Жизненный цикл изделия: мониторинг процессов механической обработки и фильтрация виброакустических сигналов

Обложка

Цитировать

Полный текст

Аннотация

Введение. В современном производстве жизненный цикл изделия включает в себя множество этапов, начиная от проектирования и заканчивая утилизацией. Одним из ключевых этапов является механическая обработка, качество и эффективность которой непосредственно влияют на долговечность и функциональность конечного продукта. В условиях высокой конкуренции и стремления к снижению себестоимости продукции актуальной задачей становится оптимизация процессов механической обработки. Одним из перспективных подходов является использование виброакустических сигналов для непрерывного мониторинга состояния оборудования и изделий. Предмет. В статье рассматриваются основные этапы жизненного цикла изделия с акцентом на мониторинг процессов механической обработки. Анализируются современные подходы к фильтрации виброакустических сигналов, включая применение быстрого преобразования Фурье и различных оконных функций, для улучшения точности анализа и выявления дефектов. Цель работы. Разработка алгоритма работы системы онлайн-мониторинга по контролю состояния режущего инструмента на основе создания цифровой тени с применением виброакустического комплекса. Основные решаемые задачи заключаются в установлении диапазонов применимости АЧХ акустических сигналов, оптимальных оконных функций и в установлении взаимосвязей степени износа режущего инструмента с результатами вибродиагностики и измерения шероховатости. Метод и методология. Рассматриваются методы фильтрации виброакустических сигналов и их применение в реальных производственных условиях. Особое внимание уделяется роли цифровых двойников в интеграции данных мониторинга и фильтрации, что позволяет создать виртуальную модель изделия для прогнозирования его поведения и оптимизации процессов на этапах жизненного цикла. Выполнено сравнение различных методов и технологий, проведен анализ практических примеров внедрения цифровых двойников в производственные процессы. Результаты и их обсуждение. Обобщены текущие исследования и практические наработки, выявлены существующие проблемы и предложены перспективные направления для дальнейших исследований в области мониторинга, фильтрации сигналов и применения цифровых двойников в механической обработке.

Об авторах

М. Р. Гимадеев

Email: 009063@pnu.edu.ru
ORCID iD: 0000-0001-6685-519X
канд. техн. наук, Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия, 009063@pnu.edu.ru

В. А. Стельмаков

Email: 009062@pnu.edu.ru
ORCID iD: 0000-0003-2763-1956
канд. техн. наук, Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия, 009062@pnu.edu.ru

Е. А. Шеленок

Email: 007141@pnu.edu.ru
ORCID iD: 0000-0003-4495-9558
доктор техн. наук, доцент, Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия, 007141@pnu.edu.ru

