Information properties of frequency characteristics of dynamic cutting systems in the diagnosis of tool wear

Cover Page

Cite item

Full Text

Abstract

Introduction. One of the directions for increasing the efficiency of cutting is related to the creation of tool wear diagnostic systems. Algorithms and devices have been developed that evaluate wear based on analysis of the vibroacoustic emission signal. These algorithms, as a rule, do not reveal the nature of its formation and the reasons for the change as wear develops. Subject. The paper is devoted to the analysis of the reasons for changes in vibration properties with the development of tool wear. The aim of the work is to study the changes in the frequency characteristics of a dynamic cutting system caused by the development of wear, and to build diagnostic information models on this basis, as well as its use in industry. Method and methodology. The results of mathematical simulation of a perturbed dynamic cutting system are presented, in which the observed vibration sequences are a consequence of disturbances transformed by a dynamic system, the parameters of which depend on wear. Two frequency ranges are considered. Results and discussions. The first range includes frequencies that lie within the bandwidth of the instrument subsystem. The second is outside of it. In the first frequency range, it has been analytically and experimentally proven that the development of wear leads to fundamental changes in the frequency properties of the cutting system as a converter of disturbances into tool vibrations. There is a shift in the natural frequencies of the oscillatory circuits formed by the cutting system, a decrease in its quality factor, and as wear develops, some identified features of the vibration spectra appear, including the ratio of the low-frequency and high-frequency parts of the spectrum, etc. In the second frequency range, a model of force emission in the form of a random pulse sequence is considered and wear is displayed in it. The results of studying the coherence function between the forces acting on the tool and vibrational displacement are presented. Information models of wear are proposed, an example of an information model of wear and the results of its use in industry are given.

About the authors

V. L. Zakovorotny

Email: vzakovorotny@dstu.edu.ru
ORCID iD: 0000-0003-2187-9897
D.Sc. (Engineering), Professor, Don State Technical University, 1 Gagarin square, Rostov-on-Don, 344000, Russian Federation, vzakovorotny@dstu.edu.ru

V. E. Gvindjiliya

Email: vvgvindjiliya@donstu.ru
ORCID iD: 0000-0003-1066-4604
Ph.D. (Engineering), Don State Technical University, 1 Gagarin square, Rostov-on-Don, 344000, Russian Federation, vvgvindjiliya@donstu.ru

K. V. Kislov

Email: kislovk@bk.ru
ORCID iD: 0000-0002-5770-2519
Don State Technical University, 1 Gagarin square, Rostov-on-Don, 344000, Russian Federation, kislovk@bk.ru

