132
21.Прокат 0.162023856274864
Размеры габаритные (мм) : 22.ёшах=св.20 ... 40вкл.; 1=св.30 ... 60вкл. 0.162023856274864
23.ёшах=св.40 ... 80вкл.; 1=св.70 ... 90вкл. 0.000000000000000
Точность самой точной поверхности: 32. ГГ6, ГГ7. 0.993853531080912
Качество (шероховатость Яа) самой качественной поверх- -0.239474469847513
ности (мкм) : 35.Яа = св.0,3 ... 0,8вкл.
Термообработка: 38. Отжиг (для снятия внутренних напряжений) 0.872348820216814
39.Закалка, улучшение 0.0917748490576601
Например, при обучении системы проектирования маршрутной технологии деталей типа фланцев и втулок получены следующие значения весовых коэффициентов (табл.1).
Эффективность полученной математической модели и системы оценивается на основе исследований на чувствительность (устойчивость), достоверность (адекватность, точность). Целесообразно так же эффективность системы исследовать на основе метода экспертных оценок.
На основе методики разработана математическая модель и программа для автоматизированного выбора маршрутных технологических процессов деталей машин типа фланцев и втулок. Программа позволяет автоматизировать процесс выбора маршрутных технологий механообработки деталей. Обучение модели не требует специальных знаний программирования и осуществляется автоматически на примерах. Обучающая выборка составляется опытными специалистами и поэтому советы системы соответствуют их опыту. Система позволяет накапливать опыт и учитывать практически неограниченное число факторов. Список литературы
1. Шацких И.И. Автоматизированное проектирование маршрутной технологии механообработки деталей на основе алгоритма естественного обучения. /И.И. Шацких, В.В. Кавыгин, В.П. Морозова //Сб. научн. тр. преп. и сотр. К 30-летию НИС ЛГТУ. Часть 1. Липецк, ЛГТУ, 2003 г., с.168-170.
2. Шацких, И.И. Структура САПР технологических процессов на основе навыковых систем поддержки принятия решений/ И.И. Шацких, В.В. Кавыгин, В.П. Морозова //Высокие технологии в машиностроении. Секция "Автоматизация технологических процессов и сборки в машиностроении". Тез. докл. Всеросс. научн.-техн. интернет-конф. с международ. участ., 25-28 октября 2011 г./отв. ред. В.Н.Трусов. - Самара: Сам-ГТУ. 2011 г. - С.143-146.
3. Попиков, П.И. Навыко-вычислительная система технического зрения [Текст] / П.И. Попиков, А.М. Шмырин , В.В. Кавыгин, Н.А. Корниенко, О.А. Шмырина // Датчики и системы. М. 2010г.- №2(129), с.37-40.
4. Попов А.С., Шацких И.И. Навыковые СППР САПР маршрутной
технологии изготовления корпусных деталей. Сб. тез. докл. научн. конф. студентов и аспирантов Липецкого гос. тех. ун-та. Липецк, ЛГТУ, 2008. - С.215-216.
5. Кавыгин В.В. Алгоритм естественного обучения / В.В.Кавыгин, В.П.Морозова //Сб.матер. Всеросс. науч.-техн. конф. к 40-летию каф. ТМ ЛГТУ, 2002 г. - С.33-37.
6. Шмырин, А.М. Коррекция коэффициентов окрестностной системы и алгоритм Качмажа [Текст] / А.М.Шмырин, Н.М.Мишачев, Е.П.Трофимов, А.Г.Кузнецов // Вестник липецкого государственного технического университета. - 2016. - № 3 (29). - С.38-41.
Komarova Karina Valerievna, graduate student
(E-mail: [email protected])
Lipetsk State Technical University, Lipetsk, Russia
Shatskikh Igor Ivanovich, Ph.D., Associate Professor
(E-mail: [email protected])
Lipetsk State Technical University, Lipetsk, Russia
METHOD OF TRAINING SKILLS CAD ROUTES
TECHNOLOGY OF MACHINING PARTS OF MACHINES
Abstract. In this article, an algorithm is considered for the method of training a computer-aided design (CAD) system for routing technologies for machining of machine parts; Reveals the content of the main stages of the method of teaching (building) the system.
Keywords: CAD, skill, methods of training, route of machining.
АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ ПРОЦЕССОМ ПЕРЕРАБОТКИ НЕФТИ Кулиева Нодира Гуломризоевна, магистрант (e-mail: [email protected]) Бухарский инженерно-технологический институт, г. Бухара, Узбекистан Ибрагимов Равшан Рустамович, старший преподаватель (e-mail: [email protected]) Бухарский инженерно-технологический институт, г. Бухара, Узбекистан
Настоящая статья посвящена изучению и анализу первичной переработки нефти, а также автоматическому управлению основных процессов. При этом рассматривается последовательность переработки, методы их осуществления, аппаратурное оформление и даются сведения об основных продуктов, получаемых в результате первичной переработки.
Ключевые слова: нефть, перегонка, фракция, переработка, преобразователь, контроль, микропроцессор, датчик, автоматический управление, процесс.
Добытая, но не переработанная нефть, содержит различные примеси, например, соль, вода, песок, глина, частицы грунта, попутный газ. Срок эксплуатации месторождения увеличивает обводнение нефтяного пласта и, соответственно, содержание воды и других примесей в добываемой нефти. Наличие механических примесей и воды мешает транспортированию нефти по нефтепродуктопроводам для дальнейшей ее переработки, вызывает образование отложений в теплообменных аппаратах и других емкостях, усложняет процесс переработки нефти.
Вся добытая нефть проходит процесс комплексной очистки, сначала механической, затем тонкой очистки.
На данном этапе также происходит разделение добытого сырья на нефть и газ в сепараторах нефти и газа.
Отстаивание в герметичных резервуарах на холоде или при подогреве способствует удалению большого количества воды и твердых частиц. Для получения высоких показателей работы установок по дальнейшей переработке нефти последнюю подвергают дополнительному обезвоживанию и обессоливанию на специальных электрообессоливающих установках.
