Transport engineering Transport engineering Транспортное машиностроение 2782-5957 97418 10.30987/2782-5957-2025-4-4-11 Машиностроение Mechanical engineering Машиностроение PROSPECTS FOR THE USE OF INTELLIGENCE SYSTEMS TO ENSURE THE QUALITY OF THE SURFACE LAYER OF MACHINE PARTS ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДЛЯ ОБЕСПЕЧЕНИЯ КАЧЕСТВА ПОВЕРХНОСТНОГО СЛОЯ ДЕТАЛЕЙ МАШИН https://orcid.org/0000-0001-7992-1694 Владимиров Александр Андреевич Vladimirov Aleksandr Andreevich vladimirov.al.an@yandex.ru

кандидат технических наук;

candidate of technical sciences;

 https://orcid.org/0000-0002-3001-8362 Цыганков Юрий Александрович Tsygankov Yury Aleksandrovich TsY-18@yandex.ru

кандидат технических наук;

candidate of technical sciences;

 Старооскольский технологический институт им. А.А. Угарова (филиал) Национального исследовательского технологического университета «МИСИС» Старый Оскол Россия Starooskolsky Technological Institute (branch) of MISIS Stary Oskol Russian Federation Старооскольский технологический институт им. А.А. Угарова (филиал) Национального исследовательского технологического университета «МИСИС» Старый Оскол Россия Starooskolsky Technological Institute (branch) of MISIS Stary Oskol Russian Federation 30 04 2025 30 04 2025 2025 4 4 11 28 02 2025 04 03 2025 https://naukaru.ru/en/nauka/article/97418/view

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.

The study objective is to find the possibility of using intelligence systems together with vibration turning technology to ensure the quality of the surface layer and improve the performance properties of products in industries such as automotive, aircraft, space technology, mining and metallurgical engineering, etc. The task to which the paper is devoted is to ensure the operational properties of machine parts by vibration turning. To a greater extent, the operational properties depend on the quality parameters of the surface layer, which determine the wear resistance, fatigue strength and other operational properties of machine parts. Research methods. Theoretical analysis of literature references on the formation of regular microrelief on the contacting surfaces of machine parts, which makes it possible to improve the operational properties of machine parts and equipment. The novelty of the work is in the fact that neural network models will be obtained that allow determining surface treatment modes based on a given shape of a regular microrelief, degree, and depth of the surface layer. The practical significance is in the development of a technology that will allow obtaining the required regular microrelief, degree, and depth on the surface of the parts, providing them with the necessary operational characteristics. Study results. As a result of the theoretical analysis, the prospects of using vibration turning together with intelligence systems to ensure the quality of the surface layer of machine parts during the formation of a regular microrelief are presented. Conclusions: one of the main directions of developing modern mechanical engineering is creating automated product lifecycle management systems based on artificial intelligence. Special attention is paid to the prospects of using vibration cutting to form a regular microrelief. The assumption is substantiated about the expediency of creating an intelligence quality assurance system for the surface layer of machine parts based on artificial neural networks, which makes it possible to provide a regular microrelief of a given shape on the surface of the part at the required degree and depth.

 микрорельеф шероховатость поверхность характеристики колебания точение обучение нейронные сети microrelief roughness surface characteristics vibrations turning learning neural networks

