Upload
dokhanh
View
213
Download
0
Embed Size (px)
Citation preview
- I -
Doktorska disertacija
INTELIGENTNO TOLERIRANJE SKLOPOV
GLEDE NA TEHNOLOŠKE ZMOŽNOSTI
OBDELOVALNIH POSTOPKOV
junij, 2016 Avtor: David MOČNIK
Mentor: red. prof. dr. Jože BALIČ
Somentor: doc. dr. Mirko FICKO
- II -
Avtor:
Naslov:
UDK klasifikacija:
Ključne besede:
Število izvodov:
David MOČNIK, univ. dipl. inž. str.
Inteligentno toleriranje sklopov glede na tehnološke
zmožnosti obdelovalnih postopkov
004.89:621.71(043.3)
načrtovanje toleranc, izdelovalni stroški, optimizacija,
inteligentno toleriranje, optimizacija z rojem delcev,
gravitacijski iskalni algoritem
8
- III -
»Operacijo delno financira Evropska unija, in sicer iz Evropskega socialnega sklada. Operacija
se izvaja v okviru Operativnega programa razvoja človeških virov za obdobje 2007–2013, 1.
razvojne prioritete: Spodbujanje podjetništva in prilagodljivosti, prednostne usmeritve 1.1.:
Strokovnjaki in raziskovalci za konkurenčnost podjetij.«
- IV -
- V -
ZAHVALA
Iskreno se zahvaljujem mentorju red. prof. dr. Jožetu Baliču za vodenje pri pripravi
doktorske disertacije ter za možnost, da sem del raziskovalnega dela lahko opravil v
Laboratoriju za inteligentne obdelovalne sisteme na Fakulteti za strojništvo Univerze
v Mariboru. Zahvaljujem se tudi somentorju doc. dr. Mirku Ficku za pomoč, koristne
nasvete in podporo.
Zahvaljujem se podjetju Techne d. o. o. za ponujeno možnost izvedbe
podiplomskega študija in opravljanja raziskovalnega dela. Posebej hvaležen sem
raziskovalnemu mentorju Alešu Zorcu za strokovne nasvete, številne razprave o
problematiki toleriranja sklopov na področju avtomobilske industrije ter vso podporo
pri izvedbi programa raziskovalnega dela. Zahvala tudi mag. Mateji Herak za
podporo in vzpodbudne besede takrat, ko sem jih potreboval.
K nastanku te doktorske disertacije ste pomembno vplivali tudi člani Katedre in
Inštituta za proizvodno strojništvo na Fakulteti za strojništvo Univerze v Mariboru, s
katerimi smo izmenjali marsikatero strokovno mnenje. Še posebej se zahvaljujem
docentu dr. Simonu Klančniku za razprave o metodah umetne inteligence ter za
pomoč pri izvedbi programskih rešitev.
Prisrčno se zahvaljujem moji dragi Romani za razumevanje, potrpežljivost in
vzpodbudo ob pisanju doktorske disertacije.
- VI -
- I -
KAZALO VSEBINE
1 UVOD ................................................................................................................................. 1
1.1 OPIS – OPREDELITEV PROBLEMA ............................................................................... 2
1.2 NAMEN IN CILJI DOKTORSKE DISERTACIJE ................................................................ 5
1.3 TEZA DOKTORSKE DISERTACIJE ................................................................................ 5
1.4 PRIČAKOVANI IZVIRNI ZNANSTVENI PRISPEVEK ........................................................ 6
1.5 PREDVIDENE METODE RAZISKOVANJA ...................................................................... 6
1.6 PREDPOSTAVKE IN OMEJITVE .................................................................................... 7
1.7 PREGLED VSEBINE DOKTORSKE DISERTACIJE ............................................................ 8
2 PREGLED OSNOV TOLERIRANJA IN STANJA OBRAVNAVANE
PROBLEMATIKE .......................................................................................................... 11
2.1 ANALIZA IN NAČRTOVANJE TOLERANC ................................................................... 11
2.1.1 Metoda najbolj neugodnega primera .............................................................. 13
2.1.2 Statistične metode – Statistični izračun toleranc ............................................ 14
2.2 TOLERANČNO STROŠKOVNI MODELI ....................................................................... 16
2.3 PREGLED VODILNIH SIMULACIJSKIH TOLERANČNIH ORODIJ .................................... 19
2.3.1 CeTOL Six Sigma .......................................................................................... 20
2.3.2 eM-TolMate .................................................................................................... 21
2.3.3 VisVSA ........................................................................................................... 21
2.3.4 3DCS .............................................................................................................. 22
2.4 DOSEDANJE RAZISKAVE NA PODROČJU INTELIGENTNEGA TOLERIRANJA ................. 23
3 METODE UMETNE INTELIGENCE ......................................................................... 27
3.1 OPTIMIZACIJA Z ROJEM DELCEV – PSO ................................................................... 27
3.2 GRAVITACIJSKI ISKALNI ALGORITEM – GSA .......................................................... 29
3.3 GENETSKI ALGORITMI – GA ................................................................................... 32
3.4 VEČKRITERIJSKA OPTIMIZACIJA Z ALGORITMOM NSGA-II ..................................... 35
3.5 VEČKRITERIJSKA OPTIMIZACIJA Z ALGORITMOM MOPSO ...................................... 37
3.6 OPTIMIZACIJA NA OSNOVI POUČEVANJA IN UČENJA – TLBO .................................. 38
- II -
4 ZASNOVA INTELIGENTNEGA SISTEMA TOLERIRANJA ................................ 39
4.1 OPIS INTELIGENTNEGA SISTEMA TOLERIRANJA ...................................................... 39
4.2 PREDSTAVITEV IZBRANIH OPTIMIZACIJSKIH PROBLEMOV ....................................... 41
4.2.1 Predstavitev izbranega testnega primera 1: Členek ročičnega mehanizem ... 41
4.2.2 Predstavitev izbranega testnega primera 2: Sestav gredi in ohišja ................ 44
4.3 RAZVITA MODULA ZA NAČRTOVANJE TOLERANC ................................................... 47
4.3.1 PSO-modul za načrtovanje toleranc ............................................................... 47
4.3.2 GSA-modul za načrtovanje toleranc .............................................................. 49
4.4 POVEZAVA SISTEMA Z OBSTOJEČO CAD-PROGRAMSKO OPREMO ........................... 50
5 REZULTATI IN DISKUSIJA ....................................................................................... 53
5.1 REZULTATI OPTIMIZACIJE S PSO-ALGORITMOM ..................................................... 53
5.1.1 Členek ročičnega mehanizma ........................................................................ 53
5.1.2 Sestav gredi in ohišja ..................................................................................... 55
5.2 REZULTATI OPTIMIZACIJE Z GSA-ALGORITMOM .................................................... 57
5.2.1 Členek ročičnega mehanizma ........................................................................ 57
5.2.2 Sestav gredi in ohišja ..................................................................................... 58
5.3 PRIMERJAVA REZULTATOV Z OSTALIMI OPTIMIZACIJSKIMI METODAMI................... 60
5.3.1 Primerjava rezultatov – členek ročičnega mehanizma ................................... 61
5.3.2 Primerjava rezultatov – sestav gredi in ohišja ............................................... 62
6 SKLEPI ............................................................................................................................ 65
7 SEZNAM UPORABLJENIH VIROV .......................................................................... 67
8 PRILOGE ........................................................................................................................ 73
8.1 OSEBNA BIBLIOGRAFIJA ......................................................................................... 73
8.2 ŽIVLJENJEPIS .......................................................................................................... 77
- III -
KAZALO SLIK
Slika 1.1: Konfrontacija med konstrukcijo in proizvodnjo (prirejeno po [41] in [16]) .............. 2
Slika 1.2: Vpliv toleranc na proizvodne stroške [14] ................................................................. 3
Slika 2.1: Analiza in načrtovanje toleranc (prirejeno po [31]) ................................................. 12
Slika 2.2: Proces toleriranja ...................................................................................................... 13
Slika 2.3: Sestav treh kvadrov .................................................................................................. 14
Slika 2.4: Primerjava tolerančno stroškovnih modelov (prirejeno po [50]) ............................. 19
Slika 2.5: Struktura nevronske mreže (prirejeno po [23]) ........................................................ 23
Slika 2.6: Proces načrtovanja toleranc po Ji-ju (prirejeno po [20]) .......................................... 24
Slika 3.1: Psevdokoda PSO-algoritma [32] .............................................................................. 29
Slika 3.2: Ideja GSA-algoritma – solarni sistem [18] .............................................................. 30
Slika 3.3: Psevdokoda GSA-algoritma (prirejeno po [18]) ...................................................... 32
Slika 3.4: Psevdokoda enostavnega genetskega algoritma [47] ............................................... 34
Slika 3.5: Psevdokoda NSGA-II algoritma [47] ....................................................................... 35
Slika 4.1: Shematski prikaz delovanja razvitega inteligentnega sistema ................................. 40
Slika 4.2: Skica členka ročičnega mehanizma (prirejeno po [53]) ........................................... 41
Slika 4.3: Skica sestava gredi in ohišja (prirejeno po [54]) ...................................................... 45
Slika 4.4: PSO-modul – uporabniški vmesnik ......................................................................... 48
Slika 4.5: GSA-modul – uporabniški vmesnik ......................................................................... 49
Slika 4.6: Shematski prikaz povezave sistema z orodjem za računalniško podprto
konstruiranje Catia V5 R19 .............................................................................................. 50
Slika 5.1: Prikaz konvergence PSO-algoritma pri najboljši rešitvi .......................................... 54
Slika 5.2: Prikaz rezultatov za členek ročičnega mehanizma ................................................... 55
Slika 5.3: Prikaz konvergence PSO-algoritma ......................................................................... 56
Slika 5.4: Prikaz rezultatov za sestav gredi in ohišja po 3000 iteracijah.................................. 56
- IV -
Slika 5.5: Prikaz rezultatov za sestav gredi in ohišja po 50 iteracijah ..................................... 57
Slika 5.6: Prikaz rezultatov za členek ročičnega mehanizma .................................................. 58
Slika 5.7: Prikaz najboljšega rezultata za sestav gredi in ohišja .............................................. 59
Slika 5.8: Prikaz primerjalnega rezultata za sestav gredi in ohišja .......................................... 60
- V -
KAZALO PREGLEDNIC
Preglednica 1.1: Zanesljivost komponente in tolerance [14] ..................................................... 4
Preglednica 2.1: Tolerančno stroškovni modeli ....................................................................... 17
Preglednica 4.1: Karakteristike proizvodnega procesa za členek ročičnega mehanizma ......... 44
Preglednica 4.2: Karakteristike proizvodnega procesa za sestav gredi in ohišja ..................... 47
Preglednica 5.1: Ocena stroškov proizvodnje členka ročičnega mehanizma ........................... 61
Preglednica 5.2: Izbrani proizvodni procesi – stroji in predlagane tolerance za členek
ročičnega mehanizma ....................................................................................................... 62
Preglednica 5.3: Ocena stroškov proizvodnje sestava gredi in ohišja ...................................... 62
Preglednica 5.4: Izbrani proizvodni procesi – stroji in predlagane tolerance .......................... 63
- VI -
- VII -
INTELIGENTNO TOLERIRANJE SKLOPOV GLEDE NA
TEHNOLOŠKE ZMOŽNOSTI OBDELOVALNIH POSTOPKOV
Ključne besede: načrtovanje toleranc, izdelovalni stroški, optimizacija, inteligentno
toleriranje, optimizacija z rojem delcev, gravitacijski iskalni algoritem.
UDK klasifikacija: 004.89:621.71(043.3)
POVZETEK
Sodobna proizvodnja je podvržena najrazličnejšim zahtevam, ki jih povezuje zahteva po
učinkovitosti. Da zadostimo tej zahtevi, je treba tolerance sestavnih delov sklopa načrtovati s
premislekom. Z ustreznim načrtovanjem toleranc lahko namreč zelo vplivamo na zmanjšanje
proizvodnih stroškov.
V ta namen je v doktorski disertaciji za reševanje kompleksnega problema načrtovanja
toleranc razvit in predstavljen inteligentni sistem toleriranja, ki s pomočjo metod umetne
inteligence, na podlagi vhodnih podatkov, porazdeli tolerance sestavnih delov, tako da so
stroški izdelave minimalni.
Razvita sta dva različna modula za načrtovanje toleranc; modul z optimizacijo z rojem
delcev in modul, ki temelji na gravitacijskem iskalnem algoritmu. Uporaba razvitega sistema
je prikazana na dveh realnih primerih. Primerjane so vrednosti najnižjih doseženih stroškov s
posamezno optimizacijsko metodo, vrednosti predlaganih toleranc in izbrani proizvodni
procesi – stroji, ki jih je predlagala inteligenca. Skozi opravljena testiranja pri zasnovi
inteligentnega sistema toleriranja se je optimizacija z rojem delcev izkazala za
najučinkovitejšo metodo. Razvit je tudi uporabniški vmesnik, ki omogoča enostavno
načrtovanje toleranc.
V zaključku raziskave je tudi potrjena teza doktorske disertacije, hkrati pa so tudi
podane smernice za nadaljnji razvoj in raziskave.
- VIII -
- IX -
INTELLIGENT TOLERANCING OF ASSEMBLIES REGARDING
TECHNOLOGICAL CAPABILITIES OF MANUFACTURING
PROCESSES
Key words: tolerance allocation, manufacturing costs, optimization, intelligent tolerancing,
particle swarm optimization, gravitational search algorithm.
ABSTRACT
Modern production is subjected to manifold requirements which all have one common link –
effectiveness. To meet this requirement, tolerances of the assembly components need to be
planned wisely. An appropriate tolerance allocation can lead to significantly reduced
production costs.
To solve the complex problem of tolerance allocation, an intelligent tolerancing system
that uses artificial intelligence methods which, on the basis of input data, distribute
tolerances of the components in a way to keep the manufacturing costs to a minimum, is
developed and presented in this dissertation.
For the tolerance allocation, two different modules are developed; the module with
particle swarm optimization and the module based on gravitational search algorithm. The use
of the developed system is shown in two real cases. The values of the lowest costs achieved by
an individual optimization method, the values of suggested tolerances and selected
manufacturing processes – machines suggested by intelligence are compared. In the course of
testings performed when developing the intelligent tolerancing system, the particle swarm
optimization proved to be the most efficient method. User interface that enables an easy
tolerance allocation is developed as well.
In the conclusion of the research the dissertation’s thesis is confirmed. At the same
time, guidelines for the further development and researches are given.
- X -
- XI -
UPORABLJENI SIMBOLI
V disertaciji so simboli opisani in razloženi na mestu, kjer so uporabljeni.
- XII -
- XIII -
UPORABLJENE KRATICE
CAD Computer Aided Design (računalniško podprto modeliranje)
CAE Computer Aided Engineering (računalniško podprto inženirstvo)
CAM Computer Aided Manufacturing (računalniško podprta proizvodnja)
CAT Computer Aided Tolerancing (računalniško podprto toleriranje)
DIN Deutsches Institut für Normung (nemški nacionalni inštitut za
standardizacijo)
EN Europäische Norm (Evropski standard)
FCE Fuzzy Comprehensive Evaluation (hibridna metoda mehkega sklepanja)
GSA Gravitational Search Algorithm (gravitacijski iskalni algoritem)
ISO International Organization for Standardization (mednarodna organizacija za
standardizacijo)
MCS Monte Carlo Simulation (Monte Carlo simulacija)
MOPSO Multi-Objective Particle Swarm Optimization (večkriterijska optimizacija z
rojem delcev)
NSGA Non-Dominated Sorting Genetic Algorithm (genetski algoritem za
večkriterijsko optimizacijo)
PLM Product Lifecycle Management (Management življenjskega cikla
proizvodov)
PSO Particle Swarm Optimization (optimizacija z rojem delcev)
RSS Root Sum Square Method (metoda korena iz vsote kvadratov)
TLBO Teaching-Learning-Based Optimization (optimizacija na osnovi poučevanja
in učenja)
UI umetna inteligenca
- XIV -
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 1 -
1 UVOD
Sodobna proizvodnja je podvržena najrazličnejšim zahtevam, ki jih povezuje zahteva po
učinkovitosti. Temu je še posebej podvržena velikoserijska proizvodnja, ki je učinkovita šele
takrat, ko zagotavlja visoko dodano vrednost proizvodov ob nizki porabi energije potrebne za
proizvodnjo in uporabo izdelkov ter s tem majhnih obremenjevanjih okolja, kratkih
izdelovalnih časih, visoki natančnosti in čim manjših potrebah po človeških virih. V
velikoserijski proizvodnji je avtomobilska industrija vlečni konj tako na področju razvoja v
strojegradnji kot pri raziskavah na področju modernih tehnik in tehnologij.
Popolna zamenljivost sestavnih delov je dandanes ena izmed osnov v velikoserijski
proizvodnji. Da bi tudi po zamenjavi sestavnega dela sklopa ohranili njegovo funkcionalnost,
morajo biti lastnosti oziroma specifikacije kateregakoli sestavnega dela enoznačno določene.
Element mora biti izdelan tako, da leži znotraj določene dovoljene širine intervala dimenzij, ki
ga imenujemo toleranca. Po Slovarju slovenskega knjižnega jezika [58] je toleranca največja
dopustna razlika med predpisano in doseženo velikostjo, količino in kakovostjo česa.
Pomembnosti prileganja sestavnih delov se je že leta 1800 zavedal izumitelj Ely
Whitney pri proizvodnji orožja [61]. Razvil je enostavna orodja, na katerih je meril zračnost
med cevjo puške in udarno iglo. Če je bilo zračnosti za debelino papirja ali manj, je bil
sestavni del ustrezen, v nasprotnem primeru pa je bil neustrezen. Tudi proizvodnja
avtomobilov in njihovih sestavnih delov je bila v tovarni Daimler Benz v začetku
organizirana tako, da je bil cilj proizvodnje sestavne kose proizvesti »tako dobro, kot je
mogoče«. Pri montaži le-teh so nato izkušeni rokodelci sestavne dele z majhnimi koraki
obdelovali toliko časa, dokler se niso prilegali v sklop, tako kot je bilo želeno [63]. Takšen
pristop za serijsko proizvodnjo ni bil dolgo sprejemljiv, saj je povzročal velike stroške. To je
bil eden izmed poglavitnih vzrokov, da so se leta 1917 pojavili prvi DIN-standardi s področja
merskih sistemov in prilegov. Od takrat so se ti standardi vedno znova razvijali in tako
dandanes na področju toleriranja oziroma toleranc obstaja več kot 50 DIN- in DIN- EN- ISO-
standardov [22], kar kaže na pomembnost tega področja za industrijo.
