graduate student from 01.01.2018 to 01.01.2019
Belgorod, Belgorod, Russian Federation
Belgorod, Belgorod, Russian Federation
UDK 62 Инженерное дело. Техника в целом. Транспорт
GRNTI 55.13 Технология машиностроения
OKSO 15.02.08 Технология машиностроения
BBK 345 Общая технология машиностроения. Обработка металлов
TBK 5533 Технология машиностроения
BISAC TEC009060 Industrial Engineering
The article presents a methodology for the development and testing results of artificial neural networks for predicting roughness in finishing milling. Experimental data of various researchers in the processing of materials with different physical and mechanical properties are used as the initial data base for the creation and training of neural networks. The value of material hardness is taken as the main identifier of physical and mechanical properties. In addition to the hardness of the material, the input parameters of the nets are also the cutting modes: tool feed, depth and cutting speed. The data of the obtained roughness are used for several groups of materials: non-ferrous metals, structural and stainless steels, heat-resistant alloys and tool steel. Nine highly specialized neural networks have been created that predict roughness when milling a certain material, a number of combined networks by combining several databases, including a broad-based neural network for several groups of materials. A comparative analysis of the results of testing the developed neural networks by the criterion of relative error is carried out. Most of the presented neural networks have a satisfactory error not exceeding 10%. Individual neural networks have higher accuracy, showing an error within 5 %.
artificial neural networks (ANN), combined ANN, roughness, finish milling
Введение. Шероховатость поверхности является одним из важнейших показателей качества изделий, и в процессе разработки технологических процессов необходимо решать вопросы ее прогнозирования. В настоящее время большинство используемых расчетных моделей шероховатости поверхности при фрезеровании являются эмпирическими. Такие модели, как правило, имеют узкий диапазон применения с точки зрения обрабатываемых материалов и адекватны в заданном интервале изменения технологических режимов. Поэтому вопрос разработки универсальных моделей, применимых для различных материалов и технологических условий обработки является весьма актуальным. Использование нейронных сетей для решения этой задачи перспективно, так как позволяет получить высокую точность модели без проведения трудоемких экспериментов. Однако, это возможно только при наличии достаточно обширной базы исходных данных, связывающих режимы обработки различных материалов с получаемой шероховатостью обрабатываемой поверхности.
Методология. Для решения задачи авторами используется искусственная нейронная сеть (ИНС) с обратным распространением ошибки, аналогичная сеть представлена в работе [1]. Основным результатом работы нейросетевой модели предусматривается возможность прогнозирования значений шероховатости поверхности для различных материалов и режимов обработки. Для идентификации свойств обрабатываемого материала принято использовать значение твердости НВ, так как именно этот параметр по традиционным представлениям оказывает существенное влияние на формирование шероховатости поверхности. В качестве исходных данных для обучения нейронной сети использованы экспериментальные результаты, полученные разными исследователями [2–10]. Для повышения универсальности и гибкости моделей в базу включены данные об обработке материалов различных групп твердости: цветные материалы и сплавы (НВ 80-90), конструкционные и нержавеющие стали (НВ 170230), жаропрочные сплавы (НВ 300) и инструментальная сталь (НВ 373). Условия обработки варьируются также в достаточно широком диапазоне: скорость резания 28-313 м/мин, глубина резания 0,08–2,34 мм, подача 0,002–4,8 мм/об. Подробная информация об используемых экспериментальных данных представлена в табл. 1. Все приведенные материалы обрабатывались фрезами с твердосплавными пластинами.
Основная часть. Для проверки функциональности и сравнительной характеристики точности нейросетевых моделей в зависимости от состава исходных данных ее обучения был разработан ряд нейронных сетей, включающих различные комбинации материалов и технологических режимов. В качестве входных параметров были приняты: скорость резания V м/мин, подача S мм/об, глубина резания t мм, твердость обрабатываемого материала HB, на выходе получаем шероховатость Ra, мкм.