Список литературы

  1. ГОСТ Р 56136–2014. Управление жизненным циклом продукции. Термины и определения. – М.: Стандартинформ, 2016. – 24 с.
  2. Grieves M. Digital twin: manufacturing excellence through virtual factory replication: whitepaper. – Melbourne, FL: LLC, 2014. – P. 1–7.
  3. ГОСТ Р 57700.37–2021. Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. – М.: Рос. ин-т стандартизации, 2021. – 15 с.
  4. Ингеманссон А.Р. Современная научная проблема повышения эффективности механообрабатывающего производства путем внедрения киберфизических систем в рамках концепции «Индустрия 4.0» // Наукоемкие технологии в машиностроении. – 2016. – № 12. – С. 40–44. – doi: 10.12737/23487.
  5. Кабалдин Ю.Г., Шатагин Д.А., Кузьмишина А.М. Разработка цифрового двойника режущего инструмента для механообрабатывающего производства // Известия высших учебных заведений. Машиностроение. – 2019. – № 4 (709). – С. 11–17. – doi: 10.18698/0536-1044-2019-4-11-17.
  6. Uhlemann T.H.J., Lehmann C., Steinhilper R. The digital twin: realizing the cyber-physical production system for Industry 4.0 // Procedia CIRP. – 2017. – Vol. 61. – P. 335–340. – doi: 10.1016/j.procir.2016.11.152.
  7. Digital Twin-driven smart manufacturing: connotation, reference model, applications and research issues / Y. Lu, C. Liu, K.I.-K. Wang, H. Huang, X. Xu // Robotics and Computer-Integrated Manufacturing. – 2020. – Vol. 61. – P. 101837. – doi: 10.1016/j.rcim.2019.101837.
  8. Shaping the digital twin for design and production engineering / B. Schleich, N. Anwer, L. Mathieu, S. Wartzack // CIRP Annals. – 2017. – Vol. 66. – P. 141–144. – doi: 10.1016/j.cirp.2017.04.040.
  9. A Digital Twin based service oriented application for a 4.0 knowledge navigation in the smart factory / A. Padovano, F. Longo, L. Nicoletti, G. Mirabelli // IFAC-PapersOnLine. – 2018. – Vol. 51 (11). – P. 631–636. – doi: 10.1016/j.ifacol.2018.08.389.
  10. Digital twin towards smart manufacturing and industry 4.0 / F. Tao, N. Anwer, A. Liu, L. Wang, A.Y.C. Nee, L. Li, M. Zhang // Journal of Manufacturing Systems. – 2021. – Vol. 58 (B). – P. 1–2. – doi: 10.1016/j.jmsy.2020.12.005.
  11. Gimadeev M.R., Davydov V.M., Li A.A. Influence of shaping trajectory on the surface roughness in milling: vibroacoustic monitoring // Russian Engineering Research. – 2023. – Vol. 43 (7). – P. 796–801. – doi: 10.3103/S1068798X23070109.
  12. Шевченко Д.В. Методология построения цифровых двойников на железнодорожном транспорте // Вестник Научно-исследовательского института железнодорожного транспорта. – 2021. – Т. 80, № 2. – С. 91–99. – doi: 10.21780/2223-9731-2021-80-2-91-99.
  13. Altintas Y. Manufacturing automation: metal cutting mechanics, machine tool vibrations, and CNC design. – UK: Cambridge University Press, 2012. – 366 p. – doi: 10.1017/CBO9780511843723.
  14. ГОСТ Р ИСО 9000-2015. Система менеджмента качества. Основные положения и словарь. – М.: Стандартинформ, 2015. – 42 с.
  15. ГОСТ Р ИСО 9001-2015. Системы менеджмента качества. Требования. – М.: Стандартинформ, 2015. – 57 с.
  16. Monitoring system for high-tech equipment / V.B. Kuznetsova, D.V. Kondusov, A.I. Serdyuk, A.I. Sergeev // Russian Engineering Research. – 2017. – Vol. 37 (10). – P. 892–896. – doi: 10.3103/S1068798X17100136.
  17. Product development integration using PLM tools: an industrial lathe case study / A. Guarin, J. Gomez, M. Hincapie, D. Guerra, A. Molina // IFAC Proceedings Volumes. – 2007. – Vol. 40 19). – P. 135–140. – doi: 10.3182/20071002-MX-4-3906.00023.
  18. Ингеманссон А.Р., Чигиринский Ю.Л. Разработка состава цифровых производственных систем для механической обработки // Известия ВолгГТУ. – 2019. – № 8 (231). – C. 21–23.
  19. ГОСТ Р 50995.3.1–96. Технологическое обеспечение создания продукции. Технологическая подготовка производства. – М.: Госстандарт России, 1997. – 20 с.
  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. A knowledge-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, physics–based 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. Shaffer // 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, Ji. 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 thick-very large steel plates based on vibration and AE signals / J. Barreiro, A.I. Fernandez-Abia, A. Gonzalez-Laguna, O. Pereira // Journal of Materials Processing Technology. – 2017. – Vol. 246. – P. 144–157. – doi: 10.1016/j.jmatprotec.2017.03.016.
