12.04.2018

Группирование деталей и проектирование комплексных поковок


Согласно принципам TM после однозначного описания классов и определения их количества необходимо в каждом из классов формировать однородные группы деталей одним из формализованных методов.

Группирование является одной из составных частей анализа информации о деталях на основе принятой системы классификации.

Для деталей, изготавливаемых механической обработкой, разработана система, использующая теоретико-множественный подход к задаче группирования.

Известны методики группирования деталей с построением и использованием классификационных шифров и рядов, основанных на преобразовании n-мерного пространства признаков в одномерное, а также осуществления перебора и сравнения деталей по основным признакам. Первая методика получила широкое распространение при группировании деталей с помощью ручных приемов. Однако для автоматизированного проектирования достоверного классификационного ряда необходимо установить четкую иерархию признаков, что не всегда возможно сделать, поэтому данная методика оказалась неэффективной для машинной реализации.

Согласно второй методике, все данные, необходимые для группирования, хранятся в предварительно организованной базе данных, и технолог составляет запрос на группирование к информационно-поисковой системе, задавая на поле значений признаков первичной классификации (предварительно отобранные детали на основе экспертных оценок) условия группирования по конструктивно-технологическим признакам. Субъективность определения степени подобия деталей, зависящая от знания проектировщиком технологических свойств продукции, и значительные затраты времени для последовательного отбора групп при большом массиве затрудняют применение этой методики.

Используется ряд методов автоматизированного группирования при изготовлении деталей резанием, основанных на анализе элементарных поверхностей (методы деталеопераций), позволяющих из той или иной комбинации элементарных операций получить общий технологический процесс изготовления любой детали группы. Большинство методов построено на решении комбинаторных задач, а некоторые используют теорию графов. Однако при обработке больших массивов информации возникают трудности при программной реализации указанных методов.

В отличие от методов группирования, используемых при механообработке, технология ХОШ и ПГОШ имеет свои, присущие только ей особенности, которые при тщательном анализе позволяют предложить систему мер, облегчающих проведение работ по группированию. В качестве одной из таких мер предлагается вести группирование не деталей, а деталеопераций, что соответствует принципам общности технологии, технологической оснастки и используемого оборудования. Количество деталеопераций при изготовлении одной детали может быть от 1 до 3...4 и более в зависимости от сложности поковки и технологических возможностей оборудования. Для поковок, изготавливаемых малыми партиями, количество деталеопераций рекомендуется уменьшать за счет назначения напусков, т.е. за счет упрощения конфигурации детали. С использованием описанного метода решается задача оптимальной загрузки технологического оборудования, формулируемая как задача линейного программирования.

Методика, не получившая еще широкого распространения в технологической подготовке группового производства, основана на выделении подмножеств высокой плотности с применением методов искусственного интеллекта. В работах приведена классификация технологических маршрутов при изготовлении деталей на токарных и револьверных станках в условиях конкретного цеха.

При обработке металлов давлением исследования по применению методов искусственного интеллекта начались сравнительно недавно. При проектировании технологических процессов горячей объемной штамповки были решены некоторые задачи, такие как классификация напуска в отверстиях поковок (полный, неполный), назначение припусков и штамповочных уклонов, а также задача проектирования обрезных штампов.

Применение методов искусственного интеллекта к задачам оценки сложности поковок типа тел вращения приведено в работе.

При изготовлении деталей из листовых материалов решены задачи классификации наружных и внутренних контуров с использованием лингвистики.

Описанные методики группирования построены в основном на сравнении геометрических признаков и не учитывают экономические факторы. Для оптимизации процедур группирования осесимметричных деталей и в целом технологических процессов необходимо в число критериев включить такие, как серийность, металлоемкость и др.

Таким образом, построение автоматизированных процедур классификации и группирования осесимметричных деталей относятся к задачам искусственного интеллекта, решение которых требует создания сложных математических моделей и привлечения современных методов проектирования.

