doi: 10.52899/24141437_2026_03_281
UDK: 004.4, 004.65, 004.67, 62

Optimization of technological preparation for production through semantic route modeling

Глазырина Д. О., Губанов Ю. А., Гукова Л. В., Хруцкий О. В.
Article language: русский
Citation Link: Глазырина Д.О., Губанов Ю.А., Гукова Л.В., Хруцкий О.В. Оптимизация технологической подготовки производства через семантическое ­ моделирование маршрутов // Труды Санкт-Петербургского государственного морского технического университета. 2026. Т. 5, № 3. С. 281–288. DOI: 10.52899/24141437_2026_03_281 EDN: KJURNR

Annotation

Актуальность. В настоящее время остаётся актуальной проблема автоматизации технологической подготовки производства (Computer-Aided Process Planning, CAPP) в машиностроении. Существующие CAD/CAM-системы не обеспечивают сквозного проектирования из-за недостаточной интеграции, детерминированности алгоритмов и разрыва связей между конструкторскими и производственными данными. В результате технолог вынужден тратить значительное время на рутинные операции, связанные с поиском информации в разрозненных справочниках, ручным переносом параметров из чертежей в технологические карты и многократным повторением одних и тех же данных при заполнении документов по ГОСТу, что снижает оперативность реагирования на изменения плана и увеличивает себестоимость продукции.  Цель. Разработка технического задания и обоснование информационно-логической модели на основе ориентированного ациклического графа, которая обеспечит автоматизированную генерацию маршрутов, сократит время технологической подготовки и повысит качество решений за счёт семантической связности данных.  Методы. В качестве способа решения проблемы автоматизации технологической подготовки производства предлагается информационно-логическая модель на базе ориентированного ациклического графа. Модель опирается на пять интегрированных справочников (материалы, оборудование, инструмент, типовые решения, контроль качества), что позволяет формализовать процесс. Методом решения является приведённый в работе алгоритм работы системы, где на основе геометрии 3D-модели и базы знаний системы автоматически генерируются маршруты, а технолог выполняет их верификацию с возможностью машинного обучения системы.  Результаты. Внедрение подхода сокращает время технологической подготовки производства и повышает прозрачность производства, создавая основу для интеграции с системами исполнения производства (Manufacturing Execution System, MES) и планирования ресурсов (Enterprise Resource Planning, ERP) и реализации концепции «цифрового двойника».  Заключение. Использование разработанной информационно-логической модели ведёт к сокращению цикла технологической подготовки производства и повышению оперативности принятия решений. Keywords: автоматизация проектирования,машиностроение,технологическая подготовка производства,CAPP-системы,технологический маршрут,цифровой двойник

Bibliography

1. Chaker B, Damak C. Integrating smart manufacturing and Industry 4.0: technologies for production management optimization in supply. In: Revolutionizing Supply Chains Through Digital Transformation. 2023;120:1410–1415.
2. Kulik VI, Nilov AS. Automated systems of technological preparation of production in mechanical engineering: a textbook. Saint Petersburg: Baltic State Technical University; 2018. 98 p. (In Russ.)
3. Ogol II. Creation of control programs using CAM systems. Tomsk: Tomsk Polytechnic University Press; 2014. 46 p. (In Russ.)
4. Kulyabina OV, Kulyabin AV. Consequences of fatigue on the mental background in decisionmaking. Scientific and Practical Electronic Journal Alley of Science. 2024;(3(90)):714–718.. EDN: DQDTSQ
5. Kolesnikov AS. The role of coordinating integration in PDM and CAD systems. Modern Problems of Science and Education. 2007;(8). (In Russ.)
6. Dannen T, Gey M, Weber S, et al. Approaches for automated and computeraided work plan generation for adaptive manufacturing process chains in oneoff manufacturing—a literature review. Procedia CIRP. 2025;187–214.
7. Belousov E.I. Comparative analysis of PYTHON, C++ and JAVA programming languages for high school education. Science Bulletin. 2026;2(6 (99)):1539–1543. EDN: BVYMNP
8. Frantsev D.N. Comparison of programming languages for performing multithreaded tasks. Vestnik magistratiry. 2025;(3-2 (162)):10–11. EDN: WACFRJ
9. Chollet F. Deep Learning with Python. New York: Pearson Education; 2017. P. 350.
10. Pereira R, Couto M, Ribeiro F, et al. Energy efficiency across programming languages: how do energy, time, and memory relate? In: Proceedings of the 10th ACM SIGPLAN International Conference of Software Language Engineering (SLE’17), October 23–24, 2017. Vancouver, Canada. ACV, New York, NY, USA. 2017. P. 256–267. DOI: 10.1145/3136014.313603