Управление динамической устойчивостью металлорежущих систем в процессе резания по фрактальности шероховатости обработанной поверхности

Проблема повышения эффективности механической обработки в условиях современного автоматизированного производства является актуальной для многих отраслей перерабатывающей промышленности. Данная проблема требует глубокого изучения физических процессов, происходящих при резании. Ее актуальность еще более возрастает с развитием цифрового производства в нашей стране. Сегодня при наличии широкой номенклатуры изделий предприятия вынуждены создавать условия для сокращения технологического цикла при производстве того или иного изделия. Для проведения исследования был поставлен эксперимент, в котором в качестве обрабатываемого материала использовалась углеродистая сталь У8, а в качестве инструментального материала – Т15К6. В ходе проведения эксперимента наблюдали за изменением шероховатости обработанной поверхности в зависимости от скорости резания. В работе рассмотрена возможность оценки качества поверхностного слоя при резании на основе фрактального и нейронносетевого моделирования. Обнаружено, что фрактальная размерность показывает регулярность воспроизведения неровностей на обработанной поверхности при резании. Рассчитанная фрактальная размерность шероховатости обработанной поверхности хорошо коррелирует со значениями шероховатости обработанной поверхности (коэффициент корреляции 0,8–0,9). Разработана структура нейронной сети, позволяющая управлять качеством обработанной поверхности в зависимости от условий резания. Изучена возможность использования нейронносетевых моделей для управления технологическими системами обработки резанием. Предложено при создании цифровых двойников учитывать факторы, влияющие на качество обработанной поверхности и производительность обработки, которые слабо поддаются учету при моделировании, а также при проведении натурных экспериментов в ходе механической обработки. Такими факторами являются износ режущего инструмента, процесс пластической деформации и динамика резания.

1. Кудинов А.В. Фрактальный подход к формированию поверхностей на металлорежущих станках // СТИН. 1996. № 6. С. 13–16.

2. Федер Е. Фракталы. М.: Мир, 1991. 260 с.

3. Кабалдин Ю.Г., Шатагин Д.А., Колчин П.В. Управление киберфизическими системами в цифровом производстве на основе искусственного интеллекта и облачных технологий. М.: Иновационное машиностроение, 2019. 293 с.

4. Исаев А.И. Процесс образования поверхностного слоя при обработке металлов резанием. М.: Машгиз, 1950. 358 с.

5. Кабалдин Ю.Г. Механизмы деформации срезаемого слоя и стружкообразование при резании // Вестник машиностроения. 1993. № 7. С. 25–30.

6. Myl’nikov V.V., Pronin A.I., Chernyshov E.A. Optimization of the Turning of Quenched Steel by Cutting Ceramic on the Basis of Simplex Planning // Russian Engineering Research. 2019. Vol. 39. P. 49–51. DOI: 10.3103/S1068798X19010209.

7. Старков В.К. Обработка резанием. Управление стабильностью и качеством в автоматизированном производстве. М.: Машиностроение, 1989. 296 с.

8. Суслов А.Г. Технологическое обеспечение параметров шероховатости поверхностей деталей машин при обработке лезвийным инструментом // Вестник машиностроения. 1988. № 1. С. 40–42.

9. Якобсон М.О. Шероховатость, наклеп и остаточные напряжения при механической обработке. М.: Машгиз, 1986. 292 с.

10. Макаров А.Д. Оптимизация процессов резания. М.: Машиностроение, 1976. 277 с.

11. Муравьев В.И., Бахматов П.В., Лончаков С.З., Фролова А.В. Особенности деформации и разрушения упрочненных высокоуглеродистых сталей после обработки в температурных условиях фазового предпревращения и превращения // Известия высших учебных заведений. Черная металлургия. 2019. Т. 62. № 1. С. 62–72. DOI: 10.17073/0368-0797-2019-1-62-72.

12. Жарков И.Г. Вибрации при обработке лезвийным инструментом. Л.: Машиностроение, 1986. 184 с.

13. Саблин П.А., Щетинин В.С. Влияние микропрофиля обработанной поверхности на прочностные и эксплуатационные характеристики деталей машин // Упрочняющие технологии и покрытия. 2021. Т. 17. № 8. С. 368–370. DOI: 10.36652/1813-1336-2021-17-8-368-370.

14. Амосов О.С., Амосова С.Г., Иочков И.О. Точное многоклассовое распознавание дефектов заклепочных соединений в авиационных изделиях по их видеоизображениям с использованием глубоких нейронных сетей // Приборы и системы. Управление, контроль, диагностика. 2022. № 5. С. 30–41. DOI: 10.25791/pribor.5.2022.1339.

15. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2001. 630 с.

16. Кабалдин Ю.Г., Башков А.А. Самоорганизация и механизм трения при резании // Вестник машиностроения. 2023. № 2. С. 167–173. DOI: 10.36652/0042-4633-2023-102-2-167-173.

17. Shchelkunov E.B., Vinogradov S.V., Shchelkunova M.E., Pronin A.I., Samar E.V. Formalized Configurational Calculations of Parallel Mechanisms // Russian Engineering Research. 2018. Vol. 38. № 8. P. 581–584. DOI: 10.3103/S1068798X18080130.

18. Мыльников В.В., Шетулов Д.И., Кондрашкин О.Б., Чернышов Е.А., Пронин А.И. Изменение показателей сопротивления усталости конструкционных сталей при различных спектрах нагружения // Известия высших учебных заведений. Черная металлургия. 2019. Т. 62. № 10. С. 796–802. DOI: 10.17073/0368-0797-2019-10-796-802.

19. Shchelkunov E.B., Shchelkunova M.E., Ryabov S.A., Glinka A.S. Parallel Mechanisms with Flexible Couplings // Russian Engineering Research. 2021. Vol. 41. P. 593–597. DOI: 10.3103/S1068798X21070236.

20. Заковоротный В.Л., Гвинджилия В.Е. Связь притягивающих множеств деформаций инструмента с пространственной ориентацией упругости и регенерацией сил резания при точении // Известия высших учебных заведений. Прикладная нелинейная динамика. 2022. Т. 30. № 1. С. 37–56. DOI: 10.18500/0869-6632-2022-30-1-37-56.