V prvi polovici 20. stoletja se so začela na tehniških risbah pojavljati tudi (plus/minus)
dovoljena odstopanja dimenzij, in od takrat so postale tolerance ena izmed pomembnejših
nalog inženirjev. Še posebej z razvojem CAD/CAM-tehnik v 70. letih prejšnjega stoletja je
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 2 -
načrtovanje toleranc postalo področje, ki je pritegnilo pozornost velikega števila
raziskovalcev. Zaradi tega je bilo v zadnjih 40 letih objavljenih zelo veliko znanstvenih
prispevkov s tega področja. Na osnovi tega dejstva in bežnega pregleda literature, ki
obravnava načrtovanje toleranc in tolerančno stroškovne modele, bi lahko rekli, da sta
področji načrtovanja toleranc in tolerančno stroškovnih modelov povsem razviti področji.
Vendar veliko realnih primerov iz prakse kaže na to, da končna rešitev, ki bi zadovoljila
zahteve, potrebe in želje na tem področju, še ni bila dosežena.
Problemi v tehniški znanosti, med drugim tudi na področju načrtovanja toleranc,
postajajo vse kompleksnejši, zato se moramo posluževati vedno naprednejših metod reševanja
problemov. Pri tem uporabljajo metode umetne inteligence in evolucijskega računanja. Prav z
njimi si lahko pomagamo pri izdelavi ustreznih modelov in relevantnih aplikacij, s katerimi
lahko elegantno rešujemo vse kompleksnejše probleme, s katerimi se bomo srečevali v
raziskavah.
1.1 Opis – opredelitev problema
Z nobenim izdelovalnim postopkom ni mogoče zagotoviti absolutno točnih dimenzij izdelka,
zato je za vsako mero ali dimenzijo izdelka potrebno opredeliti toleranco. V fazi razvoja
izdelka in v nadaljnjih fazah se inženirji tako nenehno soočamo z dilemo – vprašanjem, ali naj
oblikujemo – konstruiramo za boljšo kakovost proizvoda ali nižje stroške (Slika 1.1).
Slika 1.1: Konfrontacija med konstrukcijo in proizvodnjo (prirejeno po [41] in [16])
Dodelitev toleranc (sestavnih delov) v fazi načrtovanja oziroma konstruiranja je primer
te dileme. Čeprav bi bilo idealno, če (da) bi dopustno odstopanje znašalo nič, ni niti
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 3 -
ekonomično niti praktično mogoče doseči absolutno točnih dimenzij izdelka. Določitev
dopustne velikosti dimenzijskega odstopanja v fazi konstruiranja vpliva tako na kakovost –
funkcionalnost izdelka, kakor tudi na stroške proizvodnje. Tega se konstruktorji premalo
zavedamo(jo). Na splošno imajo ohlapne tolerance za posledico nižje proizvodne stroške,
medtem ko imajo ožje tolerance za posledico višje proizvodne stroške. Proizvodnja
kakovostnejših in v večini primerov tudi natančnejših izdelkov je torej praviloma dražja,
medtem ko pa so cenejši proizvodi praviloma manj kakovostni. Ker vedno velja, da se z
oženjem toleranc elementov viša njihova cena (Slika 1.2), je zato načrtovanje toleranc zelo
pomembna aktivnost.
Slika 1.2: Vpliv toleranc na proizvodne stroške
Iz Slike 1.2 je prav tako razvidno, da stroški izdelave z manjšanjem dovoljenih toleranc
nelinearno naraščajo. To lahko osvetlimo z naslednjim primerom. Če dovoljeno toleranco
izdelave zmanjšamo iz 0,5 mm na 0,2 mm, bo povečanje stroškov v večini primerov
zanemarljivo majhno ali pa ga sploh ne bo, kajti v obeh primerih bomo verjetno uporabili
enako tehnologijo. Če pa toleranco izdelave zmanjšamo iz 0,01 mm na 0,001 mm, bo
povečanje stroškov znatno, saj bo potrebno uporabiti dražje stroje ali celo tehnologije ali pa
pristati na povečan izmet.
Pri načrtovanju toleranc se vedno vprašamo, kako veliko naj bo dopustno odstopanje:
Tako ozko, da konstruktor vedno stoji na varni strani?
Tako široko, da je proizvodnja čim enostavnejša in čim cenejša?
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 4 -
Optimalna rešitev leži nekje vmes, potrebno je najti uravnoteženje med stroški in
zahtevanimi značilnostmi komponent. Pri tem morajo tolerance zadostiti funkcionalnosti in
proizvodnji, hkrati pa morajo biti tudi merljive.
V splošnem v praksi se tudi izkušeni konstruktorji, razvojni inženirji in drugi
strokovnjaki procesa načrtovanja toleranc lotevajo svojevrstno in z bojaznijo. Tolerance
sestavnih delov podajajo na osnovi izkušenj in informacij iz priročnikov in standardov.
Takšen pristop upošteva vpliv toleranc na proizvodne stroške le deloma in je odvisen od
izkušenj konstruktorja. Ker se namreč večkrat pojavi dvom, ali bo sklop zaradi širše tolerance
funkcionalen, se konstruktorji raje odločajo za ožje tolerance. Le-te povzročajo dodatne
napore v proizvodnji in povečujejo stroške. Pojavijo se lahko tudi težave, da določene
tolerance z razpoložljivimi oz. obstoječimi stroji sploh ni mogoče doseči (Preglednica 1.1).
Preglednica 1.1: Zanesljivost komponente in tolerance [14]
OŽJA TOLERANCA ŠIRŠA TOLERANCA
Bolj zanesljiva komponenta Manj zanesljiva komponenta
Boljše značilnosti Slabše značilnosti
Večji proizvodni stroški; posebni napori pri
izdelavi
Nižji proizvodni stroški; skromni napori pri
izdelavi
Načrtovanje toleranc je zelo kompleksen problem, saj ni namreč vseeno, ali tolerance
sestavnih delov določenega sklopa med sabo porazdelimo enakomerno. Z ustreznim
načrtovanjem toleranc lahko zelo vplivamo na zmanjšanje proizvodnih stroškov. Ker pa to ni
enostaven proces, se poslužujemo vedno naprednejših metod reševanja problemov. V
doktorski disertaciji za reševanje kompleksnega problema načrtovanja toleranc predlagamo
uporabo metod umetne inteligence za zasnovo inteligentnega sistema, ki bo sposoben
samodejno dodeliti tolerance sestavnih delov glede na podano toleranco sklopa, izbrati
najprimernejši stroj oz. postopek za izdelavo tega dela in optimizirati stroške (upoštevanje
“obstoječih” tolerančno-stroškovnih modelov). Rezultate predlaganega pristopa bomo
analizirali tudi s primerjavo z ostalimi optimizacijskimi metodami.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 5 -
1.2 Namen in cilji doktorske disertacije
Izhajajoč iz predstavljenega problema so bile raziskave usmerjene na področje inteligentnega
toleriranja. Poleg novih teoretičnih in delno tudi praktičnih znanj predlagano doktorsko
disertacijo opredeljujejo naslednji (raziskovalni) cilji:
poglobljeno razumevanje – poznavanje obstoječih tolerančno-stroškovnih modelov
ter simulacijskih tolerančnih orodij;
razvoj inteligentnega sistema toleriranja s pomočjo umetne inteligence;
razvoj in povezava sistema z obstoječo CAD-programsko opremo;
analiza delovanja in testiranje sistema s testnimi primeri in primerjava učinkovitosti z
obstoječimi komercialnimi simulacijskimi tolerančnimi orodji ali z ostalimi
optimizacijskimi metodami.
Pričakovane pozitivne posledice doseženih ciljev na področju inteligentnega toleriranja so
naslednje:
povečanje učinkovitosti in skrajšanje trajanja razvojno-proizvodnih procesov ter
posledično znižanje stroškov;
možnost uporabe razvitega sistema na širšem področju.
1.3 Teza doktorske disertacije
Na osnovi predstavljenega problema in predvidenih ciljev raziskovalnega dela je bila
oblikovana naslednja teza:
Teza: s pomočjo metod umetne inteligence je mogoče na osnovi razvitega modela ter na
podlagi vnesenih podatkov (npr. dovoljena toleranca sklopa, razpoložljive
tehnologije za dosego tolerance, tolerančno stroškovni modeli) napovedati oziroma
določiti tolerance posameznih delov, in sicer tako, da bodo stroški izdelave optimalni
oziroma blizu optimalni glede na izbrane zahteve.
Za potrditev teze smo zasnovali in implementirali v nadaljevanju naloge opisan
inteligenten model – sistem, ki s pomočjo metod umetne inteligence na podlagi vhodnih
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 6 -
podatkov porazdeli tolerance sestavnih delov, tako da so stroški izdelave minimalni. Za
testiranje zanesljivosti modela – sistema inteligentnega toleriranja ter njegovo verifikacijo so
nam služile obstoječe raziskave, s čimer smo preverjali ustreznost napovedanih rešitev.
1.4 Pričakovani izvirni znanstveni prispevek
V fazi priprave teme – dispozicije doktorske disertacije smo kot izvirni znanstveni prispevek
doktorske disertacije k teoriji in praksi predvideli razvoj inteligentnega modela – sistema
oziroma metodologije za načrtovanje toleranc. Posledično je za pričakovati časovni in
finančni prihranek na račun optimalne porazdelitve toleranc. Sistem oziroma metoda za
načrtovanje toleranc bo robustna ter splošno uporabna v praksi, v sami disertaciji pa bomo
uporabo sistema/metode prikazali samo za določene primere uporabe.
Izvirnost doktorske disertacije glede na obstoječe raziskave je predvsem v tem, da so se
do sedaj raziskovalci ukvarjali predvsem s preverjanjem in/ali z optimizacijo toleranc, ki so
bile predpisane na osnovi izkušenj strokovnjakov in informacij iz priročnikov in standardov.
V doktorski disertaciji bo razvit in predstavljen inteligentni model, ki samostojno dodeli
tolerance sestavnih delov, brez posebnega prehodnega znanja človeka – strokovnjaka.
Določene smernice v tej smeri so bile sicer nakazane, vendar uporaba določenih inteligentnih
tehnik, predvsem gravitacijskega iskalnega algoritma (GSA), na tem področju še ni bila
raziskana.
Področje doktorske disertacije se navezuje na znanstveno raziskovalno delo v okviru
podjetja Techne d. o. o. in njegove raziskovalne skupine ter Laboratorija za inteligentne
obdelovalne sisteme, ki deluje v sklopu Inštituta za proizvodno strojništvo na Fakulteti za
strojništvo Univerze v Mariboru in kjer potekajo raziskave na področju uporabe metod
umetne inteligence v proizvodnih sistemih. Načrtujemo, da bodo raziskovalno delo in izsledki
ter rezultati doktorske disertacije prispevali k napredku znanosti na področju inteligentnega
toleriranja.
1.5 Predvidene metode raziskovanja
Zanesljivost končnih rezultatov procesa načrtovanja toleranc je v precejšnji meri odvisna od
znanja, pridobljenih izkušenj s pripravo modelov, pravilnega interpretiranja rezultatov in
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 7 -
dobrega poznavanja teoretičnih osnov modeliranja in toleriranja. Potrebno je poznati vpliv
posameznih parametrov pri gradnji modelov, saj je vsak postopek načrtovanja toleranc
nekakšen kompromis med zahtevano kvaliteto proizvoda in proizvodnimi stroški.
Za razvoj modela – sistema inteligentnega načrtovanja toleranc je potrebna teoretična
osnova, na podlagi katere bomo razvili inteligenten model – sistem. Potrebno je dobro
poznavanje sodobnih izdelovalnih postopkov. Zaradi kompleksnosti problema smo za iskanje
rešitev uporabili metode umetne inteligence. Poznavanje delovanja različnih algoritmov
umetne inteligence je zato nujno potrebno.
Raziskovalno delo pri tej doktorski disertaciji vključuje tako intenzivno
eksperimentalno kot tudi poglobljeno teoretično delo. Disertacija združuje interdisciplinarno
znanje s področja sodobnih obdelovalnih tehnologij in računalništva. Teoretično delo zajema
poznavanje:
simulacijskih tolerančnih orodij,
tolerančno stroškovnih modelov,
metod umetne inteligence in
sodobnih obdelovalnih tehnologij.
Eksperimentalni del temelji na implementaciji razvitega modela – sistema za
načrtovanje toleranc in testiranju njegovega delovanja. Ta del obsega:
razvoj in analizo sistema – algoritma za načrtovanje toleranc;
testiranje delovanja sistema na testnih primerih in verifikacijo.
Testni primeri, ki so obravnavani v doktorski disertaciji, so vzeti iz prakse.
1.6 Predpostavke in omejitve
Izhodišče za raziskovalno delo so bile pretekle objave rezultatov v obliki znanstvenih člankov
in drugih znanstvenih publikacij s področja načrtovanja in optimizacije toleranc. Ugotovitve
avtorjev, ki so svoje trditve dokazali z ustreznim eksperimentom in morebiti celo industrijsko
aplikacijo, smo uporabili pri analizi problema. Problem učinkovitega načrtovanja toleranc je
zaradi svoje kompleksnosti že dolgo v ospredju in se z njim ukvarja mnogo raziskovalnih
laboratorijev po vsem svetu. Zaradi zanimivosti raziskovalnega področja smo sproti
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 8 -
zasledovali najnovejše znanstvene dosežke in jih po potrebi implementirali v naše
raziskovalno delo.
Omejili smo se na izdelovalne procese oziroma tehnologije, za katere obstajajo
tolerančno stroškovni modeli. Omejili smo se tudi na značilne mehanske sklope, ki so v
avtomobilski industriji zastopani.
V fazi priprave teme – dispozicije doktorske disertacije smo predpostavili tudi, da
nekaterih rezultatov zaradi finančnih ali drugih omejitev ne bomo mogli v celoti realizirati v
praksi.
Za potrebe zbiranja obstoječega znanja in v težnji po pravilnosti načrtovanega pristopa k
problemu in h kasnejši uporabnosti rezultatov je bilo zraven študija literature nujno
vzpostaviti tudi stik s strokovnjaki s področja avtomobilske industrije in načrtovanja toleranc
ter inteligentnih tehnik. Le-ti so s svojim znanjem in z izkušnjami pomembno pripomogli k
nastanku doktorske disertacije.
1.7 Pregled vsebine doktorske disertacije
Disertacija je sestavljena iz šestih poglavij. V nadaljevanju predstavljamo kratek pregled
vsebine po posameznih poglavjih.
V uvodnem poglavju opišemo oziroma predstavimo problem. Predstavimo tudi tezo
doktorske disertacije, pričakovane izvirne znanstvene prispevke in zastavljene cilje,
predpostavke in morebitne omejitve pri delu.
Drugo poglavje je namenjeno pregledu stanja obravnavane problematike. Predstavljene
so teoretične osnove toleriranja, in sicer postopka analize in načrtovanja toleranc, nato je
predstavljen pregled obstoječih tolerančno stroškovnih modelov ter vodilnih simulacijskih
tolerančnih orodij ter na koncu podan pregled inteligentnih tehnik na področju toleriranja.
V tretjem poglavju so predstavljene in opisane teoretične osnove metod umetne
inteligence, ki smo jih uporabili za izgradnjo inteligentnega sistema toleriranja, kakor tudi
metode, s katerimi smo pridobljene rezultate primerjali z našimi rezultati.
Razviti inteligentni sistem toleriranja predstavimo v četrtem poglavju. Opisana sta
izbrana optimizacijska testna primera in razviti PSO- in GSA-modul za načrtovanje toleranc.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 9 -
Uporaba algoritma GSA je tudi novost na področju inteligentnega toleriranja. Prikazana je
tudi ideja povezave razvitega inteligentnega sistema s CAD-programsko opremo.
Peto poglavje obsega predstavitev rezultatov pridobljenih s pomočjo razvitega
inteligentnega sistema toleriranja. Izvedena je analiza delovanja in testiranje razvitega sistema
ter primerjava učinkovitosti z ostalimi optimizacijskimi metodami, ki so jih uporabili drugi
raziskovalci.
V zadnjem, šestem poglavju, povzamemo rezultate, navedemo dosežene cilje, potrdimo
tezo doktorske disertacije in podamo napotke za nadaljnje delo.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 10 -
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 11 -
2 PREGLED OSNOV TOLERIRANJA IN STANJA
OBRAVNAVANE PROBLEMATIKE
V preteklih letih je bilo objavljenih ogromno del na področju toleriranja, zaradi česar je
praktično nemogoče predstaviti izčrpen pregled na tem področju, zato bomo tukaj predstavili
le najpomembnejše izsledke. Obširnejši pregled obravnavanega področja lahko najdemo v
literaturi [17] in [2] z 270 oz. s 104 referencami.
V tem poglavju so predstavljene teoretične osnove toleriranja, in sicer postopka analize
in načrtovanja toleranc kot konvencionalna postopka na področju toleriranja, nato je
predstavljen pregled obstoječih tolerančno stroškovnih modelov ter simulacijskih tolerančno
stroškovnih orodij ter na koncu podan pregled inteligentnih tehnik na področju toleriranja.
2.1 Analiza in načrtovanje toleranc
V fazi načrtovanja proizvoda mora konstruktor opredeliti tolerance posameznih komponent
podsklopa ali končnega sklopa s pomočjo procesa, ki ga imenujemo načrtovanje toleranc. Pri
načrtovanju toleranc je toleranca sklopa določena vnaprej, konstruktor pa mora porazdeliti
tolerance na posamezne komponente.
Nasprotni proces načrtovanja toleranc je analiza toleranc, pri čemer so določene vnaprej
tolerance sestavnih delov in je potrebno ovrednotiti toleranco sklopa. S procesom načrtovanja
toleranc se prav tako srečamo pri posamičnih komponentah, ko je potrebno tolerance
porazdeliti med različnimi operacijami, ki so potrebne za proizvodnjo tega kosa. Te
operativne tolerance (angl. operational tolerances) ali tudi procesne tolerance (angl. process
tolerances) predstavljajo mejne vrednosti odstopanj, ki jih mora izpolniti vsaka operacija, da
bo končni izdelek zadostil predpisanim specifikacijam – zahtevam.
