![](https://ritm-magazine.com/sites/default/files/sergey_zykin._pniu._primer_otrabotki_algoritma.jpg)
Во многих сферах деятельности экономия ресурсов – важная проблема и необходимость. Особенно это актуально для промышленности. Сокращение отходов производства приводит к снижению себестоимости конечного продукта, а, следовательно, к увеличению прибыли. Для изготовления деталей из сырья часто требуется раскрой из металлического листового материала на заготовки произвольной формы, например, в машиностроении, автомобильной промышленности, на металлообрабатывающих заводах и других производствах. Для экономии необходимо рационально разместить детали на полотне. Такой процесс известен как создание карты раскроя материала. Использование дорогостоящего сырья предъявляет еще более жесткие требования к качеству и методам решения проблемы. Ученые ПНИПУ разработали комбинированный алгоритм для оптимального расположения фигур на листе на основе технологии искусственных нейросетей. Такой способ минимизирует отходы производства при вырезании деталей, что позволит экономить сырье и повышать эффективность производства.
На разработку выдано свидетельство № 2023661038. Статья опубликована в «Вестнике ВГУ. Системный анализ и информационные технологии» Nº1, 2024. Исследование выполнено при финансовой поддержке Российского научного фонда, проект №19-07-00895.
Существует два вида фигурного раскроя: регулярный и нерегулярный. В первом – у всех геометрических объектов одинаковая форма и ориентация. Решение задачи второго типа практически невозможно точными методами из-за произвольности форм и, следовательно, большого объема входных данных.
Основная проблема заключается в том, что одни способы приводят к нецелесообразным временным затратам в связи с перебором объектов, другие ограничиваются лишь одним из оптимальных вариантов, а не самым лучшим (локальные результаты, которые не соответствуют глобальному).
Ученые Пермского Политеха разработали новый уникальный алгоритм решения задачи двумерного (плоского) нерегулярного раскроя материала с использованием технологии нейронных сетей.
На первом этапе оператор задает размеры и форму листа. Далее производит выбор из стандартных фигур, таких как круг, квадрат, треугольник и т.д. и указывает их размеры. Если необходимо разложить детали нестандартной формы, то их можно задать посредством координат или выгрузкой из базы данных. После чего запускается обучение, и затем программа выполняет сам раскрой.
Для повышения эффективности алгоритм дополнен гравитационным уплотнением карты раскроя – на фигуры действуют случайные силы внутри физически смоделированной среды. При таком воздействии на объекты они располагаются более плотно: по аналогии с реальным миром, если трясти закрытую коробку с различными предметами, то они расположатся наиболее оптимальным для себя образом. В случае его использования результат заполнения улучшается до 22%.
– В основу алгоритма легла идея моделирования процесса обучения, по аналогии с реальным миром, когда человек с нуля обучается какому-либо навыку. Перед нейронной сетью стоит цель научится находить приемлемое решение задачи раскроя-упаковки. Для того, чтобы снизить нагрузку и уменьшить время сходимости, проектируется среда по реальным физическим законам. Она полностью исключает случаи взаимного пересечения фигур и выход их за границы области раскроя, – поделился старший преподаватель кафедры «Технических дисциплин» Лысьвеньского филиала ПНИПУ Сергей Зыкин.
Работа нейронной сети проходит по эпизодам. Эпизод – это одна попытка получить решение задачи. Нейросеть обучалась на 30000 таких эпизодов, при этом их количество может увеличиваться в зависимости от числа фигур в раскрое.
Разработка политехников реализована в виде программы. С ее помощью на производстве можно автоматически составлять эскизы заготовки с контурами вырезаемых деталей и получать рекомендации рационального размещения геометрических объектов сложной формы на листе. Сейчас программа проходит испытания как на градообразующем, так и на малых предприятиях, которые используют в своем производстве раскрой материала
Еще больше новостей | ![]() |