Нужны ли нетрадиционные логики в интеллектуальных сапр?

Интеллектуальные системы автоматизированного проектирования

⇐ ПредыдущаяСтр 3 из 10Следующая ⇒

Повышение интеллектуальности подсистем проектирования осуществляется путем использования эвристического программирования, экспертных систем, путем перехода от режима диалога к пакетному режиму более высокого уровня.

К числу вспомогательных целей автоматизации проектирования относятся: уменьшение трудоемкости разработки программных средств, адаптации их к условиям эксплуатации при внедрении, а также их сопровождения, то есть модификации, обусловленной необходимостью устранения выявленных ошибок и (или) изменения функциональных возможностей

Одно из требований автоматизированного проектирования в режиме диалога — это максимальное освобождение технолога-проектировщика от рутинных работ, требующих каких-либо вычислений или количественных оценок проектных ситуаций.

Обратите внимание

В процессе проектирования технолог-проектировщик задает информацию о полезности следствий. Эта информация обрабатывается ЭВМ с целью сокращения числа целесообразных альтернатив и отбрасывания неприемлемых.

Проектировщик, принимающий решение, анализирует результаты расчета на ЭВМ и отбирает рациональные (с его точки зрения) альтернативы, а если надо, то осуществляет дальнейшую детализацию альтернатив и возникающих из них следствий.

Под полезностью понимают обобщенную оценку альтернативы, описывающую ее пригодность для дальнейшего проектирования и легкость реализации. Эту оценку дает технолог-проектировщик.

Классические САПР (рис. 4 ) используются в тех случаях, когда при проектировании изделий данного класса накоплен достаточный опыт. Интеллектуальные САПР необходимы проектировщикам тогда, когда отсутствуют достаточно проработанные методики проектирования или изделие принципиально новое и требует значительных затрат творческого труда

Как и всякая другая система искусственного интеллекта, ИСАПР имеет в своем составе базу знаний, в которой хранится вся необходимая для ее работы информация о предметной области, в которой решается задача проектирования.

В этой базе знаний собраны и тот опыт, который накоплен проектировщиками, и экспертная информация о возможных путях поискового конструирования – она опирается на методы моделирования рассуждений, типичные для специалистов, которые работают в данной области.

Общая схема ИСАПР может быть такой, когда на вход системы поступает задание на проектирование, которое в ИСАПР может формулироваться на естественном профессиональном языке, оно с помощью естественно-языкового интерфейса и других диалоговых средств понимается системой, уточняется у пользователя и переводится в специальное внутреннее представление.

После этого делается попытка свести процесс проектирования к стандартным процедурам, реализуемым в классических САПР. Если эта попытка оказывается безуспешной, то логический блок передает задачу на вход экспертной системы, ориентированной на решение задачи проектирования в данной предметной области.

Взаимодействуя с базой знаний и САПР, экспертная система ищет решение задачи.

Важно

В рамках современных ИСАПР интегрируются различные процедуры, задачи, этапы и уровни проектирования, обеспечивается непрерывный сквозной цикл автоматизированного проектирования, начиная от этапа подготовки технического задания и выработки технического предложения и кончая созданием рабочего и технического проектов.

Автоматизируются не только рутинные, но и эвристические, и творческие задачи, в частности, процедуры поискового конструирования, структурного синтеза и оптимизации.

ИСАПР помогает поддерживать и интенсифицировать творческую активность разработчиков, повышает качество и производительность труда проектировщиков различных категорий, помогая сохранять и тиражировать уникальный проектный (экспертный) опыт и строить интеллектуальный интерфейс между проектировщиком и системой. Человек начинает доверять результатам машинной обработки информации. В результате повышается качество проектируемых объектов, так как увеличивается число просматриваемых вариантов и глубина проработки каждого из них. Сокращаются и сроки проектирования, так как шире используются средства моделирования, ускоряются проектные расчеты и графические работы.

В процессе работы ИСАПР (рис.5) решаются все основные задачи технического проектирования.

  1. Составляется обоснованное техническое задание – это внешнее проектирование.
  2. Анализируется техническое задание – это внутреннее проектирование.
  3. Проводится концептуальный анализ: выбирается конструктивно-компоновочная схема, анализируется стоимость проекта.
  4. Проводятся структурный синтез и оптимизация.
  5. Ведется поисковое конструирование (изобретательство).
  6. Проект планируется.
  7. Конструкции перепроектируются и дорабатываются.
  8. Повышается эффективность и качество инженерного анализа благодаря планированию вычислений и обучению пользователя владению пакетом прикладных программ. Проводится имитационное моделирование, выбираются численные методы расчета; результаты контролируются.