Bistvena razlika med procesoma analize in načrtovanjem toleranc je prikazana na Sliki
2.1.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 12 -
Proces toleriranja se prične z dvema ključnima informacijama (Slika 2.2). To so
konstrukcijske zahteve oz. specifikacije, ki morajo biti izpolnjene, da je zagotovljena
funkcionalnost in kakovost proizvoda ter zmožnost obdelovalnega procesa, ki ga je mogoče
doseči s posamezno vrsto obdelave in obstoječimi orodji. Toleriranje je torej proces
uravnoteženja obdelovalnih zmožnosti procesa in zahtevanih značilnosti posamezne
komponente.
Izvajanje tolerančnih izračunov je ena izmed pomembnejših nalog razvijalcev oz.
konstruktorjev za potrjevanje konceptov. Pri tem sta najbolj znani in uporabljani:
metoda najbolj neugodnega primera (Worst Case Method),
statistične metode.
Načrtovanje toleranc:
iz podane tolerance sklopa
načrtujemo tolerance
sestavnih komponent
Analiza toleranc:
vplivi toleranc sestavnih
komponent na toleranco sklopa
Sklop Posamezne komponente
Slika 2.1: Analiza in načrtovanje toleranc (prirejeno po [31])
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 13 -
2.1.1 Metoda najbolj neugodnega primera
Najbolj neugoden primer je takšna kombinacija vrednosti toleranc sestavnih delov, pri katerih
doseže toleranca sklopa ekstremno (maksimalno ali minimalno) vrednost. Tolerance
posameznih delov v primeru najbolj neugodnega primera zavzemajo ekstremne vrednosti. Pri
tej metodi je privzeto, da morajo vsi proizvodi zadostiti funkcionalnim zahtevam. To pomeni,
da je zagotovljena popolna zamenljivost sestavnih delov. V literaturi je ta pristop poimenovan
tudi kot metoda ekstremnih vrednosti ali tudi kot minimum-maksimum pristop. V splošnem
izračunavanje toleranc po metodi najbolj neugodnega primera vodi do ožjih in stroškovno
intenzivnejših toleranc, kot bi bilo potrebno, saj je verjetnost, da vse tolerance dosežejo
ekstremne vrednosti zelo majhna. Vseeno pa se ta metoda uporablja pri načrtovanju toleranc
priprav in pri proizvodnji nadomestnih delov oz. tam, kjer mora biti zagotovljena popolna
zamenljivost sestavnih delov.
To metodo lahko nadalje razdelimo glede na enakomerno ali neenakomerno
porazdelitev toleranc med sestavne dele. Tako poznamo:
metodo sorazmerne porazdelitve toleranc (Proportional Scaling Method),
metodo porazdelitve s konstantnim faktorjem natančnosti (Constant Precision Factor
Method),
metodo uteženih faktorjev (Allocation by Weight Factors),
Toleranca sklopa
T1
T2
T3
T4
T5
Konstrukcijske zahteve Ts
Analiza toleranc
Tole
ran
ce p
osa
me
znih
kom
po
nen
t
Načrtovanje toleranc
Slika 2.2: Proces toleriranja
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 14 -
in druge izpeljanke.
V nadaljevanju je prikazan le primer sorazmerne porazdelitve toleranc. Več o ostalih metodah
najdemo v literaturi [24].
Sledeči primer prikazuje enostaven sestav treh kvadrov (Slika 2.3). Odstopanje vsakega
posameznega kvadra od nominalne vrednosti 20 mm lahko znaša ± 0,5 mm, ob predpostavki
enakomerne porazdelitve toleranc med sestavne dele. Iz tega lahko enostavno izračunamo
razliko med največjo in najmanjšo mero oz. med zgornjim in spodnjim odstopanjem.
Toleranca mere posameznega kvadra tako znaša 1 mm, toleranca sklopa izračunana po metodi
najbolj neugodnega primera pa 3 mm.
Slika 2.3: Sestav treh kvadrov
Toleranco sklopa Ts ob upoštevanju sorazmerne porazdelitve toleranc zapišemo z naslednjo
enačbo:
(2.1)
‒ toleranca sklopa
‒ toleranca posameznega sestavnega dela
2.1.2 Statistične metode – Statistični izračun toleranc
Statistični izračun toleranc je pristop, ki ga po navadi uporabljamo v serijski proizvodnji, saj
omogoča izbiro stroškovno ugodnejših toleranc. Pri tej metodi ni zagotovljena popolna
zamenljivost sestavnih delov. Tveganje, da se dva dela ne bi medsebojno ujemala, je
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 15 -
preračunano in zmanjšano na minimum. Tudi statistični izračun toleranc pozna več metod
[28]:
metodo korena iz vsote kvadratov (Root Sum Square Method),
Monte Carlo simulacijo (MCS),
Croftovo metodo,
metodo sistemskih momentov (Method of System Moment),
direktno linearizacijsko metodo (Direct Linearization Method),
Taguchi-jevo metodo,
Hasofer-Lind index metodo,
večfatkorsko numerično integracijo (Full Factorial Numerical Integration),
univariantno dimenzijsko zmanjšanje (Univariate dimension reduction),
itd.
Najosnovnejša statistična metoda je metoda Root Sum Square Method (RSS) oz. koren
iz vsote kvadratov. Pri tej metodi privzemamo, da več vrednosti komponent pade v srednji del
tolerančnega polja kot v območje tolerančnih mej. Porazdelitev pri tej metodi je normalna
Gaussova.
Toleranco sklopa Ts na osnovi RSS metode zapišemo z naslednjo enačbo:
(2.2)
‒ toleranca sklopa
‒ toleranca posameznega sestavnega dela
Iz enačb (2.1) in (2.2) lahko sklenemo, da je vrednost najbolj neugodnega primera
vedno večja kot statistično določene meje. Pri metodi RSS privzemamo, da več vrednosti
komponent pade v srednji del tolerančnega polja kot v območje tolerančnih mej. Porazdelitev
pri tej metodi je normalna Gaussova. Iz te metode izhaja več metod, med drugim Estimated
Mean Shift Model, ki je modifikacija metode RSS. Pri tem modelu variacije dimenzij niso
simetrično porazdeljene okrog nominalne vrednosti kot pri RSS-metodi. Iz RSS-metode
izhaja tudi Croft-ova metoda, ki je zaradi enostavnosti primerna predvsem za analizo toleranc,
kjer imamo majhno število sestavnih delov.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 16 -
Več o metodah, kot so metoda sistemskih momentov (Method of System Moment),
Taguchi-jeva metoda, direktna linearizacijska metoda (Direct Linearization Method),
integracijska oz. kvadraturna tehnika (Integration or Quadrature Technique) ter kombinacijah
omenjenih metod, lahko najdemo v viru [59].
2.2 Tolerančno stroškovni modeli
Poznavanje razmerja toleranca–stroški igra pomembno vlogo pri procesu načrtovanja
toleranc. Zato so v tem poglavju predstavljeni obstoječi tolerančno stroškovni modeli. Zbrano
delo v tem poglavju zajema poglavitne poskuse raziskovalcev v iskanju zadovoljive rešitve od
razvoja prvega tolerančno stroškovnega modela pa do danes. Značilnosti modelov so
analizirane in obenem predstavljene v enotni obliki, tako da je mogoča neposredna primerjava
med njimi. Poudarjene so prednosti in slabosti predstavljenih modelov.
Tolerančno stroškovno razmerje po navadi za vsako komponento zapišemo z
matematično enačbo. Zato moramo za vsak sestavni del poznati individualno tolerančno
stroškovno razmerje. Vendar te podatke v obstoječi literaturi najdemo poredko in so splošno
težko dostopni ali pa so ti podatki zastareli oziroma neaktualni. Nekatera podjetja, ki te
podatke zbirajo, le-te obdržijo zase za interno uporabo ali pa jih opredeljujejo kot poslovno
skrivnost.
Prvi tolerančno stroškovni modeli so se pričeli pojavljati hitro po letu 1960. Bennett [1]
je bil leta 1969 eden izmed prvih avtorjev, ki je objavil delo s področja tolerančno stroškovnih
modelov. V članku, ki je bil objavljen leta 1970, je predlagal naslednjo enačbo:
(2.3)
‒ proizvodni stroški
‒ toleranca
‒ koeficienta
V preteklosti je bilo predlaganih mnogo tolerančno stroškovnih modelov. Obširen
pregled obstoječih tolerančno stroškovnih modelov najdemo v literaturi [49]. Na osnovi tega
članka in pregleda preostale literature s področja tolerančno stroškovnih modelov je v
Preglednici 2.1 narejen dopolnjen pregled tolerančno stroškovnih modelov.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 17 -
Preglednica 2.1: Tolerančno stroškovni modeli
Avtor Enačba - model Leto
Edel, Auer [9] X-YTi 1965
Bennett [1] YTik 1970
Peters [40] Ye-kTi
1970
Speckhart [56] Ye-kTi
1972
Spotts [57] X+Y/(Ti)2 1973
Wilde [62] Ye-kTi
1975
Sutherland [60] X+Y/(Ti)k 1975
Michael, Siddall [35] Ye-m(Ti)
/Tik 1981
Parkinson [39] X+Y/(Ti) 1985
Greenwood, Chase [13] X+Y/(Ti) 1988
Lee, Woo [30] abstraktne točke 1989
Chase [3] Y/Tik 1990
Lee, Woo [29] Y/Tik 1990
Dong [6] Ye-k(Ti-m)
; Tmin<Ti<Tmax 1991
Dong [7] X+Y/(Ti)+Ze-(Ti)
X+Y/(Ti)+Z(Ti)2+M(Ti)
3
X+Y/(Ti)+Z(Ti)2+M(Ti)
3+
N(Ti)4
1994
Pri tem so X, Y, Z, M, N, k in m konstante, ki so po navadi pridobljene z regresijsko
analizo. Spremenljivka X predstavlja fiksne stroške, ki vključujejo stroške nastavitev, orodja,
materiala in predhodnih operacij. Veličina Y predstavlja stroške proizvodnje posameznega
sestavnega dela, na katerega se nanaša toleranca Ti. Stroški se računajo za vsak sestavni del
posebej, le-ti posamezni stroški pa se nato seštejejo, da dobimo skupne stroške.
Iz Preglednice 2.1 je prav tako razvidno, da so določeni avtorji neodvisno predlagali
zelo podobne ali celo enake tolerančno stroškovne modele. V oči pa bode tudi leto 1994, ko je
bil predstavljen zadnji model. Novejših modelov po tem letu v literaturi ni moč najti, z izjemo
literature [50], v kateri je predlagan nov tolerančno stroškovni model, vendar je ta model zgolj
teoretičen in ni splošno uporaben, saj je predlagana zgolj metoda in podane smernice za
izgradnjo novega tolerančno stroškovnega modela.
Izbrani model kakor tudi vse ostale modele sem pred samo izbiro testiral pod
naslednjimi pogoji – enačbami, ki jih je predlagal Sanz [50]:
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 18 -
(2.4)
(2.5)
(2.6)
‒ različni vrednosti tolerance
Obrazložitev enačb:
Enačba (2.4): širša je toleranca, nižji so proizvodni stroški.
Enačba (2.5): z večanjem tolerance proti neskončno (ali če toleranca ni podana) stroški
dosežejo minimalno vrednost C0.
Enačba (2.6): ob predpostavki, da bi bilo možno doseči idealno točno mero, bi bili stroški
neskončni.
Pri tem je bilo ugotovljeno, da nekateri predlagani modeli ne zadoščajo tem pogojem,
zato le-ti niso splošno uporabni oziroma so uporabni le v omejenem tolerančnem območju ali
pa so uporabni samo za določena področja uporabe (npr. valjaste oblike). Raziskovalci, ki se
pri svojem raziskovalnem delu srečujejo s tolerančno stroškovnimi modeli, uporabljajo
največkrat Chase-ov model [3] in pa tudi eksponentni model, ki ga je predlagal Speckhart
[56], ali njegovo (modificirano) izpeljanko, ki je uporabljena tudi v nadaljevanju naloge.
Kritično točko predstavljenih tolerančno stroškovnih modelov predstavljajo njihovi
eksponenti in/ali koeficienti, ki so pridobljeni eksperimentalno pod vsakokratno različnimi
(spreminjajočimi se – specifičnimi) eksperimentalnimi pogoji, zato obstoji velika razlika med
rezultati (Slika 2.4), ki jih dobimo s posameznimi tolerančno stroškovnimi modeli. Če
primerjamo med sabo Speckhart-ov in Spotts-ov tolerančno stroškovni model, ugotovimo, da
se pri brezdimenzijski vrednosti tolerance T* = 0,5 razlikujejo relativni stroški C kar za faktor
8. Več o tem najdemo v literaturi [50].
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 19 -
Slika 2.4: Primerjava tolerančno stroškovnih modelov (prirejeno po [50])
2.3 Pregled vodilnih simulacijskih tolerančnih orodij
Ob naraščajoči kompleksnosti proizvodov enostavni 1D-tolerančni izračuni več ne zadoščajo.
Zaradi tega dobivajo 3D-tolerančne analize vedno večji pomen, računalniško podprto
toleriranje (CAT) pa je v zadnjih letih postalo področje, ki je predmet številnih raziskav.
Simulacijska tolerančna orodja omogočajo izvajanje analize in načrtovanja toleranc bodisi kot
samostojni programski paket ali pogosteje kot programski modul integriran v CAD/CAE-
orodja [34].
Cilj uporabe simulacijsko tolerančnih orodij je čim prej (že v fazi razvoja proizvoda)
preveriti zmožnost izdelave in montaže proizvoda ter njegove druge značilnosti in tako že
predhodno prepoznati morebitne težave in zmanjšati napake. Z uporabo simulacijskih
tolerančnih orodij tako preverimo, ali bodo v proizvodnji dovoljena odstopanja posameznih
sestavnih delov skupno povzročila take težave, da sklop ne bi bil funkcionalen. Simulacijska
tolerančna orodja so zaradi tega postala dandanes stalnica na področju toleriranja. Na trgu so
tako prisotna naslednja simulacijska tolerančna orodja [34, 42, 48, 51, 52]:
CeTOL Six Sigma,
eM-TolMate,
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 20 -
VisVSA,
3DCS,
Mechanical Advantage,
TolAnalyst.
Nekatera izmed njih so opisana tudi v nadaljevanju. Kljub široki uporabi komercialnih
CAT-orodij pa imajo le-ta tudi določene pomanjkljivosti oziroma omejitve [33]:
kvaliteta analize oz. končen rezultat in interpretacija rezultatov je zelo odvisna od
znanja in izkušenj uporabnika CAT-orodja. Obstoji namreč nezanemarljiva razlika
med rezultati dobljenimi z različnimi CAT-orodji, četudi delamo na povsem enakem
sklopu;
določene informacije se ob uvozu iz CAD-modela v CAT-orodja izgubijo;
»končne« rešitve nikoli ne dobimo, saj se rešitev spreminja s številom izvedenih
simulacij;
velika večina teh orodij uporablja za vrednotenje verjetnosti »Monte Carlo«
simulacijo (MCS). Ideja slednje je vrednotenje oziroma simuliranje toleranc z
vnaprej definiranim raztrosom vrednosti vhodnih spremenljivk. Na ta način je
potrebna evalvacija mnogih setov vhodnih spremenljivk, kar je z vidika
računalniškega procesiranja precejšen zalogaj;
primerna so za preverjanje rezultatov šele takrat, ko so poznane tolerance
posameznih sestavnih delov in njihov raztros, kar pomeni, da niso primerna v fazi,
ko tolerance načrtujemo na osnovi funkcionalnih zahtev [19].
2.3.1 CeTOL Six Sigma
Za analizo sklopov je razvijalec programske opreme Sigmetrix razvil programsko opremo
CeTOL. Programska oprema za analizo toleranc je na razpolago v naslednjih dveh načinih:
parametričnem načinu in »overlay« načinu. V parametričnem načinu uporabljamo CAD-
programsko opremo Pro/ENGINNER. Dimenzioniranje modela variira v dopustnem
tolerančnem območju. Po večkratni ponovitvi lahko z vrednotenjem določenih meritev
določimo funkcijsko povezanost. To je po navadi dolgotrajno, kar je pomanjkljivost pri
uporabi MCS. V »overlay« načinu se ustvari vzporedno h CAD-geometriji model, ki temelji
na gradnikih. Pri tem moramo določiti povezave med gradniki. Vključimo lahko tudi
tolerance lege, obstajajo pa omejitve pri tolerancah oblike. Poleg večjega vloženega truda v
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 21 -
modeliranje iz tega sledi zelo abstrakten montažno tolerančni model. Kot metoda
izračunavanja pride v poštev poleg MCS tudi metoda sistemskega momenta, kot tudi analize
občutljivosti in Worst-Case študije. Orodje CeTOL Six Sigma je kompatibilno tudi s CAD-
programsko opremo Creo, Catia in SolidWorks.
2.3.2 eM-TolMate
Produkt eM-TolMate sodi k portfoliju Tecnomatix-ove serije Siemensove programske opreme
PLM. Cilj tega programskega paketa je, da upodobi zaprt krog menedžmenta kakovosti. EM-
TolMate služi pri tem kot osnutek za procese in produkte. V konceptu programske opreme je
pri tem začrtano, da se mora zadostiti zahtevam s strani konstrukcije, proizvodnje in kontrole
kakovosti. Sistem za analizo toleranc eM-TolMate se lahko integrira v pomembnejše CAD-
sisteme (CATIA, NX, Pro/ENGINEER). V simulacijskem jedru se uporablja MCS – Monte
Carlo simulacija. Pri statističnih simulacijah gradniki variirajo znotraj specificiranih območij
odstopanja. Pri tem lahko upoštevamo različne statistične porazdelitve, tudi takšne, ki so
prilagojene uporabniku. Nadalje obstaja možnost opravljati analize, na osnovi katerih lahko
ugotovimo, katere tolerance lahko povečamo oz. zmanjšamo. Proizvajalec programske
opreme Siemens PLM Software je leta 2010 sprejel odločitev iz portfolija izvzeti sistem eM-
TolMate in obstoječe uporabnike preusmeriti na programski paket VisVSA.
