The contribution is focused on investigating the heat transfer via natural convection which originated as an effect of changed air density by heating the horizontal sample in the area given. For this research we used samples of a new material made in the Russian Federation -the foam concrete which was reinforced by PET fibres. The samples were heated by an electric heating device from the bottom. The temperature fields originating above the horizontal sample surface were visualised by means of the holographic interferometric contactless method in real time. The holographic interferograms of the temperature field were analysed, and then the local heat transfer parameters were calculated: the heat transfer coefficient α, and the heat conductivity coefficient λ.

This paper presents the method of solving the multicriteria problem of obtaining foam concrete with a required set of properties for each subsystem of the technological process. The General decision algorithm based on usage of lexicographic or "specified" method of purposeful search has been constructed.

This article describes in more detail the issue of using predictive models of NAR neural networks to predict the course of certain quantities, which may indicate a problem with the industrial machines or their major failures. It is very important to find sufficient size of the structure and values of parameters that directly affect the output accuracy of the model. This article presents the way in which it is possible to automatically find the settings of these NAR models so that the required final accuracy metric is achieved. This presented algorithm was tested on simulation data samples collected by using the M5StickC microcontroller device. This collected dataset presented in this article contains accelerometer and gyroscopic data only, but there is a possibility to expand and add some other sensors to this microcontroller, to collect some other relevant data. This M5-StickC microcontroller device can be used for gathering data in the first phase of the machine state analysis without interfering with the mechanical construction and electrical connections of the machine. Testing of proposed algorithm was carried out in MATLAB environment. The article also describes the way in which these predictive NAR neural network models can be implemented directly in control systems, specifically PLCs from the manufacturer SIEMENS without the use of 3rd party analytical platforms. This application can be helpful in the area of predictive maintenance tasks, especially in avoiding critical failures of industrial machines and devices, or some of their specific parts.

No abstract

Проблема обеспечения безопасности и непрерывности машиностроительных производств является особенно актуальной в современных условиях изменчивости мира. Неповоротное массивное оборудование постепенно заменяется многозадачными станками, позволяющими быстро развернуть выпуск изделий соответствующего качества с минимальными затратами.Представлены основные этапы разработки нового многофункционального агрегатного станка. Исследование станка проведено с помощью методов системного анализа, построена принципиальная схема с описанием взаимосвязи всех элементов. Станок по конструкции является агрегатным, поэтому большинство деталей и узлов станка стандартизированы, что упрощает его конструирование, проектирование и производство, что не влияет на качество обрабатываемых на станке деталей. На структурной схеме станок представляет собой техническую систему, состоящую из подсистем, – корпуса, оснастки, системы механизации, смазывающе-охлаждающей системы, системы автоматизации, электрообеспечения, которые, в свою очередь, состоят из более мелких элементов.Универсальность разрабатываемого станка заключается в различных схемах сборки. Обеспечивается это конструкцией корпуса, который состоит из одинаковых по конфигурации и размерам блоков. Благодаря этой особенности, корпус можно легко собирать, меняя относительное положение блоков. Так, в зависимости от схемы сборки корпуса можно собирать различные типы станков. Представлены возможные способы сборки и типы собираемых станков для каждой схемы. В зависимости от сферы применения (образование или бизнес) станок будет иметь различные технические и конструктивные параметры, количество схем сборок, показатели производительности, точности, а также различные модификации в автоматизации и системе электрообеспечения.