Формализация процесса группирования деталей с помощью метода потенциальных функций.
Метод потенциальных функций, разработанный отечественными учеными, является одним из аналитических методов построения дискриминантных функций. Суть метода состоит в следующем.

На этапе обучения выборочные образы предъявляются распознающей системе, которая последовательно вычисляет значения потенциальных функций. Потенциальная функция K(х, Xk) аналогична физическому потенциалу, определенному в любой точке X пространства, но зависящему от расстояния до источника потенциала Xk. Потенциальная функция должна быть всюду положительна и убывать при удалении точки X от источника потенциала Xk, а при фиксированном Xk достигать максимального значения. Путем сравнения потенциалов образы могут быть отнесены к той или иной группе. Вполне естественно полагать, что точка X пространственно ближе к той группе, чей потенциал в этой точке больше по абсолютной величине.

Кумулятивный потенциал, определенный на k-м шаге итерации совокупностью значений отдельных потенциальных функций, вычисляется таким образом, чтобы при неправильном распознавании образа Xk+1, обучающей последовательности производилась коррекция его значения.

В начале обучения значение кумулятивного потенциала полагается равным нулю. При предъявлении первого образа X1 обучающей последовательности значение кумулятивного потенциала корректируется следующим образом:
где w1, w2 — группы, в которые входят образы обучающей последовательности.

В этом случае кумулятивный потенциал K1(X) представляет начальный вариант разделяющей поверхности.

После предъявления k-образов обучающей последовательности значения кумулятивного потенциала определяются как Kk(X). Кумулятивный потенциал Kk+1(X), возникающий после предъявления (k+1)-го образа, вычисляется в соответствии со следующей схемой:
Или в более компактном виде:
где коэффициенты rk+1 при корректирующем члене определяются соотношениями:
Уравнение (2.39) определяет процедуру инвариантного вычисления кумулятивного потенциала. Если образ Хk+1 обучающей последовательности распознается правильно, то коэффициент rk+1 = 0, если же образ классифицируется неправильно, то коэффициент rk+1 = 1 или -1 в зависимости от принадлежности выборочного образа группе w1 или w2.

Из описания метода потенциальных функций видно, что кумулятивный потенциал выполняет роль дискриминантной функции.

В геометрической интерпретации в рассмотрение вводится некоторое спрямляющее пространство Z размерности т, в которое отображается исходное пространство X. Такой переход приводит к линеаризации дискриминантной функции, а разделяющая поверхность принимает вид гиперплоскости ZW = 0, как показано на рис. 2.16, a (W - нормальный вектор, проходящий через начало координат). Отобразив группу w2 симметрично, относительно начала координат, можно получить множество Q = w1 u (-w2). Условием разделимости исходных групп будет ZW > 0 для Z є Q. Кумулятивный потенциал в пространстве Z определится на k-м шаге как Kk(Z) = ZEZi (Zi - последовательность образов, корректирующих ошибку).

Итак, при предъявлении первого образа Z1 в спрямляющем пространстве строится гиперплоскость K1(Z, Z1)= ZZ1 с направляющим вектором W1 = Z1. Если же следующий образ лежит в том полупространстве, куда направлен нормальный вектор W1 построенной плоскости, то ошибки нет, и положение плоскости не изменяется. Как только образ попадает в противоположное полупространство, проводится коррекция ошибки: направляющий вектор суммируется с вектором образа, потребовавшего исправления ошибки. Этот суммарный вектор принимается за направляющий, а гиперплоскость меняет положение. На рис. 2.16, б показан двумерный случай.
Если процесс обучения протекал достаточно долго, то последняя гиперплоскость с направляющим вектором Ei Zi принимается за разделяющую поверхность. Следовательно, при проведении коррекции, связанной с появлением нового образа, в выражение дискриминантной функции добавляется новый член, что приводит к увеличению распознавательной мощности.

Выбор потенциальных функций осуществляется эвристически.

Выбор типа потенциальной функции. Ограничением, накладываемым на тип потенциальных функций, является предположение о компактности областей рассматриваемого признакового пространства, что равнозначно условию гладкости разделяющей поверхности.

