Кафедра "Технологія машинобудування та металорізальні верстати"
Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/3960
Офіційний сайт кафедри http://web.kpi.kharkov.ua/tmms
Кафедра "Технологія машинобудування та металорізальні верстати" заснована в 1934 році. Першим завідувачем кафедри був доцент Ф. К. Корольов – фахівець в області металорізальних верстатів, який беззмінно керував колективом до 1966 року і суттєво вплинув на розвиток кафедри.
Кафедра входить до складу Навчально-наукового інституту механічної інженерії і транспорту Національного технічного університету "Харківський політехнічний інститут".
У складі науково-педагогічного колективу кафедри працюють: 5 докторів технічних наук, 6 кандидатів технічних наук; 5 співробітників мають звання професора, 6 – доцента.
Переглянути
32 результатів
Результати пошуку
Публікація Модифікований спрощений алгоритм методу групового врахування аргументів в імітаційному моделюванні процесами(Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського", 2021) Равська, Наталія Сергіївна; Корбут, Євген Валентинович; Івановський, Олексій Анатолійович; Родин, Р. П.; Парненко, Валерія Сергіївна; Заковоротний, Олександр Юрійович; Клочко, Олександр Олександрович; Сапон, Сергій Петрович; Loroch, RolahdІснує багато видів и методів імітаційного моделювання, але серед них особливої уваги заслуговують методи засновані на теорії евристичної самоорганізації. Всі алгоритми методу групового врахування аргументів (МГВА) характеризуються структурною спільністю на принципі самоорганізації, які потребують незначних вимог до апріорної інформації, щоб здійснити перебір безкінечно великої кількості варіантів. Перевагою алгоритму методу групового врахування аргументів в порівнянні з іншими алгоритмами цього класу є наявність можливостей розширення вектора вихідних даних та апарату для усунення колінеарності - прийому ортогоналізації. МГВА складається з двох блоків: попередньої обробки спостережень з врахуванням системи вибраних опорних функцій та розрахунку претендентів селекції. В результаті роботи алгоритму одержують моделі здатні управляти процесом з врахуванням явищ, що супроводжують певний процес. Враховуючи спільність основних положень теорії самоорганізації штучних нейронних мереж та МГВА, до змінних мережі додаймо модель в якості змінної Z. В результаті одержимо нейронну мережу, яка описує фізичні явища, що супроводжують процес. Це дозволить значно підвищити ефективність та точність управління процесом.Документ Підвищення ефективності чорнової обробки деталей на важких токарних верстатах за рахунок удосконалення конструкції збірного інструмента(Донбаська державна машинобудівна академія, 2024) Мироненко, Євген Васильович; Клочко, Олександр Олександрович; Шаповалов, Максим Валерійович; Гончаров, В. С.Публікація Критерії формування структур і параметрів систем обробки, що забезпечують задані експлуатаційні властивості зубчастих коліс, які зношуються і відновлюватимуться(Донбаська державна машинобудівна академія, 2020) Ковальов, Віктор Дмитрович; Гасанов, Магомедємін Ісамагомедович; Клочко, Олександр Олександрович; Васильченко, Яна Василівна; Шаповалов, Максим ВалерійовичДокумент Контактні характеристики при чистовому різанні загартованих сталей(Донбаська державна машинобудівна академія, 2023) Манохін, Андрій Сергійович; Клименко, Сергій Анатолійович; Клочко, Олександр Олександрович; Камчатна-Степанова, Катерина ВалеріївнаПублікація Процес моделювання контактної взаємодії при швидкісному зубофрезуванні великомодульних зубчастих коліс(Донбаська державна машинобудівна академія, 2023) Майборода, Віктор Станіславович; Охрименко, О. О.; Клочко, Олександр Олександрович; Гасанов, Магомедємін Ісамагомедович; Заковоротний, Олександр Юрійович; Федоренко, Віталій Сергійович; Сапон, С. П.; Манохін, Андрій Сергійович; Шаповалов, Максим ВалерійовичДокумент Способи підвищення зносостійкості зубчастих циліндричних передач з обліком некратного зубчатого зачеплення(Донбаська державна машинобудівна академія, 2023) Клочко, Олександр Олександрович; Камчатна-Степанова, Катерина Валеріївна; Пермяков, Єгор Олександрович; Антоненко, Яна Сергіївна; Мироненко, Олег ЄвгеновичДокумент Особливості проектування черв'ячних фрез для зубчастих коліс під подальше зубошліфування(Донбаська державна машинобудівна академія, 2019) Клочко, Олександр Олександрович; Охріменко, Олександр АнатолійовичДокумент Створення та впровадження інноваційних технологій виготовлення крупногабаритних редукторів важкого машинобудування(Донбаська державна машинобудівна академія, 2019) Ковалев, Віктор Дмитрович; Клименко, Сергій Анатолійович; Антонюк, Віктор Степанович; Васильченко, Яна Василівна; Клочко, Олександр Олександрович; Рябченко, Сергій Васильович; Волошин, Олексій Іванович; Статкевич, О. В.; Іванов, С. О.Публікація Підвищення точності, якості та продуктивності обробки крупногабаритних евольвентних шліцьових поверхонь(Донбаська державна машинобудівна академія, 2019) Заковоротний, Олександр Юрійович; Клочко, Олександр Олександрович; Старченко, Е. П.; Камчатна-Степанова, Катерина Валеріївна; Анциферова, О. А.Публікація Наукові основи визначення залежностей теорії різання в алгоритмах при реалізації нейронних мереж процесів формоутворення(Національний технічний університет "Харківський політехнічний інститут", 2023) Равська, Наталія Сергіївна; Парненко, Валерія Сергіївна; Гасанов, Магомедємін Ісамагомедович; Заковоротний, Олександр Юрійович; Клочко, Олександр ОлександровичНаукові основи визначення залежностей теорії різання є складною структурною системою яка супроводжувається безліччю різних фізичних явищ. До них відносяться такі як пластичні деформації, тертя, вібрації, теплові, хімічні та ін, які визначаються, в основному верстатом, інструментом, оброблюваним матеріалом. Великою мірою ефективність процесу різання залежить від управління цим процесом. Останнім часом для управління технологічними процесами використовуються штучні нейронні мережі (ШНМ) і являють математичну модель з її програмним або апаратним втіленням. Ці моделі не що інше як залежність між досліджуваними вхідними факторами та вихідними параметрами. Вони придатні лише управління процесами в аналізованому діапазоні змінних і розкриває сутності «чорного ящика» тобто. явищ їх супроводжуючих. Створення нейронних мереж на основі явищ, що супроводжують аналізований технологічний процес, відкриває широкі можливості оптимального управління його параметрами з подальшою корекцією системи. Такий підхід значно підвищить точність управління, скоротить витрати на навчання та реалізацію управління. Створення таких ШНМ на прикладі процесу різання є актуальною проблемою та її вирішення має велике практичне значення.