ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПІДВИЩЕННЯ ЯКОСТІ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ У МАШИНОБУДУВАННІ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2026.01.098Ключові слова:
нейронні мережі, машинобудування, забезпечення якості, глибоке навчання, CNN-LSTM, моніторинг технологічних процесів, прогнозування дефектів, Індустрія 4.0Анотація
Стрімкий розвиток методів машинного навчання та штучного інтелекту відкриває нові можливості для підвищення якості технологічних процесів у машинобудуванні. У роботі розглядається застосування штучних нейронних мереж (ANN) для вирішення задач забезпечення якості в процесах механічної обробки, зварювання, лиття та формування металу. Проаналізовано переваги нейромережевих підходів порівняно з традиційними аналітичними методами: здатність моделювати нелінійні залежності між параметрами процесу та показниками якості, адаптивність до змінних умов виробництва та можливість інтеграції в системи контролю реального часу. Розглянуто архітектури CNN, MLP та гібридні моделі CNN-LSTM для задач прогнозування дефектів та моніторингу стану інструменту. Показано, що впровадження нейромережевих систем сприяє зниженню відсотка браку, підвищенню стабільності процесів та скороченню витрат на контроль якості.
Посилання
Wang J. et al. Deep learning for smart manufacturing: Methods and applications // Journal of Manufacturing Systems. – 2018. – Vol. 48. – P. 144–156. – DOI: 10.1016/j.jmsy.2018.01.003
Kumar S. et al. Application of ANN in machining processes: A review // International Journal of Advanced Manufacturing Technology. – 2012.
Zhang Y. et al. Tool wear condition monitoring method based on deep learning with force signals // Sensors. – 2023. – Vol. 23, No. 10. – P. 4595. – DOI: 10.3390/s23104595
Lin W.-C. et al. Prediction and analysis of the surface roughness in CNC end milling using neural networks // Applied Sciences. – 2022. – Vol. 12, No. 1. – P. 393. DOI: 10.3390/app12010393
Teti R. et al. Advanced monitoring of machining operations // CIRP Annals. – 2010. – Vol. 59, No. 2. – P. 717–739.
Uyan T.Ç. et al. Industry 4.0 foundry data management and supervised machine learning in low-pressure die casting quality improvement // International Journal of Metalcasting. – 2023. – Vol. 17. – P. 414–429. – DOI: 10.1007/s40962-022-00783-z
Zhang Z. et al. Deep learning for intelligent manufacturing // Journal of Manufacturing Systems. – 2019.
Kumaresan S. et al. Deep learning-based weld defect classification using VGG16 transfer learning adaptive fine-tuning // International Journal of Interactive Design and Manufacturing. – 2023. – DOI: 10.1007/s12008-023-01327-3
Madhvacharyula A.S. et al. In situ detection of welding defects: A review // Welding in the World. – 2022. – Vol. 66. – P. 611–628. – DOI: 10.1007/s40194-021-01229-6
Lee J. et al. Predictive manufacturing systems // Manufacturing Letters. – 2014.
Kusiak A. Smart manufacturing // International Journal of Production Research. – 2018. – Vol. 56, No. 1–2. – P. 508–517.
