Разработка экспертной системы технологического обеспечения требуемой шероховатости при обработке закаленных сталей на станках с числовым программным управлением

Цель – повышение качества поверхности деталей тел вращения, которые изготовлены из закаленных сталей, в ходе обработки на токарных станках с числовым программным управлением. Объектом исследования является шероховатость поверхности деталей. В процессе исследования были использованы методы системного анализа и синтеза систем, искусственных нейронных сетей, нечеткой логики, организации эксперимента, обработки результатов эксперимента. Разработана декомпозиционная схема структуры экспертной системы, позволяющая сформулировать требования к будущей экспертной системе мониторинга и прогнозирования параметров шероховатости. В результате исследований установлено, что используемые в практике модели описания взаимосвязи между параметрами качества поверхности деталей и технологическими режимами, которые применяются при технологическом обеспечении шероховатости, дают высокую погрешность (более 20%). Обоснована возможность применения моделей, которые основаны на искусственном интеллекте и содержат в своем составе нейросетевые блоки и устройства принятия решений, построенные на базе нечеткой логики. Показано, что такое сочетание дает возможность индивидуальной настройки системы на обработку деталей определенной номенклатуры, а также более корректной оценки наступления катастрофического износа режущего инструмента. Доказано, что нейронечеткая модель имеет погрешность не более 10%, что значительно ниже, чем при использовании спектральных или корелляционных моделей. В результате тестовых испытаний экспертной системы мониторинга и прогнозирования параметров шероховатости установлено, что разброс диапазона шероховатости по мере износа инструмента в 2,5 раза меньше, чем без нее. Таким образом, использование разработанной системы позволяет более корректно оценивать износ режущего инструмента и определять наступление предельного состояния.

1. Смирнова Е.Н., Крылов Е.Г. Проблема автоматизированного проектирования технологических процессов с учетом технологической наследственности // Известия Волгоградского государственного технического университета. 2011. № 13. С. 100–102. EDN: ONCNMF.

2. Карлина Ю.И. Интеграция этапов подготовки производства высокоточных малогабаритных деталей на станках с числовым программным управлением // Современные технологии. Системный анализ. Моделирование. 2021. № 1. С. 17–23. https://doi.org/10.26731/1813-9108.2021.1(69).17-23 EDN: WQHCPV.

3. Безъязычный В.Ф. Метод подобия в технологии машиностроения: монография. Москва; Вологда: Инфра-Инженерия, 2021. 356 с.

4. Kotlyarov V.P., Maslakov A.P., Tolstoles A.A. Digital modelling of production engineering for metalworking machine shops // Proceedings of the Institute for System Programming of the RAS. 2019. Vol. 31. No. 3. P. 85–98. https://doi.org/10.15514/ISPRAS-2019-31(3)-8. EDN: LSIJGC.

5. Artamonov E.V., Tveryakov A.M., Shtin A.S. Investigation of electromagnetic properties of tool hard alloys under the influence of high temperatures // Materials Research Proceedings (Temryuk, 6–10 September 2021). Temryuk, 2022. P. 323–328. https://doi.org/10.21741/9781644901755-57. EDN: ZBJDOB.

6. Artamonov E., Vasilega N., Yadygin A. Analysis of factors affecting operability to assess risks and opportunities in the operation of built-up cutting tools // Key Engineering Materials. 2022. Vol. 910. P. 220–225. https://doi.org/10.4028/p-wu7wdy.

7. Kabaldin Yu.G., Bashkov A.A. Self-organization and friction in cutting // Russian Engineering Research. 2023. Vol. 43. No. 4. P. 451–456. http://dx.doi.org/10.3103/S1068798X23050088.

8. Кабалдин Ю.Г., Саблин П.А., Щетинин В.С. Управление динамической устойчивостью металлорежущих систем в процессе резания по фрактальности шероховатости обработанной поверхности // Frontier Materials & Technologies. 2023. № 3. С. 43–51. https://doi.org/10.18323/2782-4039-2023-365-4.

