УДК 621.778
DOI: 10.18503/1995-2732-2021-19-3-84-89
Аннотация
Для метизных предприятий жизненно важными являются вопросы обеспечения заданного уровня потребительских свойств новых и традиционных видов продукции на основе эффективного управления качеством в процессах технологической обработки. При проектировании технологических процессов метизного производства всегда присутствуют шумовые факторы, такие как неточные исходные данные, связанные с неопределенностью условий окружающей среды, неравномерным качеством сырья, несовершенством технологического оборудования. В связи с этим актуальным вопросом является разработка методологии проектирования процессов изготовления метизных изделий, учитывающая параметрическую неопределенность исходных данных. В настоящее время одним из приоритетных и активно развивающихся направлений является робастное параметрическое проектирование. Применение робастной оптимизации дает возможность разработать технологию, нечувствительную к вариациям шумовых факторов. Метод основан на использовании ортогональных матриц, которые представляют собой минимальный набор экспериментов с различными комбинациями уровней параметров. Робастный эксперимент связан с двумя матрицами: матрицей параметров управления и матрицей шумовых факторов. Предлагается методология для проектирования новых и совершенствования действующих технологических процессов метизного производства с применением робастной оптимизации. Данная процедура может быть применена как для проектирования новой технологии, так и для совершенствования действующей. Для сведения показателей качества в единую целевую функцию предлагается использовать серый реляционный анализ (GRA), метод, который анализирует степень и уровень отношения разнородных параметров для их дискретной последовательности. Робастный подход может быть эффективно использован применительно к разработке новых и совершенствованию действующих процессов изготовления металлических изделий. Практическое применение данной методологии позволит существенно сократить время принятия технологических решений по обеспечению заданного уровня качества готовой продукции.
Ключевые слова
Метизное производство, робастная оптимизация, робастность, робастный эксперимент, шумовые факторы, показатели качества, дисперсионный анализ, GRA.
Для цитирования
Пивоварова К.Г. Управление качеством метизной продукции на основе робастного параметрического проектирования // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2021. Т.19. №3. С. 84–89. https://doi.org/10.18503/1995-2732-2021-19-3-84-89
1. Управление качеством продукции в технологиях метизного производства: монография / А.Г. Корчунов, М.В. Чукин, Г.С. Гун, М.А. Полякова. М.: Издательский дом «Руда и Металлы», 2012. 164 с.
2. Pivovarova K.G., Korchunov A.G. Methodology for managing quality indicators of hardware products with elements of robust design. Chernye Metally. 2020, Issue 12, pp. 38-43. doi: 10.17580/chm.2020.12.05
3. Корчунов А.Г., Лысенин А.В. Управление качеством метизной продукции в условиях неопределенности технологической информации // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2012. № 3. С. 45-48.
4. Кирин Ю.П., Кирьянов В.В. Робастное управление технологическими процессами производства губчатого титана // Научно-технический вестник Поволжья. 2016. № 2. С. 120-123.
5. Feng S., Tesi P. Resilient control under denial-of-service: Robust design. Automatica. 2017, vol. 79, pp. 42-51. doi:10.1016/j.automatica.2017.01.031
6. Bertsimas D., Gupta V., Kallus N. Data-driven robust optimization. Mathematical Programming. 2018, vol. 167, pp. 235-292. doi:10.1007/s10107-017-1125-8
7. Amit Kaushal, Rajath Alexander, P.T. Rao, Jyoti Prakash, Kinshuk Dasgupta. Artificial neural network, Pareto optimization, and Taguchi analysis for the synthesis of single-walled carbon nanotubes. Carbon Trends. 2021, vol. 2, 10016. doi:10.1016/j.cartre.2020.100016
8. Варжапетян А. Г. Современные инструменты менеджмента качества. Робастное проектирование: учебное пособие. СПб.: ГУАП, 2008. 172 c.
9. Ghalme S., Mankar A., Bhalerao Y. Integrated Taguchi-simulated annealing (SA) approach for analyzing wear behaviour of silicon nitride. Journal of applied research and technology. 2019, vol. 15, no. 6, pp. 624-632. doi: 10.1016/j.jart.2017.08.003
10. Alsaadi N., Sheeraz M. A. Design and optimization of bimorph energy harvester based on Taguchi and ANOVA approaches. Alexandria Engineering Journal. 2020, vol. 59, Issue 1, pp. 117-127. doi:10.1016/j.aej.2019.12.016
11. Agboola O.O., Ikubanni P.P., Adeleke A.A., Adediran A.A., Adesina O.S., Aliyu S.J., Olabamiji T.S. Optimization of heat treatment parameters of medium carbon steel quenched in different media using Taguchi method and grey relational analysis. Heliyon. 2020, vol. 6, Issue 7, e04444. doi:10.1016/j.heliyon.2020.e04444
12. Umamaheswarrao P., Ranga Raju D., Suman KNS, Ravi Sankar B. Multi objective optimization of process parameters for hard turning of AISI 52100 steel using Hybrid GRA-PCA. Procedia computer science. 2018, vol. 133, pp. 703-710. doi:10.1016/j.procs.2018.07.129
13. Naqiuddin N. H., Saw L.H., Yew M.C., Yusof F., Poon H.M., Cai Z., Thiam H.S. Numerical investigation for optimizing segmented micro-channel heat sink by Taguchi-Grey method. Applied Energy. 2018, vol. 222, pp. 437-450. doi:10.1016/j.apenergy.2018.03.186
14. Das M. K., Kumar K., Barman T. Kr., Sahoo P. Optimization of surface roughness and MRR in electrochemical machining of EN31 tool steel using grey-Taguchi approach. Procedia Materials Science. 2014, vol. 6, pp. 729-740. doi: 10.1016/j.mspro.2014.07.089