CC BY
26УДК 621.9
DOI: 10.12737/20245
МАШИНОСТРОЕНИЕ И ТРАНСПОРТ
Д.И. Петрешин, О.Н. Федонин, А.В. Хандожко
АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ ПАРАМЕТРАМИ КАЧЕСТВА ПОВЕРХНОСТНОГО СЛОЯ ДЕТАЛЕЙ МАШИН В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ
Рассмотрен один из способов разрешения неопределенности при технологическом обеспечении параметров качества поверхностного слоя деталей машин для заданных условий обработки. Обоснован выбор структуры математических моде-
лей. Описан алгоритм параметрической идентификации предложенных математических моделей.
Ключевые слова: математическая модель, самообучающаяся технологическая система, параметры качества поверхностного слоя, механическая обработка.
D.I. Petreshin, O.N. Fedonin, A.V. Khandozhko
AUTOMATION OF QUALITY PARAMETER CONTROL OF MACHINERY SURFACE LAYER UNDER CONDITIONS OF UNCERTAINTY
Under conditions of automated production the matter of ensuring the required parameters of surface layer quality in machine parts at machining becomes urgent. To ensure the required quality parameters of a surface layer (QPSL) in machinery at mechanical operation there are used simulators predicting their values depending on working modes. At the ensuring of QPSL in machine parts at mechanical operation occurs uncertainty connected with the absence of univocal simulators predicting QPSL depending on working modes. One of the methods to solve the uncertainties existing consists in the instruction and self-instruction of a technological system during control and application of obtained and accumulated information at adaptive con-
trol. And at the same time the problem of parametric identification at the adopted structure of a simulator is solved.
The parametric identification of simulators is carried out by a self-learning technological system of control (STSC). The developed STSC is intended for ensuring the specified parameter of roughness Ra , surface residual stresses, surface micro-hardness and the complex quality parameter of friction surface Cx. The algorithm of system functioning is realized as a software loaded in memory of a control device.
Key words: simulator, self-learning technological system, quality parameters of surface layer, mechanical operation (machining).
Введение
В условиях автоматизированного производства актуальным становится вопрос обеспечения требуемых параметров качества поверхностного слоя деталей машин при механической обработке. Для обеспечения требуемых параметров качества поверхностного слоя (ПКПС) деталей машин при механической обработке используют математические модели, предсказывающие их значения в зависимости от режимов обработки. В большинстве случаев используют эмпирические модели, которые имеют узкое конкретное применение. Эти модели достаточно точно предсказывают выходные параметры процесса только тогда, когда условия механической
обработки детали совпадают с условиями, при которых модель была получена. Эти требования в условиях действующего производства, где неизбежно присутствуют изменение жесткости технологической системы, износ инструмента, разброс припуска и твердости заготовок и другие факторы, достаточно сложно обеспечить. Задача обеспечения требуемых параметров качества поверхностного слоя деталей машин существенно осложняется при обработке новых материалов и использовании новых инструментальных материалов, когда справочные данные по ним отсутствуют или не адекватны реальным условиям. Поэтому при обеспечении ПКПС деталей
машин при механической обработке имеется неопределенность, связанная с отсутствием однозначных математических моделей, полученных при данных условиях и
Постановка задачи
Одним из способов разрешения имеющейся неопределенности является обучение или самообучение технологической системы в процессе управления и в использовании получаемой и накапливаемой информации при адаптивном управлении. При этом решается задача параметрической идентификации при принятой структуре математической модели.
Математические модели, создаваемые для целей управления, могут и не отражать физическую сущность явления. Им достаточно лишь констатировать наличие определенной формальной связи между управляющим входом и управляемым выходом. Характер и особенности этой связи и составляют основу модели. Поэтому для описания параметров качества поверхностного слоя деталей машин в зависимости от режимов обработки (глубина резания, подача, скорость резания) можно использовать стохастические мультипликативные модели. В качестве математической модели, связывающей параметры качества поверхностного слоя деталей машин и режимы обработки, используется модель вида
П = СЫх8у¥г,
где П - параметр качества поверхностного слоя деталей машин, управляемый выходной параметр процесса механической обработки; I, Б, V - глубина резания, подача и скорость резания соответственно, входные управляющие воздействия процесса механической обработки; С0, х, у, z -коэффициенты модели.
