Irkutsk, Irkutsk region, Russian Federation
student from 01.01.2022 to 01.01.2025
Irkutsk, Irkutsk region, Russian Federation
student from 01.01.2022 to 01.01.2025
Irkutsk, Irkutsk region, Russian Federation
UDC 621.9.014.5
UDC 004.891.2
Findings of possibilities connected with computer-aided instructions applied for experimental studies upgrading for cutting tools for processing titanium are presented. The article discusses the problem of reducing costs when testing cutting tools. The research included both real-world tests on high-performance equipment and predicting the most efficient cutting modes using a developed Python program. The experiments were carried out at the DMG DMU80P duoBLOCK milling processing center. VT23 titanium alloy was used as the processed material. The machining was carried out with milling cutters using interchangeable polyhedral plates made of HCS35X hard alloy. During the experiments, tool wear was measured and the process performance was determined. Wear measurement was performed on a tool measuring device outside the Zoller Genius III machine. The data obtained within experiments were used in the developed program to determine the most effective cutting modes that ensure maximum process performance. A decision tree regression model was used for forecasting. The forecast generated by the program is checked by performing an additional test on the recommended cutting modes. The discrepancy between the forecast and the experimental result was 14 %. The performed work has resulted in the possibility to reduce the number of tests through computer-aided instructions. The results of the conducted research can be used for cost saving when testing cutting tools both in the laboratory and in working conditions. The greatest effect can be achieved when testing tools for working of difficult-to-process materials. Recommendations are given for continuing research with an increase in the amount of data for machine learning and the analysis of additional factors, such as the nature of wear on the cutting edge of the tool.
milling, titanium alloy, tool testing, tool durability, computer-aided instruction, regression model
Введение
Конкурентоспособность современного машиностроительного производства зависит от эффективности процессов механообработки. Повышение производительности процесса резания в значительной степени влияет на снижение технологической себестоимости обрабатываемых деталей и выпускаемой продукции в целом. В свою очередь производительность процесса обработки определяется выбором оптимального режущего и вспомогательного инструмента и назначением оптимальных режимов резания. Процедура выбора оптимального режущего инструмента в настоящее время затруднена общим характером
рекомендаций, предлагаемых его производителями. Указанные рекомендации, как правило, не учитывают особенности конкретной технологической системы, что затрудняет их применение в условиях реального производства
[1, 2].
Использование имитационного моделирования для определения наилучших параметров обработки также не дает ожидаемого эффекта ввиду сложности учета большого количества факторов, влияющих на процесс резания [3]. В такой ситуации важную роль играют испытания режущего инструмента в условиях максимально приближенных к производственным. Однако такие испытания требуют значительных материальных и временных затрат. Причем эти затраты резко возрастают при обработке труднообрабатываемых материалов, таких как титан жаропрочные сплавы, материалы высокой твердости [4].
Существующие методы планирования эксперимента вынуждают исследователей проводить большое количество экспериментов, чтобы получить достоверную информацию о работоспособности и стойкости режущего инструмента. Это характерно не только для широко используемых при испытаниях режущих инструментов композиционных и некомпозиционных планов, но и для статистического метода Тагучи [5, 6].
Задача усложняется, если кроме определения технических выходных параметров обработки, требуется проведение технико-экономического анализа инструмента. В этом случае увеличивается как объём входных данных, так и в целом трудоёмкость обработки полученных результатов.
Одним из перспективных направлений в поиске сокращения затрат при испытании инструмента является внедрение методов искусственного интеллекта (ИИ). Используя некоторые методы ИИ в производственных задачах, к примеру, такой как машинное обучение (МО), представляется возможным решать задачи классификации, регрессии и сегментации [6, 7]. Следует отметить, что сегодня использование МО при испытаниях режущего инструмента находится в начальной стадии. Научные публикации, подтверждающие успешное ИИ при решении данных задач, практически отсутствуют.
В связи с изложенным, снижение затрат и повышение достоверности результатов испытаний режущих инструментов можно считать актуальной задачей.
Материалы и методы
Экспериментальные исследования проводились в два этапа. На первом этапе были проведены эксперименты на фрезерном обрабатывающем центе DMU80P duoBlock. В качестве обрабатываемого материала был использован титановый сплав ВТ23. Химический состав материала приведен в табл. 1, а его механические свойства в табл. 2. Заготовки для испытаний представляли собой плиты размером 300×200×100 мм. Установка заготовок осуществлялась непосредственно на столе станка с последующей фиксацией с помощью прихватов.
