Иркутск, Иркутская область, Россия
студент с 01.01.2022 по 01.01.2025
Иркутск, Иркутская область, Россия
студент с 01.01.2022 по 01.01.2025
Иркутск, Иркутская область, Россия
УДК 621.9.014.5 Скорость обработки. Скорость машин и инструментов
УДК 004.891.2 Консультационные экспертные системы
Представлены результаты исследования возможностей машинного обучения для повышения эффективности экспериментальных исследований режущих инструментов для обработки титана. В статье рассмотрена проблема снижения расходов при испытании режущих инструментов. Исследования включали в себя как реальные тесты на высокопроизводительном оборудовании, так и прогнозирование наиболее эффективных режимов резания с помощью разработанной программы на языке Python. Эксперименты проводились на фрезерном обрабатывающем центре DMG DMU80P duoBlock. В качестве обрабатываемого материала был использован титановый сплав ВТ23. Обработка выполнялась фрезами со сменными многогранными пластинами из твердого сплава марки HCS35X. В ходе экспериментов измерялся износ инструмента, и определялась производительность процесса обработки. Измерение износа производилось на приборе для измерения инструмента вне станка Zoller Genius III. Полученные в ходе экспериментов данные использованы в разработанной программе для определения наиболее эффективных режимов резания, обеспечивающих максимальную производительность обработки. Для прогнозирования применялась модель регрессии на основе дерева решений. Проверка прогноза, сгенерированного программой, осуществляется проведением дополнительного теста на рекомендованных режимах резания. Расхождение между прогнозом и экспериментальным результатом составило 14 %. В результате выполненной работы показана возможность сократить количество тестов за счет применения методов машинного обучения. 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. Даны рекомендации по продолжению исследований с увеличением количества данных для машинного обучения и анализом дополнительных факторов, таких как характер износа режущей кромки инструмента.
фрезерование, титановый сплав, испытания инструмента, стойкость инструмента, машинное обучение, регрессионная модель
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., 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. Серебренникова А.Г., Гурылев В.Б. Титановый сплав ВТ22: исследование зависимости выходных параметров токарной обработки от геометрии режущего инструмента // Вестник Иркутского государственного технического университета. 2020. Т. 24, № 3 (152). С. 548−560. DOIhttps://doi.org/10.21285/1814-3520-2020-3-548-560.
3. Бондаренко И.Р., Гринёк А.В., Ковалев Л.А. Имитационное моделирование как эффективное средство исследования силовых характеристик резания при высокопроизводительном фрезеровании // Вестник БГТУ им. В.Г. Шухова. 2018. № 6. С. 90. DOI:https://doi.org/10.12737/article_5b115a6e582483.82239040.
4. Козлов С.В. Теоретические основы повышения эффективности механической обработки титановых сплавов // Интернаука. 2021. № 20 (196). С. 60−64. EDN OSDINE.
5. Матлыгин Г.В., Савилов А.В., Николаев А.Ю., Тимофеев С.А. Исследование отклонений формы изделий из быстрорежущей стали при точении фрезерованием на станках с ЧПУ Тимофеев // Наукоемкие технологии в машиностроении. 2023. № 7 (145). С. 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. Салихов М.Р., Юрьева Р.А. Алгоритм прогнозирования состояния оборудования на основе машинного обучения // Приборостроение. 2022. № 9. URL: https://cyberleninka.ru/article/n/algoritm-prognozirovaniya-sostoyaniya-oborudovaniya-na-osnove-mashinnogo-obucheniya
12. Панин Е.П. Прогнозирование технического состояния оборудования на основе ансамблевых методов машинного обучения // Вестник науки. 2025. № 6 (87). URL: https://cyberleninka.ru/article/n/prognozirovanie-tehnicheskogo-sostoyaniya-oborudovaniya-na-osnove-ansamblevyh-metodov-mashinnogo-obucheniya
13. Бондаренко И.Р., Гринёк А.В., Ковалев Л.А. Имитационное моделирование как эффективное средство исследования силовых характеристик резания при высокопроизводительном фрезеровании // Вестник БГТУ имени В. Г. Шухова. 2018. № 6. URL: https://cyberleninka.ru/article/n/imitatsionnoe-modelirovanie-kak-effektivnoe-sredstvo-issledovaniya-silovyh-harakteristik-rezaniya-pri-vysokoproizvoditelnom
14. Шишков Н.Г., Астапов В.С., Муртазов А.К. Применение методов машинного обучения для прогнозирования износа инструмента фрезерования в условиях автоматизированного производства// Вестник Тихоокеанского государственного университета (Вестник ТОГУ). 2025. № 2 (77). С. 47–58. DOI: https://doi.org/10.38161/1996-3440-2025-2-47-58.