Первоначально были спроектированы отдельные нейронные сети, каждая из которых соответствует определенному материалу и режимам резания. На рис. 1 представлены гистограммы ошибок и графики регрессии этих нейронный сетей: № 1, № 2, № 3, № 4, № 5, № 6, № 7, № 8, № 9. В табл. 2 сведены результаты проверки точности работы сетей по итогам тестирования.
Таблица 1
База данных для узкоспециализированных ИНС
|
№ ИНС |
Обрабатываемый |
Твердость |
Диапазон скорости V м/мин |
Диапазон подач S мм/об |
Диапазон глубины резания t мм |
Объем данных |
Авторы эксперименталь-ных данных |
|
1 |
Алюминиевый сплав |
80 |
28 - 47 |
0,002 – 0,047 |
0,6–1 |
27 |
S. Palani, Y. Kesavanarayana [2] |
|
2 |
Нержавеющая сталь IDM 8365 |
210 |
150–313,2 |
0,096– 0,234 |
0,5–2,34 |
24 |
Pavel Kovač, Borislav Savković, Marin Gostimirovic, Dušan Jesic, Ildiko Mankova [3] |
|
3 |
Латунь |
90 |
29,9–79,8 |
0,68–4,8 |
0,2–0,6 |
78 |
I. M. Soltan, M. E. H. Eltaib , R. M. El-Zahry [4] |
|
4 |
Нержавеющая сталь 1Cr18Ni9Ti |
210 |
70–150 |
0,2–0,6 |
0,08– 0,16 |
30 |
Maohua Xiao, Xiaojie Shen, You Ma, Fei Yang, Nong Gao, Weihua Wei, and Dan Wu [5] |
|
5 |
Низколегированная сталь |
200 |
80–140 |
0,03–0,06 |
0,1–0,3 |
97 |
Jignesh G. Parmar, Prof. Alpesh Makwana [6] |
|
6 |
Конструкционная сталь 9SMnPb28K |
170 |
71–283 |
0,1 – 0,25 |
0,5–1 |
27 |
J. Paulo Davim [7] |
|
7 |
Конструкционная сталь 50 |
230 |
138–243 |
0,1–0,238 |
0,54–0,8 |
18 |
Y. Sahin, A.R. Motorcu [8] |
|
8 |
Жаропрочный сплав Inconel 718 |
300 |
47,5–185 |
0,083–0,167 |
0,1–0,5 |
20 |
Bapi Sarkar, Moola Mohan Reddy and Sujan Debnath [9]. |
|
9 |
Инструментальная штамповая сталь 4Х5МФ1С |
373 |
100–140 |
0,4–0,72 |
0,2–0,5 |
27 |
Fu Tao, Liu Weijun, Zhao Jibin [10] |
Таблица 2
Погрешность нейронных сетей № 1-9
|
№ ИНС |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
Относительная погрешность, % |
4,18 |
3,99 |
5,63 |
7,26 |
6,07 |
8,02 |
5,13 |
15,56 |
1,98 |
а
б
в
Рис. 1. Гистограмма ошибок и график регрессии (начало):
а – ИНС № 1; б – ИНС № 2; в – ИНС № 3;
г
д
е
Рис. 1. Гистограмма ошибок и график регрессии (продолжение):
г – ИНС №4; д – ИНС №5; е – ИНС № 6
ж
з
и
Рис. 1. Гистограмма ошибок и график регрессии (окончание):
г – ИНС №4; д – ИНС №5; е – ИНС № 6
Как видно из таблицы, построенные нейронные сети обладают хорошей точностью, для большинства из них относительная погрешность не превышает 10 %, за исключением сети № 8, погрешность которой с оставляет 15 %, что связано с особенностями исходных данных. Несмотря на приемлемую точность представленные модели узконаправленны и могут использоваться только для одного конкретного материала. Поэтому на следующем этапе исследования принято решение объединить отдельные исходные данные в определенные группы, тем самым усовершенствовать и расширить универсальность нейронных сетей. Для более корректной работы объединенных нейронных сетей, рационально начать объединение по признаку близости значений исходных данных. Таким образом, сформированы следующие нейросетевые модели:
1. Объединенная нейронная сеть 1_3 (данные сетей № 1 и № 3) для мягких материалов – цветных металлов и сплавов, включающая данные по обработке алюминия и латуни.