2.3.3 VisVSA
Programska oprema VisVSA je del aplikacijskega paketa Teamcenter Visualisation (Siemens
PLM Software). Izračun statističnih karakteristik temelji na modelu gradnikov, ki omogoča
upodobitev kompleksnih vgradnih situacij oz. vgradnih položajev. S pomočjo koncepta
gradnikov lahko že v zgodnji razvojni fazi učinkovito izdelamo, simuliramo in primerjamo
različne tolerančne koncepte.
V VisVSA je proces montaže prikazan virtualno. Poleg posameznih sestavnih delov
lahko v model vključimo tudi priprave in njihova odstopanja zaradi obrabe. Izračun temelji na
MCS – Monte Carlo simulacija – in omogoča napoved odstotkov napak, kot tudi
ugotavljanje/izračunavanje vpliva na kakovost. Poleg te simulacijske oblike so na voljo tudi
analize občutljivosti. Med simulacijo montaže se izvedejo statične in dinamične raziskave
kolizij. Programski paket omogoča upoštevanje tolerančno kritičnih montažnih situacij, kot so
npr. kolizije, statistične nedoločljivosti in s pomočjo modula končnih elementov simulacije
prožnih sklopov.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 22 -
Cilj tega programskega paketa je podobno kot pri programskem paketu eM-TolMate
podpora sklenjenemu krogu kakovosti. Zaradi tega je predvidena tudi možnost, da mersko
zajete podatke procesa integriramo v simulacijski model, tako da lahko simulirana
predvidevanja modeliranja verificiramo in izboljšamo serijsko proizvodnjo. Sistem omogoča
tudi funkcijo izvažanja (Export) za sestavljanje poročil analiz.
2.3.4 3DCS
Programska rešitev 3DCS Analyst proizvajalca Dimensional Control Systems (DCS)
omogoča integrirano, računalniško podprto 3D-tolerančno simulacijo. Po podatkih
proizvajalca lahko v digitalnem okolju določimo, testiramo in optimiramo zahteve izdelka in
zahteve procesa. Cilj simulacijskega orodja je predvidevanje odstopanj sestavnih elementov
ter ugotavljanje njihovih vzrokov. Pri analiziranju sklopov se lahko poslužujemo treh oblik
simulacij: MCS, analiza občutljivosti (v nadaljevanju GeoFactor analiza) in simulacija HLM
(Hierarchical Linear Modeling). GeoFactor analiza temelji na razvoju Taylorjeve vrste in
upošteva prve parcialne odvode funkcij za ugotavljanje občutljivosti odgovora sistema.
Izgradnja simulacijskih modelov poteka – analogno k predstavljenim sistemom – v grafičnem
uporabniškem vmesniku, ki dovoljuje direktno uporabo CATIA CAD-modela. Simulacije, ki
jih izvedemo, temeljijo na različnih statističnih porazdelitvenih modelih. Obstaja tudi
možnost, da podatke o proizvodnji vključimo oz. uvozimo v simulacijo. Tako lahko opravimo
učinkovito, virtualno optimiranje obstoječih proizvodnih procesov brez dragih poskusov
proizvodnje – testne proizvodnje.
S pomočjo modula 3DCS FEA Compliant Modeler lahko simuliramo montažo prožnih
delov. Cilj je opraviti analize odstopanj in njihovih vzrokov. Analiza prožnih sklopov s
pomočjo orodja 3DCS se izoblikuje na naslednji način:
1. izdelava osnovnega modela s togimi komponentami, tolerancami in z določeno
porazdelitvijo, montaža in meritve znakov kakovosti;
2. uporaba 3DCS FEA Compliant Modeler-ja za natezanje in varjenje;
3. izdelava FEA-zapisa za izračun skupne togosti;
4. povezovanje modela za tolerančno analizo z matrico togosti in za vizualne in
statistične raziskave.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 23 -
2.4 Dosedanje raziskave na področju inteligentnega toleriranja
Razvoj na področju računalništva in na področju umetne inteligence je omogočil nov pristop k
reševanju inženirskih problemov, za katere je dolgo veljajo, da so nerešljivi. Razvoj
inteligentnih sistemov se je dejansko pričel z razvojem tako imenovanih Turingovih strojev
[26]. Turinga tako štejemo za očeta modernega računalništva in umetne inteligence.
Turingovo delo je navdihnilo številne generacije raziskovalcev in tako se je razvila cela veja
raziskovanja, ki jo imamo po zaslugi Turinga.
Dandanes so tako metode umetne inteligence vse več prisotne tudi na področju
toleriranja. Različni avtorji so v dosedanjih raziskavah na različne načine implementirali
algoritme umetne inteligence na področje načrtovanja toleranc in tako se je pojavilo nekaj bolj
ali manj uporabnih aplikacij umetne inteligence tudi v proizvodni praksi.
Med zgodnejše raziskovalce, ki sta uporabila inteligentne metode (metode UI) na
področju načrtovanja toleranc, spadata Kopardekar in Anand [23]. Za načrtovanje toleranc sta
uporabila metodo, ki temelji na nevronskih mrežah. Nevronska mreža (z vzvratnim
razširjanjem) je sposobna napovedati tolerance posameznega sestavnega dela in je prikazana
na Sliki 2.5. Metoda je enostavno razširljiva na sklope, ki so sestavljeni iz mnogo sestavnih
delov, vendar ne upošteva proizvodnih stroškov.
Slika 2.5: Struktura nevronske mreže (prirejeno po [23])
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 24 -
Dupinet [8] je predstavil metodo, ki uporablja mehko sklepanje za določitev
proizvodnih problemov sestavnih delov. Vsa mehka pravila poda strokovnjak in jih lahko
spreminjamo z dodatnim znanjem iz drugih podjetij ali drugih strokovnjakov. Metoda je
precej enostavna, težave se včasih pojavijo le pri definiranju mehkih pravil. Poglavitna slabost
metode pa je, da tako kot prej predstavljena metoda ne upošteva proizvodnih stroškov.
Glede na pomanjkljivost Dupinet-ove metode je Ji [20] predlagal hibridno metodo
mehkega sklepanja (Fuzzy Comprehensive Evaluation – FCE) v kombinaciji z genetskimi
algoritmi (GA) (Slika 2.6).
Slika 2.6: Proces načrtovanja toleranc po Ji-ju (prirejeno po [20])
Glede na namen in obdelovalne kriterije je obdelovalnost odvisna od dimenzijskih in
geometrijskih značilnosti, obdelovalnosti materiala in zahtevane natančnosti izdelave. Te
faktorje imenujemo mehki faktorji. Teorija FCE-metode je podrobneje opisana v viru [36]. Za
optimizacijo načrtovanja toleranc so uporabljeni genetski algoritmi (GA). Modificirano obliko
metode FCE je uporabil tudi Kumar [25]. Pomanjkljivost metode je, da je rešitev v veliki meri
odvisna od znanja in izkušenj strokovnjaka, ki s to metodo dela. Določitev koeficientov
funkcijskih enačb in matrik, kakor kasneje tudi vrednosti uteži, je domena strokovnjaka, zato
je rešitev optimalna le glede na izbrane kriterije, ki jih je izbral človek. Le-te pa so lahko
daleč od optimalnih.
Singh [53] je za načrtovanje toleranc členka ročičnega mehanizma uporabil genetske
algoritme (GA). Razviti model na osnovi obstoječih tolerančno stroškovnih modelov za
posamezne proizvodne procese in na osnovi ostalih tehnoloških zahtev samodejno dodeli
tolerance sestavnim delom sklopa in izbere najprimernejši postopek oz. stroj za izdelavo
posamezne komponente. Pri tem je pomembno, da so proizvodni stroški izdelave sklopa čim
nižji.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 25 -
Prav tako genetske algoritme je za načrtovanje toleranc sestava sklopke po metodi
najbolj neugodnega primera uporabil tudi Forouraghi [11]. Z načrtovanjem toleranc sklopke
so se ukvarjali tudi drugi avtorji [38, 64]. Sivakumar [54, 55] je poleg proizvodnih stroškov
vključil še stroške pomanjkljive kakovosti. Problem tako ni več enokriterijski, zato je uporabil
večkriterijsko optimizacijo, in sicer algoritem NSGA-II (angl. Elitist Non-Dominated Sorting
Genetic Algorithm) in algoritem MOPSO (angl. Multi-Objective Particle Swarm
Optimization). Z načrtovanjem toleranc sklopke se je ukvarjal tudi Rao [44], ki je uporabil
algoritem TLBO (angl. Teaching-Learning-Based Optimization).
Iz pregleda dosedanjih raziskav na področju toleriranja ugotavljamo, da je področje
raziskovanja aktualno in da je v preteklosti bilo izvedenih kar nekaj raziskav, kjer se je za
načrtovanje toleranc uporabljala umetna inteligenca. Rezultati za iste primere optimizacije
načrtovanja toleranc se glede na izbrane metode umetne inteligence razlikujejo. Ker pa v
(veliko)serijski proizvodnji cena izdelka igra zelo pomembno vlogo, je določitev toleranc
posameznih sestavnih delov, tako da bodo stroški izdelave čim nižji, zelo pomembno
opravilo.
Na področju načrtovanja toleranc v pregledani literaturi doslej še nismo zasledili
uporabe gravitacijskega iskalnega algoritma (GSA), zato smo poskusili rešiti opisani problem
tudi s tem algoritmom.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 26 -
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 27 -
3 METODE UMETNE INTELIGENCE
Umetna inteligenca, katere cilj je razvoj sistemov, ki se vedejo, kot da bi razpolagali z
inteligenco, je široko področje informatike z interdisciplinarnim značajem. Veliko število
različnih algoritmov se zgleduje po naravi. Narava je bila vedno neomejen vir navdiha za
raziskovalce in znanstvenike. Tako je bilo razvitih veliko število različnih algoritmov, ki se
zgledujejo po naravnih procesih evolucije, po naravnih zakonih, rojih itd., s katerimi rešujemo
zahtevne optimizacijske probleme.
V tem poglavju so predstavljene in opisane teoretične osnove metod umetne inteligence,
ki smo jih uporabili za izgradnjo inteligentnega sistema toleriranja, kakor tudi metode, s
katerimi smo pridobljene rezultate primerjali z našimi rezultati.
3.1 Optimizacija z rojem delcev – PSO
Optimizacija z rojem delcev [10] (angl. Particle Swarm Optimization – PSO) spada med
stohastične optimizacijske algoritme, katerih temelj predstavlja populacija [32]. Je ena izmed
tehnik skupinske inteligence, ki temelji na socialno-psiholoških principih. Optimizacijo s
PSO-algoritmom sta leta 1995 predstavila Russel C. Eberhart in James Kennedy. Navdih za
razvoj algoritma sta avtorja dobila v naravi z natančnim opazovanjem živalskega sveta, in
sicer sta preučevala usklajeno obnašanje in gibanje rojev žuželk, ptičjih in ribjih jat ipd. [21,
32].
Delovanje PSO-algoritma je v marsičem podobno genetskim algoritmom (GA). Vendar
pa za razliko od njih PSO nima operacij, kot sta križanje in mutacija. V sistemu imamo na
začetku populacijo nekih elementov ali delcev, ki iščejo optimum tako, da sproti izboljšujejo
svoj položaj in sledijo trenutno optimalno lociranim delcem.
Vsak delec se giblje po poti določeni s koordinatami v problemskem prostoru.
Koordinate delca predstavljajo najboljšo rešitev, ki jo je posamezni delec dosegel do tega
trenutka [32]. Ta položaj si zapomnimo in ga imenujemo pbest (angl. personal best). Poleg
osebno najboljšega položaja lahko iščemo tudi najboljšo pozicijo, ki jo je delec zasedel
znotraj neke soseščine lBest (angl. local best), potrebujemo pa jo takrat, kadar uporabljamo
lokalno verzijo algoritma. V primeru, ko rešujemo optimizacijski problem z globalno verzijo
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 28 -
algoritma, pa potrebujemo vrednost gBest (angl. global best). Globalna verzija PSO-algoritma
deluje tako, da v vsaki ponovitvi spreminjamo hitrost vsakega delca v roju proti gBest in
pBest lokaciji [32].
V začetnem koraku delovanja algoritma se inicializirajo naključni delci, ki na začetku
dejansko predstavljajo slabe oziroma naključne rešitve. S posodabljanjem generacij se delci
spreminjajo z upoštevanjem vrednosti gBest in pBest ter se tako skozi evolucijo išče optimum
oziroma najboljša rešitev [21]. Ko je poznana globalno najboljša rešitev in najboljši osebni
položaj delca, spremenimo hitrost delca po enačbi:
)(())(() 21 igiiii xpRandcxprandcvv (3.1)
in pozicijo delca po enačbi:
iii vxx
(3.2)
V enačbi (3.1) in enačbi (3.2) so:
c1 (kognitivni parameter) in c2 (socialni parameter) sta pozitivni konstanti in ju
imenujemo pospešitvena koeficienta ali tudi faktorja učenja;
Rand() in rand() sta dve različni naključni funkciji na intervalu [0, 1];
xi= (xi1, xi2, …, xiD) predstavlja i-ti delec;
pi predstavlja najboljšo pozicijo i-tega delca v preteklosti (pozicijo, pri kateri je bila
uspešnost najboljša);
pg predstavlja pozicijo globalno najboljšega delca (delca, ki ima med vsemi delci
najboljšo pozicijo);
vi predstavlja mero za spreminjanje pozicije delca i (hitrost).
Enačba (3.1) je sestavljena iz treh delov. Prvi del, ki ga imenujemo zagonski del, pravi,
da hitrost ne more biti nenadoma spremenjena, ampak se spreminja glede na trenutno hitrost.
To komponento imenujemo tudi vztrajnostna komponenta. Drugemu delu, ki predstavlja
učenje iz lastnih izkušenj, rečemo tudi nostalgija delca. Tretji del je družbeni del in
predstavlja učenje iz skupnih izkušenj roja [21].
Na Sliki 3.1 je predstavljena splošna psevdokoda PSO-algoritma [32].
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 29 -
Slika 3.1: Psevdokoda PSO-algoritma [32]
Optimizacija z rojem delcev (PSO) se je skozi opravljena testiranja pri zasnovi
inteligentnega sistema toleriranja izkazala za zelo učinkovito metodo.
3.2 Gravitacijski iskalni algoritem – GSA
Gravitacijski iskalni algoritem (angl. Gravitational Search Algorithm – GSA) temelji na
splošnem Newtonovem gravitacijskem zakonu in interakciji masnih delcev pod vplivom
gravitacije. Prvi je njegovo delovanje predstavil Rashedi [46]. Delovanje GSA-algoritma je v
bistvu zelo podobno kot pri PSO-algoritmu. Bistvena razlika med njima je, da GSA- posnema
Newtonove zakone, PSO-algoritem pa deluje po vzoru živih bitij v skupini in interakciji med
njimi. Osebke oziroma agente v populaciji pri GSA-algoritmu predstavljajo masni objekti.
Kot primerjavo lahko navedemo solarni sistem, iz katerega izhaja ideja GSA-algoritma (Slika
3.2).
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 30 -
Slika 3.2: Ideja GSA-algoritma – solarni sistem [18]
Ti masni objekti se privlačijo z medsebojnimi gravitacijskimi silami. Te privlačne sile
povzročajo gibanje objektov v sistemu. Težji objekti se premikajo počasneje in z večjo silo
privlačijo lažje objekte, kar omogoča dobro izkoriščenost algoritma. Delovanje GSA-
algoritma temelji na splošnem Newtonovem gravitacijskem zakonu (enačba (3.3)) in na
drugem Newtonovem zakonu (enačba (3.4)).
(3.3)
‒ sila
‒ masa objektov
‒ gravitacijska konstanta
‒ razdalja med objektoma
(3.4)
‒ sila
‒ masa
‒ pospešek
Enačba (3.3) prikazuje, da je gravitacijska sila med dvema objektoma premo
sorazmerna produktu njunih mas in obratno sorazmerna kvadratu razdalje med njima.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 31 -
Medtem drugi Newtonov zakon (enačba (3.4)) prikazuje, da ko deluje sila na nek objekt, je
njegov pospešek odvisen od te sile in mase objekta.
Osnovne zakonitosti delovanja algoritma lahko zapišemo kot [18]:
v sistemu vsako telo izmenjuje podatke z ostalimi oziroma opazuje obnašanje
preostalih teles, gravitacijske sile med telesi pa so komunikacijski vmesniki;
vsako telo v sistemu rešitev deluje neposredno na vsa sosednja telesa, zato na osnovi
gravitacijske komunikacije posledično vidi okoliški prostor;
teoretično oziroma ob predpostavki, da so vsa telesa zgrajena iz enakega elementa,
pomeni, da imajo telesa z večjo maso večji radij in s tem posledično večjo
gravitacijsko polje in večji gravitacijski privlak, kar po fizikalnih zakonih pomeni
večjo gravitacijsko maso. Posledica tega je, da telesa z manjšo maso sledijo težjemu
telesu z boljšimi karakteristikami.
Pri GSA-algoritmu ima vsak agent (objekt) štiri osnovne lastnosti: pasivno gravitacijsko
maso in aktivno gravitacijsko maso, lokacijo in inercijsko maso [46]. Lokacija mase prikazuje
rešitev problema, medtem ko s pomočjo pasivne, aktivne in inercijske mase lahko zapišemo
fitnes funkcijo, s katero definiramo uspešnost algoritma pri iskanju rešitev. Pri tem velja, da
so telesa z večjo maso boljši pokazatelji rešitev oziroma so bolj učinkovita, a ker je masa teh
teles večja, je njihovo premikanje po prostoru z rešitvami počasnejše. To lahko
kompenziramo s poljubnim številom teles z manjšo maso, ki pa predstavljajo slabše rešitve,
vendar v kombinaciji s telesi z večjo maso sodelujejo pri konvergenci k ustrezni rešitvi
mnogo hitreje.
Na Sliki 3.3 je predstavljena splošna psevdokoda GSA-algoritma [32].