Известно, что наибольшее влияние на параметр шероховатости Яа оказывают геометрия режущей части инструмента, продольная подача и скорость резания [1]. Если учесть, что во время механической обработки детали геометрию режущей части инструмента изменять невозможно, то в качестве управляющих воздействий для параметра шероховатости Яа остаются
предсказывающих параметры качества поверхностного слоя в зависимости от режимов обработки.
продольная подача и скорость резания. Поэтому связь между параметром шероховатости Яа и величиной продольной подачи Б и скоростью резания V может быть выражена математической моделью вида
Яа = СгБх^уг,
(1)
где хг, уг, Сг - коэффициенты модели; Б -подача, мм/об; V - скорость резания, м/мин.
Исследования [2] показывают, что на формирование поверхностной микротвердости и остаточных напряжений поверхностного слоя детали значительное влияние оказывают температурное и силовое поля в зоне резания. Их нестабильность во время обработки из-за колебания припуска, твердости материала заготовки, износа инструмента и других факторов приводит к постоянному изменению силового и температурного режимов обработки. Поэтому в качестве математической модели, связывающей физико-механический параметр (РМР) и переменные состояния процесса резания Pz и Т, используется математическая модель вида
¥МРе = Срх/Ту/,
(2)
где ¥МР_е - вычисленное значение физико-механического параметра поверхностного слоя; Pz - главная составляющая силы резания, Н; Т - температура в зоне резания, оС; С/ х/, у/ - коэффициенты модели.
Математическая модель (2) применяется для косвенного определения текущего значения физико-механического параметра обработанной поверхности на основе измеренных Pz и Т во время механической обработки при адаптивном управлении.
Для адаптивного управления физико-механическим параметром используется модель, связывающая ¥МР с управляющими переменными Б, V и I процесса резания, вида
ШР_е = Си8хиУ}Пи11и,
(3)
где 8, V, X - подача, скорость резания и глубина резания соответственно; Си, хи, уи, ги -коэффициенты модели.
При одновременном обеспечении параметров шероховатости, поверхностной микротвердости и поверхностных касательных остаточных напряжений используется комплексный параметр качества поверхности Сх [1]. Комплексный параметр Сх, применяемый для оценки качества по-
Результаты исследований
Параметрическая идентификация математических моделей (1-3) выполняется разработанной самообучающейся технологической системой управления (СТСУ) (рисунок). Разработанная СТСУ предназначена для обеспечения заданных параметра шероховатости Яа, поверхностных остаточных напряжений, поверхностной микротвердости и комплексного параметра качества поверхности трения Сх.
Алгоритм работы (А) системы реализуется в виде программного обеспечения, записанного в память устройства управления, в качестве которого используется ПЭВМ [5]. Исполнительным устройством
верхности трения, включает в себя параметры шероховатости, волнистости, макроотклонения и физико-механические параметры поверхностного слоя.
В качестве математической модели, связывающей комплексный параметр Сх и режимы обработки, используется модель вида (3), а для косвенного определения параметра Сх во время механической обработки при адаптивном управлении применяется математическая модель вида (2).
системы является технологическая система (ТС), управляемая УЧПУ. Связь ПЭВМ и УЧПУ осуществляется через контроллер сопряжения (КС), подключаемый к ПЭВМ по последовательному интерфейсу RS 232. Управляющими воздействиями U для ТС являются скорость резания V, величина подачи S и глубина резания t. Внешними возмущениями F для ТС являются изменение жесткости технологической системы Aj, износ инструмента Из, разброс припуска At и твердости заготовок AHB и другие факторы. Для работы СТСУ необходима исходная информация, вводимая оператором (ОП) перед началом работы.
Рис. Структура самообучающейся технологической системы управления
Для определения физико-
механических параметров обработанной поверхности используется косвенный ме-
тод, основанный на измерении во время обработки силы резания (Рг) и температуры (Т) в зоне резания и вычислении по мо-
дели (2) физико-механических параметров качества обработанной поверхности. Сила резания Pz и температура Т измеряются датчиками, установленными непосредственно вблизи зоны обработки. Параметр шероховатости Яа обработанной поверхности измеряется прямым методом с использованием лазерного датчика [3].
Алгоритм работы системы описывает следующие основные режимы работы системы: «Ввод и анализ исходных данных»; «Работа с базой данных»; «Самообучение»; «Работа».
Режим «Ввод и анализ исходных данных» предназначен для ввода и анализа исходных данных перед началом обработки. К исходным данным относятся: материал обрабатываемых деталей, геометрия инструмента, режимы резания, диаметр обрабатываемой заготовки, значение обеспечиваемого параметра качества обработанной поверхности. По введенным данным система устанавливает, имеется ли в базе данных соответствующая им математическая модель.
