Preview

Разработка цифрового двойника процесса точения на основе машинного обучения

https://doi.org/10.18323/2073-5073-2021-1-32-41

Полный текст:

Аннотация

На сегодняшний день производственные технологии развиваются в рамках концепции «Индустрия 4.0», которая представляет собой внедрение информационных технологий в промышленности. Одной из наиболее перспективных цифровых технологий, находящей все большее применение в производстве, является цифровой двойник, представляющий собой ансамбль математических моделей технологического процесса, который обменивается информацией со своим физическим прототипом в режиме реального времени. В работе рассматривается пример формирования нескольких взаимосвязанных прогнозирующих модулей, входящих в структуру цифрового двойника процесса точения и предназначенных для прогнозирования качества обработки, характера стружкообразования, силы резания. Проведен трехфакторный эксперимент по твердому точению стали ХВГ, закаленной до твердости 55 HRC. На примере проведенного эксперимента описан процесс разработки диагностического модуля цифрового двойника на основе искусственных нейронных сетей. Выявлены более высокие точность, адаптивность и универсальность искусственных нейронных сетей при разработке математической модели для прогнозирования и диагностики процесса резания. Разработанная математическая модель онлайн-диагностики процесса резания для определения качества поверхности и типа стружки при обработке использует фактическое значение снимаемого припуска, определяемого косвенно по силовой нагрузке на приводе. При этом модель использует только сигналы датчиков, входящих в диагностическую подсистему на станке с ЧПУ. В качестве информативного признака, отражающего силовую нагрузку на приводе главного движения станка, выбрано значение энергии сигнала силы тока в моторе привода шпинделя. Установлено, что развитие цифрового двойника возможно за счет разработки дополнительных модулей, прогнозирующих точность размеров, геометрический профиль, износ инструмента.

Об авторах

Дмитрий Александрович Расторгуев
Тольяттинский государственный университет, Тольятти (Россия)
Россия

кандидат технических наук, доцент кафедры «Оборудование и технологии машиностроительного производства»



Александр Александрович Севастьянов
Тольяттинский государственный университет, Тольятти (Россия)
Россия

магистрант кафедры «Оборудование и технологии машиностроительного производства»



Список литературы

1. Altintas Y. Manufacturing automation. UK: Cambridge University Press, 2012. 366 p.

2. Кабалдин Ю.Г., Шатагин Д.А., Колчин П.В. Разработка «цифрового двойника» токарного станка с ЧПУ // Тенденции развития науки и образования. 2018. № 45-8. С. 44–50.

3. Кабалдин Ю.Г., Шатагин Д.А., Кузьмишина А.М. Разработка цифрового двойника режущего инструмента для механообрабатывающего производства // Тенденции развития науки и образования. 2018. № 45-8. С. 50–57.

4. Переверзев П.П. Особенности разработки математической модели съема металла для цифрового двойника процесса круглого шлифования с ЧПУ // Вестник Южно-Уральского государственного университета. Серия: Машиностроение. 2020. Т. 20. № 3. С. 72–81.

5. Li X. Real-Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 3. Cutting Force Estimation Using Current Sensors // International Journal of Advanced Manufacturing Technology. 2001. Vol. 17. № 9. P. 659–664.

6. Li X. Real-Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 4. Cutting-Force-Induced Errors // International Journal of Advanced Manufacturing Technology. 2001. Vol. 17. № 9. P. 665–669.

7. Altintas Y. Virtual High Performance Machining // Procedia CIRP. 2016. Vol. 46. P. 372–378. DOI: 10.1016/j.procir.2016.04.154.

8. Yeung C.-H., Altintas Y., Erkorkmaz K. Virtual CNC system. Part I. System architecture // International Journal of Machine Tools and Manufacture. 2006. Vol. 46. № 10. P. 1107–1123. DOI: 10.1016/j.ijmachtools.2005.08.002.

9. Заковоротный В.Л., Лукьянов В.Ф., Фам Д.Т., Фам Т.Х. Кинематические возмущения стационарных траекторий формообразующих движений в динамической системе резания // Вестник Донского государственного технического университета. 2011. Т. 11. № 9. С. 1555–1563.

10. Васин С.А. Прогнозирование виброустойчивости инструмента при точении и фрезеровании. М.: Машиностроение, 2006. 384 с.

11. Расторгуев Д.А., Севастьянов А.А. Исследование твердого точения стали ХВГ // Вектор науки Тольяттинского государственного университета. 2018. № 4. С. 24–32.

12. Rastorguev D., Sevastyanov A. Diagnostics of chip formation and surface quality by parameters of the main drive current in the hard turning // Materials Today: Proceedings. 2019. Vol. 19. P. 1845–1851. DOI: 10.1016/j.matpr.2019.07.025.

13. Лозовский И.Ф. Цифровая обработка сигналов в РЛС обзора. Новосибирск: НГТУ, 2016. 270 с.

14. Kim D., Jeon D. Fuzzy-logic control of cutting forces in CNC milling processes using motor currents as indirect force sensors // Precision Engineering. 2011. Vol. 35. № 1. P. 143–152. DOI: 10.1016/j.precisioneng.2010.09.001.

15. Khajavi M.N., Nasernia E., Rostaghi M. Milling tool wear diagnosis by feed motor current signal using an artificial neural network // Journal of Mechanical Science and Technology. 2016. Vol. 30. № 11. P. 4869–4875. DOI: 10.1007/s12206-016-1005-9.

16. Labidi A., Tebassi H., Belhadi S., Khettabi R., Yallese M.A. Cutting Conditions Modeling and Optimization in Hard Turning Using RSM, ANN and Desirability Function // Journal of Failure Analysis and Prevention. 2018. Vol. 18. № 4. P. 1017–1033. DOI: 10.1007/s11668-018-0501-x.

17. Хайкин С. Нейронные сети. 2-е изд. М.: ИД Вильямс, 2016. 1104 с.

18. Ерыгин Е.В., Дуюн Т.А. Прогнозирование шероховатости поверхности при чистовом фрезеровании с использованием нейронных сетей // Вестник Белгородского государственного технологического университета им. В.Г. Шухова. 2019. № 10. С. 135–141.

19. Chavoshi S.Z., Tajdari M. Surface roughness modelling in hard turning operation of AISI 4140 using CBN cutting tool // International Journal of Material Forming. 2010. Vol. 3. № 4. P. 233–239. DOI: 10.1007/s12289-009-0679-2.

20. Gupta A.K., Guntuku S.C., Desu R.K., Balu A. Optimisation of turning parameters by integrating genetic algorithm with support vector regression and artificial neural networks // International Journal of Advanced Manufacturing Technology. 2015. Vol. 77. № 1-4. P. 331–339. DOI: 10.1007/s00170-014-6282-9.


Для цитирования:


Расторгуев Д.А., Севастьянов А.А. Разработка цифрового двойника процесса точения на основе машинного обучения. Вектор науки Тольяттинского государственного университета. 2021;(1):32-41. https://doi.org/10.18323/2073-5073-2021-1-32-41

For citation:


Rastorguev D.A., Sevastyanov A.A. Development of turning process digital twin based on machine learning. Science Vector of Togliatti State University. 2021;(1):32-41. (In Russ.) https://doi.org/10.18323/2073-5073-2021-1-32-41

Просмотров: 109


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2073-5073 (Print)
ISSN 2712-8458 (Online)