сотрудник
Старый Оскол, Белгородская область, Россия
сотрудник
Старый Оскол, Белгородская область, Россия
УДК 621.9.048 Эрозионная, ультразвуковая и электроннолучевая обработка
ББК 346 Отдельные машиностроительные и металлоперерабатывающие процессы и производства
Цель исследования заключается в возможности применения интеллектуальных систем совместно с технологией вибрационного точения с целью обеспечения качества поверхностного слоя и повышения эксплуатационных свойств изделий в таких отраслях как автомобилестроение, авиастроение, космическая техника, горно-металлургическая техника и т.д. Задача, решению которой посвящена статья, заключается в обеспечении эксплуатационных свойств деталей машин методом вибрационного точения. В большей степени эксплуатационные свойства зависят от параметров качества поверхностного слоя, которые определяют износостойкость, усталостную прочность и другие эксплуатационные свойства деталей машин. Методы исследования. Теоретический анализ литературных источников по формированию на контактирующих поверхностях деталей машин регулярного микрорельефа, позволяющего повысить эксплуатационные свойства деталей машин и оборудования. Новизна работы заключается в том, что будут получены нейросетевые модели, позволяющие по заданной форме регулярного микрорельефа, степени, глубине поверхностного слоя определять режимы обработки поверхности. Практическая значимость состоит в разработке технологии, которая позволит получать на поверхности деталей требуемый регулярный микрорельеф, степень, глубину, обеспечивающие им необходимые эксплуатационные характеристики. Результаты исследования. В результате проведенного теоретического анализа были представлены перспективы применения вибрационного точения совместно с интеллектуальными системами для обеспечения качества поверхностного слоя деталей машин при формирования регулярного микрорельефа. Выводы: одним из основных направлений развития современного машиностроения является создание автоматизированных систем управления жизненным циклом изделия на основе искусственного интеллекта. Особое внимание уделяется перспективам применения вибрационного резания для формирования регулярного микрорельефа. Обосновывается предположение о целесообразности создания интеллектуальной системы обеспечения качества поверхностного слоя деталей машин на основе искусственных нейронных сетей, позволяющей обеспечивать на поверхности детали регулярный микрорельеф заданной формы при требуемой степени, глубине.
микрорельеф, шероховатость, поверхность, характеристики, колебания, точение, обучение, нейронные сети
1. Шнейдер Ю.Г. Эксплуатационные свойства деталей с регулярным микрорельефом. Л.: Машиностроение. Ленингр. отд., 1982. 247 с.
2. Красный В.А., Максаров В.В. Триботехнические характеристики деталей горных машин с регулярной микрогеометрией поверхности // Металлообработка. 2016. №1 (91). С. 29-35.
3. Caixu Yue, Haining Gao, Xianli Liu, Steven Y. Liang Part Functionality Alterations Induced by Changes of Surface Integrity in Metal Milling Process: A Review // Applied Science. 2018. 8. 2550. 18 p. – doihttps://doi.org/10.3390/app8122550.
4. Кабалдин Ю.Г., Шатагин Д.А., Колчин П.В. Управление киберфизическими механообрабатывающими системами в цифровом производстве на основе искусственного интеллекта и облачных технологий. М.: Инновационное машиностроение, 2019. 292 с.
5. J. Wang and A. Kusiak Computational Intelligence in Manufacturing Handbook, CRC Press, Boca Raton, FL, 2001, 512 p.
6. S. Awasthi, M. Carlos Travieso-Gonzalez, S. Goutam Artificial Intelligence for a Sustainable Industry 4.0., Springer, 2021, 311 p.
7. Акинин М.В., Никифоров М.Б., Таганов А.И. Нейросетевые системы искусственного интеллекта в задачах обработки изображений. М.: Горячая линия Телеком, 2017. – 152 с.
8. Шелковников Е.Ю., Тюриков А.В., Гуляев П.В., Осипов Н.И. Классификация изображений наноструктуры поверхности с применением нейро-нечеткой сети // Химическая физика и мезоскопия. 2017. Т. 19, №2. С. 326-332.
