OBRABOTKAMETALLOV Vol. 26 No. 3 2024 105 TECHNOLOGY 20. ГОСТ 27.002–2015. Надежность в технике. Термины и определения. – М.: Стандартинформ, 2016. – 28 с. 21. ГОСТ 27.003–2016. Надежность в технике. Состав и общие правила задания требований по надежности. – М.: Стандартинформ, 2017. – 19 с. 22. Data-driven smart manufacturing / F. Tao, Q. Qi, A. Liu, A. Kusiak // Journal of Manufacturing Systems. – 2018. – Vol. 48 (C). – P. 157–169. – DOI: 10.1016/j. jmsy.2018.01.006. 23. Aknowledge-based digital shadow for machining industry in a digital twin perspective / A. Ladj, Z. Wang, O. Meski, F. Belkadi, M. Ritou, C. Da Cunha // Journal of Manufacturing Systems. – 2021. – Vol. 58 (B). – P. 168–179. – DOI: 10.1016/j.jmsy.2020.07.018. 24. The digital shadow as enabler for data analytics in product life cycle management / M. Riesener, G. Schuh, C. Dolle, C. Tonnes // Procedia CIRP. – 2019. – Vol. 80. – P. 729–734. – DOI: 10.1016/j.procir.2019.01.083. 25. Schuh G., Jussen P., Harland T. The digital shadow of services: a reference model for comprehensive data collection in MRO services of machine manufacturers // Procedia CIRP. – 2018. – Vol. 73. – P. 271–277. – DOI: 10.1016/j.procir.2018.03.318. 26. Федонин О.Н., Петрешин Д.И., Карпушкин В.А. Разработка алгоритма функционирования автоматизированной системы сбора и анализа данных с металлорежущих станков с ЧПУ // Вестник Брянского государственного технического университета. – 2014. – № 1 (41). – С. 58–62. 27. MES-integrated digital twin frameworks / E. Negri, S. Berardi, L. Fumagalli, M. Macchi // Journal of Manufacturing Systems. – 2020. – Vol. 56. – P. 58–71. – DOI: 10.1016/j.jmsy.2020.05.007. 28. Characterising the Digital Twin: a systematic literature review / D. Jones, C. Snider, A. Nassehi, J. Yon, B. Hicks // CIRP Journal of Manufacturing Science and Technology. – 2020. – Vol. 29 (A). – P. 36–52. – DOI: 10.1016/j.cirpj.2020.02.002. 29. Ritto T.G., Rochinha F.A. Digital twin, physicsbased model, and machine learning applied to damage detection in structures // Mechanical Systems and Signal Processing. – 2021. – Vol. 155. – P. 107614. – DOI: 10.1016/j.ymssp.2021.107614. 30. A systematic development method for cyber-physical machine tools / C. Liu, H. Vengayil, R.Y. Zhong, X. Xu // Journal of Manufacturing Systems. – 2018. – Vol. 48 (C). – P. 13–24. – DOI: 10.1016/j. jmsy.2018.02.001. 31. Sensor data and information fusion to construct Digital-twins virtual machine tools for cyber-physical manufacturing / Y. Cai, B. Starly, P. Cohen, Y.-S. Lee // Procedia Manufacturing. – 2017. – Vol. 10. – P. 1031– 1042. – DOI: 10.1016/j.promfg.2017.07.094. 32. Digital Twin for rotating machinery fault diagnosis in smart manufacturing / J. Wang, L. Ye, R.X. Gao, C. Li, L. Zhang // International Journal of Production Research. – 2019. – Vol. 57 (12). – P. 3920–3934. DOI: 10. 1080/00207543.2018.1552032. 33. Application of measurement systems in tool condition monitoring of milling: a review of measurement science approach / D.Yu. Pimenov, M. Kumar Gupta, L.R.R. da Silva, M. Kiran, N. Khanna, G.M. Krolczyk // Measurement. – 2022. – Vol. 199. – P. 111503. – DOI: 10.1016/j.measurement.2022.111503. 34. Мониторинг состояния технологического оборудования на промышленных предприятиях / М.П. Козочкин, Ф.С. Сабиров, А.Н. Боган, К.В. Мыслицев // Вестник УГАТУ. – 2013. – Т. 17, № 8 (61). – С. 56–62. 35. Гимадеев М.Р., Ли А.А. Анализ систем автоматизированного обеспечения параметров шероховатости поверхности на основе динамического мониторинга // Advanced Engineering Research (Rostov-on-Don). – 2022. – Т. 22, № 2. – С. 116–129. – DOI: 10.23947/2687-1653-2022-22-2-116-129. 36. Digital twin for machining tool condition prediction / Q. Qiao, J. Wang, L. Ye, R.X. Gao // Procedia CIRP. – 2019. – Vol. 81. – P. 1388–1393. – DOI: 10.1016/j.procir.2019.04.049. 37. Qi Q., Tao F. Digital twin and big data towards smart manufacturing and Industry 4.0: 360 Degree comparison // IEEE Access. – 2018. – Vol. 6. – P. 3585– 3593. – DOI: 10.1109/ACCESS.2018.2793265. 38. Convolutional neural network-based tool condition monitoring in vertical milling operations using acoustic signals / C. Cooper, P.Wang, J. Zhang, R.X. Gao, T. Roney, I. Ragai, D. Shaff er // Procedia Manufacturing. – 2020. – Vol. 49. – P. 105–111. – DOI: 10.1016/j. promfg.2020.07.004. 39. Аверченков В.И., Филиппова Л.Б., Пугач Л.И. Программный комплекс определения величины коррекции на инструмент для обрабатывающих центров с датчиками активного контроля // Известия ТулГУ. Технические науки. – 2013. – Вып. 7, ч. 1. – С. 70–78. 40. Tool condition monitoring in milling using a force singularity analysis approach / C. Zhou, K. Guo, J. Sun, B. Yang, J. Liu, G. Song, C. Sun, Z. Jiang // The International Journal of Advanced Manufacturing Technology. – 2020. – Vol. 107. – P. 1785–1792. – DOI: 10.1007/s00170-019-04664-4. 41. Cuka B., Kim D.W. Fuzzy logic based tool condition monitoring for end-milling // Robotics and Computer-Integrated Manufacturing. – 2017. – Vol. 47. – P. 22–36. – DOI: 10.1016/j.rcim.2016.12.009. 42. TCM system in contour milling of very thickvery large steel plates based on vibration andAE signals / J. Barreiro, A.I. Fernandez-Abia, A. Gonzalez-Laguna,
RkJQdWJsaXNoZXIy MTk0ODM1