Рис.4 Типовая схема классической САПР

Рис.5 Схема ИСАПР

  1. Проверяется соответствие отраслевым стандартам.
  2. Готовятся рабочие чертежи и документация. Каждая из этих задач требует сложного программного и информационного обеспечения. Поэтому ИСАПР – это дорогостоящие и сложные системы, но без них вряд ли возможно создавать такие сложнейшие технические изделия, как современные самолеты или подводные лодки, атомные электростанции или космические корабли.

Основной целью создания интеллектуальных САПР ТП является простота и удобство представления знаний для структурного и параметрического синтеза.

Игровые программы.

К числу первых игровых программ можно отнести программу Артура Самуэля по игре в чекерс (американские шашки), написанную в 1947 году, причем в ней использовался ряд основополагающих идей ИИ, таких, как перебор вариантов и самообучение.

Научить компьютер играть в шахматы – одна из интереснейших задач в сфере игровых программ, использующих методы ИИ. Она была поставлена уже на заре вычислительной техники, в конце 50-х годов. В шахматах существуют определенные уровни мастерства, степени качества игры, которые могут дать четкие критерии интеллектуального роста машины.

Поэтому компьютерными шахматами активно занимались ученые умы во всем мире. Но шахматы – игра, соревнование, и чтобы продемонстрировать свои логические способности, компьютеру необходим непосредственный противник. В 1974 году впервые прошел чемпионат мира среди шахматных программ в рамках очередного конгресса IFIP (International Federation of Information Processing) в Стокгольме.

Победителем этого состязания стала советская шахматная программа «Каисса» (Каисса – богиня, покровительница шахмат). Эта программа была создана в Москве, в Институте проблем управления Академии наук в команде разработчиков программы-чемпиона, лидерами которой были Владимир Арлазаров, Михаил Донской и Георгий Адельсон-Вельский.

«Каисса» показала всему миру способности русских специалистов в области эвристического программирования.

Нейрокибернетика

Среди направлений работ в области ИИ следует также выделить НЕЙРОКИБЕРНЕТИКУ, или иначе говоря, подход к разработке машин, демонстрирующих «разумное» поведение, на основе архитектур, напоминающих устройство мозга и называемых нейроннымисетями (НС). В 1942 году, когда Н.

Винер определил концепции кибернетики, В. Мак-Каллок и В. Питс опубликовали первый фундаментальный труд по НС, где говорилось о том, что любое хорошо заданное отношение вход-выход может быть представлено в виде формальной НС .

Одна из ключевых особенностей нейронных сетей состоит в том, что они способны обучаться на основе опыта, полученного в обучающей среде. В 1987 году Ф.

Розенблат изобрел устройство для распознавания на основе НС – персептрон, который успешно различал буквы алфавита, хотя и отличался высокой чувствительностью к их написанию.

Совет

Пик интереса к НС приходится на 80-е и 90-е годы, но в последние десять лет наблюдается резко возросший объем исследований и разработок НС.

Читайте также:  Роботы будущего будут напоминать конструктор lego

Это стало возможным в связи с появлением нового аппаратного обеспечения, повысившего производительность вычислений в НС (нейропроцессоры, транспьютеры и т. п.).

НС хорошо подходят для распознавания образов и решения задач классификации, оптимизации и прогнозирования. Поэтому основными областями применения НС являются:

  1. промышленное производство и робототехника;
  2. военная промышленность и аэронавтика;
  3. банки и страховые компании;
  4. службы безопасности;
  5. биомедицинская промышленность;
  6. телевидение и связь; и другие области.

В 1995 году японские специалисты, объединившие свои усилия под эгидой научно-исследовательского центра по обработке информации JIPDEC, опубликовали программу НИОКР с целью создания к 1995 году прототипа ЭВМ нового поколения. Эта программа, получившая на Западе название «японский вызов», была представлена как попытка построить интеллектуальный компьютер, к которому можно было бы обращаться на естественном языке и вести беседу.