  43. Лукьянов А.В., Алейников Д.П. Исследование колебаний сил взаимодействия фрезы с заготовкой при повышении скорости вращения шпинделя // Современные технологии. Системный анализ. Моделирование. – 2017. – Т. 56, № 4. – С. 70–82. – doi: 10.26731/1813-9108.2017.4(56).70-82.
  44. Волосова М.А. Автоматизированная система мониторинга и диагностики обработки ответственных деталей в машиностроении керамическим режущим инструментом // Инновации. – 2016. – № 8 (214). – С. 84–87.
  45. Cutting tool wear classification and detection using multi-sensor signals and Mahalanobis-Taguchi System / M. Rizal, J.A. Ghani, M.Z. Nuawi, C.H.C. Haron // Wear. – 2017. – Vol. 376–377 (B). – P. 1759–1765. – doi: 10.1016/j.wear.2017.02.017.
  46. Tool wear monitoring in milling of titanium alloy Ti-6Al-4 V under MQL conditions based on a new tool wear categorization method / M. Hu, W. Ming, Q. An, M. Chen // The International Journal of Advanced Manufacturing Technology. – 2019. – Vol. 104. – P. 4117–4128. – doi: 10.1007/s00170-019-04125-y.
  47. Real-time tool wear monitoring in milling using a cutting condition independent method / M. Nouri, B.K. Fussell, B.L. Ziniti, E. Linder // International Journal of Machine Tools and Manufacture. – 2015. – Vol. 89. – P. 1–13. – doi: 10.1016/j.ijmachtools.2014.10.011.
  48. Investigation of the feasibility of using microphone arrays in monitoring machining / D. Shaffer, I. Ragai, A. Danesh-Yazdi, D. Loker // Manufacturing Letters. – 2018. – Vol. 15 (B). – P. 132–134. – doi: 10.1016/j.mfglet.2017.12.008.
  49. Tool condition monitoring for high-performance machining systems – a review / A. Mohamed, M. Hassan, R. Msaoubi, H. Attia // Sensors. – 2022. – Vol. 22. – P. 2206. – doi: 10.3390/s22062206.
  50. An investigation of tool wear using acoustic emission and genetic algorithm / G. Vetrichelvan, S. Sundaram, S. Kumaran, P. Velmurugan // Journal of Vibration Control. – 2014. – Vol. 21 (15). – P. 3061–3066. – doi: 10.1177/1077546314520835.
  51. Sahinoglu A., Rafighi M. Investigation of vibration, sound intensity, machine current and surface roughness values of AISI 4140 during machining on the lathe // Arabian Journal for Science and Engineering. – 2020. – Vol. 45. – P. 765–778. – doi: 10.1007/s13369-019-04124-x.
  52. An on-line approach for energy efficiency monitoring of machine tools / S. Hu, F. Liu, Y. He, T. Hu // Journal of Cleaner Production. – 2012. – Vol. 27. – P. 133–140. – doi: 10.1016/j.jclepro.2012.01.013.
  53. Комплексный подход к экспериментальным исследованиям технологических систем металлообработки по обеспечению параметров качества и эксплуатационных свойств поверхностей деталей машин / А.Г. Суслов, В. Федоров, М. Нагоркин, И. Пыриков // Наукоемкие технологии в машиностроении. – 2018. – № 10. – С. 3–13. doi: 10.30987/article_5bb4b1f9abbc54.46761484.
  54. Determination of tool wear in peripheral milling operations based on acoustic emission signals / R. Alzugaray-Franz, E. Diez-Cifuentes, E. Leal-Munoz, M. Villaverde San Jose, A. Vizán // IACME 2022: Proceedings of the XV Ibero-American Congress of Mechanical Engineering. – 2023. – P. 300–305. – doi: 10.1007/978-3-031-38563-6_44.
  55. Off-line geometrical and microscopic & on-line vibration based cutting tool wear analysis for micro-milling of ceramics / L. Moricz, Z.J. Viharos, A. Nemeth, A. Szepligeti, M. Buki // Measurement. – 2020. – Vol. 163. – P. 108025. – doi: 10.1016/j.measurement.2020.108025.
  56. The surface roughness analysis using sound signal in turning of mild steel / A.U. Patwari, A.A. Zamee, M.H. Bhuiyan, S.M. Sakib // IOP Conference Series: Materials Science and Engineering. – 2019. – Vol. 703. – P. 012011. – doi: 10.1088/1757-899X/703/1/012011.
  57. ГОСТ Р 51904–2002. Программное обеспечение встроенных систем. Общие требования к разработке и документированию. – М.: Стандартинформ, 2012. – 36 с.
  58. ГОСТ Р ИСО/МЭК 15910–2002. Информационная технология. Процесс создания программного средства пользователя. – М.: Стандартинформ, 2012. – 98 с.
  59. ГОСТ 34.201–89. Информационная технология. Комплекс стандартов на автоматизированные системы. Виды, комплектность и обозначение документов при создании автоматизированных систем. – М.: Госкомстандарт, 2002. – 36 с.