2. Объединенная нейронная сеть 2_4 (данные сетей № 2 и № 4) по обработке нержавеющей стали.
3. Объединенная нейронная сеть 6_7 (данные сетей № 6 и № 7) по обработке конструкционных сталей.
4. Объединенная нейронная сеть 8_9 (данные сетей № 8 и № 9) по обработке высокотвердых материалов: жаропрочного сплава и инструментальной штамповой стали.
В табл. 3 представлены объединенные данные условий обработки указанных групп материалов и полученная точность нейросетевых моделей, а на рис. 2 – гистограммы ошибок и графики регрессии, указанных нейронный сетей.
а
б
Рис. 2. Гистограмма ошибок и график регрессии (начало):
а – ИНС 1_3; б – ИНС 2_4;
в
г
Рис. 2. Гистограмма ошибок и график регрессии (окончание):
в – ИНС 6_7; г – ИНС 8_9
Таблица 3
Результаты первично объединенных нейронных сетей
|
№ ИНС |
Обрабатываемый материал |
Твердость |
Диапазон скорости V, м/мин |
Диапазон подач S, мм/об |
Диапазон глубины резания t, мм |
Объем данных |
Относительная погрешность, % |
|
1_3 |
Алюминиевый сплав, латунь |
80–90 |
28–79,8 |
0,002–4,8 |
0,2–1 |
105 |
6,44 |
|
2_4 |
Нержавеющие стали IDM 8365 и 1Cr18Ni9Ti |
210 |
70–313,2 |
0,096–0,6 |
0,08–2,34 |
54 |
4,55 |
|
6_7 |
Конструкционные стали 9SMnPb28K и сталь 50 |
170–230 |
71–283 |
0,1–0,25 |
0,5–1 |
45 |
9,08 |
|
8_9 |
Жаропрочный сплав Inconel 718 и инструментальная штамповая сталь 4Х5МФ1С |
300 –373 |
47,5–185 |
0,083–0,72 |
0,1–0,5 |
47 |
4,52 |
Как видно из графиков, объединенные нейронные сети показывают гораздо лучшие результаты, чем отдельные. Распределение погрешностей более приближено к нормальному распределению Гаусса, большинство отклонений группируется вблизи золотого сечения. Однако некоторые тестовые данные имеют существенное отклонение, наиболее ярко это выражено у нейронной сети 6_7. Такой результат получен, видимо вследствие недостаточного перекрытия значений скорости резания и малого объема данных.
На основании положительного результата объединения данных отдельных нейронных сетей был предпринят следующий шаг объединения сетей по признаку укрупнения групп обрабатываемых материалов и расширения диапазонов режимов резания. В отличие от предыдущего объединения в данном случае отдельные исходные данные вошли в состав нескольких нейронных сетей. Это было выполнено с целью выявления влияния диапазонов изменения входных параметров на точность выходного параметра. Таким образом, были созданы три укрупненные нейронные сети, данные в которых частично перекрываются:
1. Комбинированная нейронная сеть 2_4_5_6_7 (данные сетей № 2, № 4, № 5-7), включающая условия обработки нержавеющих, низколегированных и конструкционных сталей.
2. Комбинированная нейронная сеть 1_2_3_4_5_6_7 (данные сетей № 1-7), включающая условия обработки цветных металлов, нержавеющих, низколегированных и конструкционных сталей.
3. Комбинированная нейронная сеть 2_4_5_6_7_8_9 (данные сетей № 2, № 4-9), включающая условия обработки нержавеющих, низколегированных, конструкционных сталей и высокопрочных материалов (жаропрочного сплава и инструментальной стали).
На рис. 3 представлены гистограммы ошибок и графики регрессии, указанных нейронный сетей, а в табл. 3 сведены данные условий обработки указанных групп материалов и полученная точность нейросетевых моделей.