Серьезность, с которой основные конкуренты Японии откликнулись на брошенный им вызов, объясняется тем, что прежде переход от одного поколения к другому характеризовался изменением элементной базы, ростом производительности и расширением сервисных возможностей для пользователей, владеющих в той или иной мере профессиональными навыками программирования.

Переход к ЭВМ пятого поколения означал резкий рост «интеллектуальных» способностей компьютера и возможность диалога между компьютером и непрофессиональным пользователем на естественном языке, в том числе в речевой форме или путем обмена графической информацией – с помощью чертежей, схем, графиков, рисунков.

В состав ЭВМ пятого поколения также должна войти система решения задач и логического мышления, обеспечивающая способность машины к самообучению, ассоциативной обработке информации и получению логических выводов.

Уровень «дружелюбия» ЭВМ по отношению к пользователю повысится настолько, что специалист из любой предметной области, не имеющий навыков работы с компьютером, сможет пользоваться ЭВМ при помощи естественных для человека средств общения – речи, рукописного текста, изображений и образов.

В литературе того времени достаточно подробно описываются все эти вопросы. Здесь отметим только основные компоненты программного обеспечения (ПО), планируемые для систем пятого поколения ИИ:

  • базовая программная система, включающая систему управления базой знаний (СУБЗ), систему приобретения и представления знаний, систему решения задач и получения выводов, систему обучения и объяснения решений;
  • базовая прикладная система, включающая интеллектуальную систему автоматизированного проектирования (САПР) сверхбольших интегральных схем (СБИС) и архитектур ЭВМ, интеллектуальную систему программирования, систему машинного перевода и понимания ЕЯ, систему распознавания образов и обработки изображений (не менее 100 000 единиц информации в виде изображений), систему распознавания речи (не менее 10 000 слов), базы знаний (БЗ) о предметных областях, а также утилитные системы для ввода программ и данных, обеспечивающие диагностику и обслуживание.

Теперь с позиции нашего времени можно сказать, что фирма Microsoft постаралась частично ответить на «японский вызов» в своих версиях операционной системы Windows для персональных компьютеров серии IBM PC AT/486 и выше.

Уровень «дружелюбия» ЭВМ пятого поколения по отношению к пользователю действительно значительно повысился по сравнению с другими поколениями ЭВМ.

В эти же годы стремительное развитие Internet стало мощным шагом по пути создания распределенных баз знаний.

По мнению специалистов, в недалекой перспективе интеллектуальные системы будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг. Их технология, получив коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально – взаимодействующих модулей.

Коммерческий рынок продуктов искусственного интеллекта в мире в 1998 году оценивался примерно в 0,9 млрд. долларов.

Использование экспертных систем и нейронных сетей приносит значительный экономический эффект. Так, например: American Express сократила свои потери на 27 млн.

Обратите внимание

долларов в год благодаря экспертной системе, определяющей целесообразность выдачи или отказа в кредите той или иной фирме; DEC ежегодно экономит 70 млн.

долларов в год благодаря системе XCON/XSEL, которая по заказу покупателя составляет конфигурацию вычислительной системы VAX – её использование сократило число ошибок от 30% до 1%.

⇐ Предыдущая12345678910Следующая ⇒

Рекомендуемые страницы:

Источник: https://lektsia.com/6x4d78.html

Отделение интеллектуальных систем РГГУ: взгляд преподавателя

Мой предыдущий пост, посвященный использованию бесплатного статистического пакета R при обучении статистике, вызвал очень полезное (по крайней мере для меня) обсуждение. При этом один из участников предложил мне описать свой опыт преподавания в более широком контексте.

Этот пост — попытка суммировать свой 15-летний опыт преподавания на отделении интеллектуальных систем РГГУ. В настоящее время в нескольких ВУЗах Москвы существуют кафедры и отделения, обучающие специальностям «Искусственный интеллект», «Интеллектуальные системы» и т. п.

Среди них — кафедра «Математическая теория интеллектуальных систем» мехмата МГУ, кафедры № 29 «Управляющие интеллектуальные системы» и № 22 «Кибернетика» МИФИ, базовая кафедра «Интеллектуальные системы» ФУПМа МФТИ в ВЦ РАН…

Менее известным является отделение интеллектуальных систем (в гуманитарной сфере) РГГУ.