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 32 -
Slika 3.3: Psevdokoda GSA-algoritma (prirejeno po [18])
3.3 Genetski algoritmi – GA
Genetski algoritmi (angl. Genetic Algorithms – GA) sodijo na področje umetne inteligence, ki
se ukvarja s preiskovalnimi in z optimizacijskimi problemi in so ena izmed metod
evolucijskega računanja. Za začetnika genetskih algoritmov velja John Holland, ki je leta
1975 izdal knjigo ”Adaptation in Natural and Artificial Systems” [15]. Kot osnovno idejo je
uporabil evolucijsko teorijo o ”preživetju najboljših”. V naravi se organizmi bojujejo med
sabo za naravne vire, ki so potrebni za preživetje (hrana, voda in bivalni prostor). Organizmi
iste vrste pa tekmujejo med sabo tudi za pozornost samice. Tisti organizmi, ki so uspešnejši v
boju za obstanek in znajo bolje vzbuditi pozornost samic, imajo v povprečju večje število
potomcev kot ostali. Tako se v nadaljnje generacije prenašajo geni boljših osebkov, slabši pa
počasi izumirajo. Genski material potomca, ki je kombinacija genov staršev, ima včasih boljše
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 33 -
lastnosti, kot sta jih imela starša. Na ta način se vrste razvijajo in postajajo vedno bolj
prilagojene okolju [27].
Genetski algoritmi so močno optimizacijsko orodje, ki se zgleduje po principih
evolucije. Pogosto lahko najdejo globalno optimalno rešitev tudi pri zelo zapletenih pogojih,
zato jih uporabljajo za reševanje številnih problemov. Med drugim se uporabljajo pri
naslednjih vrstah problemov [37]:
optimizacija: genetski algoritmi se uporabljajo pri številnih optimizacijskih nalogah,
vključno z numerično optimizacijo in s kombinatoričnimi optimizacijskimi problemi,
kot so razporejanje procesov, problem urnika, problem trgovskega potnika idr.;
avtomatično programiranje: genetski algoritmi se pogosto uporabljajo za razvijanje
računalniških programov za določene naloge in za konstruiranje drugih računskih
struktur;
ekologija: genetski algoritmi se v ekologiji uporabljajo za opisovanje in proučevanje
ekoloških pojavov, kot sta simbioza in zajedalstvo.
Seveda pa genetski algoritmi optimalne rešitve ne najdejo vedno. Še več, tudi dolg čas
izvajanja algoritma nam ne zagotavlja, da bodo našli dobro rešitev. Tako je odvisno od
danega problema in njegovega formalnega opisa, ali je genetski algoritem primerna metoda za
reševanje tega problema.
Skozi postopek izdelave genetskega algoritma si poglejmo njegove lastnosti. V fazi
izgradnje genetskega algoritma se moramo najprej odločiti za način, kako bomo zapisali
kandidata za rešitev – kromosom. Nato se moramo odločiti, katere genetske operatorje bomo
uporabljali v algoritmu in za tip selekcije. Na koncu moramo določiti še vse parametre
algoritma.
V osnovi je genetski algoritem zgrajen iz naslednjih osnovnih korakov:
selekcije,
križanja in
mutacije.
Način zapisa podatkov je najpomembnejši faktor, ki pogosto vpliva na učinkovitost
izvajanja algoritma. Večina genetskih algoritmov se odloča za dvojiške nize z vnaprej
določenimi dolžinami, kjer ima vsako mesto v kromosomu dve možni vrednosti: 0 in 1, kar
omogoča enostavno izvedbo operacije križanja in mutacije. Za zapis kromosomov se redkeje
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 34 -
uporablja bolj splošen način, ki je odvisen od vrste problema in namesto bitov uporablja
prilagojene podatkovne strukture, čeprav mnogi uporabljajo tudi večjo osnovo številskega
sistema. Goldberg [12] je celo razvil teorijo o uporabi virtualnih abeced in pokazal, zakaj so
take reprezentacije boljše od dvojiških. V virih je tako mogoče zaslediti več različnih izvedb
genetskih algoritmov, ki so prilagojene specifiki posameznega optimizacijskega problema.
Reševanje problemov z genetskim algoritmom obsega naslednje korake:
kodiranje rešitev;
določitev cenilne funkcije, ki vrednoti rešitve;
izbira operatorjev genetskega algoritma;
izvajanje simulirane evolucije.
Postopek delovanja genetskega algoritma je naslednji. Najprej inicializiramo novo
populacijo osebkov. Pomembno je, da je ta inicializacija naključna (kromosomi osebkov naj
dobijo naključne vrednosti), saj so osebki tako enakomerno razpršeni po preiskovalnem
prostoru. Uspešnost osebkov nato ovrednotimo z oceno uspešnosti. Iz te populacije kreiramo
novo tako, da iz stare populacije naključno izbiramo osebke, jih spremenimo in dodamo v
novo populacijo. Ko imamo novo populacijo z enakim številom osebkov, staro zavržemo in
postopek reprodukcije ponovimo. Ker je genetski algoritem iterativen postopek, je nujno
definirati tudi ustavitveni kriterij. Na voljo imamo vsaj dve možnosti. Razvoj lahko ustavimo
po določenem številu generacij ali pa takrat, ko je razlika med najboljšim in najslabšim
osebkom populacije dovolj majhna.
Genetski algoritem lahko zapišemo v psevdokodi na naslednji način (Slika 3.4).
Slika 3.4: Psevdokoda enostavnega genetskega algoritma [47]
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 35 -
3.4 Večkriterijska optimizacija z algoritmom NSGA-II
Algoritem NSGA-II (angl. Elitist Non-Dominated Sorting Genetic Algorithm) je izpeljanka
genetskega algoritma, namenjenega večkriterijskemu optimiranju [47]. V okviru raziskave
smo primerjavo rezultatov izvedli tudi s tem algoritmom, zato osnove delovanja tudi tukaj
predstavljamo.
Algoritem NSGA-II so Deba in sodelavci prvič objavili leta 2000 [5]. Poglavitna
značilnost algoritma je, da se uporablja metrika nakopičenosti (angl. crowding distance
metric) in nedominirano sortiranje (angl. non-dominated sorting) oziroma urejanje. Slika 3.5
prikazuje splošno psevdokodo NSGA-II algoritma [47].
Slika 3.5: Psevdokoda NSGA-II algoritma [47]
V splošnem lahko rečemo, da je algoritem sestavljen iz inicializacije, selekcije in
rekombinacije. Glavni korak algoritma predstavljata selekcija in rekombinacija. V prvem
koraku združimo staro populacijo potomcev in staršev v skupno populacijo velikosti 2n. V
naslednjem koraku se osebki iz te združene populacije Rt-1 s pomočjo nedominiranega
sortiranja sortirajo po frontah. V prvo fronto gredo osebki, ki niso dominirani od nobenega
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 36 -
drugega osebka. V novo populacijo staršev Pt zapišemo prvih i front, ki gredo še v to
populacijo v celoti. Prvo naslednjo fronto (fronto i+1), ki več ne gre v celoti v novo
ustvarjeno populacijo, sortiramo z metriko nakopičenosti. Novo populacijo Pt dopolnimo z
osebki iz fronte i+1, ki so najmanj nakopičeni [21].
Čim večji razpon rešitev dosežemo tako, da so pri sortiranju z metriko nakopičenosti
najboljše ocenjeni skrajni osebki v fronti [47]. Ocenjevanje preostalih osebkov v fronti pa se
izvede z računanjem razdalje do najbližjih sosedov. Če optimiramo k kriterijev, potem za vsak
kriterij j = 1, …, k osebke najprej sortiramo po naraščajočih ocenitvenih vrednostih fj. V
naslednjem koraku za vsak osebek i izračunamo razdaljo med njegovima sosedoma u in v z
naslednjo enačbo [47]:
(3.5)
‒ maksimalna vrednost j-tega kriterija
‒ minimalna vrednost j-tega kriterija
Pri tem mora veljati:
(3.6)
Kot je bilo že omenjeno, skrajnima osebkoma (glede na kriterij j) dodelimo najvišjo
možno razdaljo. Za preostale osebke pa je metrika nakopičenosti za osebek i enaka vsoti teh
razdalj po vseh kriterijih [47]:
(3.7)
Na način, ki je opisan zgoraj, dobimo torej populacijo staršev Pt. V naslednjih korakih
se iz te populacije generira populacija potomcev, in sicer z uporabo mutacije, križanja in
turnirske selekcije. Pri selekciji med dvema naključnima osebkoma zmaga osebek, ki je bil
uvrščen v fronto z nižjo zaporedno vrednostjo. Če sta osebka, ki sodelujeta pri selekciji, iz iste
fronte, potem se izbere osebek, ki je bil boljše ocenjen z metriko nakopičenosti. Populacijo
potomcev označimo z Qt. V zadnjem koraku delovanja NSGA-II algoritma se vsak osebek iz
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 37 -
populacije potomcev evalvira. Ta ocena se v naslednji generaciji uporablja pri nedominiranem
sortiranju osebkov. Algoritem se ponavlja toliko časa, dokler se ne doseže maksimalno število
generacij oziroma se ne doseže kakšen drug zaustavitveni kriterij [47].
3.5 Večkriterijska optimizacija z algoritmom MOPSO
Optimizacija z rojem delcev – PSO – je v osnovi metoda, ki je namenjena enokriterijski
optimizaciji. Če pa želimo z njo reševati tudi večkriterijske optimizacijske probleme, je
potrebna modifikacija algoritma PSO. Tako dobimo algoritem MOPSO (angl. Multi-
Objective Particle Swarm Optimization), ki je v bistvu algoritem z rojem delcev, namenjen
večkriterijskemu optimiranju. Večkriterijski optimizacijski problem dejansko preuredimo na
enokriterijskega. To storimo tako, da določimo uteži wi, s katerimi utežimo pomembnost
posameznega kriterija. Na ta način večkriterijski optimizacijski problem:
(3.8)
preuredimo in dobimo:
. (3.9)
Navadno uporabljamo uteži, ki so znotraj intervala med 0 in 1, saj se optimum problema
ne spremeni, če pomnožimo uteži s konstanto. Vsota uteži je torej enaka 1, kar matematično
zapišemo kot [47]:
(3.10)
Metoda utežene vsote je za uporabo razmeroma enostavna metoda, ki pa ima poleg
prednosti tudi kar nekaj slabosti [21]. Med glavne slabosti metode spada ustrezna izbira uteži,
saj ima na uspešnost metode največji vpliv prav primerna izbira uteži. Ustrezna izbira uteži je
navadno težka naloga, posebej če problema oziroma pomembnosti posameznega kriterija ne
poznamo najbolje. Z uporabo metode utežene vsote lahko sicer dobimo več Pareto optimalnih
rešitev, vendar moramo v tem primeru metodo večkrat ponoviti, in sicer vsakič z drugačnimi
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 38 -
vrednostmi uteži. Zavedati se je potrebno, da enakomerno porazdeljenih točk na Pareto
optimalni fronti ne dosežemo zagotovo z enakomerno porazdelitvijo vrednosti uteži [47].
3.6 Optimizacija na osnovi poučevanja in učenja – TLBO
Algoritem TLBO (angl. Teaching-Learning-Based Optimization) je razmeroma nov, in sicer
so ga Rao in sodelavci prvič objavili leta 2011 [45]. Takrat je bilo videti, da je algoritem
TLBO neka vzhajajoča zvezda med številnimi metahevristični algoritmi z relativno dobro
uspešnostjo, saj naj bi prekosil dobro poznane metahevristične algoritme na problemih z
omejitvami in brez njih. Kasneje se je izkazalo, da algoritem le ni tako dominanten, saj ima
določene pomanjkljivosti [4]. Zaradi tega je bila kasneje razvita izpopolnjena različica,
poimenovana I-TLBO [43].
Algoritem TLBO je zelo podoben ostalim evolucijskim metodam. Začetna populacija je
naključno izbrana, gibanje na poti od učitelja do drugih učencev je primerljivo z operacijo
mutacije, selekcija pa temelji na primerjavi dveh rešitev, od katerih vedno izberemo boljšo.
Podobno kot pri ostalih evolucijskih metodah algoritem TLBO temelji na populaciji.
Populacijo predstavljajo učenci. Sestavljen je iz faze poučevanja in faze učenja. V fazi
poučevanja učenci najprej dobijo znanje od učitelja in nato v fazi učenja še od drugih učencev
– sošolcev v razredu. Več o tem algoritmu najdemo v literaturi [45].
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 39 -
4 ZASNOVA INTELIGENTNEGA SISTEMA TOLERIRANJA
4.1 Opis inteligentnega sistema toleriranja
Predlagan inteligentni sistem toleriranja je zasnovan tako, da je zmožen na podlagi znanih
podatkov (dovoljena toleranca sklopa, razpoložljive tehnologije-stroji za dosego tolerance,
tolerančno stroškovni model) sam brez posebnega znanja ali posega človeka dodeliti tolerance
posameznih sestavnih delov, tako da so stroški izdelave optimalni oziroma blizu optimalni
glede na izbrane zahteve.
V želji doseči čim boljše rezultate inteligentnega toleriranja smo razvili dva različna
modula za načrtovanje toleranc. In sicer PSO-modul in GSA-modul, ki sta predstavljena v
nadaljevanju. Vhodne podatke v posamezni optimizacijski modul predstavljajo naslednji
podatki:
koeficienti tolerančno stroškovne funkcije in obdelovalne zmožnosti proizvodnih
procesov (Preglednica 4.1 in Preglednica 4.2);
enačba, ki predstavlja proizvodne stroške posameznega sklopa (enačba (4.8) in
enačba (4.14));
krmilni parametri PSO- in GSA-algoritmov;
tehnološke omejitve – zahteve, ki zagotavljajo funkcionalnost sklopa (enačbe (4.4),
(4.5) in (4.6) za členek ročičnega mehanizma in enačba (4.12) za sestav gredi in
ohišja).
Izhodne podatke posameznega optimizacijskega modula predstavljajo naslednji podatki:
ocena vrednosti skozi evolucijo doseženih najnižjih stroškov proizvodnje
posameznega sklopa;
vrednosti predlaganih toleranc posameznih sestavnih delov, pri katerih so bili
doseženi najnižji proizvodni stroški;
izbrani proizvodni procesi – stroji, pri katerih so bili doseženi najnižji proizvodni
stroški.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 40 -
Delovanje razvitega inteligentnega sistema za toleriranje sklopov je shematsko prikazano tudi
na Sliki 4.1.
Slika 4.1: Shematski prikaz delovanja razvitega inteligentnega sistema
Razviti model – sistem inteligentnega toleriranja predstavlja orodje, ki je splošno
uporabno za inženirje – raziskovalce, ki se ukvarjajo s toleriranjem in kjer imajo stroški
izdelave pomembno vlogo. Z manjšimi popravki ga lahko uporabimo tudi za druge primere
načrtovanja toleranc. Enostavno razširljiv je tudi na večje sklope. Programiranje
optimizacijskih algoritmov je potekalo v programskem okolju MatLAB. Pri uporabi
kateregakoli razvitega algoritma je mogoče v razvitem uporabniškem vmesniku spreminjati
krmilne parametre, ki vplivajo na uspešnost optimizacije. Le-ti so predstavljeni v
nadaljevanju.
Razviti model – sistem inteligentnega toleriranja je zasnovan tako, da upošteva tudi
tehnološke zmožnosti obdelovalnih procesov – postopkov. Ker so tehnološke zahteve in
zmožnosti obdelovalnih postopkov različne, je sistem zasnovan tako, da je odprt za vsako
nadgradnjo ali modifikacijo.
Če želimo razviti inteligentni model – sistem toleriranja uporabljati tudi za druge
primere sklopov, moramo za njih v fazi prototipne ali maloserijske proizvodnje izvesti
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 41 -
eksperimentalne meritve, na osnovi katerih določimo koeficiente tolerančno stroškovne
funkcije in na podlagi katerih se lahko kasneje izvede toleriranje sklopa in optimizacija
stroškov proizvodnje pred pričetkom (veliko)serijske proizvodnje.
4.2 Predstavitev izbranih optimizacijskih problemov
Natančna določitev tolerančno stroškovnega razmerja oz. razvoj povsem novega tolerančno
stroškovnega modela za določen sklop bi zahteval veliko število dragih preizkusov. Zato smo
za testna primera vzeli dva kompleksna problema; sklop členka ročičnega mehanizma ter
sestav gredi in ohišja, za katera obstajajo tolerančno stroškovni modeli in koeficienti le-teh.
Obenem nam oba izbrana primera omogočata analizo delovanja in testiranje razvitega sistema
in primerjavo učinkovitosti z ostalimi optimizacijskimi metodami, ki so jih uporabili drugi
raziskovalci. V naslednjih podpoglavjih sta predstavljena oba izbrana optimizacijska
problema.
4.2.1 Predstavitev izbranega testnega primera 1: Členek ročičnega mehanizem
Testni primer členka ročičnega mehanizma je vzet iz literature [53]. Gre za aktualen primer iz
prakse, ki so ga obravnavali tudi drugi raziskovalci [54, 55]. Skica členka ročičnega
mehanizma je prikazana na Sliki 4.2.
Slika 4.2: Skica členka ročičnega mehanizma (prirejeno po [53])
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 42 -
Na sliki izbranega primera so prikazane in označene dimenzije posameznega sestavnega
dela, ki tvori celoten sklop. Obstajajo tri med seboj povezane dimenzije (Y1, Y2, Y3), ki v
našem primeru predstavljajo omejitve – pogoje.
(4.1)
(4.2)
(4.3)
Upoštevano je, da je največje dovoljeno odstopanje t manjše ali enako 0,2 mm. Pri tem
je privzeto, da so vse podobne dimenzije, tj. enaki gradniki, izdelani na istem stroju, kar ima
za posledico enako toleranco t2 za dimenziji X2a in X2b ter t3 za dimenziji X3a in X3b.
Pogoji:
(4.4)
(4.5)
(4.6)
kjer je
‒ toleranca dimenzije xi proizvedene s procesom j
Cilj je izbrati izdelovalni proces – stroj za proizvodnjo določene dimenzije tako, da
bodo stroški izdelave sklopa najnižji ob upoštevanju zgoraj zapisanih predpostavk.
Uporabljena je eksponentna tolerančno stroškovna funkcija:
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 43 -
(4.7)
‒ proizvodni stroški
‒ toleranca
‒ koeficienti tolerančno stroškovne funkcije
‒ Eulerjevo število
Proizvodne stroške sklopa Casm predstavlja enačba (4.8). Le-ti so seštevek proizvodnih
stroškov posameznih komponent, ki sklop sestavljajo.
(4.8)
kjer je:
(4.9)
(4.10)
itd.
