Actual Problems in Machine Building. Vol. 11. N 1-2. 2024 Innovative Technologies in Mechanical Engineering ____________________________________________________________________ 36 деталей, КТЭ и техпроцессов. НС, работая с данным пространством, сможет синтезировать разные детали для соответствия новой детали, при этом изменяя техпроцесс. Применение графовых НС в автоматизации проектирования маршрута обработки деталей и других похожих задач является перспективным направлением для создания более интеллектуальных САПР ТП. Однако имеются некоторые сложности. Для проведения обучения НС необходимы большие вычислительные ресурсы. Наиболее доступным вариантом является интеграция САПР с облачными сервисами или создание полностью облачной САПР ТП [8]. Проектирование ТП в подобной системе начинается с работы нейросетевой модели по предсказанию и рекомендации маршрута обработки детали, в том числе модель должна правильно предсказать и состав поверхностей, обрабатываемых в одной операции. Она может предлагать несколько вариантов маршрутов, из которых человеку необходимо выбрать наиболее подходящий. А автоматизация подбора инструментов, назначение режимов резания и др., реализовывается с помощью более специализированных НС, обученных для решения данных задач [9]. Также необходимо реализовать создание графа путем распознавания КТЭ с 3d-модели детали. Это может быть реализовано с помощью стандарта ISO 10303-224 STEP [10]. Формат STEP представляет 3d-модель, как набор простых элементов детали, таким образом для относительно простых деталей возможно автоматизированное создание графа [11]. Результаты и обсуждения В классических НС может теряться информация о расположении узлов (КТЭ) и их взаимосвязях, т.к. трудно представить всю данную информацию в виде цифрового вектора. Графовые НС позволяют работать непосредственно с графами даже без предварительной их обработки. Использование GNN может позволить точнее распознавать детали аналоги, и отдельные КТЭ и выдавать рекомендации по их обработке, которые в дальнейшем могут быть синтезированы в операции или ТП. Подобный подход может быть применен и для проектирования новых изделий, когда к графу добавляются новые узлы или элементы и генерируется новый граф детали, а также и для решения многих других задач. Международные исследования подтверждают потенциал графового подхода, при этом отмечается, что нет необходимости переводить 3d-модель в облако точек (stl) и генерировать из них массив данных, которые занимают большие вычислительные ресурсы и могут терять некоторую полезную технологическую информацию. Хотя stl формат может быть также успешно использован, например, для распознавания стандартных деталей и оптимизации операции сборки изделий [12]. Технологии GNN широко используются в разных отраслях, а также уже применяются и в промышленности. Новые открытия ее применения могут внести значительные улучшения в области машиностроения, в том числе и в области технического проектирования. Выводы В последнее время GNN набирают все большую популярность, ввиду успешных применений в самых разных областях. Например, в обработке текстовых документов, нейронном переводе, распознавании изображений, молекулярных исследованиях и др., где информация может быть представлена в виде графов, GNN позволяют достигать существенных результатов. Т.е. с высокой точностью обрабатывать графовую информацию и предсказывать события. Машиностроительные детали хорошо характеризуются с помощью графов. В связи с чем графовое их представление и использование GNN имеют определенную пользу в области
RkJQdWJsaXNoZXIy MTk0ODM1