  60. ГОСТ 34.601–90. Информационная технология. Комплекс стандартов на автоматизированные системы. Автоматизированные системы стадии создания. – М.: Госкомстандарт, 2002. – 84 с.
  61. ГОСТ Р ИСО/МЭК 12207–2010. Информационная технология. Системная и программная инженерия. Процессы жизненного цикла программных средств. – М.: Стандартинформ, 2011. – 105 с.
  62. ГОСТ Р 15.301–2016. Система разработки и постановки продукции на производство. Продукция производственно-технического назначения. Порядок разработки и постановки продукции на производство. – М.: Стандартинформ, 2018. – 15 с.
  63. ГОСТ ISO/IEC 15420–2010. Автоматическая идентификация. Кодирование штриховое. Спецификация символики штрихового кода EAN/UPC. – М.: Стандартинформ, 2011. – 45 с.
  64. Ингеманссон А.Р. Технологическая подготовка и адаптивное управление в цифровых производственных системах // Вестник Кузбасского государственного технического университета. – 2021. – № 4. – С. 5–13. – doi: 10.26730/1999-4125-2021-4-5-13.
  65. Система автоматизированного технологического управления износостойкостью деталей машин при обработке резанием / А.Г. Суслов, Д.М. Медведев, Д.И. Петрешин, О.Н. Федонин // Наукоемкие технологии в машиностроении. – 2018. – № 5 (83). – С. 40–44. – doi: 10.30987/article_5ad8d291cddcd8.06334386.
  66. Тугенгольд А.К., Изюмов А.И. Принципы концептуального подхода к созданию подсистемы Инструмент в смарт-паспорте многооперационного станка // Вестник ДГТУ. – 2014. – Т. 14, № 2 (77). – С. 74–83. – doi: 10.23947/1992-5980-2014-2-74-83.
  67. Xiurong Z., Yeu W. Process analysis and parameter optimization of five axis NC machine for machining complex curved surface impellers // 2019 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS). – Changsha, China, 2019. – P. 122–124. – doi: 10.1109/ICITBS.2019.00036.
  68. Заковоротный В.Л., Гвинджилия В.Е. Синергетический подход к повышению эффективности управления процессами обработки на металлорежущих станках // Обработка металлов (технология, оборудование, инструменты). – 2021. – Т. 23, № 3. – С. 84–99. – doi: 10.17212/1994-6309-2021-23.3-84-99.
  69. Kouguchi J., Yoshioka H. Monitoring method of cutting forces and vibrations by using frequency separation of acceleration sensor signals during milling process with small ball end mills // Precision Engineering. – 2024. – Vol. 85. – P. 337–356. – doi: 10.1016/j.precisioneng.2023.10.013.
  70. In-process complex machining condition monitoring based on deep forest and process information fusion / Z. Lu, M. Wang, W. Dai, J. Sun // The International Journal of Advanced Manufacturing Technology. – 2019. – Vol. 104. – P. 1953–1966. – doi: 10.1007/s00170-019-03919-4.
  71. Position-dependent milling process monitoring and surface roughness prediction for complex thin-walled blade component / Z. Yao, J. Shen, M. Wu, D. Zhang, M. Luo // Mechanical Systems and Signal Processing. – 2023. – Vol. 198. – P. 110439. – doi: 10.1016/j.ymssp.2023.110439.
  72. Accattatis A., Saggio G., Giannini F. A real time FFT-based impedance meter with bias compensation // Measurement. – 2011. – Vol. 44 (4). – P. 702–707. – doi: 10.1016/j.measurement.2011.01.00.
  73. A survey on adaptive active noise control algorithms overcoming the output saturation effect / Y. Guo, D. Shi, X. Shen, J. Ji, W.-S. Gan // Signal Processing. – 2024. – Vol. 222. – P. 109525. – doi: 10.1016/j.sigpro.2024.109525.
  74. Tool wear prediction through AI-assisted digital shadow using industrial edge device / M. Chehrehzad, G. Kecibas, C. Besirova, U. Uresin, M. Irican, I. Lazoglu // Journal of Manufacturing Processes. – 2024. – Vol. 113. – P. 117–130. – doi: 10.1016/j.jmapro.2024.01.052.
  75. Пономарев Б.Б., Нгуен Ш.Х. Влияние ориентации инструмента на силы резания при концевом фрезеровании // Известия высших учебных заведений. Машиностроение. – 2019. – № 3 (708). – С. 11–20. – doi: 10.18698/0536-1044-2019-3-11-20.
  76. Gimadeev M.R., Li A.A. Tool condition monitoring techniques for milling // Proceedings of the 9th International Conference on Industrial Engineering. ICIE 2023. – Cham: Springer, 2023. – P. 698–707. – doi: 10.1007/978-3-031-38126-3_69.
  77. Gowid S., Dixon R., Ghani S. A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems // Applied Acoustics. – 2015. – Vol. 88. – P. 66–74. – doi: 10.1016/j.apacoust.2014.08.007.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».