Product life cycle: machining processes monitoring and vibroacoustic signals filtering

Cover Page

Cite item

Full Text

Abstract

Introduction. In modern manufacturing, the product life cycle comprises various stages, from conception to disposal. Among these stages, machining plays a significant role, as it directly influences the durability and functionality of the finished product. With increasing competition and the need to reduce production costs, optimizing machining processes has become a crucial task. Traditionally, conservative technological approaches have been used to ensure processing quality. However, this often leads to decreased productivity and higher costs. Modern monitoring and diagnostic techniques can significantly improve process control, particularly through tool condition monitoring. The subject. This paper discusses the stages of the product life cycle and emphasizes the importance of monitoring machining processes. It explores the potential of using vibroacoustic signals to continuously monitor equipment and product conditions. Special attention is paid to the use of vibroacoustic signals for diagnostics and quality control. Modern approaches to filtering these signals, including the use of the fast Fourier transform and various window functions, are analyzed in order to improve the accuracy of the analysis and identify potential defects. The purpose of this work is to develop an algorithm for an online monitoring system that will monitor the condition of cutting tools based on the creation of a digital shadow using a vibroacoustic complex. The main tasks to be solved are to establish the ranges of applicability of frequency response of acoustic signals and optimal window functions, as well as to establish the relationship between the degree of wear on the cutting tool and the results of vibration diagnostics and surface roughness. The methods and technologies for filtering vibroacoustic signals and their application in real–world production settings are discussed. Special attention is given to the role of digital twins in integrating monitoring and filtering data, allowing for the creation of a virtual model of a product to predict its behavior and optimize processes throughout the life cycle. A comparison of various monitoring methods and technologies is conducted, as well as an analysis of practical examples of digital twin implementation in production processes and its impact on improved control. Results and discussion are presented, identifying current research and practical advancements, while also proposing existing challenges and promising areas for future research in the fields of monitoring, signal filtering, and the use of digital twins in mechanical manufacturing.

About the authors

M. R. Gimadeev

Email: 009063@pnu.edu.ru
ORCID iD: 0000-0001-6685-519X
Ph.D. (Engineering), Pacific National University, 136 Tihookeanskaya st., Khabarovsk, 680035, Russian Federation, 009063@pnu.edu.ru

V. A. Stelmakov

Email: 009062@pnu.edu.ru
ORCID iD: 0000-0003-2763-1956
Ph.D. (Engineering), Pacific National University, 136 Tihookeanskaya st., Khabarovsk, 680035, Russian Federation, 009062@pnu.edu.ru

E. A. Shelenok

Email: 007141@pnu.edu.ru
ORCID iD: 0000-0003-4495-9558
D.Sc. (Engineering), Associate Professor, Pacific National University, 136 Tihookeanskaya st., Khabarovsk, 680035, Russian Federation, 007141@pnu.edu.ru

References

  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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a 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».