References

  1. Остафьев В.А., Антонюк В.С., Тымчик Г.С. Диагностика процесса металлообработки. – Киев: Тэхника, 1991. – 152 с.
  2. Заковоротный В.Л., Бордачев Е.В., Алексейчик М.И. Динамический мониторинг состояния процесса резания // СТИН. – 1998. – № 12. – С. 6–13.
  3. Zakovorotny V., Gvindjiliya V. Process control synergetics for metal-cutting machines // Journal of Vibroengineering. – 2022. – Vol. 24 (1). – P. 177–189. – doi: 10.21595/jve.2021.22087.
  4. Astakhov V.P. The assessment of cutting tool wear // International Journal of Machine Tools and Manufacture. – 2004. – Vol. 44. – P. 637–647. – doi: 10.1016/j.ijmachtools.2003.11.006.
  5. Konrad H., Isermann R., Oette H.U. Supervision of tool wear and surface quality during end milling operations // IFAC Proceedings Volumes. – 1994. – Vol. 27 (4). – P. 507–513. – doi: 10.1016/S1474-6670(17)46074-5.
  6. Заковоротный В.Л., Ладник И.В. Построение информационной модели динамической системы металлорежущего станка для диагностики процесса обработки // Проблемы машиностроения и надежности машин. – 1991. – № 4. – С. 75–79.
  7. Tool condition monitoring (TCM) – the status of research and industrial application / G. Byrne, D. Dornfeld, I. Inasaki, G. Ketteler, W. Konig, R. Teti // CIRP Annals. – 1995. – Vol. 44 (2). – P. 541–567. – doi: 10.1016/S0007-8506(07)60503-4.
  8. Teti R. Advanced IT methods of signal processing and decision making for zero defect manufacturing in machining // Procedia CIRP. – 2015. – Vol. 28. – P. 3–15. – doi: 10.1016/j.procir.2015.04.003.
  9. Milfelner M., Cus F., Balic J. An overview of data acquisition system for cutting force measuring and optimization in milling // Journal of Materials Processing Technology Volumes. – 2005. – Vol. 164–165. – P. 1281–1288. – doi: 10.1016/j.jmatprotec.2005.02.146.
  10. Козочкин М.П., Сабиров Ф.С., Селезнев А.Е. Виброакустический мониторинг лезвийной обработки заготовок из закаленной стали // Вестник МГТУ «Станкин». – 2018. – № 1 (44). – С. 23–30.
  11. Козочкин М.П. Многопараметрическая диагностика технологических систем для обработки материалов резанием // Вестник МГТУ Станкин. – 2014. – № 1 (28). – С. 13–19.
  12. Барзов А.А., Горелов В.А., Игонькин Б.А. Акустоэлектрическая диагностика процесса резания полимерных композиционных материалов // Авиационная промышленность. – 1986. – № 12. – С. 36.
  13. Bhuiyan M., Choudhury I., Nukman Y. An innovative approach to monitor the chip formation effect on tool state using acoustic emission in turning // International Journal of Machine Tools and Manufacture. – 2012. – Vol. 58. – P. 19–28. – doi: 10.1016/j.ijmachtools.2012.02.001.
  14. Rehorn A.G., Jiang J., Orban P.E. State-of-the-art methods and results in tool condition monitoring: a review // International Journal of Advanced Manufacturing Technology. – 2005. – Vol. 26. – P. 693–710. – doi: 10.1007/s00170-004-2038-2.
  15. Jemielniak K., Arrazola P. Application of AE and cutting force signals in tool condition monitoring in micro-milling // CIRP Journal of Manufacturing Science and Technology. – 2008. – Vol. 1 (2). – P. 97–102. – doi: 10.1016/j.cirpj.2008.09.007.
  16. Zakovorotny V.L., Ladnik I.V., Dhande S.G. A method for characterization of machine-tools dynamic parameters for diagnostic purposes // Journal of Materials Processing Technology. – 1995. – Vol. 53 (3–4). – P. 588–600. – doi: 10.1016/0924-0136(94)01745-M.
  17. Заковоротный В.Л., Флек М.Б. Динамика процесса резания. Синергетический подход. – Ростов н/Д.: Терра, 2005. – 880 с.
  18. Astakhov V.P. Tribology of metal catting. – Elsevier Science, 2006. – 312 p. – ISBN 0080466850.
  19. Макаров А.Д. Оптимизация процессов резания. – М.: Машиностроение, 1976. – 278 с.
  20. Чувствительность виброакустического сигнала к изменению состояния поверхностного слоя при трении / В.В. Кузин, М.П. Козочкин, С.Н. Григорьев, С. Федоров // Новые огнеупоры. – 2021. – № 5. – С. 141–146. – doi: 10.17073/1683-4518-2021-5-141-146.
  21. Zakovorotny V.L., Gvindjiliya V.E. Self-organization and evolution in dynamic friction systems // Journal of Vibroengineering. – 2021. – Vol. 23 (6). – P. 1418–1432. – doi: 10.21595/jve.2021.22033.
  22. Козочкин М.П. Влияние динамических характеристик станочных узлов на вибрации при резании // СТИН. – 2014. – № 2. – С. 4–9.
  23. Диагностика и сертификация металлорежущего оборудования / М.П. Козочкин, А.Р. Маслов, Ф.С. Сабиров, А.Н. Порватов. – М.: Инновационное машиностроение, 2017. – 240 с.
  24. Zakovorotnyi V.L., Gvindjiliya V.E. Influence of speeds of forming movements on the properties of geometric topology of the part in longitudinal turning // Journal of Manufacturing Processes. – 2024. – Vol. 112. – P. 202–213. – doi: 10.1016/j.jmapro.2024.01.037.
  25. Zakovorotnyi V.L., Gvindjiliya V.E. Evolution of the dynamic cutting system with irreversible energy transformation in the machining zone // Russian Engineering Research. – 2019. – Vol. 39 (5). – P. 423–430. – doi: 10.3103/S1068798X19050204.
  26. Precision manufacturing process monitoring with acoustic emission / D.E. Lee, I. Hwang, C.M.O. Valente, J.F.G. Oliveira, D.A. Dornfeld // International Journal of Machine Tools and Manufacture. – 2006. – Vol. 46 (2), – P. 176–188. – doi: 10.1016/j.ijmachtools.2005.04.001.
  27. Digital twin-based anomaly detection for real-time tool condition monitoring in machining / Z. Liu, Z.-Q. Lang, Y. Gui, Y.-P. Zhu, H. Laalej // Journal of Manufacturing Systems. – 1995. – Vol. 75. – P. 163–173. – doi: 10.1016/j.jmsy.2024.06.004.
  28. Dimla D.E. Sensor signals for tool-wear monitoring in metal cutting operations – a review of methods // International Journal of Machine Tools and Manufacture. – 2000. – Vol. 40 (8). – P. 1073–1098. – doi: 10.1016/S0890-6955(99)00122-4.
  29. Choi Y., Narayanaswami R., Chandra A. Tool wear monitoring in ramp cuts in end milling using the wavelet transform // International Journal of Advanced Manufacturing Technology. – 2004. – Vol. 23 (5-6). – P. 419–428. – doi: 10.1007/s00170-003-1898-1.
  30. Григорьев А.С., Инструментарий системы ЧПУ для диагностики и прогнозирования износа режущего инструмента в реальном времени при токарной обработке // Вестник МГТУ «Станкин». – 2012. – № 1 (18). – С. 39–43.
  31. Заковоротный В.Л., Бордачев Е.В. Информационное обеспечение системы динамической диагностики износа режущего инструмента на примере токарной обработки // Проблемы машиностроения и надежности машин. – 1995. – № 3. – С. 95–103.
  32. Dolinšek S., Kopac J. Acoustic emission signals for tool wear identification // Wear. – 1999. – Vol. 225. – P. 295–303.
  33. Chiou R.Y., Liang S.Y. Analysis of acoustic emission in chatter vibration with tool wear effect in turning // International Journal of Machine Tools and Manufacture. – 2000. – Vol. 40 (7). – P. 927–941. – doi: 10.1016/S0890-6955(99)00093-0.
  34. Application of acoustic emission sensor to investigate the frequency of tool wear and plastic deformation in tool condition monitoring / M.S.H. Bhuiyan, I.A. Choudhury, M. Dahari, Y. Nukman, S.Z. Dawal // Measurement. – 2016. – Vol. 92. – P. 208–217. – doi: 10.1016/j.measurement.2016.06.006.
  35. Development of a tool wear-monitoring system for hard turning / C. Scheffer, H. Kratz, P. Heyns, F. Klocke // International Journal of Machine Tools and Manufacture. – 2003. – Vol. 43 (10). – P. 973–985. – doi: 10.1016/S0890-6955(03)00110-X.
  36. Siddhpura A., Paurobally R. A review of flank wear prediction methods for tool condition monitoring in a turning process // International Journal of Advanced Manufacturing Technology. – 2013. – Vol. 65. – P. 371–393. – doi: 10.1007/s00170-012-4177-1.
  37. Tool wear monitoring using naive Bayes classifiers / J. Karandikar, T. McLeay, S. Turner, T. Schmitz // International Journal of Advanced Manufacturing Technology. – 2014. – Vol. 77. – P. 1613–1626. – doi: 10.1007/s00170-014-6560-6.
  38. Azmi A. Monitoring of tool wear using measured machining forces and neuro-fuzzy modelling approaches during machining of GFRP composites // Advances in Engineering Software. – 2015. – Vol. 82. – P. 53–64. – doi: 10.1016/j.advengsoft.2014.12.010.
  39. Kene A.P., Choudhury S.K. Analytical modeling of tool health monitoring system using multiple sensor data fusion approach in hard machining // Measurement. – 2019. – Vol. 145. – P. 118–129. – doi: 10.1016/j.measurement.2019.05.062.
  40. Chethan Y., Ravindra H., Krishnegowda Y. Optimization of machining parameters in turning Nimonic-75 using machine vision and acoustic emission signals by Taguchi technique // Measurement. – 2019. – Vol. 144. – P. 144–154. – doi: 10.1016/j.measurement.2019.05.035.
  41. Aslan A. Optimization and analysis of process parameters for flank wear, cutting forces and vibration in turning of AISI 5140: A comprehensive study // Measurement. – 2020. – Vol. 163. – doi: 10.1016/j.measurement.2020.107959.
  42. Tool condition monitoring techniques in milling process – a review / T. Mohanraj, S. Shankar, R. Rajasekar, N. Sakthivel, A. Pramanik // Journal of Materials Research and Technology. – 2019. – Vol. 9 (1). – P. 1032–1042. – doi: 10.1016/j.jmrt.2019.10.031.
  43. Kalvoda T., Hwang Y.R. A cutter tool monitoring in machining process using Hilbert–Huang transform // International Journal of Machine Tool and Manufacture. – 2010. – Vol. 50 (5). – P. 495–501. – doi: 10.1016/j.ijmachtools.2010.01.006.
  44. Tobias S.A., Fishwick W. Theory of regenerative machine tool chatter // The Engineer. – 1958. – Vol. 205. – P. 199–203.
  45. Кудинов В.А. Динамика станков. – М.: Машиностроение, 1967. – 359 с.
  46. Tlusty J., Ismail F. Basic non-linearity in machining chatter // CIRP Annals. – 1981. – Vol. 30 (1). – P. 299–304. – doi: 10.1016/S0007-8506(07)60946-9.
  47. Selbsterregte Schwingungenan an Werkzeugmaschinen / J. Tlusty, A. Polacek, C. Danek, J. Spacek. – Berlin: VEB VerlagTechnik, 1962. – 340 p.
  48. Merritt H.E. Theory of self-excited machine-tool chatter: contribution to machine-tool chatter research – 1 // Journal of Engineering for Industry. – 1965. – Vol. 87 (4). – P. 447–454. – doi: 10.1115/1.3670861.
  49. Hanna N.H., Tobias S. A theory of nonlinear regenerative chatter // Journal of Engineering for Industry. – 1974. – Vol. 96 (1). – P. 247–255. – doi: 10.1115/1.3438305.
  50. Gouskov A.M., Panovko G.Ya., Shokhin A.E. Dynamics of the rotor system of a vibrational-centrifugal separator with an elastic vibration limiter // Journal of Machinery Manufacture and Reliability. – 2023. – Vol. 51 (8). – P. 733–745. – doi: 10.3103/S105261882208009X.
  51. Zakovorotnyi V. Bifurcations in the dynamic system of the mechanic processing in metal-cutting tools // WSEAS Transactions on Applied and Theoretical Mechanics. – 2015. – Vol. 10. – P. 102–116.
  52. Bifurcation of stationary manifolds formed in the neighborhood of the equilibrium in a dynamic system of cutting / V.L. Zakovorotny, A.D. Lukyanov, A.A. Gubanova, V.V. Hristoforova // Journal of Sound and Vibration. – 2016. – Vol. 368. – P. 174–190. – doi: 10.1016/j.jsv.2016.01.020.
  53. Rusinek R., Wiercigroch M., Wahi P. Influence of tool flank forces on complex dynamics of a cutting process // International Journal of Bifurcation and Chaos. – 2014. – Vol. 24 (9). – P. 189–201. – doi: 10.1142/S0218127414501156.
  54. Rusinek R., Wiercigroch M., Wahi P. Modeling of frictional chatter in metal cutting // International Journal of Mechanical Sciences. – 2014. – Vol. 89. – P. 167–176. – doi: 10.1016/j.ijmecsci.2014.08.020.
  55. Заковоротный В.Л., Гвинджилия В.Е. Влияние флуктуаций на устойчивость формообразующих траекторий при точении // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. – 2017. – № 2 (194). – С. 52–61.
  56. Понтрягин Л.С. Избранные научные труды. Т. 2. – М.: Наука, 1988. – С. 95–154.
  57. Тихонов А.Н. Системы дифференциальных уравнений с малыми параметрами при старших производных // Математический сборник. – 1952. – Т. 31, № 3. – C. 231–239.
  58. Заковоротный В.Л., Фесенко М.А., Гвинджилия В.Е. Влияние процесса резания на динамические свойства приводов исполнительных элементов станка // Известия высших учебных заведений. Машиностроение. – 2022. – № 9 (750). – С. 16–29. – doi: 10.18698/0536-1044-2022-9-16-29.
  59. Рытов С.М. Введение в статистическую радиофизику. Ч. 1. – М.: Наука, 1976. – 495 с.
  60. Заковоротный В.Л., Гвинджилия В.Е. Свойства притягивающих множеств деформационных смещений инструмента в траекториях формообразующих движений при точении изделий // Известия вузов. Машиностроение. – 2022. – № 3 (744). – С. 15–30. – doi: 10.18698/0536-1044-2022-3-15-30.
  61. Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. – Киев: Наукова думка, 2004. – 554 с.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».