9. Кабалдин Ю.Г., Иванов С.В., Башков А.А. Управление устойчивостью трибосистемами при внешнем трении и резании на основе алгоритмов нелинейной динамики, теории фракталов и нейросетевого моделирования // Мехатроника, автоматика и робототехника. 2024. № 13. С. 150–156. https://doi.org/10.26160/2541-86372024-13-150-156. EDN: NXFIAU.

10. Zakovorotnyi V.L., Gvindjiliya V.E. Influence of speeds of forming movements on the properties of geometric topology of the part in longitudinal turning // Journal of Manufacturing Processes. 2024. Vol. 112. P. 202–213. https://doi.org/10.1016/j.jmapro.2024.01.037. EDN: LHVZHV.

11. Zakovorotny V., Gvindjiliya V. The features of the evolution of the dynamic cutting system due to the regenerative effect // Dynamics of technical systems: AIP Conference Proceedings of the 7 International Scientific-Technical Conference (Rostov-on-Don, 9–11 September 2023). Rostov-on-Don: American Institute of Physics Inc., 2023. Vol. 2507. Iss. 1. Р. 030002. https://doi.org/10.1063/5.0109559. EDN: FLSYFX.

12. Галеев Н.Р., Галеев Ф.Р. Проявление Индустрии 4.0 в различных сферах экономики России // Лучшая научная работа 2022: сб. ст. V Междунар. науч.-иссл. конкурса, (г. Пенза, 20 мая 2022 г.). Пенза: Наука и Просвещение, 2022. С. 57–62. EDN: QKZWCG.

13. Старостина В.А. Индустрия 4.0: понятие, ключевые технологии, тенденции, препятствия // Актуальные вопросы экономики: сб. ст. IV Междунар. науч.-практ. конф. (г. Пенза, 20 декабря 2020 г.). Пенза: Наука и Просвещение, 2020. С. 193–195. EDN: JUSQKO.

14. Безъязычный В.Ф., Паламарь И.Н. Современные аспекты автоматизации научных исследований качества поверхности деталей машин с использованием методов машинного обучения // Наукоемкие технологии в машиностроении. 2021. № 7. С. 12–19. https://doi.org/10.30987/2223-4608-2021-7-12-19. EDN: VIPEMD.

15. Stupnytskyy V., Dragašius E., Baskutis S., Xianning Sh. Modeling and simulation of machined surface layer microgeometry parameters // Ukrainian Journal of Mechanical Engineering and Materials Science. 2022. Vol. 8. No. 1. P. 1–11. https://doi.org/10.23939/ujmems2022.01.001. EDN: FGAHMG.

16. Пухов А.С., Иванова И.А. Структурный синтез оптимальных систем управления // Вестник Курганского государственного университета. Серия: Технические науки. 2013. № 29. С. 107–110. EDN: RCJLJB.

17. Пухов А.С. Организационно-технические и экологические принципы создания автоматизированных систем // Безопасность жизнедеятельности: проблемы и решения – 2017: матер. Междунар. науч.-практ. конф. (с. Лесниково, 25–26 мая 2017 г.). Лесниково: Курганская гос. сельскохоз. акад. им. Т.С. Мальцева, 2017. С. 336–342. EDN: YQQXKK.

18. Овсянников В.Е., Некрасов Р.Ю., Темпель Ю.А., Васильев В.И. Использование нейро-нечетких моделей при обеспечении точности обработки на станках с ЧПУ // Известия Тульского государственного университета. Серия: Технические науки. 2021. № 3. С. 249–253. https://doi.org/10.24412/2071-6168-2021-3-249-253. EDN: OFEEIS.

19. Ovsyannikov V., Nekrasov R., Putilova U., Il’yaschenko D., Verkhoturova E. On the issue of automatic form accuracy during processing on CNC machines // Revista Facultad de Ingenieria. 2022. No. 103. P. 88–95. https://doi.org/10.17533/udea.redin.20201111. EDN: HCVDFL.

20. Proskuryakov N.A., Nekrasov R.Y., Starikov A.I., Solov’ev I.V., Barbyshev B.V., Tempel’ Y.A. Fuzzy controllers in the adaptive control system of a CNC lathe // Russian Engineering Research. 2018. Vol. 38. No. 3. P. 220–222. https://doi.org/10.3103/S1068798X18030188. EDN: XXMQTZ.