Koeficiente tolerančno stroškovne funkcije vzamemo iz Preglednice 4.1. Pridobljeni so
na osnovi eksperimentalnih meritev, ki jih je izvedel Singh [53]. Hkrati nam enačba (4.8)
predstavlja funkcijo, katere minimalno vrednost iščemo.
Upoštevati še je potrebno obdelovalne zmožnosti procesa, in sicer:
(4.11)
i =1 do n in j = 1 do mi
‒ toleranca dimenzije xi proizvedene s procesom j
‒ število razpoložljivih alternativnih proizvodnih procesov za proizvodnjo dimenzije xi
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 44 -
Preglednica 4.1: Karakteristike proizvodnega procesa za členek ročičnega mehanizma [53]
Posamezna dimenzija na
sklopu
Obdelovalni stroj – proces
Koeficienti tolerančno stroškovne funkcije
Minimalna toleranca
tmin
Maksimalna toleranca
tmax c0 c1 c2
X1
1 311 15,8 24,2 0,01 0,15
2 280 14 19,8 0,01 0,15
3 296,4 19,5 23,82 0,01 0,15
4 331,5 17,64 20 0,01 0,15
X2a, X2b
1 311 15,8 24,2 0,01 0,15
2 280 14 19,8 0,01 0,15
3 296,4 19,5 23,82 0,01 0,15
4 331,5 17,64 20 0,01 0,15
X3a, X3b
1 311 15,8 24,2 0,01 0,15
2 280 14 19,8 0,01 0,15
3 296,4 19,5 23,82 0,01 0,15
4 331,5 17,64 20 0,01 0,15
X4 1 92,84 13,66 17,2 0,02 0,20
2 82,43 16,7 21 0,02 0,20
X5
1 128,25 82,45 32,5 0,01 0,10
2 160,43 86,7 29,2 0,01 0,10
3 231,16 50,05 28,05 0,01 0,10
4 134,16 78,82 500 0,01 0,10
4.2.2 Predstavitev izbranega testnega primera 2: Sestav gredi in ohišja
Naslednji testni primer sestava gredi in ohišja je vzet iz literature [54]. Skica sestava gredi in
ohišja je prikazana na Sliki 4.3.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 45 -
Slika 4.3: Skica sestava gredi in ohišja (prirejeno po [54])
Spremenljivke X1, X2, X3, X4, X4, X6, X7 predstavljajo posamezne dimenzije sestava,
spremenljivka Y pa predstavlja zahtevano zračnost, ki zagotavlja funkcionalnost sestava. Če je
velikost zračnosti negativna, pomeni, da sklop ni funkcionalen, saj so sestavni deli sklopa v
koliziji. Obenem zračnost ne sme biti prevelika, saj prevelika zračnost vpliva na obrabo
strojnih delov. Velikost zračnosti mora biti torej pozitivna vrednost. Velikost tolerance
posamezne dimenzije sestava ima vpliv na velikost zračnosti Y. Zato je podana naslednja
funkcionalna zahteva:
(4.12)
kjer je
‒ toleranca dimenzije xi proizvedene s procesom j
Velikost zračnosti Y lahko zapišemo z naslednjo enačbo:
(4.13)
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 46 -
Upoštevano je tudi, da sta velikosti toleranc sestavnih delov, ki sta označeni z dimenzijo
X3 in X7, enaki, saj gre za standardni strojni element, ki ga kupimo, in njegovo toleranco poda
proizvajalec, zato je njegova toleranca fiksna. To pomeni, da je toleranca t3 enaka toleranci t7.
Prav tako je fiksna toleranca sestavnega dela označenega z dimenzijo X1 in pri katerem je
podana toleranca t1, saj gre tudi v tem primeru za standardni strojni element.
Cilj je izbrati izdelovalni proces – stroj za proizvodnjo določene dimenzije tako, da
bodo stroški izdelave sklopa najnižji ob upoštevanju zgoraj zapisanih predpostavk.
Uporabljena je eksponentna tolerančno stroškovna funkcija zapisana z enačbo (4.7) v
prejšnjem podpoglavju.
Proizvodne stroške sklopa Casm predstavlja enačba (4.14). Le-ti so seštevek proizvodnih
stroškov posameznih komponent, ki sklop sestavljajo.
(4.14)
kjer je:
(4.15)
(4.16)
itd.
Enačba (4.14) predstavlja tudi funkcijo, katere minimalno vrednost ob upoštevanju vseh
pogojev in omejitev v nadaljevanju iščemo. Koeficienti tolerančno stroškovne funkcije so
vzeti iz Preglednice 4.2. Pridobljeni so na osnovi eksperimentalnih meritev, ki jih je izvedel
Sivakumar [54].
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 47 -
Preglednica 4.2: Karakteristike proizvodnega procesa za sestav gredi in ohišja [54]
Posamezna dimenzija na
sklopu
Obdelovalni stroj – proces
Koeficienti tolerančno stroškovne funkcije
c0 c1 c2
X1 Fiksna toleranca t1 = 0,0381; C1 = 5,00
X2, X6 1 66,43 2,738 5,34
2 62,22 2,340 5,12
X3, X7 Fiksna toleranca t3 = t7 = 0,0381; C3 = 50,00
X4, X6
1 69,43 2,728 15,34
2 65,22 2,340 15,12
3 66,87 2,112 14,85
4 70,62 2,985 500
X5
1 72,43 2,738 11,34
2 68,22 2,340 11,12
3 69,87 2,112 10,85
4 73,62 2,985 500
4.3 Razvita modula za načrtovanje toleranc
V želji doseči čim boljše rezultate inteligentnega toleriranja smo razvili dva različna modula
za načrtovanje toleranc. In sicer PSO-modul in GSA-modul, ki sta predstavljena v
nadaljevanju.
4.3.1 PSO-modul za načrtovanje toleranc
Na Sliki 4.4 je prikazan uporabniški vmesnik razvitega inteligentnega sistema za toleriranje z
algoritmom z rojem delcev (PSO). Na levi strani razvite aplikacije vnesemo krmilne
parametre algoritma in na desni strani spodaj pritisnemo gumb Zaženi. Na desni strani se nam
izpišejo rezultati; tj. ocena stroškov in predlagani – izbrani proizvodni proces ter predlagane
tolerance posameznega sestavnega dela. Spodaj levo je okno, kjer se nam izpiše, ali je
postopek optimizacije še v teku ali je le-ta zaključen.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 48 -
Slika 4.4: PSO-modul – uporabniški vmesnik
Delovanje in učinkovitost razvitega sistema bomo prikazali na izbranih testnih primerih.
Za učinkovito konvergenco sistema moramo pri uporabi optimizacije z rojem delcev izbrati
tudi ustrezne krmilne parametre optimizacijskega algoritma, saj se s tem izognemo, da bi se
algoritem ujel v lokalni minimum. Zato smo sistem testirali tudi z različno izbranimi
krmilnimi parametri.
Kot zaustavitveni kriterij je bilo izbrano število iteracij – ponovitev. PSO-algoritem se
torej izvaja, dokler ni doseženo določeno število ponovitev.
Za optimizacijo načrtovanja toleranc in ocenitve stroškov proizvodnje posameznega
sklopa lahko spreminjamo naslednje nastavitve krmilnih parametrov:
velikost roja,
število ponovitev,
krmilni parameter c1 (kognitivni parameter),
krmilni parameter c2 (socialni parameter).
V obeh primerih optimizacije izbranih sklopov iščemo ob upoštevanju tehnoloških
omejitev minimalno vrednost proizvodnih stroškov, katerih vrednost se izračuna na osnovi
enačbe (4.8) in enačbe (4.14). Na osnovi izračunanih proizvodnih stroškov posameznih
sestavnih delov nato razviti sistem izračuna predlagano toleranco za proizvodnjo posamezne
komponente in predlaga proizvodni proces oziroma stroj.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 49 -
4.3.2 GSA-modul za načrtovanje toleranc
Na Sliki 4.5 je prikazan uporabniški vmesnik razvitega inteligentnega sistema za toleriranje z
gravitacijskim algoritmom (GSA). Podobno kot pri PSO-modulu na levi strani razvite
aplikacije vnesemo krmilne parametre algoritma. Za razliko od PSO-modula sta tukaj le dva
krmilna parametra. Na desni strani se nam izpišejo rezultati; tj. predlagani – izbrani
proizvodni proces in predlagane tolerance posameznega sestavnega dela. Obenem se izpiše
tudi ocena stroškov. Spodaj levo je okno, kjer se nam izpiše, ali je postopek optimizacije še v
teku ali je le-ta zaključen.
Slika 4.5: GSA-modul – uporabniški vmesnik
Za optimizacijo načrtovanja toleranc in ocenitve stroškov proizvodnje členka ročičnega
mehanizma smo prišli do ugotovitve, da sama nastavitev krmilnih parametrov ne vpliva
bistveno na kakovost rešitve. Vseeno pa podajamo priporočila glede izbire parametrov, pri
katerih dobimo smiselne rešitve:
število agentov: 100–300,
število ponovitev: 500–5000.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 50 -
Za optimizacijo načrtovanja toleranc in ocenitve stroškov proizvodnje sestava gredi in
ohišja pa so se kot najuspešnejše izkazale naslednje nastavitve krmilnih parametrov:
število agentov: 20–150,
število ponovitev: 500–3000.
V obeh primerih optimizacije iščemo ob upoštevanju tehnoloških omejitev minimalno
vrednost proizvodnih stroškov, katerih vrednost se izračuna na osnovi enačbe (4.8) in enačbe
(4.14). Na osnovi izračunanih proizvodnih stroškov posameznih sestavnih delov nato razviti
sistem izračuna predlagano toleranco za proizvodnjo posamezne komponente in predlaga
proizvodni proces oziroma stroj.
4.4 Povezava sistema z obstoječo CAD-programsko opremo
Dandanes sodobni modelirniki vključujejo vedno več funkcij, s katerimi je možna povezava z
drugimi programi. Za potrebe lažjega dela konstruktorjev oziroma načrtovalcev toleranc je
bila razvita tudi povezava v MatLAB-u razvitih PSO- in GSA-modulov z orodjem za
računalniško podprto konstruiranje Catia V5 R19. Shematski prikaz le-te je prikazan na Sliki
4.6. Ker nam direktne povezave med programskim orodjem MatLAB in orodjem za
računalniško podprto konstruiranje Catia V5 R19 ni uspelo zgraditi, smo se poslužili
enostavnega trika. Programsko okolje MatLAB, v katerem je potekalo programiranje
optimizacijskih algoritmov, nam omogoča, da izbrane rezultate zapišemo v Excelovo
datoteko. Orodje za računalniško podprto konstruiranje Catia V5 R19 pa nam z ukazom
Insert/Annotations/Table omogoča uvoz podatkov iz Excela.
Slika 4.6: Shematski prikaz povezave sistema z orodjem za računalniško podprto
konstruiranje Catia V5 R19
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 51 -
Vsekakor bi bilo v praksi lažje, če bi bilo to vse skupaj združeno v eno samostojno
aplikacijo, ki bi bila nadgradljiva oziroma povezljiva s CAD-CAM-sistemom. Vendar to
predstavlja velik programerski zalogaj in ni stvar naloge. Nasploh je že bilo v nalogi potrebno
opraviti precej programerskega dela, in sicer s programiranjem optimizacijskih algoritmov.
Zato smo se odločili, da zadostimo enemu izmed ciljev naloge za indirektno povezavo s
CAD-programsko opremo.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 52 -
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 53 -
5 REZULTATI IN DISKUSIJA
V tem poglavju je prikazana uporaba razvitega sistema – modela na dveh realnih primerih z
dvema različnima optimizacijskima metodama. Ker bi izpeljava povsem novega tolerančno
stroškovnega modela zahtevala veliko število preizkusov in testiranj in bi presegala to delo,
smo uporabili obstoječi eksponentni tolerančno stroškovni model. Za testiranje delovanja
razvitega inteligentnega sistema toleriranja smo uporabili – se omejili na eksperimentalne
podatke, ki sta jih v okviru svoje raziskave opravila in/ali uporabila raziskovalca Singh [53] in
Sivakumar [54]. V obeh izbranih primerih poteka določitev toleranc sestavnih delov na osnovi
metode najbolj neugodnega primera, kar pomeni, da je zagotovljena popolna zamenljivost
sestavnih delov. Oba izbrana primera omogočata analizo delovanja in testiranje razvitega
sistema in primerjavo učinkovitosti z ostalimi optimizacijskimi metodami, ki so jih uporabili
drugi raziskovalci.
5.1 Rezultati optimizacije s PSO-algoritmom
5.1.1 Členek ročičnega mehanizma
Za optimizacijo načrtovanja toleranc in ocenitev stroškov proizvodnje členka ročičnega
mehanizma s PSO-algoritmom so se kot najuspešnejše izkazale naslednje nastavitve krmilnih
parametrov:
velikost roja: 300,
število ponovitev: 1000,
krmilni parameter c1 (kognitivni parameter): 2,
krmilni parameter c2 (socialni parameter): 2.
Pri teh izbranih parametrih je bila konvergenca sistema najuspešnejša in ocena stroškov
proizvodnje sklopa hitro pade do vrednosti, pri kateri stroški ne padajo več. Na Sliki 5.1 je
prikazana konvergenca sistema PSO-algoritma za členek ročičnega mehanizma v odvisnosti
od števila ponovitev.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 54 -
Slika 5.1: Prikaz konvergence PSO-algoritma pri najboljši rešitvi
Slika 5.1 grafično prikazuje postopek optimizacije proizvodnih stroškov. Čeprav je bilo
izbranih 1000 ponovitev, slika prikazuje konvergenco zaradi boljše preglednosti le do 500.
ponovitve. Hkrati je razvidno tudi, da od 230. ponovitve ocena stroškov bistveno ne pada več,
zato bi lahko algoritem zaustavili že prej. Vendar se je skozi testiranje sistema izkazalo, da
konvergenca ni vedno tako hitra, zato smo potek preračunavanja pustili do iteracije 1000. Po
1000 ponovitvah se je tako postopek optimizacije zaključil in na desni strani razvite aplikacije
se izpišejo rezultati (Slika 5.2). Najnižja vrednost relativnih proizvodnih stroškov členka
ročičnega mehanizma, ki je bila skozi testiranja dosežena, znaša 973,828. Na osnovi
izračunanih proizvodnih stroškov nato razviti sistem izračuna predlagano toleranco za
proizvodnjo posamezne komponente in predlaga proizvodni proces oziroma stroj.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 55 -
Slika 5.2: Prikaz rezultatov za členek ročičnega mehanizma
5.1.2 Sestav gredi in ohišja
Za optimizacijo načrtovanja toleranc in ocenitve stroškov proizvodnje sestava gredi in ohišja
so se kot najuspešnejše izkazale naslednje nastavitve krmilnih parametrov:
velikost roja: 150,
število ponovitev: 3000,
krmilni parameter c1 (kognitivni parameter): 2,
krmilni parameter c2 (socialni parameter): 2.
Pri teh izbranih parametrih je bila konvergenca sistema najuspešnejša in ocena stroškov
proizvodnje sklopa najnižja. Vendar se je skozi testiranje sistema izkazalo, da je povsem
dovolj že 50 iteracij. Po 50 ponovitvah se namreč ocena stroškov skorajda več ne zmanjšuje
oziroma je to zmanjšanje zanemarljivo. Zato povečevanje števila omejitev ni smiselno, saj se
s tem samo časovno podaljšuje postopek optimizacije.
Na Sliki 5.3 je prikazana konvergenca sistema PSO-algoritma za sestav gredi in ohišja
do petdesete ponovitve.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 56 -
Slika 5.3: Prikaz konvergence PSO-algoritma
Na Sliki 5.4 in Sliki 5.5 so prikazani rezultati optimizacije za sestav gredi in ohišja po
3000 in 50 iteracijah.
Slika 5.4: Prikaz rezultatov za sestav gredi in ohišja po 3000 iteracijah
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 57 -
Slika 5.5: Prikaz rezultatov za sestav gredi in ohišja po 50 iteracijah
Najnižja vrednost relativnih proizvodnih stroškov sestava gredi in ohišja, ki je bila skozi
testiranja dosežena, znaša 381,004. Ta vrednost je bila dosežena pri 3000 ponovitvah. Če
primerjamo oba primera, ugotovimo, da so se določene vrednosti toleranc spremenile, kljub
temu da se stroški niso bistveno spremenili. Predlagani procesi so ostali ne glede na število
ponovitev enaki.
5.2 Rezultati optimizacije z GSA-algoritmom
5.2.1 Členek ročičnega mehanizma
Za optimizacijo načrtovanja toleranc in ocenitev stroškov proizvodnje členka ročičnega
mehanizma smo prišli do ugotovitve, da sama nastavitev krmilnih parametrov ne vpliva
bistveno na kakovost rešitve. Vseeno pa podajamo priporočila glede izbire krmilnih
parametrov, pri katerih dobimo smiselne rešitve:
število agentov: 100–300,
število ponovitev: 500–5000.
Najnižja vrednost relativnih proizvodnih stroškov členka ročičnega mehanizma, ki je
bila skozi testiranja dosežena, znaša 1204,71. Na osnovi izračunanih proizvodnih stroškov
nato razviti sistem izračuna predlagano toleranco za proizvodnjo posamezne komponente in
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 58 -
predlaga proizvodni proces oziroma stroje. Izbrani krmilni parametri, pri katerih je bila skozi
testiranje sistema dosežena minimalna vrednost proizvodnih stroškov in izbrani proizvodni
procesi ter predlagane tolerance, so prikazane na Sliki 5.6.
Slika 5.6: Prikaz rezultatov za členek ročičnega mehanizma
5.2.2 Sestav gredi in ohišja
Podobno kot pri optimizaciji stroškov proizvodnje členka ročičnega mehanizma smo tudi pri
optimizaciji stroškov proizvodnje sestava gredi in ohišja prišli do ugotovitve, da sama
nastavitev krmilnih parametrov ne vpliva bistveno na kakovost rešitve. Vseeno pa tudi tukaj
podajamo priporočila glede izbire krmilnih parametrov, pri katerih dobimo smiselne rešitve:
število agentov: 50–250,
število ponovitev: 100–1000.