а б
в
Рис. 3. Гистограмма ошибок и график регрессии: а – ИНС 2_4_5_6_7; б – ИНС 1_3_2_4_5_6_7;
в – ИНС 2_4_5_6_7_8_9
Таблица 4
Результаты вторично объединенных нейронных сетей
|
№ |
Твердость материала |
Диапазон скорости V, ,м/мин |
Диапазон подач S, мм/об |
Диапазон глубины резания t, мм |
Объем данных |
Относительная погрешность, % |
|
1
|
Нейронная сеть 2_4_5_6_7 для обработки материалов: нержавеющие стали IDM 8365 и 1Cr18Ni9Ti, низколегированная сталь, конструкционные стали 9SMnPb28K и сталь 50 |
|||||
|
170–230 |
70–313,2 |
0,03–0,6 |
0,08–2,34 |
196 |
6,74 |
|
|
2 |
Нейронная сеть 1_3_2_4_5_6_7 для обработки материалов: алюминиевый сплав, латунь, нержавеющие стали IDM 8365 и 1Cr18Ni9Ti, низколегированная сталь, конструкционные стали 9SMnPb28K и сталь 50 |
|||||
|
80– 230 |
28–313,2 |
0,002–4,8 |
0,08–2,34 |
301 |
11,47 |
|
|
3 |
Нейронная сеть 2_4_5_6_7_8_9 по обработке материалов: нержавеющие стали IDM 8365 и 1Cr18Ni9Ti, низколегированная сталь, конструкционные стали 9SMnPb28K и сталь 50, жаропрочный сплав Inconel718 и инструментальная штамповая сталь 4Х5МФ1С |
|||||
|
170–373 |
47,5–313,2 |
0,03–0,72 |
0,08–2,34 |
243 |
4,50 |
|
Полученные результаты объединения являются вполне удовлетворительными. Наименьшую точность с погрешностью 11 % имеет 2 сеть, в состав которой вошли как мягкие материалы (алюминий и латунь), так и более твердые (конструкционные и нержавеющие стали) с разностью твердости в 150 единиц НВ. При этом 3 сеть имеет разницу в твердости включенных материалов 200 единиц НВ, но существенно меньшую погрешность 4,5 %. Это связано с условиями формирования шероховатости поверхности для отдельных материалов. Закономерности формирования шероховатости при обработке различных типов сталей являются более близкими, в отличие от обработки алюминия и латуни, имеющих существенно более высокую теплопроводность и склонных к наростообразованию.
На последнем этапе исследования выполнено объединение всех имеющихся экспериментальных данных в одну нейронную сеть. Нейронная сеть 1_2_3_4_5_6_7_8_9 предусматривает возможность прогнозирования шероховатости поверхности для широкого диапазона обрабатываемых материалов и режимов резания: от самых мягких (алюминий, латунь) до наиболее твердых (жаропрочный сплав, инструментальная сталь), включая материалы средней твердости (нержавеющие, конструкционные и низколегированные стали). Такой охват даст более широкую применяемость проектируемой нейронной сети. Для ее создания были использованы выборки всех предыдущих нейронных сетей, обучение производилось по алгоритму Байесовской регуляризации при созданных 300 скрытых слоях.
В результате была получена рабочая нейронная сеть, обладающая наибольшей универсальностью по сравнению с ранее представленными. На рис. 4 изображены гистограмма ошибок и график регрессии. После тестирования сеть показывает среднюю относительную погрешность результата в 7,64 %. Итоговые характеристики данной сети сведены в табл. 5.