Идейным вдохновителем создания этого отделения и его руководителем является д.т.н., профессор Виктор Константинович Финн. Волей судьбы мне повезло учиться у него и работать под его руководством в ВИНИТИ РАН и на описываемом отделении. Принципы, заложенные в основу отделения, свободно обсуждались В.К.

 Финном со своими сотрудниками, поэтому, надеюсь, мое изложение их будет близким к оригиналу. Сделаю оговорку, что это — мое изложение, поэтому оно будет таким, как я это понимаю.

Сейчас, в связи с переходом обучения на систему «бакалавр-магистр» учебные планы будут изменяться, поэтому в своем изложении я попытаюсь отразить улучшения (и ухудшения), привносимые в учебный процесс этой реорганизацией. В 2008 году ОИС РГГУ выиграло тендер Федерального агентства по образованию РФ на создание учебных программ по специальности «Интеллектуальные системы в гуманитарной сфере».

Поэтому, описываемые принципы предполагается внедрять во всех университетах России, обучающих студентов по этой специальности. Идейно преподавание специальности ИСвГС разделяется на несколько блоков учебных дисциплин, проходящих через все обучение.

Первый — прикладная математика:

  • математический анализ,
  • алгебра,
  • дискретная математика,
  • теория вероятностей и математическая статистика,
  • вычислительная математика,
  • алгебраические методы в информатике,
  • теория реляционных баз данных.

Второй блок — логика:

  • математическая логика,
  • теория алгоритмов,
  • математическая лингвистика,
  • аксиоматические системы и элементы теории моделей.

Третий — программирование:

  • программирование на языках С и С++,
  • операционные системы,
  • логическое программирование,
  • программирование БД,
  • введение в Windows-программирование (модель COM),
  • Интернет-программирование (язык Javascript).
Читайте также:  Личный бармен с искусственным интеллектом

Четвертый — интеллектуальные технологии:

  • информационные системы,
  • интеллектуальные системы,
  • машинное обучение.

Конечно, имеется некоторое число обязательных дисциплин общегуманитарного цикла.

Большое количество дисциплин отнесено к вариативной части (могут выбираться студентами): генетические алгоритмы и нейросети, нечеткие множества, теория случайных процессов, теория сходства, параллельное программирование, онтологии и представление знаний и др. Многие из этих курсов в РГГУ читаются привлеченными специалистами.

Исторически имеется большой блок лингвистических дисциплин: морфология, синтаксис, семантика, лексикография, компьютерная лингвистика. Из-за сокращения нагрузки на студента, в новых планах эта часть будет значительно сокращена. Однако, идеальность такого построения учебных планов наталкивается на реальные трудности.

Главной из них считаю непонимание абитуриентами того, куда они поступают, какие предметы базовые, кем они станут после окончания ВУЗа. Другая трудность — несогласованность учебных курсов. Попробую объяснить это на личном примере. Я преподавал и преподаю курсы «Аксиоматические системы и элементы теории моделей», «Машинное обучение», «Логические средства интеллектуальных систем».

Важно

Так как последний курс зависит от первого, а также от базового курса «Математическая логика», читаемого самим В.К. Финном в первых двух семестрах, то мне удавалось согласовать материал так, чтобы избежать дублирования (организовав, конечно, напоминание материала).

Должен сказать, что студенты изучив метод аналитических таблиц на 1 курсе, в большинстве своем могут использовать его на 5 курсе, когда они изучают «Логические средства …». С курсом «Машинное обучение» ситуация кардинально отличается. Сейчас мой курс (под влиянием моих личных научных интересов) сдвигается в сторону вероятностной теории обучения (аля В.Н. Вапник).

Но курс теории вероятности и статистики не предполагает изложение нужного мне материала (неравенства Чернова, метод повторной выборки и т. п.). Поэтому я вынужден прерывать изложение материала вставками из теории вероятностей. И все равно, как я считаю, понимания у студентов не появляется. Уж слишком сильно отличается вероятностный материал от алгоритмического.

Также мной наблюдается факт полного забывания студентами материала о NP-полноте (это нужно для доказательства того, что иногда обучающегося алгоритма не существует). Это усугубляется еще тем обстоятельством, что курсы «Теория алгоритмов» и «Теория реляционных БД» трактуют ее в разных терминах.

Наконец, про теорию информации по Шеннону (нужно для изложения алгоритма ID3 обучения деревьям решений) студенты ничего не знают вообще! В этом году я даже решился прочитать курс математической статистики, согласовав его с курсом теории вероятностей. Боюсь, правда, что это поможет мне только через год, когда третьекурсники начнут изучать «Машинное обучение».