В случае, показанном на рис. 2.17, а, области могут быть разделены дискриминантной функцией даже при значительном отклонении в определении ее параметров.
В случае "вычурной" разделяющей поверхности (рис. 2.17, б) незначительные отклонения в ее форме приведут к ошибкам распознавания.

Первый тип применяемых потенциальных функций предполагает их разложение в ряд с конечным числом членов.
где фi(X) - ортонормированные функции в пространстве признаков X.

Это допущение не вызывает практических затруднений. Условие ортонормированности задается следующим образом:
где u(X) - весовая функция; bij = 1, если i = j; bij = 0, если i =/= j.

В качестве ортонормированной системы функций в распознавании образов используют многочлены Лежандра, многочлены Лагерра и многочлены Эрмита. Система функций, основанная на применении многочленов Эрмита, представляется в виде:
где функции Hk(X) определяются с помощью рекуррентного соотношения:
Данная система функций является ортонормированной на интервале
Согласно второму принципу, используется симметричная функция двух переменных K(X, Xk) = K(Xk, X).

Наиболее употребительные потенциальные функции определяются выражениями:
где а - положительная константа; ||X - Xk|| - норма вектора (X - Хk).

На рис. 2.18 показаны графики представленных функций.
Расстояние R2 = ||X- Xk||2 служит характеристикой силы в потенциальном поле.

Функции второго типа в двумерном признаковом пространстве представлены на рис. 2.19.

При выборе потенциальной функции первого типа распознавание близко к алгоритму перцептрона в том отношении, что "жестко" предопределен вид разделяющей поверхности.

Наибольшая гибкость метода потенциальных функций проявляется при использовании второго типа функций, когда вид разделяющей поверхности и ее положение в пространстве зависит от числа коррекций кумулятивного потенциала. При практическом применении достоверные результаты получены при использовании функции (2.45).

Таким образом, метод потенциальных функций является эффективным методом построения самообучающихся систем распознавания.
Самообучающийся алгоритм группирования осесимметричных деталей. При решении задач группирования деталей необходимо по появляющимся в процессе обучения образам деталей без информации о том, какой группе каждый образ принадлежит, провести объединение этих образов в изолированные, достаточно удаленные друг от друга группы. Рациональное количество таких групп распознающая система должна определить в процессе самообучения.

Исходным набором признаков обладает геометрическая форма, которая характеризует деталь независимо от ее функционального назначения и материала. Информация о линейных размерах осевых сечений и их отдельных элементах, а также об относительных размерах деталей является наиболее существенной. Так как наиболее полно геометрическую форму осесимметричных деталей отражают их осевые сечения, то, следовательно, в набор признаков для группирования подобных деталей прежде всего должны войти детерминированные характеристики осевых сечений.

Так как формируемая группа предполагает единство технологического процесса изготовления входящих в нее деталей и формообразующего инструмента, то образ каждой детали в классе формировался на основе тех признаков, которые принимают участие в проектировании технологии. При геометрическом подобии деталей конкретного класса такими признаками являются конструктивно-технологические признаки деталей (см. табл. 2.4) и вычисляемые по ним значения объема, периметра и площади осевого сечения детали, а также другие параметры, участвующие в проектировании технологического процесса объемной штамповки.

Для совместного использования различных признаков, в частности, имеющих разную размерность, целесообразным является их преобразование в безразмерные нормированные величины. Существуют различные способы нормирования признаков. Можно использовать преобразование, уравнивающее масштабы и диапазоны измерения признаков, а также приводящие все векторы образов к единому началу отсчета:
где j - номер признака; i - номер образа; oj - среднеквадратичное отклонение j-го признака:
где N - общее количество деталей в классе.

Если при этом преобразовании окажется, что по некоторым признакам среднеквадратичное отклонение равно нулю, то такие признаки исключаются из дальнейшего рассмотрения при группировании. Они удаляются из набора, а размерность гиперпространства понижается на число неинформативных признаков.

