Thesis supervisor: Tibor Szalay
Location of studies (in Hungarian): 1111 Műegyetem rkp. 3., BME Gyártástudomány és -technológia Tanszék Abbreviation of location of studies: GTT
Description of the research topic:
a.) Előzmények
Az egyre fejlettebb információs és kommunikációs technológiák napjainkban hatékonyabbá teszik a gyártási folyamatok és gyártóberendezések intelligens tervezését, üzemeltetését, irányítását, felügyeletét és karbantartását. A szenzorok, a mesterséges intelligencia módszerek, a dolgok internetje (IoT), az egyre szélesebb körű digitalizálás, az egyre kifinomultabb szimulációs modellek intenzív alkalmazása jellemzi az ún. kiber-fizikai gyártórendszereket, ami új, forradalmi paradigmaként terjed korunk ipari környezetében. Ennek megfelelően Európa, így Magyarország is egy új ipari forradalom kezdetén áll, amit Ipar 4.0 névvel illetnek. Az ennek keretén belül megvalósuló új szemléletű gyártásnak a kulcsa az információ: hogy lehet adatokat gyűjteni, megszűrni, elemezni, tárolni, visszaállítani, valamint belőlük a gyártás szempontjából releváns értékeket kinyerni, megosztani és felhasználni. A korszerű gyártástechnológia megkerülhetetlen területét jelentik a forgácsleválasztási eljárások. Az ehhez kapcsolódó gyártás folyamatainak, valamint gépi környezetének tervezett karbantartással kiegészült optimalizálása és vezérlése elengedhetetlen ahhoz, hogy ezek a folyamatok az Ipar 4.0 keretébe integrálódhassanak.
b.) A kutatás célja
A korszerű gyártástechnológiát megvalósító kiber-fizikai gyártórendszerekben zajló folyamatok és az azokat végrehajtó berendezések minél jobb kapacitás kihasználását lehetővé tevő felügyeleti és optimalizációs módszereinek a fejlesztését tűztük ki célul. Olyan széleskörűen elérhető és nagy adaptivitású okos megmunkáló berendezéseket kívánunk létrehozni, ami a technológia fenntartható fejlődését biztosítja. A megmunkáló szerszám állapotának előrejelzésére intelligens algoritmusokat fejlesztünk. Adaptív irányítási stratégiára teszünk javaslatot, ami becsli a szerszámkopást a munkadarab minőségének függvényében, továbbá a forgácsolási körülményeket a megadott célfüggvénynek megfelelően adaptálja, hogy például a költségek minimalizálása és a minőségi előírások biztosítása megvalósulhasson.
c.) Az elvégzendő feladatok, azok fő elemei, időigénye
1. Irodalmi áttekintés, a gyártási folyamatok során gyűjtött adatok feldolgozási, alkalmazási módszereinek, a folyamatoptimálás bejáratott algoritmusainak megismerése, a párhuzamos state-of-art kutatások eredményeinek kritikai elemzése (időigény: kb. 12 hónap).
2. Gyártóberendezéseken illetve gyártórendszerekben gyűjtött adathalmazok feldolgozási algoritmusainak kutatása, kidolgozása, új típusú módszerek meghatározása.. (időigény: kb. 12 hónap).
3. A tervezett vizsgálatok elvégzéséhez, a javasolt módszerek alkalmazhatóságának értékeléséhez szüksége adatgyűjtés körülményeinek, eszközeinek meghatározása, az adatgyűjtés megvalósítása. (időigén: kb. 12 hónap)
4. A gyártási környezet különböző szintjeiről származó adathalmaz feldolgozása, feldolgozási algoritmusok, lehetséges célfüggvények, modellek meghatározása és validálása. (időigény: kb. 12 hónap).
5. Tudományos újdonságok valamint termelési alkalmazások kiválasztása, tézisek megfogalmazása, alkalmazói kör feltérképezése, eredmények publikálása, terjesztése. (időigény: folyamatos).
d.) A szükséges berendezések
A kísérleti eszközök a tanszék laboratóriumában részben rendelkezésre állnak, részben már elnyert forrásokból beszerzés alatt állnak. A közeljövőben kialakításra kerülő BME Kiber-fizikai Gyártórendszer kitűnő terepet biztosít a kísérleti tevékenység és az alkalmazások végrehajtásához.
e.) Várható tudományos eredmények
A forgácsleválasztáson alapuló gyártási folyamat állapotát leíró szűrt és feldolgozott adatok és modellek. A gyártási folyamatok, a szerszámdegradációs és gépdegradációs folyamatok, valamint a karbantartási események modelljei. Algoritmusok a megmunkáló szerszám kopásának becslésére, a megmunkáló gépek amortizációjának nyomonkövetésére, a várható élettartam becslésére. Optimumkeresési módszerek az optimális szerszámcsere-időpontok meghatározásához, a karbantartási stratégiák kiválasztásához és az optimális karbantartási ütemterv meghatározásához.
f.) Irodalom
1. Geier Norbert, Szalay Tibor (2017) Optimisation of process parameters for the orbital and conventional drilling of uni-directional carbon fibre-reinforced polymers (UD-CFRP), Measurement 110: pp. 319-334.
2. Biró, I. & Szalay, T. (2017) Extension of empirical specific cutting force model for the process of fine chip-removing milling. International Journal of Advanced Manufacturing Technology 88(9):2735-2743.
3. Czampa, M., Biró, I. & Szalay, T. (2017) Effects of different cutting conditions on the surface roughness parameters of iron-copper-carbon powder metallurgy composites. International Journal of Machining and Machinability of Materials 19(5):440-456.
4. Jacsó, Á., Szalay, T., Jauregui, J.C. & Resendiz, J.D. (2018) A discrete simulation-based algorithm for the technological investigation of 2.5D milling operations. Proceedings of the Institution of Mechanical Engineers Part C-Journal of Mechanical Engineering Science, On-line first: pp. 1-13.
J C Jáuregui, J R Reséndiz, S Thenozhi, T Szalay, Á Jacsó, M Takács, Frequency and Time-Frequency Analysis of Cutting Force and Vibration Signals for Tool Condition Monitoring, IEEE Access 6: pp. 6400-6410. (2018)
Required language skills: magyar Number of students who can be accepted: 1
Deadline for application: 2021-03-23
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Login