Рис. 4. Графики процесса обучения нейронной сети 1_2_3_4_5_6_7_8_9
Таблица 5
Погрешности проверочных выборок
|
№ ИНС |
1_2_3_4_5_6_7_8_9 |
|
Обрабатываемый материал |
Алюминиевый сплав, латунь, нержавеющие стали IDM 8365 и 1Cr18Ni9Ti, низколегированная сталь, конструкционные стали 9SMnPb28K и сталь 50, жаропрочный сплав Inconel 718 и инструментальная штамповая сталь 4Х5МФ1С |
|
Твердость |
80–373 |
|
Диапазон скорости V, м/мин |
28–313,2 |
|
Диапазон подач S, мм/об |
0,002–4,8 |
|
Диапазон глубины резания t, мм |
0,08–2,34 |
|
Объем данных |
348 |
|
Относительная погрешность, % |
7,64 |
Выводы. Использование искусственных нейронных сетей для прогнозирования шероховатости обрабатываемой поверхности при механической обработке позволяет создавать как узкоспециализированные модели для определенных материалов, так и широкоуниверсальные модели для групп материалов с различными физико-механическими свойствами при наличии достаточной базы данных для обучения сети. В зависимости от объема исходных данных и диапазонов их изменения представленные нейросетевые модели показали относительную погрешность в пределах от 2 % до 15 %. Хорошие результаты получены при объединении отдельных баз данных в укрупненные группы по признаку физико-механических свойств и создании на их основе комбинированных нейросетевых моделей. Так, получена широкоуниверсальная модель прогнозирования шероховатости при фрезеровании различных материалов: от наиболее мягких цветных металлов до высокотвердых жаропрочных сплавов, относительная погрешность которой составляет 8 %. Для дальнейшего совершенствования данной нейронной сети требуется увеличение объема базы данных по обработке различных материалов, исключение некорректных данных, а так же возможное добавление новых входных параметров и их комбинирование при широком диапазоне обрабатываемых материалов.
1. Erygin E.V., Duyun T.A. Prediction of roughness in finishing milling using neural networks [Prognozirovanie sherohovatosti pri chistovom frezerovanii s ispol'zovaniem nejronnyh setej]. Bulletin of BSTU named after V.G. Shukhov. 2019. No. 10. Pp. 135-141.
2. Palani S., Kesavanarayana Y. Prediction of Surface Roughness in End Milling Process by Machine Vision Using Neuro Fuzzy Network. International Conference on Science, Engineering and Management Research (ICSEMR). 2014. Pp. 1-5.
3. Kovač P., Savković B., Gostimirovic M., Jesic D., Mankova I.. Modeling of the Machining Surface Roughness Parameters for Steel Difficult to Machining. ANALELE UNIVERSITĂŢII “EFTIMIE MURGU” REŞIŢA ANUL XXIV. 2017. Vol. 1. Pp. 1453-7397.
4. SoltanI. M., Eltaib M. E. H., El-Zahry R. M. Surface roughness prediction in end millingusing multiple regression and adaptive neuro-fuzzy inference system. Fourth Assiut University Int. Conf. on Mech. Eng. Advanced Tech. For Indus. Prod., 2006. Pp. 614-620.
5. Xiao M., Shen X., Ma Y., Yang F., Gao N., Wei W., Wu D. Prediction of surface roughness and optimization of cutting parameters of stainless steel turning based on RSM. Hindawi Mathematical Problems in Engineering. 2018. Pp. 1-16.
6. Parmar J. G., Makwana A. Prediction of surface roughness for end milling process using Artificial Neural Network. International Journal of Modern Engineering Research (IJMER). 2012 Vol. 2. Pp. 1006-1013.
7. Davim J. P. A note on the determination of optimal cutting conditions for surface finish obtained in turning using design of experiments. Journal of materials processing technology. 2001. Vol. 116. Pp. 305-308.
8. Sahin Y., Motorcu A.R. Surface roughness model in machining hardened steel with cubic boron nitride cutting tool. International Journal of Refractory Metals & Hard Materials. 2008. Vol. 26. Pp. 84-90.
9. Sarkar B., Reddy M. M., Debnath S. Effect of machining parameters on surface finish of Inconel 718 in end milling. MATEC Web of Conferences 95. 2017. Pp. 1-6.
10. Tao F., Weijun L., Jibin Z. Optimization of cutting parameters using multiobjective evolutionary algorithm based on decomposition. Journal of Vibroengineering. 2013. Vol. 15. Pp. 833-844.