Шнейдер Ю.Г. Эксплуатационные свойства деталей с регулярным микрорельефом. Л.: Машиностроение. Ленингр. отд., 1982. 247 с. Schneider YuG. Operational properties of parts with regular microrelief. Leningrad: Mashinostroenie; 1982. Красный В.А., Максаров В.В. Триботехнические характеристики деталей горных машин с регулярной микрогеометрией поверхности // Металлообработка. 2016. №1 (91). С. 29-35. Krasny VA, Maksarov VV. Tribotechnical characteristics of mining machine parts with regular surface microgeometry. Metalworking. 2016;1(91):29-35. 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. – doi:10.3390/app8122550. Caixu Yu, Haining G, Xianli L, Steven Y. Liang part functionality alterations induced by changes of surface integrity in metal milling process: review. Applied Science. 2018;8(2550):18. doi:10.3390/app8122550. 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. Kabaldin YuG, Shatagin DA, Kolchin PV. Management of cyberphysical machining systems in digital production based on artificial intelligence and cloud technologies. Moscow: Innovatsionnoe Mashinostroenie; 2019. J. Wang and A. Kusiak Computational Intelligence in Manufacturing Handbook, CRC Press, Boca Raton, FL, 2001, 512 p. Wang, Kusiak A. Computational intelligence in manufacturing: handbook. CRC Press, Boca Raton, FL; 2001. S. Awasthi, M. Carlos Travieso-Gonzalez, S. Goutam Artificial Intelligence for a Sustainable Industry 4.0., Springer, 2021, 311 p. Awasthi S, Carlos Travieso-Gonzalez M, Goutam S. Artificial intelligence for a sustainable industry 4.0. Springer; 2021. Акинин М.В., Никифоров М.Б., Таганов А.И. Нейросетевые системы искусственного интеллекта в задачах обработки изображений. М.: Горячая линия Телеком, 2017. – 152 с. Akinin MV, Nikiforov MB, Taganov AI. Neural network systems of artificial intelligence in image processing tasks. Moscow: Hotline Telecom; 2017. 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. Shelkovnikov EYu, Tyurikov AV, Gulyaev PV, Osipov NI. Classification of surface nanostructure images using a neuro-fuzzy network. Chemical Physics and Mesoscopics. 2017;19(2):326-332. 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 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 Медведева О.И. Управление качеством обработанной поверхности при резании на основе искусственного интеллекта. Дисс. … канд. техн. наук. Комсомольск-на-Амуре, 2002. 175 с. Medvedeva OI. Quality management of the treated surface during cutting based on artificial intelligence [dissertation]. [Komsomolsk-on-Amur (RF)]; 2002. 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: 10.34031/article_5d35d0b62dc823.22670125 Baranov DS, Duyun TA. Use of artificial neural networks for predicting roughness during finishing and semi-finishing turning. Bulletin of BSTU named after VG. Shukhov. 2019;7:128-134. DOI: 10.34031/article_5d35d0b62dc823.22670125 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. Anuja B, Kirubakaran , Ranjit L. Surface roughness prediction using artificial neural network in hard turning of AISI H13 steel with minimal cutting fluid application. Procedia Engineering, 2014:205-211. doi.org/10.1016/j.proeng.2014.12.243. 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. 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;32(5):5826-5832. doi.org/10.1016/j.eswa.2010.11.041. 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. Hashmi MSJ. An optical method and neural network for surface roughness measurement. Optics and Lasers in Engineering. 1998;29(1):1-15. doi.org/10.1016/S0143-8166(97)00088-2. 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 Quintana G, Garcia-Romeu ML, Ciurana J. Surface roughness monitoring application based on artificial neural networks for ball-end milling operations. Journal of Intelligent Manufacturing. 2011;22:607-617. doi.org/10.1007/s10845-009-0323-5 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. – 10.1364/OE.24.017215. 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;24(15):17215-17233. 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. – 10.1007/s00170-014-5828-1. 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;73:353-364. Алтунин К.А., Соколов М.В. Применение нейронных сетей для моделирования процесса токарной обработки // Вестник ТГТУ. 2016. №1. С. 122-133. Altunin KA, Sokolov MV. Application of neural networks for modeling turning. Transactions of the TSTU. 2016;1:122-133. 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. 10.1016/j.proeng.2012.09.572. Vrabe M, Mankova I, Beno J, Tuharsky J. Surface roughness prediction using artificial neural networks when drilling Udimet 720. Procedia Engineering. 2012;48:693-700. 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. 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;26(4):567-583. 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 Vladimirov A, Afonin A, Makarov A, Titova A. Revisiting the tangential oscillations of the tool to form the microrelief of the workpiece surface. Vibroengineering PROCEDIA. 2020;32:1–5. doi.org/10.21595/vp.2020.21361 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. Vladimirov AA, Afonin AN, Makarov A, Nazarova MYu. Geometric model of roughness during turning with pendulum vibrations of a cutter. Fundamental and Applied Problems of Technics and Technology. 2019;4-1 (336):15-19. 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. Vladimirov AA, Afonin AN, Makarov AV. Features of the mechanism of forming microroughnesses of the surface during vibration turning. Scientific and Technical Volga region Bulletin. 2019;2:27-29.