Переход от конкретных деталей (в качестве примера использован класс стержневых деталей) к их образам в признаковом пространстве осуществляется с помощью набора следующих технологических признаков:

D - максимальный диаметр детали, мм;

L - максимальная длина детали, мм;

lу - длина утолщения детали, мм;

h - длина стержневой части детали, мм;

d - диаметр стержневой части детали, мм;

P — периметр осевого сечения детали, мм;

Vд - объем детали, мм3.

Предварительная обработка полученного признакового пространства, заключающаяся в определении информативности признаков путем их нормирования при совместном использовании, и проведенный численный эксперимент показали, что в конкретном случае для группирования вошедших в класс деталей достаточно использовать информативный набор, включающий признаки с номерами 1, 2, 3, 7.

В основу распределения осесимметричных деталей конкретного класса по однородным, в геометрическом смысле, группам положен алгоритм распознавания образов с самообучением, основанный на методе потенциальных функций. Известны модификации алгоритма для решения конкретных задач производства.

Если источником потенциала служат группы образов wi и wj, то создаваемый в точках Xs и Xq средний потенциал характеризует степень удаления рассматриваемых образов от групп wi и wj.

В соответствии с алгоритмом в качестве потенциальной используется функция K(Xs, Xq) второго типа (2.45). Постоянный коэффициент, показывающий скорость убывания потенциальной функции а = 1/128.

Степень удаленности групп характеризуется матрицей мер близости, элементы которой вычисляются как:
где nwi, nwj - количество образов деталей в группах wi и wj соответственно, причем i =/= j.

Размерность матрицы NxN определяется количеством формируемых групп N. Следует отметить, что на первом этапе группирования N равно количеству деталей класса, а значение потенциальной функции K(Xs, Xq)= 0,95.

Рассматриваемая матрица мер близости является симметричной относительно главной диагонали. Объединению подвергаются наиболее удаленные группы, при этом за критерий геометрической близости принимается максимальный элемент матрицы (2.49). Образованной на очередном этапе группе присваивается номер, равный меньшему из чисел i, j, а полученные группы перенумеровываются. Размерность матрицы при этом понижается на 1.

Компактность сформированной на очередном этапе группы определяется мерой близости вошедших в нее образов деталей, которая является элементом главной диагонали матрицы (2.49) и рассчитывается по формуле:
Мера близости внутри одноэлементной группы принимается равной единице. После формального группирования для деталей сформированной группы ведется проектирование комплексной поковки, конфигурация которой формируется совмещением осевых сечений деталей, входящих в группу.

В силу симметрии кодированию подвергается половина осевого сечения, которая характеризуется точками излома контура (узловыми токами), каждая из которых представляется двумя координатами (X, Y). Для обеспечения замкнутости контура сечения, координаты последней узловой точки повторяют. Перед совмещением детали ранжируются в порядке убывания значений их объемов. Контур, соответствующий детали с максимальным объемом, формируется как неподвижный. Смещенный контур кодируется по сечению следующей детали группы с добавлением к координате Y всех узловых точек некоторой величины АY, изменяющейся на заданный шаг смещения. Обход точек сечения для поиска результирующего контура, соответствующего данному положению сечений деталей относительно друг друга, начинается с точек основного контура, характеризующегося минимальным значением координаты Y первых точек.

Наиболее трудно формализуемым этапом совмещения осевых сечений является принятие решения о том, какой контур использовать в качестве основного, непосредственно участвующего в формировании контура поковки, на очередном этапе обхода сечений. Задача усложняется многовариантностью встречающихся ситуаций при совмещении произвольных контуров. Она успешно решена с использованием аналитической геометрии и векторного анализа. Результирующим является контур при относительном положении сечений соответствующим минимальному объему полуфабриката i-й группы.

Эффективность группового метода зависит от правильности распределения деталей по группам. При большой номенклатуре группируемых деталей имеется возможность выбора варианта их отнесения к определенной группе. Рациональный вариант группирования деталей должен подтверждаться определенным значением количественного критерия, в качестве которого может быть использована интегральная оценка, включающая в себя комплекс затрат (в условных единицах) на штамповую оснастку и ту часть основных материалов, которая удаляется с помощью обработки резанием при изготовлении деталей. Эти виды затрат в наибольшей степени изменяются в зависимости от колебаний количества типоразмеров поковок и их серийности. Стоимость материала готовой детали постоянна при всех видах обработки и может не учитываться.

Стоимость удаляемого материала при изготовлении j-й детали i-й группы из одной комплексной поковки может быть вычислена:
где qij - годовая программа выпуска детали с номером j в i группе; Cij -затраты на удаляемый материал за вычетом возвратной стоимости отходов при изготовлении детали с номером j в i группе.

Общие затраты на удаляемый материал по всей номенклатуре выборки на данном этапе группирования можно рассчитать по формуле:
где N - количество групп деталей, формируемых на данном этапе группирования.

Общие затраты на изготовление необходимого числа комплектов сменных деталей штампа рассчитываются по формуле:
где Ui — стоимость комплекта сменных деталей штампа для изготовления единицы продукции i-й группы на данном этапе группирования.

С увеличением количества деталей в группе увеличивается металлоемкость комплексной поковки, так как индивидуальная форма каждой детали вносит свои изменения в геометрию результирующего контура. С другой стороны, эффективность использования формообразующей оснастки зависит от многократности применения данного комплекта сменных деталей штампа, что, в свою очередь, находится в прямой зависимости от величины серии выпускаемой продукции. Очевидно, что при одинаковой первоначальной стоимости комплекта сменных деталей штампа удельные затраты будут тем меньше, чем больше изготовлено с его применением поковок.

В связи с этим интегральный критерий оценки качества группирования должен учитывать совокупность перечисленных затрат на производство номенклатуры, сформированной из N комплексных поковок, получаемых на каждом этапе группирования:
Для рационального варианта группирования величина критерия (2.54) должна принимать минимальное значение.

В соответствии с изложенной методикой группирования осесимметричных деталей разработан алгоритм, представленный блок-схемой на рис. 2.20.

Для выбора рационального группирования следует рассматривать все возможные варианты, поэтому объединение образов деталей продолжается в соответствии с разработанным алгоритмом до тех пор, пока количество формируемых групп не станет равным 1.

Комплекс программ, реализующий алгоритм рационального группирования деталей и проектирования комплексных поковок, используется в качестве адаптационного блока к конкретным производственным условиям при разработке общего алгоритма моделирования этапов технологической подготовки производства.

Алгоритм (см. рис. 2.20) позволяет, не изменяя структуры и состава реализующего его программного комплекса, формировать группы деталей и комплексные поковки в любом из рассматриваемых классов.

Ввод численных значений признаков и координат узловых точек осевого сечения деталей выполняет блок 2. Нормирование признаков в соответствии с формулами (2.47), (2.48) осуществляется с помощью блока 3.
Для вычисления численных значений потенциальных функций по формуле (2.45) используется блок 4.

Расчет элементов матрицы мер близости по формулам (2.49), (2.50) выполняется с помощью блоков 5, 6, 7. Максимальный элемент матрицы
определяет номера деталей i, j, которые необходимо объединить в одну группу. Такое группирование осуществляется с помощью блока 8. Полученной группе присваивается номер, соответствующий меньшему из чисел i,j. Количество групп на данном шаге алгоритма сокращается на единицу. Контур комплексной поковки для полученной группы деталей формируется с помощью блоков 9-12.

Выбор рационального количества групп осуществляется с помощью оценки величины критерия (2.54) и входящих в него компонентов, вычисляемых по формулам (2.52), (2.53). Эта оценка производится с помощью блоков 13-18 алгоритма.

Если на этапе группирования величина критерия (2.54) не удовлетворяет, то данные детали не объединяются, а выбирается следующий по величине элемент матрицы (2.49), удовлетворяющий условию (2.55).

На очередном этапе детали группируются только при условии изменения критерия качества группирования (2.54) в сторону уменьшения.

Пример группирования осесимметричных деталей. Пусть требуется сгруппировать четыре детали стержневого типа, каждые из которых описаны пятью признаками. Численные значения признаков, вектора средних и среднеквадратичное отклонение каждого признака представлены в табл. 2.9. Нормированные значения признаков, вычисленные по формуле (2.47), приведены в табл. 2.10.
Вычисляют евклидовы расстояния между группами, как квадрат нормы вектора, входящие в выражение потенциальной функции (2.45):

R(1, 2) = (-0,664 + 2,980)2 + (-0,057 - 3,267)2 + (-1,865 + 2,091)2 + (2,847 - 0,908)2 =20,224;

аналогично:

R(1, 3) = 5,674 + 3,283 + 11,813 + 21,234 = 42,004;

R(1, 4) = 6,724 + 1,685 + 18,045 + 23,435 = 49,890;

R(2, 3) = 22,071 + 26,379 + 13,418 + 7,124 = 68,992;

R(3, 4) = 0,045 + 0,264 + 0,658 + 0,054 = 1,021.

Значения потенциальной функции вычисляют по формуле (2.45):

К(1, 2) = 1/(1 + 0,00781 х 20,224) = 0,86360;

К(1, 3) = 1/(1 + 0,00781 х 42,004) = 0,75298;

К(1, 4) = 1/(1 + 0,00781 х 49,890) = 0,71961;

К(2, 3) = 1/(1 + 0,00781 х 68,992) = 0,64985;

К(2, 4) = 1/(1 + 0,00781 х 73,900) = 0,63405;

К(3, 4) = 1/(1 + 0,00781 х 1,021) = 0,99210.

Необходимость такой точности (до 5 знака после запятой) вызвана малой "чувствительностью" потенциальной функции при распознавании геометрически близких деталей.

По формулам (2.49, 2.50) вычисляют значения элементов матрицы мер близости, обозначенной в примере RK(i,j), для первого шага группирования. Поскольку количество деталей в группах на первом шаге равно 1, то значения элементов матрицы мер близости будут равны соответствующим значениям потенциальной функции, т.е.

RK(1, 2) = K(1, 2); RK(1, 3) = K(1, 3) и т.д.

Объединению подлежат те группы, для которых элемент матрицы мер близости RK(i,j) принимает максимальное значение. Следовательно, объединению подлежат группы 3 и 4. Количество групп сокращается на единицу.

На втором шаге группирования производится пересчет значений элементов матрицы мер близости:

RK(1, 2) = 0,86360,

RK(1, 3) = 1/2х(0,75298 + 0,71961) = 0,73630,

RK(1, 3) = 1/2х(0,64985 + 0,63405) = 0,64195,

RК(1, 1)= 1,

RK(2,2) = 1,

RK(3, 3) = 1/2x0,99210 = 0,49605.

На этом шаге объединяются группы 1 и 2. Количество групп сокращается до 2. Третий шаг требует пересчета матрицы мер близости:

RK(1, 2) = 1/4х(0,75298 + 0,71961 + 0,64985 + 0,63405) = 0,68912,

RK(, 1) = 0,86360,

RK(1, 2) = 0,99210.

По полученным на каждом шаге группирования критериев геометрической близости рассчитываются значения критериев качества группирования ф(N). Значения критериев для каждого шага группирования представлены в табл. 2.11.
Рациональному варианту группирования соответствует максимальное значение критерия геометрической близости и минимальное значение стоимостного критерия ф (N).

Рассмотренный пример позволяет проследить изменение соответствующих параметров на каждом шаге группирования. При больших объемах выборки деталей количество шагов группирования возрастает.

В качестве контрольного примера приведены данные, ход расчетов и результаты группирования 10 деталей класса втулок.

Процесс принятия решения при группировании деталей. В соответствии с основными принципами группового метода, после установления принадлежности осесимметричных деталей рассматриваемой выборки конкретным классам приступают к формированию однородных групп отдельно в каждом из полученных классов.