Na osnovi izračunanih proizvodnih stroškov sestava gredi in ohišja razviti sistem
izračuna predlagano toleranco za proizvodnjo posamezne komponente in predlaga proizvodni
proces oziroma stroj za proizvodnjo posamezne komponente. Izbrani krmilni parametri, pri
katerih je bila skozi testiranje sistema dosežena minimalna vrednost proizvodnih stroškov in
izbrani proizvodni procesi ter predlagane tolerance, so prikazane na Sliki 5.7.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 59 -
Slika 5.7: Prikaz najboljšega rezultata za sestav gredi in ohišja
Najnižja vrednost relativnih proizvodnih stroškov sestava gredi in ohišja, ki je bila skozi
testiranja dosežena, znaša 381,808. Skozi testiranja sistema se je tudi izkazalo, da ob povsem
enaki izbiri krmilnih parametrov dobimo kot rezultat kar precej različne predlagane tolerance
določenih sestavnih delov, medtem ko je ocena stroškov skorajda povsem enaka. Takšen
primer je za primerjavo prikazan na Sliki 5.8. Predlagani proizvodni procesi so ne glede na
različno izbiro toleranc ostali enaki. Vzrok za to lahko najdemo v zelo podobnih koeficientih
tolerančno stroškovne funkcije (Preglednica 5.2). Povečanje tolerance posameznega
sestavnega dela in s tem zmanjšanje proizvodnih stroškov tega sestavnega dela namreč
skorajda v isti meri vpliva na zmanjšanje tolerance drugega sestavnega dela in s tem
povečanje proizvodnih stroškov tega drugega sestavnega dela.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 60 -
Slika 5.8: Prikaz primerjalnega rezultata za sestav gredi in ohišja
5.3 Primerjava rezultatov z ostalimi optimizacijskimi metodami
V tem poglavju je izdelana primerjava rezultatov in primerjava učinkovitosti delovanja
razvitega sistema z rezultati, ki so bili pridobljeni z različnimi optimizacijskimi metodami.
Primerjane so vrednosti najnižjih doseženih stroškov s posamezno optimizacijsko metodo,
vrednosti predlaganih toleranc in izbrani proizvodni procesi – stroji, ki jih je predlagala
inteligenca. Rezultate pridobljene z enokriterijskimi optimizacijskimi metodami smo v
določenih primerih sicer primerjali tudi z rezultati pridobljenimi z večkriterijskimi
optimizacijskimi metodami, saj so določeni raziskovalci isti optimizacijski problem reševali
še po dodatnih kriterijih (stroški pomanjkljive kakovosti …). Ker so si ti kriteriji lahko med
seboj konfliktni, kar pomeni, da izboljšanje rešitve po enem kriteriju pomeni njeno
poslabšanje po drugem, ni nujno, da dobimo vedno optimalno rešitev, po določenem kriteriju.
Tudi zato so rezultati, ki so pridobljeni z enokriterijskimi optimizacijskimi metodami, v večini
primerov boljši kot rezultati pridobljeni z večkriterijskimi optimizacijskimi metodami. Oba
primera v tem delu sta obravnavana kot enokriterijska problema. Na podlagi dobrih rezultatov
sklepamo, da je bila to pravilna odločitev.
Optimizacija z rojem delcev se je na osnovi opravljenih testiranj razvitega
inteligentnega sistema toleriranja izkazala za učinkovitejšo metodo kot optimizacija z
gravitacijskim iskalnim algoritmom. Prav tako je PSO-algoritem v primerjavi z ostalimi
optimizacijskimi metodami, s katerimi smo dobljene rezultate primerjali, dal boljši rezultat,
kakor je tudi predstavljeno v nadaljevanju.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 61 -
5.3.1 Primerjava rezultatov – členek ročičnega mehanizma
Preglednica 5.1 prikazuje vrednosti najnižjih doseženih proizvodnih stroškov členka
ročičnega mehanizma s posamezno optimizacijsko metodo. Razviti PSO-algoritem se je
izkazal za najboljšega, saj je pri njem vrednost stroškov proizvodnje členka ročičnega
mehanizma najnižja. Najboljša dosežena vrednost je za 0,46 % nižja kot pri genetskih
algoritmih in celo za 19,16 % nižja kot pri gravitacijskem iskalnem algoritmu. Že zmanjšanje
proizvodnih stroškov za 0,46 %, samo na račun optimalne porazdelitve toleranc, je v
velikoserijski proizvodnji velik dosežek.
Hkrati je potrebno izpostaviti, da je delovanje PSO-algoritma zelo hitro. Čas obdelave
podatkov pri izbranih krmilnih parametrih zapisanih v Podpoglavju 5.1.1 na povprečnem
osebnem računalniku je namreč znašal le 12 sekund. Za primerjavo je povprečen čas obdelave
podatkov pri GSA-algoritmu znašal približno 3 minute. Tudi z večanjem števila ponovitev ter
s tem podaljševanja časa obdelave podatkov do enega dneva ali celo več in spreminjanjem
števila agentov z algoritmom GSA nismo dobili boljšega rezultata, kot je zapisan Preglednici
5.1.
Preglednica 5.1: Ocena stroškov proizvodnje členka ročičnega mehanizma
Algoritem PSO GSA GA [53] NSGA II [55] MOPSO [55] TLBO [44]
Proizvodni stroški 973,83 1204,71 978,33 1076,89 1029,39 1008,70
Preglednica 5.2 prikazuje vrednosti predlaganih toleranc in izbrane proizvodne procese
– stroje, ki jih je predlagal posamezni optimizacijski algoritem. Še najbolj so si med sabo
podobni rezultati pridobljeni s PSO- in z GA-algoritmom. Kljub temu da pa se najboljši
doseženi vrednosti proizvodnih stroškov s tema dvema algoritmoma, kakor smo prej
ugotovili, razlikujeta za manj kot 0,5 %, izbran proizvodni proces – stroj za izdelavo
sestavnega dela, ki je na Sliki 4.2 označen z oznako X5, ni enak. Prav tako če primerjamo med
sabo predlagane vrednosti toleranc posameznih sestavnih delov, ki so bile pridobljene z
različnimi optimizacijski algoritmi, vidimo, da se le-te med seboj bolj ali manj razlikujejo.
Vse to dokazuje, kako pomemben je pri zmanjševanju proizvodnih stroškov proces
načrtovanja toleranc.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 62 -
Preglednica 5.2: Izbrani proizvodni procesi – stroji in predlagane tolerance za členek
ročičnega mehanizma
Algoritem PSO GSA GA [53] NSGA II [55] MOPSO [55] TLBO [44]
Vrednost izbrane
tolerance (mm)
t1 0,1500 0,1398 0,1478 0,0697 0,0874 0,1376
t2a, t2b 0,0496 0,0419 0,0495 0,0495 0,0497 0,0484
t3a, t3b 0,0511 0,0387 0,0512 0,0462 0,0478 0,0466
t4 0,0200 0,0672 0,0214 0,0200 0,0273 0,0310
t5 0,0267 0,0119 0,0241 0,0213 0,0243 0,0251
Izbrani proizvodni proces – stroj za
proizvodnjo posameznega
sestavnega dela
X1 3 1 3 3 3 3
X2a, X2b 3 3 3 3 3 3
X3a, X3b 3 2 3 3 3 3
X4 2 2 2 2 2 2
X5 2 2 1 2 2 2
5.3.2 Primerjava rezultatov – sestav gredi in ohišja
Preglednica 5.3 prikazuje vrednosti najnižjih doseženih proizvodnih stroškov sestava gredi
ohišja s posamezno optimizacijsko metodo. Kakor tudi v primeru členka ročičnega
mehanizma se je tudi pri sestavu gredi in ohišja razviti PSO-algoritem izkazal za najboljšega,
saj je pri njem vrednost stroškov proizvodnje najnižja. Najboljša dosežena vrednost je za 0,23
% nižja kot pri GSA-algoritmu in za približno 3,5 % nižja kot pri ostalih dveh primerjalnih
algoritmih. Delovanje PSO-algoritma za primer sestava gredi in ohišja je še hitrejše. Čas
obdelave podatkov pri izbranih krmilnih parametrih zapisanih v Podpoglavju 5.1.2 na
povprečnem osebnem računalniku je namreč znašal manj kot eno sekundo. Za primerjavo je
povprečen čas obdelave podatkov pri GSA-algoritmu znašal približno 10 sekund. Vendar se z
večanjem števila ponovitev in števila agentov čas obdelave podatkov pri GSA-algoritmu
drastično podaljša, medtem ko povečanje števila ponovitev in povečanje velikosti roja pri
PSO-algoritmu nima tako velikega vpliva na čas obdelave podatkov.
Preglednica 5.3: Ocena stroškov proizvodnje sestava gredi in ohišja
Algoritem PSO GSA NSGA II [55] MOPSO [55]
Proizvodni stroški 381,00 381,88 393,67 393,95
Preglednica 5.4 prikazuje vrednosti predlaganih toleranc in izbrane proizvodne procese
– stroje, ki jih je predlagal posamezni optimizacijski algoritem. Vrednost tolerance t1 je
fiksna, saj gre za standardni strojni element, ki ga kupimo, in njegovo toleranco poda
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 63 -
proizvajalec. Prav tako sta iz istega razloga fiksni toleranci t3 in t7. Zato pri teh sestavnih
delih, kakor je razvidno iz Preglednice 5.4, ni izbran noben proizvodni proces – stroj.
Preglednica 5.4: Izbrani proizvodni procesi – stroji in predlagane tolerance
Algoritem PSO GSA NSGA II [55] MOPSO [55]
Vrednost izbrane
tolerance (mm)
t1 Fiksna toleranca t1 = 0,0381
t2 0,0347 0,0828 0,0266 0,0200
t3, t7 Fiksna toleranca t3 = t7 = 0,0635
t4, t6 0,0546 0,0299 0,0300 0,0302
tX5 0,0740 0,0735 0,0400 0,0439
Izbrani proizvodni proces – stroj za
proizvodnjo posameznega
sestavnega dela
X1 Standardni strojni element
X2 2 2 2 2
X3, X7 Standardni strojni element
X4, X6 2 2 2 2
X5 2 2 2 2
Pri vseh optimizacijskih metodah je bil izbran enak proizvodni proces – stroj. Kljub
temu pa če primerjamo med sabo predlagane vrednosti toleranc posameznih sestavnih delov,
ki so bile pridobljene z različnimi optimizacijski algoritmi, vidimo, da se le-te med seboj bolj
ali manj razlikujejo. Vse to ponovno dokazuje, kako pomemben je pri zmanjševanju
proizvodnih stroškov proces načrtovanja toleranc.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 64 -
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 65 -
6 SKLEPI
Glavni cilj doktorske disertacije je bil razvoj in implementacija inteligentnega sistema
toleriranja. Z razvojem tega sistema in na osnovi predstavljenih rezultatov smo potrdili
zastavljeno tezo doktorske disertacije, da je mogoče s pomočjo metod umetne inteligence, na
podlagi vhodnih podatkov porazdeliti tolerance sestavnih delov, tako da so stroški izdelave
minimalni.
Za dokazovanje teze doktorske disertacije sta bila razvita dva lastna modula, in sicer
modul za optimizacijo s PSO-algoritmom in modul za optimizacijo z GSA-algoritmom.
Inovativno na tem področju je bil izdelan uporabniški vmesnik, ki nam hitro in enostavno
pomaga pri načrtovanju toleranc. Kot inovativen pristop in kot izvirni znanstveni prispevek k
znanosti na področju načrtovanja toleranc lahko štejemo tudi razvoj modula za optimizacijo z
GSA-algoritmom, saj na tem področju v pregledani literaturi doslej še nismo zasledili uporabe
gravitacijskega iskalnega algoritma. Kot izvirni znanstveni prispevek doktorske disertacije
lahko štejemo tudi izdelano povezavo razvitega inteligentnega sistema toleriranja s CAD-
programsko opremo.
Ali je v praksi smiselna uporaba razvitega inteligentnega sistema toleriranja, je
predvsem odvisno od tega, ali gre za kosovno ali serijsko proizvodnjo. Četudi je zmanjšanje
proizvodnih stroškov na račun optimalne porazdelitve toleranc manjše kot 1 %, lahko v
(veliko)serijski proizvodnji s tem ustvarimo ogromne prihranke.
Lahko povzamemo, da ugotavljamo, da je razviti sistem inteligentnega toleriranja
učinkovit pri reševanju zahtevnega optimizacijskega problema toleriranja sklopov in
predstavlja dobro orodje, ki je splošno uporabno za inženirje – raziskovalce, ki se ukvarjajo s
toleriranjem. Rezultati, ki smo jih tekom raziskav in razvoja sistema dosegli, so v skladu s
pričakovanji.
Predstavljeni rezultati nas vzpodbujajo k nadaljevanju raziskovalnega dela na tem
področju in k nadaljnjemu razvoju sistema inteligentnega sistema toleriranja. Kljub temu da je
delovanje sistema prikazano na dveh različnih primerih, je sistem moč z manjšimi popravki
uporabiti tudi za druge primere načrtovanja toleranc. Vendar če želimo razviti inteligentni
model toleriranja uporabljati tudi za druge primere sklopov, moramo za njih v fazi prototipne
ali maloserijske proizvodnje izvesti eksperimentalne meritve, na osnovi katerih določimo
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 66 -
koeficiente tolerančno stroškovne funkcije in na podlagi katerih se izvede toleriranje sklopa in
optimizacija stroškov proizvodnje pred pričetkom (veliko)serijske proizvodnje. Zato bi bilo
potrebno v prihodnosti zbrati čim več teh podatkov, na osnovi katerih bi lahko nadgradili
razviti sistem. Smiselno bi bilo razmisliti tudi v smeri izgradnje povsem novega tolerančno
stroškovnega modela, ki bi bil splošneje uporaben.
Velik potencial vidimo tudi v morebitni zgrajeni direktni povezavi razvitega sistema z
obstoječimi CAD-orodji ali celo integraciji sistema z obstoječimi CAD-orodji. Vendar to
predstavlja velik programerski zalogaj, ki pa bi bil, v kolikor bi se razviti sistem pričel
obširneje uporabljati v praksi, smiseln.
Disertacijo zaključujemo s potrditvijo teze, da je mogoče s pomočjo metod umetne
inteligence na osnovi razvitega modela – sistema ter na podlagi vnesenih podatkov (npr.
dovoljena toleranca sklopa, razpoložljive tehnologije za dosego tolerance, tolerančno
stroškovni modeli) – napovedati oziroma določiti tolerance posameznih delov, in sicer tako,
da so stroški izdelave optimalni oziroma blizu optimalni glede na izbrane zahteve.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 67 -
7 SEZNAM UPORABLJENIH VIROV
[1] Bennett G., Gupta L. C. LEAST-COST TOLERANCES—I. International Journal of
Production Research (1970), vol. 8, no. 1, str. 65–74.
[2] Chase K., Parkinson A. A survey of research in the application of tolerance analysis to
the design of mechanical assemblies. Research in Engineering Design (1991), vol. 3,
no. 1, str. 23–37.
[3] Chase K. W., Greenwod W. H., Loosli B. G., Hauglund L. F. Least Cost Tolerance
Allocation for Mechanical Assemblies with Automated Process Selection.
Manufacturing Review (1990), vol. 3, no. 1, str. 49–59.
[4] Črepinšek M., Liu S.-H., Mernik L. A note on teaching–learning-based optimization
algorithm. Information Sciences (2012), vol. 212, str. 79–93.
[5] Deb K., Agrawal S., Pratab A., Meyarivan T. A fast elitist non-dominated sorting
genetic algorithm for multi-objective optimization: NSGA-II. KanGAL Report
200001. Kanpur, India: Indian Institute of Tehnology, 2000.
[6] Dong Z., Hu W. Optimal process sequence identification and optimal process
tolerance assignment in computer-aided process planning. Computers in Industry
(1991), vol. 17, no. 1, str. 19–32.
[7] Dong Z., Hu W., Xue D. New Production Cost-Tolerance Models for Tolerance
Synthesis. Journal of Engineering for Industry (1994), vol. 116, no. 2, str. 199–206.
[8] Dupinet é., Balazinski M., Czogala E. Tolerance allocation based on fuzzy logic and
simulated annealing. Journal of Intelligent Manufacturing (1996), vol. 7, no. 6, str.
487–497.
[9] Edel D. H., Auer T. B. Determine the Least Cost Combination for Tolerance
Accumulations in a Drive Shaft Seal Assembly. General Motors Engineering Journal
(1965), vol. 1, str. 36–38.
[10] Engelbrecht A. P. Fundamentals of Computational Swarm Inteligence. Wiley & Sons,
2005.
[11] Forouraghi B. Worst-Case Tolerance Design and Quality Assurance via Genetic
Algorithms. Journal of Optimization Theory and Applications (2002), vol. 113, no. 2,
str. 251–268.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 68 -
[12] Goldberg D. E. Genetic Algorithms in Search, Optimization, and Machine Learning.
USA: Adison-Wesley, 1989.
[13] Greenwood W. H., Chase K. W. Worst Case Tolerance Analysis with Nonlinear
Problems. Journal of Engineering for Industry (1988), vol. 110, no. 3, str. 232–235.
[14] Hlebanja G. Merjenje geometrijske točnosti s CMM in povratno inženirstvo: gradivo
za vaje pri predmetu Meritve v proizvodnji [svetovni splet]. Ljubljana: Fakulteta za
strojništvo, Dostopno na WWW: http://lab.fs.uni-
lj.si/lakos/education/undergraduate/fms_cim_1/Materiali%20za%20vaje/CMM.pdf
[23. 8. 2013].
[15] Holland J. H. Adaption in Natural in Artificial Systems. Ann Arbor: University of
Michigan Press, 1975.
[16] Hong-Chao Z. Advanced Tolerancing Techniques: Engineering Design and
Automation. Canada: Wiley, 1997.
[17] Hong Y. S., Chang T. C. A comprehensive review of tolerancing research.
International Journal of Production Research (2002), vol. 40, no. 11, str. 2425–2459.
[18] Hrelja M. Modeliranje in optimizacija CNC obdelav s skupinsko inteligenco (2015).
Doktorska disertacija. Univerza v Mariboru, Fakulteta za strojništvo, Maribor.
[19] Islam M. N. A Practical Approach to Tolerance Allocation. International Review of
Mechanical Engineering (2008), vol. 4, no. 2, str. 614–623.
[20] Ji S., Li X., Ma Y., Cai H. Optimal Tolerance Allocation Based on Fuzzy
Comprehensive Evaluation and Genetic Algorithm. The International Journal of
Advanced Manufacturing Technology (2000), vol. 16, no. 7, str. 461–468.