9. Sinha, A., Bai, J., Ramani, K. Deep Learning 3D Shape Surfaces Using Geometry Images. In: Leibe, B., Matas, J., Sebe, N., Welling, M. Computer Vision – European Conference on Computer Vision 2016. Lecture Notes in Computer Science, vol. 9910. Springer, Cham. – doi.org/10.1007/978-3-319-46466-4_14
10. Медведева О.И. Управление качеством обработанной поверхности при резании на основе искусственного интеллекта. Дисс. … канд. техн. наук. Комсомольск-на-Амуре, 2002. 175 с.
11. Баранов Д.С., Дуюн Т.А. Применение искусственных нейронных сетей для прогнозирования шероховатости при чистовом и получистовом точении // Вестник БГТУ имени В. Г. Шухова. 2019. №7. С. 128-134. - DOI:https://doi.org/10.34031/article_5d35d0b62dc823.22670125
12. Anuja B., Kirubakaran T., Ranjit L. Surface Roughness Prediction using Artificial Neural Network in Hard Turning of AISI H13 Steel with Minimal Cutting Fluid Application // Procedia Engineering, 2014. pp. 205-211. – doi.org/10.1016/j.proeng.2014.12.243.
13. Asiltürk I., Çunkaş M. Modeling and prediction of surface roughness in turning operations using artificial neural network and multiple regression method. Expert systems with applications, 2011. – vol. 32. – I. 5. – pp. 5826-5832. doi.org/10.1016/j.eswa.2010.11.041.
14. Hashmi M.S.J. An optical method and neural network for surface roughness measurement // Optics and Lasers in Engineering, 1998. Vol. 29. I. 1. pp. 1-15. – doi.org/10.1016/S0143-8166(97)00088-2.
15. Quintana G., Garcia-Romeu M.L., Ciurana J. Surface roughness monitoring application based on artificial neural networks for ball-end milling operations // Journal of Intelligent Manufacturing, 2011. Vol. 22. pp. 607-617 – doi.org/10.1007/s10845-009-0323-5
16. Huaian Yi, Jian Liu, Peng Ao, Enhui Lu, Hang Zhang Visual method for measuring the roughness of a grinding piece based on color indice // Optics Express, 2016. Vol. 24. I. 15. pp. 17215-17233. –https://doi.org/10.1364/OE.24.017215.
17. Samta G. Measurement and evaluation of surface roughness based on optic system using image processing and artificial neural network // International Journal Advencher Manufacturing Technology, 2014. Vol. 73. pp. 353-364. –https://doi.org/10.1007/s00170-014-5828-1.
18. Алтунин К.А., Соколов М.В. Применение нейронных сетей для моделирования процесса токарной обработки // Вестник ТГТУ. 2016. №1. С. 122-133.
19. Vrabe M., Mankova I., Beno J., Tuharsky J. Surface roughness prediction using artificial neural networks when drilling Udimet 720 // Procedia Engineering, 2012. Vol. 48. pp. 693-700. https://doi.org/10.1016/j.proeng.2012.09.572.
20. Boukezzi F., Noureddine R., Benamar A., Noureddine F. Modelling, prediction and analysis of surface roughness in turning process with carbide tool when cutting steel C38 using artificial neural network. // International Journal of Industrial and Systems Engineering, 2017. Vol. 26. No. 4. pp. 567-583.
21. Vladimirov A., Afonin A., Makarov A. and Titova A., Revisiting the tangential oscillations of the tool to form the microrelief of the workpiece surface. Vibroengineering PROCEDIA, 2020. vol. 32. pp. 1–5. – doi.org/10.21595/vp.2020.21361
22. Владимиров А.А., Афонин А.Н., Макаров А.В., Назарова М.Ю. Геометрическая модель шероховатости при точении с маятниковыми колебаниями резца // Фундаментальные и прикладные проблемы техники и технологии. 2019. № 4-1 (336). С. 15-19.
23. Владимиров А.А., Афонин А.Н., Макаров А.В. Особенности механизма формирования микронеровности поверхности при вибрационном точении // Научно-технический вестник Поволжья. 2019. № 2. С. 27-29.