Режущий инструмент был представлен фрезами со сменными многогранными пластинами СКИФ-М MT190-025G12R05BD10-IK с хвостовиком G25-QCH-M12-148C 4470017249. На фрезы были установлены пластины BDMT10T330ER из твердого сплава марки HCS35X. Установка фрезы в шпиндель станка осуществлялась с использованием гидропластового патрона CoroChuck 930-150-HD-32-077. Рабочая зона станка с установленными заготовками и режущим инструментом в шпинделе показана на рис. 1.
Режимы резания для фрезы MT190-025G12R05BD10-IK приведены в табл. 3.
Для определения стойкости производились измерения износа пластин по передней и задней поверхности с использованием прибора для измерения инструмента вне станка Zoller Genius III. Испытания прекращались при достижении величины износа до 0,1 мм по задней поверхности.
Для каждого из 9-ти опытов была рассчитана производительность обработки Q, см3/мин, по формуле
где B – ширина резания, мм; t – глубина резания, мм; Sм – минутная подача, мм/мин.
Следующим этапом было прогнозирование наиболее эффективных режимов резания, обеспечивающих максимальную производительность обработки. Для реализации данной задачи была разработана программа на языке Python с графическим интерфейсом для работы с данными, полученными во время эксперимента. Блок схема программы и ее общий вид представлены на рис. 2. Программа представляет собой приложение для работы с Excel и CSV файлами, предварительно заполненными данными в табличном виде.
Графический интерфейс программы основан на библиотеке Flet. Данный выбор обусловлен перспективой создания веб-версии программы, простотой разработки и возможностью работы программы под управлением различных операционных систем. Для подгрузки данных используется библиотека Pandas. Прогноз осуществляется с использованием библиотеки машинного обучения Scikit-learn, она предоставляет простые и эффективные инструменты для анализа данных, построения моделей машинного обучения и выполнения задач, связанных с прогнозированием и классификацией. В данном случае применяется модель регрессии на основе дерева решений, связано это с малым объемом данных, работой с нелинейными зависимостями и отсутствием необходимости их нормализации [8, 9].
Проверка прогноза, сгенерированного программой, осуществляется проведением дополнительного теста на рекомендованных режимах резания.
Результаты и обсуждение
Зависимость производительности фрезы от стойкости, при работе на режимах резания указанных в табл. 3, приведена на рис. 3. Исходя из полученных данных, установлен наиболее производительный режим обработки № 1.
Данные, полученные в результате проведения испытаний, были обработаны аналитической программой, которая в процессе работы рассчитала следующие режимы резания и стойкость: v = 60 мм/мин; Sz = 0,19 мм/зуб;
Q = 13,57 см3/мин; прогнозируемое значение
T = 156, 43 мин.
В результате проведения дополнительного теста на рекомендуемых программой режимах резания была достигнута стойкость фрезы 135 мин, что почти на 22 мин или
на 14 % ниже прогноза [10]. Данный результат можно считать удовлетворительным. Для повышения точности прогноза требуется больше данных для анализа. Также следует ожидать повышение точности за счет учета дополнительных факторов [11, 12]. Например, важным показателем работоспособности инструмента кроме величины износа является его характер [13, 14]. Информация о характере износа может быть введена в программу в виде файла, содержащего изображение, полученное с помощью прибора для измерения инструмента вне станка.
Заключение
Разработано программное обеспечение, которое используя метод машинного обучения, анализирует результаты испытаний режущих инструментов и прогнозирует наиболее эффективные режимы резания, позволяющие достичь максимальной производительности для рассматриваемой технологической системы. Погрешность прогноза составила 14 %. Результаты проведённых исследований могут быть использованы для сокращения затрат при испытаниях режущих инструментов как в лабораторных, так и в производственных условиях. Наибольший эффект может быть достигнут при испытаниях инструментов для обработки труднообрабатываемых материалов. Рекомендуется проведение дополнительных исследований с увеличением количества данных для машинного обучения и анализом дополнительных факторов, таких как характер износа режущей кромки инструмента.
1. Xi L., Li L., Zhao J., Sutherland J.W. Parameter optimization of titanium alloy considering energy efficiency and tool wear based on RBFNN-MOPSO algorithm in milling // Journal of Manufacturing Processes. 2024. Vol. 122. P. 97−111. DOI:https://doi.org/10.1016/j.jmapro.2024.05.070.