[21] Klančnik S. Model inteligentnega CAD/CAM sistema za programiranje CNC
obdelovalnih strojev (2012). Doktorska disertacija. Univerza v Mariboru, Fakulteta za
strojništvo, Maribor.
[22] Klein B. Toleranzmanagement im Maschinen- und Fahrzeugbau. Oldenbourg:
Oldenbourg Verlag, 2006.
[23] Kopardekar P., Anand S. Tolerance allocation using neural networks. The
International Journal of Advanced Manufacturing Technology (1995), vol. 10, no. 4,
str. 269–276.
[24] Kumar A. A tolerance allocation framework using fuzzy comprehensive evaluation
and decision support processes (2010). Dissertation. Georgia Institute of Technology,
Georgia.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 69 -
[25] Kumar A., Choi S.-K., Goksel L. Tolerance allocation of assemblies using fuzzy
comprehensive evaluation and decision support process. The International Journal of
Advanced Manufacturing Technology (2011), vol. 55, no. 1–4, str. 379–391.
[26] Kurzweil R. The paradigms and paradoxes of intelligence, Part 2: The Church-Turing
Thesis. Library Journal (1992), vol. 117, str. 73–74.
[27] Leban G. Kvlaitativno usmerjanje genetskih algoritmov pri vodenju dinamični
sistemov (2002). Diplomsko delo univerzitetnega študija. Univerza v Ljubljani,
Fakulteta za računalništvo in informatiko, Ljubljana.
[28] Lee S. H., Chen W. A comparative study of uncertainty propagation methods for
black-box-type problems. Structural and Multidisciplinary Optimization (2009), vol.
37, no. 3, str. 239–253.
[29] Lee W., Woo T. C. Tolerances: Their Analysis and Synthesis. Journal of Engineering
for Industry (1990), vol. 112, str. 113–121.
[30] Lee W. J., Woo T. C. Optimum Selection of Discrete Tolerances. Journal of
Mechanisms, Transmissions and Automation in Design (1989), vol. 111, no. 2, str.
243–251.
[31] Leuschel R. Toleranzmanagement in der Produktentwicklung am Beispiel der
Karosserie im Automobilbau (2010). Dissertation. Der Fakultät für Maschinenbau,
Verfahrens- und Energietechnik der Technischen Universität Bergakademie Freiberg,
München.
[32] Lipovšek M. Optimizacija z rojem delcev. Diplomsko delo. Kranj: Univerza v
Mariboru, 2005.
[33] Mazur M. Tolerance analysis and synthesis of assemblies subject to loading with
process integration and design optimization tools (2013). Dissertation. School of
Aerospace, Mechanical and Manufacturing Engineering – RMIT University,
Melbourne.
[34] Mazur M., Leary M., Subic A. Computer Aided Tolerancing (CAT) platform for the
design of assemblies under external and internal forces. Computer-Aided Design
(2011), vol. 43, no. 6, str. 707–719.
[35] Michael W., Siddall J. N. The Optimization Problem With Optimal Tolerance
Assignment and Full Acceptance. Journal of Mechanical Design (1981), vol. 103, no.
4, str. 842–848.
[36] Minli Z., Wp Y. Fuzzy Comprehensive Evaluation Method Applied in the Real Estate
Investment Risks Research. Physics Procedia (2012), vol. 24, Part C, str. 1815–1821.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 70 -
[37] Mitchel T. Machine Learning. Boston : McGraw-Hill, 1997.
[38] Noorul Haq A., Karthikeyan K., Sivakumar K., Saravanan R. Particle swarm
optimization (PSO) algorithm for optimal machining allocation of clutch assembly.
The International Journal of Advanced Manufacturing Technology (2005), vol. 27, no.
9, str. 865–869.
[39] Parkinson D. B. Assessment and optimization of dimensional tolerances. Computer-
Aided Design (1985), vol. 17, no. 4, str. 191–199.
[40] Peters J. Tolerancing the Components of an Assembly for Minimum Cost. Journal of
Engineering for Industry (1970), vol. 35, str. 677–682.
[41] Prabhaharan G., Asokan P., Rajendran S. Sensitivity-based conceptual design and
tolerance allocation using the continuous ants colony algorithm (CACO). The
International Journal of Advanced Manufacturing Technology (2005), vol. 25, no. 5–
6, str. 516–526.
[42] Prisco U., Giorleo G. Overview of current CAT systems: Review Article. Integrated
Computer-Aided Engineering (2002), vol. 9, no. 4, str. 373–387.
[43] Rao R. V., Patel V. An improved teaching-learning-based optimization algorithm for
solving unconstrained optimization problems. Scientia Iranica (2013), vol. 20, no. 3,
str. 710–720.
[44] Rao R. V., More K. C. Advanced optimal tolerance design of machine elements using
teaching-learning-based optimization algorithm. Production & Manufacturing
Research (2014), vol. 2, no. 1, str. 71–94.
[45] Rao R. V., Savsani V. J., Vakharia D. P. Teaching–learning-based optimization: A
novel method for constrained mechanical design optimization problems. Computer-
Aided Design (2011), vol. 43, no. 3, str. 303–315.
[46] Rashedi E., Nezamabadi-pour H., Saryazdi S. GSA: A Gravitational Search
Algorithm. Information Sciences (2009), vol. 179, no. 13, str. 2232–2248.
[47] Robic T., Filipic B. Večkriterijsko optimiranje z genetskimi algoritmi in diferencialno
evolucijo. Delovno poročilo IJS-DP 9065. Ljubljana: Institut "Jožef Stefan", 2005.
[48] Salomons O., van Houten F. A. M., Kals H. J. Current Status of CAT Systems. In:
ElMaraghy H., editor. Geometric Design Tolerancing: Theories, Standards and
Applications. Springer US, 1998. str. 438–452.
[49] Sandipan K., Jhareswar M. A review on dimensional tolerance synthesis: paradigm
shift from product to process. Assembly Automation (2012), vol. 32, no. 4, str. 373–
388.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 71 -
[50] Sanz-Lobera A., Sebastián M., Pérez J. New cost–tolerance model for mechanical part
design. The International Journal of Advanced Manufacturing Technology (2010),
vol. 51, no. 5–8, str. 421–430.
[51] Shah J. J., Ameta G., Shen Z., Davidson J. Navigating the Tolerance Analysis Maze.
Computer-Aided Design and Applications (2007), vol. 4, no. 5, str. 705–718.
[52] Shen Z., Ameta G., Shah J. J., Davidson J. K. A Comparative Study Of Tolerance
Analysis Methods. Journal of Computing and Information Science in Engineering
(2005), vol. 5, no. 3, str. 247–256.
[53] Singh P. K., Jain S. C., Jain P. K. Advanced optimal tolerance design of mechanical
assemblies with interrelated dimension chains and process precision limits. Computers
in Industry (2005), vol. 56, no. 2, str. 179–194.
[54] Sivakumar K., Balamurugan C., Ramabalan S. Concurrent multi-objective tolerance
allocation of mechanical assemblies considering alternative manufacturing process
selection. The International Journal of Advanced Manufacturing Technology (2011),
vol. 53, no. 5–8, str. 711–732.
[55] Sivakumar K., Balamurugan C., Ramabalan S. Simultaneous optimal selection of
design and manufacturing tolerances with alternative manufacturing process selection.
Computer-Aided Design (2011), vol. 43, no. 2, str. 207–218.
[56] Speckhart F. H. Calculation of Tolerance Based on a Minimum Cost Approach.
Journal of Engineering for Industry (1972), vol. 94, no. 2, str. 447–453.
[57] Spotts M. F. Allocation of tolerance to minimize costs of assembly. Journal of
Engineering for Industry (1973), vol. 95, str. 762–764.
[58] SSKJ. Slovar slovenskega knjižnega jezika. Ljubljana: DZS, 2005.
[59] Stockinger A. Computer Aided Robust Design – Verknüpfung recherunterstützter
Entwicklung und virtueller Fertigung als Baustein des Toleranzmanagements (2010).
Dissertation. Technische Fakultät der Universität Erlangen-Nürnberg, Erlangen.
[60] Sutherland G. H., Roth B. Mechanism Design: Accounting for Manufacturing
Tolerances and Costs in Function Generating Problems. Journal of Engineering for
Industry (1975), vol. 97, no. 1, str. 283–286.
[61] Wikipedia. Wikipedia: Eli Whitney [svetovni splet]. Dostopno na WWW:
https://en.wikipedia.org/wiki/Eli_Whitney [23. 7. 2015].
[62] Wilde D., Prentice E. Minimum Exponential Cost Allocation of Sure-Fit Tolerances.
Journal of Engineering for Industry (1975), vol. 97, no. 4, str. 1395–1398.
[63] Womack J. P. Die zweite Revolution in der Autoindustrie. München: Heyne, 1997.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 72 -
[64] Zahara E., Kao Y.-T. A hybridized approach to optimal tolerance synthesis of clutch
assembly. The International Journal of Advanced Manufacturing Technology (2008),
vol. 40, no. 11, str. 1118–1124.
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 73 -
8 PRILOGE
8.1 Osebna bibliografija
DAVID MOČNIK [36502]
ČLANKI IN DRUGI SESTAVNI DELI
1.01 Izvirni znanstveni članek
1. MOČNIK, David, PAULIČ, Matej, KLANČNIK, Simon, IRGOLIČ, Tomaž, FICKO,
Mirko, BALIČ, Jože, ČUŠ, Franc. Application of particle swarm optimization algorithm for
the prediction of tool wear. Buletin ştiinţific. Seria C, Fascicula organe de maşini, tribologie,
construcţii de maşini, ISSN 1224-3264, 2013, vol. 27, str. 52–55, ilustr.
https://www.dropbox.com/s/ydc5uey9et2bhb3/Revista%202013.pdf. [COBISS.SI-ID
17612054].
2. MOČNIK, David, PAULIČ, Matej, KLANČNIK, Simon, BALIČ, Jože. Prediction of
dimensional deviation of workpiece using regression, ANN and PSO models in turning
operation. Tehnički vjesnik, ISSN 1330-3651, 2014, vol. 21, no. 1, str. 55–62.
http://hrcak.srce.hr/index.php?show=clanak&id_clanak_jezik=172327. [COBISS.SI-ID
17628438], [JCR, SNIP, WoS do 2. 5. 2015: št. citatov (TC): 1, čistih citatov (CI): 1,
normirano št. čistih citatov (NC): 1, Scopus do 2. 7. 2015: št. citatov (TC): 1, čistih citatov
(CI): 1, normirano št. čistih citatov (NC): 1].
3. PAULIČ, Matej, MOČNIK, David, FICKO, Mirko, BALIČ, Jože, IRGOLIČ, Tomaž,
KLANČNIK, Simon. Intelligent system for prediction of mechanical properties of material
based on metallographic images. Tehnički vjesnik, ISSN 1330-3651, 2015, vol. 22, no. 6, str.
1419–1424. doi: 10.17559/TV-20130718090927. [COBISS.SI-ID 19203862], [JCR, SNIP,
Scopus do 8. 1. 2016: št. citatov (TC): 0, čistih citatov (CI): 0, normirano št. čistih citatov
(NC): 0].
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 74 -
1.08 Objavljeni znanstveni prispevek na konferenci
4. BRAJLIH, Tomaž, MOČNIK, David, BALIČ, Jože, DRSTVENŠEK, Igor. Evaluation of
additive manufacturing systems. V: 5th International PMI Conference, Ghent, Belgium, 12.–
14. september 2012. CARDON, Ludwig (ur.). Polymers & moulds innovations : proceedings
of the 5th International PMI Conference, Ghent, Belgium, 12.–14. september 2012. Ghent:
Centre for Polymer and Material Technologies, University College, Ghent University, 2012,
str. 238–245. [COBISS.SI-ID 16291606].
1.09 Objavljeni strokovni prispevek na konferenci
5. IRGOLIČ, Tomaž, PAULIČ, Matej, MOČNIK, David, BRAJLIH, Tomaž, CUPAR,
Andrej, ČUŠ, Franc, BALIČ, Jože, POGAČAR, Vojko. Povezava med izbranimi parametri
stroja za lasersko navarjanje in lastnostmi površine ter mikrostrukture dodajnega materiala. V:
6. industrijski forum IRT, Portorož, 9. –11. junij 2014. ŠVETAK, Darko (ur.). Vir znanja in
izkušenj za stroko : zbornik foruma. Škofljica: Profidtp, 2014, str. 125–129, ilustr.
[COBISS.SI-ID 17933846].
6. PAHOLE, Ivo, IRGOLIČ, Tomaž, PAULIČ, Matej, MOČNIK, David, BRAJLIH, Tomaž,
FICKO, Mirko, BALIČ, Jože, ČUŠ, Franc. Razvoj in izdelava termalne preizkusne lutke za
preizkušanje osebnih zaščitnih sredstev v ekstremnih delovnih pogojih. V: 6. industrijski
forum IRT, Portorož, 9.–11. junij 2014. ŠVETAK, Darko (ur.). Vir znanja in izkušenj za
stroko : zbornik foruma. Škofljica: Profidtp, 2014, str. 189–195, ilustr. [COBISS.SI-ID
17934102].
7. PAULIČ, Matej, MOČNIK, David, IRGOLIČ, Tomaž, ŠIMÚNOVÁ, Michala, BRAJLIH,
Tomaž, KRAJNC, Denis, ŠARIĆ, Miljenko, ČUŠ, Franc, BALIČ, Jože, PAHOLE, Ivo.
Preoblikovanje tankostenskih pločevin za potrebe izdelave žlebnih spojev. V: 6. industrijski
forum IRT, Portorož, 9. –11. junij 2014. ŠVETAK, Darko (ur.). Vir znanja in izkušenj za
stroko : zbornik foruma. Škofljica: Profidtp, 2014, str. 287–293, ilustr. [COBISS.SI-ID
17934358].
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 75 -
8. MOČNIK, David, BRAJLIH, Tomaž, PAULIČ, Matej, BALIČ, Jože, PAHOLE, Ivo,
DRSTVENŠEK, Igor. Primerjava hitrosti izdelave naprav za dodajalno izdelavo. V: 5.
industrijski forum IRT, Portorož, 10. –12. junij 2013. PERME, Tomaž (ur.), ŠVETAK, Darko
(ur.). Vir znanja in izkušenj za stroko : zbornik foruma. Škofljica: Profidtp, 2013, str. 93–98,
graf. prikazi. [COBISS.SI-ID 16946198].
MONOGRAFIJE IN DRUGA ZAKLJUČENA DELA
2.11 Diplomsko delo
9. MOČNIK, David. Analiza vpliva postavitve optičnih komponent na merilno negotovost
laserskega interferometra : diplomsko delo. Maribor: [D. Močnik], 2010. XI, 59 f., ilustr.
http://dkum.uni-mb.si/Dokument.php?id=13789. [COBISS.SI-ID 14087702].
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 76 -
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 77 -
8.2 Življenjepis
Ime in priimek: David Močnik
Izobrazba: Univerzitetni diplomirani inženir strojništva
Datum in kraj rojstva: 18. 5. 1985, Murska Sobota
Naslov: Slaptinci 26a, 9244 Sveti Jurij ob Ščavnici
Državljanstvo: slovensko
Vozniški izpit: kategorije A, B, C, E, F, G
Elektronski naslov: [email protected]
IZOBRAŽEVANJE
Podiplomski študij: Univerza v Mariboru, Fakulteta za strojništvo
Modul: Inteligentni obdelovalni in nadzorni sistemi
Izobraževanje: Enovit doktorski študij
Povprečna ocena: 10,0
Dodiplomski študij: Univerza v Mariboru, Fakulteta za strojništvo
Program: Univerzitetni študij, smer Podjetniško inženirstvo
Diploma: Analiza vpliva postavitve optičnih komponent na merilno negotovost
laserskega interferometra
Izobrazba: Univerzitetni diplomirani inženir strojništva
Zaključna ocena študija: 9,34
Srednja šola: Gimnazija Franca Miklošiča Ljutomer
Izobrazba: Gimnazijski maturant, 2004
Osnovna šola: Osnovna šola Sveti Jurij ob Ščavnici, 2000
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 78 -
DELOVNE IZKUŠNJE
Podjetje: TECHNE, projektiranje in svetovanje d. o. o.
Delovno mesto: Mladi raziskovalec iz gospodarstva
Leto: 2011–
Podjetje: ARCONT d. d.
Delovno mesto: Projektant I
Leto: 2010–2011
Podjetje: LEDINEK Engineering d. o. o.
Delovno mesto: Študijska praksa
Leto: 2009
IZVOLITVE – HABILITACIJE
Izobraževalna ustanova: Univerza v Mariboru, Fakulteta za strojništvo
Krovno habilitacijsko področje: Proizvodno strojništvo
Naziv: Asistent (prva izvolitev)
Leto: 2012
RAZISKOVALNI INTERESI
Umetna inteligenca
CAD/CAM-sistemi
Dodajalne tehnologije
Inteligentni obdelovalni sistemi
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 79 -
RAČUNALNIŠKA ZNANJA IN VEŠČINE
AutoCAD Zahtevno
Catia Zahtevno
SolidEdge Napredno
SolidWorks Osnovno
Siemens NX Osnovno
EdgeCAM Osnovno
Matlab Napredno
Microsoft Office (Word, Excel, PowerPoint, Outlook) Zahtevno
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 80 -
Univerza v Mariboru – Fakulteta za strojništvo Doktorska disertacija
- 81 -
UNIVERZA V MARIBORU
FAKULTETA ZA STROJNIŠTVO
IZJAVA DOKTORSKEGA KANDIDATA
Podpisani David MOČNIK, vpisna številka S3000241
izjavljam,
da je doktorska disertacija z naslovom: INTELIGENTNO TOLERIRANJE SKLOPOV
GLEDE NA TEHNOLOŠKE ZMOŽNOSTI OBDELOVALNIH POSTOPKOV
rezultat lastnega raziskovalnega dela,
da predložena disertacija v celoti ali v delih ni bila predložena za pridobitev
kakršnekoli izobrazbe po študijskem programu druge fakultete ali univerze,
da so rezultati korektno navedeni in
da nisem kršil-a avtorskih pravic in intelektualne lastnine drugih.
Maribor, 20. 6. 2016 Podpis: