Прогнозирование шероховатости поверхности при фрезеровании сфероцилиндрическим инструментом с использованием искусственной нейронной сети
- Авторы: Гимадеев М.Р.1, Стельмаков В.А.1, Никитенко А.В.1, Улисков М.В.1
-
Учреждения:
- Выпуск: Том 27, № 2 (2025)
- Страницы: 126-141
- Раздел: ОБОРУДОВАНИЕ. ИНСТРУМЕНТЫ
- URL: https://ogarev-online.ru/1994-6309/article/view/301430
- DOI: https://doi.org/10.17212/1994-6309-2025-27.2-126-141
- ID: 301430
Цитировать
Аннотация
Введение. Фрезерование нержавеющей стали сфероцилиндрическим инструментом представляет собой сложную технологическую операцию, требующую точного контроля параметров обработки для обеспечения высокого качества поверхности. В связи с этим актуальной задачей является разработка методов прогнозирования параметров шероховатости, таких как Rz. Цель данной работы: разработка прогностической нейросетевой модели для оценки шероховатости поверхности при фрезеровании нержавеющей стали сфероцилиндрическим инструментом. Метод и методология. Основное внимание уделено методам обратного распространения ошибки и градиентного спуска, а также настройке гиперпараметров, что необходимо для предотвращения переобучения и недообучения модели. Экспериментальные исследования включают в себя анализ как контролируемых переменных, таких как подача на зуб, угол наклона и диаметр инструмента, так и неконтролируемых, включая подачу СОЖ и износ инструмента. Результаты и обсуждения. Использование СОЖ при фрезеровании стали аустенитного класса позволило снизить параметры шероховатости Rz в среднем на 14 %. Установлена сильная отрицательная корреляционная зависимость между размерным износом инструмента и параметром Rz (–0,95). При этом износ в пределах 2…4 мкм влияет на увеличение параметра Rz на 21 % от минимальных значений. Полученные данные использовались для обучения восьми конфигураций искусственных нейронных сетей, которые применялись для прогнозирования шероховатости по параметру Rz. Результаты показывают, что конфигурация сети 3–16–16–1 показала самую низкую среднеквадратичную ошибку (0,0313), за ней следуют 3–20–14–1 (0,0470) и 3–64–64–1 (0,0481) соответственно. Кроме того, эти конфигурации также продемонстрировали самые низкие средние значения абсолютной погрешности, показывающие среднее значение абсолютных разностей между прогнозируемыми и наблюдаемыми значениями (0,101, 0,1251 и 0,1155 соответственно) и коэффициент детерминации, который является статистической мерой, указывающей долю изменчивости данных, объясняемую моделью (0,9944, 0,9916 и 0,9904 соответственно). Сравнение экспериментальных данных с прогнозами различных моделей позволило установить среднее значение абсолютных разностей для моделей по параметру Ra ≈ 0,074. В исследовании предлагаются подходы к обучению нейросетевых моделей для точного прогнозирования параметров шероховатости, что вносит значительный вклад в методы моделирования процессов механической обработки.
Об авторах
М. Р. Гимадеев
Email: 009063@togudv.ru
канд. техн. наук, Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия, 009063@togudv.ru
В. А. Стельмаков
Email: 009062@togudv.ru
канд. техн. наук, Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия, 009062@togudv.ru
А. В. Никитенко
Email: 005392@togudv.ru
канд. техн. наук, Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия, 005392@togudv.ru
М. В. Улисков
Email: 2016104779@togudv.ru
Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия, 2016104779@togudv.ru
Список литературы
- Система автоматизированного технологического управления износостойкостью деталей машин при обработке резанием / А.Г. Суслов, Д.М. Медведев, Д.И. Петрешин, О.Н. Федонин // Наукоемкие технологии в машиностроении. – 2018. – № 5 (83). – С. 40–44. – doi: 10.30987/article_5ad8d291cddcd8.06334386.
- Sensor data and information fusion to construct digital-twins virtual machine tools for cyber-physical manufacturing / Y. Cai, B. Starly, P. Cohen, Y.-S. Lee // Procedia Manufacturing. – 2017. – Vol. 10. – P. 1031–1042. – doi: 10.1016/j.promfg.2017.07.094.
- Zain A.M., Haron H., Sharif S. Prediction of surface roughness in the end milling machining using artificial neural network // Expert Systems with Applications. – 2010. – Vol. 37 (2). – P. 1755–1768. – doi: 10.1016/j.eswa.2009.07.033.
- Convolutional neural network-based tool condition monitoring in vertical milling operations using acoustic signals / C. Cooper, P. Wang, J. Zhang, R.X. Gao, T. Roney, I. Ragai, D. Shaffer // Procedia Manufacturing. – 2020. – Vol. 49. – P. 105–111. – doi: 10.1016/j.promfg.2020.07.004.
- Application of measurement systems in tool condition monitoring of milling: a review of measurement science approach / D.Yu. Pimenov, M. Kumar Gupta, L.R.R. da Silva, M. Kiran, N. Khanna, G.M. Krolczyk // Measurement. – 2022. – Vol. 199. – P. 111503. – doi: 10.1016/j.measurement.2022.111503.
- A surface quality prediction model considering the machine-tool-material interactions / M. Guo, W. Xia, C. Wu, C. Luo, Z. Lin // The International Journal of Advanced Manufacturing Technology. – 2024. – Vol. 131 (7–8). – P. 1–19. – doi: 10.1007/s00170-024-13072-2.
- Chen C.H., Jeng S.Y., Lin C.J. Prediction and analysis of the Surface roughness in CNC end milling using neural networks // Application Science. – 2022. – Vol. 12 (1). – P. 393. – doi: 10.3390/app12010393.
- Oktem H., Erzurumlu T., Erzincanli F. Prediction of minimum surface roughness in end milling mold parts using neural network and genetic algorithm // Materials & Design. – 2006. – Vol. 27 (9). – P. 735–744. – doi: 10.1016/j.matdes.2005.01.010.
- Bingham G., Miikkulainen R. Discovering parametric activation functions // Neural Networks. – 2022. – Vol. 148. – P. 48–65. – doi: 10.1016/j.neunet.2022.01.001.
- Галушкин А.И. Нейронные сети: основы теории. – М.: Горячая линия – Телеком, 2017. – 496 с. – ISBN 978-5-9912-0082-0. – URL: https://asu.tusur.ru/learning/010402/d15a/010402-d15a-book1.pdf (дата обращения: 02.04.2025).
- Анцев А.В., Янов Е.С., Данг Ч.Х. Оптимизация режимов резания с учетом уровня вибрации на основе применения методов искусственного интеллекта // Вестник Воронежского государственного технического университета. – 2020. – Т. 16., № 3. – С. 101–109. – doi: 10.25987/VSTU.2020.16.3.014.
- 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. – doi: 10.34031/article_5db3f6c82c1ea9.69942788.
- Некоторые вопросы совместного применения детерминированных математических моделей и нейронных сетей в цифровых двойниках процесса обработки металлов резанием на металлорежущих станках / В.П. Лапшин, И.А. Туркин, В.И. Гвинджилия, И.О. Дудинов, Д.О. Гамалеев // СТИН. – 2024. – № 10. – С. 6–11.
- Dropout: a simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // Journal of Machine Learning Research. – 2014. – Vol. 15 (56). – P. 1929–1958.
- Machine learning models for prediction and classification of tool wear in sustainable milling of additively manufactured 316 stainless steel / M. Danish, M.K. Gupta, S.A. Irfan, S.M. Ghazali, M.F. Rathore, G.M. Krolczyk, A. Alsaady // Results in Engineering. – 2024. – Vol. 22. – P. 102015. – doi: 10.1016/j.rineng.2024.102015.
- Chai T., Draxler R.R. Root mean square error (RMSE) or mean absolute error (MAE) arguments against avoiding RMSE in the literature // Geoscientific Model Development. – 2014. – Vol. 7 (3). – P. 1247–1250. – doi: 10.5194/gmd-7-1247-2014.
- A survey on data preprocessing for data stream mining: current status and future directions / S. Ramírez-Gallego, B. Krawczyk, S. García, M. Wozniak, F. Herrera // Neurocomputing. – 2017. – Vol. 239. – P. 39–57. – doi: 10.1016/j.neucom.2017.01.078.
- Modeling of cutter displacements during ball end milling of inclined surfaces / S. Wojciechowski, T. Chwalczuk, P. Twardowski, G.M. Krolczyk // Archives of Civil and Mechanical Engineering. – 2015. – Vol. 15. – P. 798–805. – doi: 10.1016/j.acme.2015.06.008.
- Кущева М.Е., Клауч Д.Н., Кобелев О.А. Принципы выбора смазочно-охлаждающих технологических сред для обработки металлов резанием // Известия МГТУ «МАМИ». – 2014. – Т. 8, № 1–2. – С. 73–76. – doi: 10.17816/2074-0530-67737.
- Tool wear prediction through AI-assisted digital shadow using industrial edge device / M. Chehrehzad, G. Kecibas, C. Besirova, U. Uresin, M. Irican, I. Lazoglu // Journal of Manufacturing Processes. – 2024. – Vol. 113. – P. 117–130. – doi: 10.1016/j.jmapro.2024.01.052.
- Формирование параметров шероховатости на основе корреляционных связей при чистовом фрезеровании пространственно-сложных поверхностей / М.Р. Гимадеев, В.М. Давыдов, А.В. Никитенко, А.В. Сарыгин // Упрочняющие технологии и покрытия. – 2019. – № 15 (6). – С. 243–249.
- Gimadeev M.R., Li A.A. Analysis of systems for automated provision of surface roughness parameters based on dynamic monitoring // Advanced Engineering Research (Rostov-on-Don). – 2022. – Vol. 22 (2). – P. 116–129. – doi: 10.23947/2687-1653-2022-22-2-116-129.
- Экспериментальное исследование динамики процесса механообработки концевыми сфероцилиндрическими фрезами / М.Р. Гимадеев, А.А. Ли, В.О. Беркун, В.А. Стельмаков // Обработка металлов (технология, оборудование, инструменты). – 2023. – Т. 25, № 1. – С. 44–56. – doi: 10.17212/1994-6309-2023-25.1-44-56.
Дополнительные файлы