По поводу же неправильного целеполагания и неумения выделить главное у абитуриентов и студентов могу добавить лишь, что наблюдаю усердное изучение ими математического анализа, который они к 5 курсу благополучно забывают, так как (кроме как в курсе вычислительной математики) нигде не используется. Да и методы численного анализа наши выпускники, по моему мнению, вряд ли когда будут разрабатывать самостоятельно. Как я понимаю, большинство способных выпускников ОИСвГС РГГУ устраивается на работу компьютерными лингвистами в компанию ABBYY, так как конкурировать со студентами ВМиК МГУ и ФУПМ МФТИ за места программистов они не могут. Другая дорога — фрилансеры. По моему мнению, только несколько человек из почти 15-летнего выпуска отделения занимаются программированием (особенно интеллектуальных систем). В качестве позитива расскажу о научных направлениях, в которых принимают участие наши студенты. Их три: онтологии и представление знаний, компьютерная лингвистика и интеллектуальные системы.

Первое направление посвящено разработке оригинальной системы представления знаний «ЭЗОП». Это — система формирования и использования онтологии, основанной на теории категорий и формальных грамматиках. Основным языком разработки является Prolog.

Второе направление пытается разработать и внедрить общие модели представления лингвистических знаний, и применить их к задачам синтаксического и поверхностного семантического анализа. Основным языком разработки является LISP. Третье направление — создание интеллектуальных систем анализа данных в социологии, криминалистике, науках о жизни и робототехнике.

Под руководством В.К. Финна группа исследователей из ВИНИТИ РАН разработала в начале 80-х годов оригинальный метод анализа данных — ДСМ‑метод. В нем средствами многозначных логик формализуются идеи индукции по Д.С. Миллю, фальсификации по К. Попперу, рассуждению по аналогии и абдукции по Ч.С. Пирсу.

Совет

Этот синтез познавательных процедур привел к логико-комбинаторному методу машинного обучения, где из обучающей выборки извлекаются причинно-следственные зависимости. Первоначально метод применялся в фармакологии, где общие фрагменты химических формул лекарств (фармакофоры) предполагались причинами их биологического (медицинского) действия.

Затем область применения метода расширилась на социологию, где общие признаки описания личности респондента служат «причиной» их поведения или мнения. Затем возникла криминалистическая задача, где общие признаки написания букв могут служить поводом для выяснения пола и темперамента написавшего.

В настоящее время метод активно развивается для применения в медицинских исследованиях. Есть попытки применения метода для обучения интеллектуальных роботов в Лаборатории робототехники и искусственного интеллекта Политехнического Музея, которая тоже сотрудничает с отделением.

Взаимодействие ОИС РГГУ с ВИНИТИ РАН переросло из научного сотрудничества в образовательную сферу. Созданная в ВИНИТИ РАН базовая кафедра обеспечивает обучение по многим ранее описанным дисциплинам.

Особенно выделю курсы «Операционные системы» и «Элементы параллельного программирования», где студенты имеют возможность научиться программировать в различных ОС и на развернутом в ВИНИТИ РАН многопроцессорном кластере.

Понимаю, что это — субъективные заметки о преподавании искусственного интеллекта в РГГУ. Думаю, читателям будет полезен взгляд изнутри студентки отделения интелектуальных систем, который можно найти в ее блоге. Рекомендую…

Источник: https://habr.com/post/93183/

Интеллектуальные системы автоматизированного проектирования в машиностроении (стр. 1 из 3)

Министерство образования и науки Украины

Донбасская государственная машиностроительная академия

Кафедра компьютерных информационных технологий

Расчетно-пояснительная записка

к курсовому проекту

по дисциплине

”Интегрированные САПР в машиностроении”

Краматорск, 2002

Задание

на курсовой проект по дисциплине “ИСАПР в машиностроении”

студентки группы ИТ-97-1з

Лядовой Светланы Викторовны

По заданному чертежу (узел для объемного параметрического моделирования и прочностных расчетов: узел цилиндрической передачи с зубчатым колесом и звездочкой)

Выполнить анализ предметной области, обеспечивающей проектирование заданного узла с описанием принципов расчета и разработкой математической модели.

Обосновать и осуществить выбор средств разработки, построить таблицу сравнения базовых программных средств.

