Розробка методології автоматизованого підбору ріжучого інструменту для вебзастосунку
DOI:
https://doi.org/10.25140/2411-5363-2025-3(41)-115-130Ключові слова:
метод багатокритеріального прийняття рішень; вебзастосунок; логіка обмежень; автоматизований підбір; ріжучий інструмент; обробка різанням; фільтрація; ранжуванняАнотація
У дослідженні розглянуто методологію ухвалення рішень для вебзастосунку автоматизованого підбору ріжучого інструменту та оснащення. Автоматизований підбір має низку переваг перед ручним підбором ріжучого інструменту технічним персоналом, в тому числі дозволяє знизити вплив людського фактору на процес підбору, що позитивно впливає на технічні та економічні показники процесу механічної обробки. Запропоновано використовувати метод жорсткої логіки обмежень (CSP) для фільтрації множин альтернатив бази даних застосунку, а для подальшого ранжування альтернатив використовувати метод багатокритеріального прийняття рішень (MCDM) та методику побудови ваг AHP. Для оцінки та ранжування інструменту або оснащення на основі визначених критеріїв запропоновано використовувати такі методики MCDM, як метод зваженої суми (WSM) для визначення інтегральної суми та техніку впорядкування переваг за схожістю (TOPSIS) для визначення коефіцієнтів близькості. Описано схему використання запропонованих методів у застосунку. Проведено розрахунок на основі зазначених методів для п’яти альтернатив (сетів ріжучого інструменту для процесу механічної токарної обробки) в середовищі MATLAB. Результатами розрахунку визначено, що для невеликої вибірки методи WSM та TOPSIS мали схожий результат, але через відмінність підходів обчислення при збільшенні вибірки (фільтрованої множини альтернатив) результат може відрізнятися, що робить доцільним застосування цих методів паралельно. Актуальним питанням є подальше впровадження запропонованої методології при розробці вебзастосунку для автоматизованого підбору ріжучого інструменту та оснащення.
Посилання
Navaneethan, G., Palanisamy, S., Jayaraman, P. P., Kang, Y. B., Stephens, G., Papageor-giou, A., & Navarro, J. (2024). A review of automated cutting tool selection methods. The Inter-national Journal of Advanced Manufacturing Technology, 133(3), 1063-1082. https://doi.org/10.1007/s00170-024-13823-1.
Yevdokymov, О., Kolesnyk, V., Dovhopolov, А., Bykov, М., & Fesenko, D. (2025). In-creasing productivity of processing the mortar body component. Technical Sciences and Tech-nologies, (2 (40)), 137-147. https://doi.org/10.25140/2411-5363-2025-2(40)-137-147.
Aman, A., Bhardwaj, R., Gahlot, P., & Phanden, R. K. (2023). Selection of cutting tool for desired surface finish in milling Machine using Taguchi optimization methodology. Materials Today: Proceedings, 78, 444-448. https://doi.org/10.1016/j.matpr.2022.10.253.
Shi, K. N., Liu, N., Wang, S. B., Ren, J. X., & Yuan, Y. (2019). Experimental and theoret-ical investigation of milling tool selection towards energy-efficient process planning in discrete parts manufacturing. The International Journal of Advanced Manufacturing Technology, 104(1), 1099-1107. https://doi.org/ 10.1007/s00170-019-03960-3.
Li, A., Zhao, J., Gong, Z., & Lin, F. (2016). Optimal selection of cutting tool materials based on multi-criteria decision-making methods in machining Al-Si piston alloy. The Interna-tional Journal of Advanced Manufacturing Technology, 86(1), 1055-1062. https://doi.org/10.1007/s00170-015-8200-1.
Duan, Y., Hou, L., & Leng, S. (2021). A novel cutting tool selection approach based on a metal cutting process knowledge graph. The International Journal of Advanced Manufacturing Technology, 112(11), 3201-3214. https://doi.org/10.1007/s00170-021-06606-5.
Phung, X. L., Truong, H. S., & Bui, N. T. (2019). Expert system based on integrated fuzzy AHP for automatic cutting tool selection. Applied Sciences, 9(20), 4308. https://doi.org/10.3390/app9204308.
Soori, M., Arezoo, B., & Dastres, R. (2023). Machine learning and artificial intelligence in CNC machine tools, a review. Sustainable Manufacturing and Service Economics, 2, 100009. https://doi.org/ 10.1016/j.smse.2023.100009.
Wang, R., Zhao, W., Luo, C. J., Wang, Z. Y., & Luo, T. (2016). Research on intelligent tool selection system based on Optimization model. Key Engineering Materials, 693, 1765-1771. https://doi.org/10.4028/ www.scientific.net/KEM.693.1765.
Zubair, A. F., & Mansor, M. S. A. (2019). Embedding firefly algorithm in optimization of CAPP turning machining parameters for cutting tool selections. Computers & Industrial Engi-neering, 135, 317-325. https://doi.org/10.1016/j.cie.2019.06.006.
Jha, N. K. (1997). A set-theoretic automatic selection of cutting tools in manufacturing system. Journal of materials processing technology, 65(1-3), 99-106. https://doi.org/10.1016/0924-0136(95)02248-1.
Mackworth, A. K. (1992). The logic of constraint satisfaction. Artificial Intelligence, 58(1-3), 3-20. https://doi.org/10.1016/0004-3702(92)90003-G.
Madelaine, F., & Stewart, I. A. (2007). Constraint satisfaction, logic and forbidden pat-terns. SIAM Journal on Computing, 37(1), 132-163 https://doi.org/10.1137/050634840.
International Organization for Standardization. (2012). ISO 513:2012: Classification and application of hard cutting materials for metal removal with defined cutting edges – Designation of the main groups and groups of application.
Aruldoss, M., Lakshmi, T. M., & Venkatesan, V. P. (2013). A survey on multi criteria de-cision making methods and its applications. American Journal of Information Systems, 1(1), 31-43. https://doi.org/ 10.12691/ajis-1-1-5.
Majumder, M. (2015). Multi criteria decision making. In Impact of urbanization on wa-ter shortage in face of climatic aberrations (pp. 35-47). Singapore: Springer Singapore. https://doi.org/10.1007/978-981-4560-73-3_2.
Ho, W., Xu, X., & Dey, P. K. (2010). Multi-criteria decision making approaches for supplier evaluation and selection: A literature review. European Journal of operational research, 202(1), 16-24. https://doi.org/10.1016/j.ejor.2009.05.009.
Saaty, T. L. (1994). How to make a decision: the analytic hierarchy process. Interfaces, 24(6), 19-43. https://doi.org/10.1287/inte.24.6.19.
Marler, R. T., & Arora, J. S. (2010). The weighted sum method for multi-objective opti-mization: new insights. Structural and multidisciplinary optimization, 41(6), 853-862. https://doi.org/10.1007/ s00158-009-0460-7.
Kaddani, S., Vanderpooten, D., Vanpeperstraete, J. M., & Aissi, H. (2017). Weighted sum model with partial preference information: Application to multi-objective optimization. Eu-ropean Journal of Operational Research, 260(2), 665-679. https://doi.org/10.1016/j.ejor.2017.01.003.
Papathanasiou, J., & Ploskas, N. Multiple Criteria Decision Aid-Methods, Examples and Python Implementations, Cham, Switzerland: Springer Nature Switzerland AG, 2018. https://doi. org/10.1007/978-3-319-91648-4.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