2. Serebrennikova A.G., Gurylev V.B. Titanium alloy VT22: a study of the dependence of turning output parameters on the geometry of the cutting tool // Bulletin of Irkutsk State Technical University. 2020, vol. 24, no. 3 (152). pp. 548−560. DOIhttps://doi.org/10.21285/1814-3520-2020-3-548-560.
3. Bondarenko I.R., Grinek A.V., Kovalev L.A. Simulation modeling as an effective means of studying cutting power characteristics in high-performance milling // Bulletin of the BSTU named after V.G. Shukhov. 2018, no. 6, p. 90. DOI:https://doi.org/10.12737/article_5b115a6e582483.82239040.
4. Kozlov S.V. Theoretical foundations of increasing the efficiency of mechanical processing of titanium alloys // Internauka. 2021, no. 20 (196), pp. 60−64. EDN OSDINE.
5. Matlygin G.V., Savilov A.V., Nikolaev A.Yu., Timofeev S.A. Investigation of form deviations of high-speed steel (HSS) products under turning milling operation using automatically programmed tools // Science-intensive technologies in mechanical engineering. 2023, no. 7 (145), pp. 15−23. DOI:https://doi.org/10.30987/2223-4608-2023-7-15-23. EDN: https://elibrary.ru/EVCANO.
6. Saeed M.A., Junejo F., Amin I., Tanoli I.K., Algarni A.D., Ahmad S., Ateya A.A. A hybrid two stage Taguchi-regression-NSGA II-AHP-GRA, multi-objective optimization framework for sustainable straight slot milling of AZ31 magnesium alloy // Results in Engineering. 2025. Vol. 25. Art. 104451. DOI:https://doi.org/10.1016/j.rineng.2025.104451.
7. Karim K.A., Rashid A.B., Baki R.F., Maktum M.J. Machine Learning Algorithms for Manufacturing Quality Assurance: A Systematic Review of Performance Metrics and Applications // Array. 2025. Art. 100393. DOI:https://doi.org/10.1016/j.array.2025.100393.
8. Mohanraj T., Shankar S., Rajasekar R., Sakthivel N.R., Pramanik A. Tool condition monitoring techniques in milling process // Journal of Materials Research and Technology. 2020. Vol. 9, no. 1. P. 1032−1042. DOI:https://doi.org/10.1016/j.jmrt.2019.10.031.
9. Balasuadhakar A., Kumaran S.T., Uthayakumar M. Machine learning prediction of surface roughness in sustainable machining of AISI H11 tool steel // Smart Materials in Manufacturing. 2025. Vol. 3. Art. 100075. DOI:https://doi.org/10.1016/j.smmf.2025.100075.
10. Domínguez-Monferrer C., Ramajo-Ballester A., Armingol J.M., Cantero J.L. Spot-checking machine learning algorithms for tool wear monitoring in automatic drilling operations in CFRP/Ti6Al4V/Al stacks in the aircraft industry // Journal of Manufacturing Systems. 2024. Vol. 77. P. 96−111. DOI:https://doi.org/10.1016/j.jmsy.2024.08.023.
11. Salikhov M.R., Yuryeva R.A. Algorithm for predicting the state of equipment based on machine learning // Instrument engineering. 2022, no. 9. URL: https://cyberleninka.ru/article/n/algoritm-prognozirovaniya-sostoyaniya-oborudovaniya-na-osnove-mashinnogo-obucheniya
12. Panin Ye.P. Forecasting the technical condition equipment based on ensembles machine learning methods // Bulletin of Science. 2025, no. (87). URL: https://cyberleninka.ru/article/n/prognozirovanie-tehnicheskogo-sostoyaniya-oborudovaniya-na-osnove-ansamblevyh-metodov-mashinnogo-obucheniya
13. Bondarenko I.R., Grinek A.V., Kovalev L.A. Simulation modeling as an effective means of studying cutting power characteristics in high-performance milling // Bulletin of the BSTU named after V. G. Shukhov. 2018, no. 6. URL: https://cyberleninka.ru/article/n/imitatsionnoe-modelirovanie-kak-effektivnoe-sredstvo-issledovaniya-silovyh-harakteristik-rezaniya-pri-vysokoproizvoditelnom
14. Shishkov N.G., Astapov V.S., Murtazov A.K. Application of machine learning methods to predict the runout of milling tools in automated production// Bulletin of the Pacific State University (Bulletin of the TOGU). 2025, no. 2 (77), pp. 47−58. DOI: https://doi.org/10.38161/1996-3440-2025-2-47-58.