Обратите внимание

Создать объемную модель, чертеж и “взорванный” вид сборки. Разработать спецификацию сборочного чертежа.

Задание выдано

Руководитель проекта Пакин А.В.

АННОТАЦИЯ

Расчетно-пояснительная записка к курсовому проекту по дисциплине “ИСАПР в машиностроении” содержит: ___ страниц машинописного текста,

___ рисунков, ___ таблиц, ___ приложения.

Читайте также:  Искусственный интеллект научил робота адаптироваться к повреждениям

Объект исследования – интеграция систем автоматизированного проектирования со специализированными программными модулями в рамках создания единой системы компьютерной конструкторско-технологической подготовки производства.

Цель исследования – приобрести навыки разработки отдельных компонент единой системы конструкторско-технологической подготовки производства.

При выполнении курсового проекта была построена трехмерная модель узла редуктора и проведена ее частичная параметризация.

SOLIDWORKS, DELPHI, САПР, КОНСТРУКТОРСКО-ТЕХНОЛОГИЧЕСКАЯ ПОДГОТОВКА ПРОИЗВОДСТВА, АВТОМАТИЗАЦИЯ ПРОЕКТИРОВНИЯ, ЗУБЧАТОЕ КОЛЕСО, ШЕСТЕРНЯ, ЗВЕЗДОЧКА, ПОДШИПНИК, ШПОНКА

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ, ОБЕСПЕЧИВАЮЩЕЙ ПРОЕКТИРОВАНИЕ УЗЛА ИЛИ ЕГО ЭЛЕМЕНТОВ.

1.1 Определение целей проектирования, вариантов технических решений

1.2 Анализ принципов расчета

1.3 Разработка параметрической модели

1.4 Разработка логики и алгоритма создания узла и его сборки

1.4.1 Создание элементов узла

1.4.2 Создание сборки.

2 ОБОСНОВАНИЕ ВЫБОРА СРЕДСТВ РАЗРАБОТКИ. ТАБЛИЦА

3СРАВНЕНИЯ БАЗОВЫХ ПРОГРАММНЫХ СРЕДСТВ

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Приложение В

Анализ принципов расчета 9

Разработка логики и алгоритма создания узла и его сборки 12

сборочный чертеж 32

Приложение Б 33

Спецификация сборочного чертежа 33

Формат 33

Зона 33

Позиция 33

Обозначение 33

Наименование 33

Кол. 33

Примечание 33

Введение

Основной тенденцией современного рынка САПР является движение в сторону 3D моделирования на ПК. Для многих пользователей, которые уже осуществили такой переход, преимущества существенно превзошли потери от затраченных средств и времени. Пользователи, как правило, довольно быстро начинают получать выгоды от проектирования в 3D.

Эффективность проектирования .

Хотя у некоторых проектировщиков, привыкших работать с чертежами, порой возникают трудности, в принципе 3D технология считается более наглядным и интуитивным методом для создания современных все более сложных объектов. При этом по 3D модели можно автоматически получить необходимые чертежи в случае необходимости, и осуществляется это за считанные нажатия на кнопку мыши.

Качество проектирования . 3D моделирование обеспечивает существенно более наглядный способ визуализации проектируемого объекта.

Важно

Это позволяет снизить вероятность ошибок, особенно в случае сложных сборок. Проектировщик может исследовать внутреннюю структуру сборки, проверить детали на пересекаемость.

В случае движущихся механизмов можно с помощью анимации провести кинематические исследования.

Снижение общего времени проектирования .

Большинство прикладных программ САПР, таких как подготовка программ для станков с ЧПУ, прочностные расчеты, технологическое проектирование, требуют трехмерной информации о проектируемом объекте.

Поэтому использование 3D моделирования позволяет непосредственно интегрироваться со многими приложениями, сокращая лишние операции по подготовке данных.

Повышение конкурентоспособности . 3D моделирование предлагает тем проектировщикам, которые его используют, очевидные конкурентные преимущества над пользователями “чистого” 2D черчения. Большая скорость и качество позволяют существенно быстрее доводить продукт до рынка, также впрочем, как и производить изменения под влиянием меняющихся рыночных запросов.

На сегодняшний день можно выделить четыре системы 3D моделирования среднего класса для ПК, которые активно присутствуют на рынке и отвечают современным требованиям. Это – американские Mechanical Desktop, Solid Edge, SolidWorks и российская T-FLEX CAD.