Расчеты проводились на классе стержневых деталей с односторонним утолщением, как наиболее представительном для рассматриваемой выборки. На этапе классификации в него вошли 41 деталь с наиболее характерной геометрией, присущей данному классу. Так как принципом отнесения детали к тому или иному классу является общность технологического процесса, то все стержневые детали сформированного класса могут быть изготовлены ХОШ и ПГОШ с использованием необходимых технологических операций. Класс охватывает достаточно большой диапазон типоразмеров деталей с габаритами в пределах 20 < D < 90; 35 < L < 200, диаметр стержневой части деталей изменяется: 10 < d < 70.

На примере указанного класса было проведено поэтапное группирование, на каждом из которых, кроме объединения деталей в группы, формировалась комплексная поковка и рассчитывалось значение интегрального критерия качества группирования.
Для одной из полученных групп, объединяющей 3 стержневые детали, на рис. 2.21, а показаны контуры половин осевых сечений этих деталей и результирующий контур, полученный после работы соответствующего блока алгоритма. В итоге наложения отличающихся друг от друга контуров частично закрываются элементы, снижающие технологичность проектируемой поковки: проточки, канавки, поднутрения, периферийные отверстия и др. Оставшиеся нетехнологичные элементы, если таковые имеются, закрываются напуском на следующем этапе проектирования комплексной поковки. На этом этапе на основе формализованного набора правил конструирования определяют параметры поковки: радиусы скруглений, уклоны, припуски на обработку резанием, т.е. проектируется окончательный контур поковки, показанный на рис. 2.21, б. При назначении величины напусков и припусков принимают во внимание возможности рассматриваемого технологического процесса ХОШ и ПГОШ, а также значения предельных отклонений размеров деталей и шероховатости поверхностей.

Программный комплекс может работать с произвольными контурами. Примеры построения комплексных поковок для изготовления групп деталей рассматриваемых классов приведены на рис. 2.22, 2.23.
В результате проведенного группирования на примере класса стержневых деталей с односторонним утолщением возможными являются 40 вариантов, при оценке каждого из которых по величине критерия (2.54) получены зависимости изменения входящих в него компонент от количества типоразмеров комплексных поковок. Эти зависимости представлены в виде графиков на рис. 2.24.
Для рассматриваемой номенклатуры стержневых деталей с односторонним утолщением с конкретными величинами программ годового производства, изменяющимися в диапазоне от 100 до 1000 штук, оптимальным количеством групп является 10, что соответствует 29 шагу группирования.
Этот вариант распределения деталей по группам фиксируется матрицей состояния данного класса, количество строк которой соответствует общему количеству деталей класса, а количество столбцов равно количеству сформированных групп. Единичные элементы матрицы указывают на включение в данную группу детали, номер которой соответствует номеру строки. Матрица состояния для данного класса представлена табл. 2.12, элементы равные нулю опущены. В последней строке приведена суммарная программа выпуска деталей группы, а последний столбец отражает серийность каждой детали в отдельности.

Анализ полученных групп показывает, что для некоторых из них, несмотря на небольшую программу выпуска, например, группа 5, применение группового метода обеспечивает эффективность изготовления пластическим деформированием поковок этой группы.

Таким образом, для изготовления стержневых деталей 41 наименования методом ХОШ и ПГОШ с минимальными затратами на основные материалы и штамповую оснастку потребовалось сформировать 10 групп, для которых при необходимости проектировались комплексные поковки. Такое сокращение номенклатуры поковок при увеличении серийности их производства за счет унификации, дает возможность существенно сократить как сортамент применяемого металла, так и количество необходимого штампового инструмента, что является важным в условиях мелкосерийного производства.
Подобное обсуждение может быть проведено для любого класса осесимметричных деталей. Результаты группирования деталей рассматриваемой выборки приведены в табл. 2.13, а детали и комплексные поковки - в табл. 2.14.





Яндекс.Метрика