Все эти системы базируются либо на ядре ACIS, либо Parasolid, обладают широким набором функций моделирования отдельных деталей и сборочных конструкций, а также получения по ним чертежей.

Каждая система обеспечивает двунаправленную ассоциативность 2D-3D и поддерживает параметрические возможности.

При этом все три американские программы используют параметризатор английской фирмы D-CUBED. T-FLEX CAD основан на собственной параметрической технологии, зарекомендовавшей себя еще в 2D версии.

Совет

Mechanical Desktop, являющийся по сути расширением системы AutoCAD, и T-FLEX CAD начинали как 2D системы, в отличие от Solid Edge и SolidWorks, и имеют в этой связи определенные достоинства в плане более широкой и отработанной технологии оформления технических чертежей как отдельно, так и в интеграции с 3D. К достоинствам SolidWorks можно отнести интуитивный пользовательский интерфейс. T-FLEX CAD является лидером в области параметризации. Solid Edge известен своими приложениями, а также тесной связью с системой Unigraphics, относящейся к категории больших дорогостоящих систем. Mechanical Desktop привлекает к себе прежде всего последовательных сторонников системы AutoCAD.

Анализ предметной области, обеспечивающей проектирование узла или его элементов

Определение целей проектирования, вариантов технических решений

При разработке различных машины и механизмов, как правило, возникает необходимость передачи крутящего момента от двигателя к конечному механизму.

При этом возникает типовая задача – уменьшение числа оборотов в минуту от заданного числа на входе (параметры двигателя) к заданному числу оборотов на выходе.

Как правило, это происходит посредством механизмов, называемых редукторами (при фиксированном передаточном отношении) или при помощи коробок передач (при варьируемом передаточном отношении).

При этом рассматриваются варианты передачи крутящего момента от вала двигателя на входящий вал редуктора (посредством муфтового соединения имеющего цель компенсировать несоосность валов, неизбежно возникающую при монтаже/сборке агрегата), от входящего вала на выходящий вал редуктора (за счет различных способов зубчатых зацеплений), от выходящего вала на непосредственный исполняющий механизм (за счет муфт, ременных, зубчатых передач и пр.). «И-ИЛИ» дерево вариантов технических решений узла редуктора показано на рисунке 1.1.

Рисунок 1.1 – «И-ИЛИ» дерево вариантов технических решений

При создании узла редуктора изначально даются определенные начальные данные и требования к редуктору, исходя из которых необходимо подобрать и рассчитать конструктивные элементы механизма. В основном это:

момент на выходном валу;

частота вращения входного вала;

частота вращения выходного вала;

вид передачи на входе;

вид передачи на выходе;

режим нагружения.

Расчет начинается с выбора электродвигателя, затем идет расчет основной передачи, затем передач на входе/выходе, валов, подшипников, шпонок. Каждый следующий расчет использует результаты предыдущих, поэтому не рекомендуется изменять их порядок.

После предварительных расчетов узла редуктора необходимо проверить его на работоспособность. Эта проверка осуществляется аналитически при помощи основных зависимостей сопромата. В данном узле, состоящем из звездочки, вала, цилиндрического зубчатого колеса, подшипников, дистанционного кольца, крышки подшипника, шпонок, болтов необходимо произвести следующие расчеты:

Для цилиндрической передачи:

Обратите внимание

проектировочный расчет, в котором выбираются материалы колес, рассчитывается межосевое расстояние и геометрические размеры зубчатых колес передачи;

проверочный расчет контактной выносливости зубьев;

проверочный расчет изгибной выносливости зубьев;

проверочный расчет на контактную прочность при действии максимальных перегрузок;

проверочный расчет на изгибную прочность при действии максимальных перегрузок.

Для подшипников:

расчет подшипников на долговечность.

Для шпонок:

расчет шпонок на смятие;

расчет шпонок на срез.

Для вала:

предварительный расчет диаметров вала;

проверочный расчет вала на устойчивость;

проверочный расчет вала на статическую прочность при максимальных перегрузках;

проверочный расчет вала на жесткость.

Источник: http://MirZnanii.com/a/310012/intellektualnye-sistemy-avtomatizirovannogo-proektirovaniya-v-mashinostroenii

Ссылка на основную публикацию
Adblock
detector