Режим «Работа с базой данных» служит для сохранения и накопления информации об обработанных материалах, условиях обработки и соответствующих им полученных математических моделях. Таким образом, для каждого обрабатываемого материала и каждого из условий обработки в базе данных имеется своя математическая модель. Если соответствующей математической модели нет, то система автоматически переходит в режим «Самообучение».
Задачей режима «Самообучение» является постановка эксперимента и получение математической модели. Для этого на станке обрабатывается пробная деталь -образец. Причем инструмент, его геометрия, материал образца и глубина резания
Заключение
В ходе проведения технологических исследований по самообучению ТС были получены адекватные математические модели [4], используемые впоследствии при адаптивном управлении параметрами качества поверхностного слоя деталей машин. Очевидно, что применение СТСУ по-
должны быть такие же, как и при обработке последующей партии деталей. Образец разбивается на участки, затем каждый из них автоматически обрабатывается с заданными режимами резания. Контроль параметра качества обработанной поверхности осуществляется системой автоматически в процессе обработки. Данные о входных и выходных параметрах процесса резания автоматически заносятся в ЭВМ, после чего выполняется их статистическая обработка. В результате получается одна из математических моделей (1-3).
Полученная математическая модель и ее данные, т.е. условия обработки, при которых она была получена, и коэффициенты модели, запоминаются в базе данных и используются в дальнейшем. При изменении инструмента, его геометрии, материала деталей, глубины резания и т.п. необходимо будет опять провести обучение системы.
Программное обеспечение системы позволяет автоматически составлять управляющую программу для УЧПУ для режима «Самообучение». Поэтому для составления управляющей программы достаточно ввести размеры одного участка поверхности обрабатываемого образца (длина и диаметр участка). Полученная программа для УЧПУ сохраняется в отдельный текстовый файл (имеет имя «SAU»), а затем записывается в УЧПУ.
В режиме «Работа» выполняется обработка партии деталей с адаптивным управлением технологической системой по заданному параметру качества обработанной поверхности. В этом режиме осуществляется прием измерительной информации от датчиков и анализ полученной информации, на основе которого принимается решение об управлении технологической системой.
зволяет разрешить неопределенность в технологическом обеспечении параметров качества поверхностного слоя деталей машин, связанную с отсутствием математических моделей для заданных условий обработки.
СПИСОК ЛИТЕРАТУРЫ
1. Инженерия поверхности деталей/ кол. авт.; под ред. А.Г. Суслова. - М.: Машиностроение, 2008. - 230 с.
2. Автоматизация технологии изготовления газотурбинных авиационных двигателей / В.Ф. Безъязычный, В.Н. Крылов, В.А. Полетаев [и др.]; под ред. В.Ф. Безъязычного и В.Н. Крылова. - М.: Машиностроение, 2005. -Ч.1. - 560 с.
3. Петрешин, Д.И. Применение лазерного оптического датчика для измерения высотных параметров шероховатости поверхности деталей машин в самообучающейся адаптивной технологической системе / Д. И. Петрешин // Контроль. Диагностика. - 2009. - № 11. - С. 53 - 57.
4. Суслов, А.Г. Автоматизированное обеспечение комплексного параметра качества поверхностного слоя Сх при механической обработке/
A.Г. Суслов, Д.И. Петрешин // Наукоемкие технологии в машиностроении. - 2011. - № 2. - С. 34-39.
5. Петрешин, Д.И. Разработка алгоритма функционирования автоматизированной системы сбора и анализа данных с металлорежущих станков с ЧПУ/ Д.И. Петрешин, О.Н. Федонин,
B. А. Карпушкин/ Вестник Брянского государственного технического университета. - 2014. - № 1 (41). - С. 58-62.
1. Surface Engineering of Parts/ author group; under the editorship of A.G. Suslov. - M.: Mechanical Engineering, 2008. - pp. 230.
2. Automation of Technology for Gas Turbine Aviation Engine Production / V.F. Bezyazychny, V.N. Krylov, V.A. Poletaiev[et al.]; under the editorship of V.F. Bezyazychny and V.N. Krylov. - M.: Mechanical Engineering, 2005. - Part. 1. - pp. 560.
3. Petreshin, D.I. Application of laser optical sensor for measuring of surface roughness height in machinery in self-learning adaptive technological system / D.I. Petreshin // Control. Diagnostics. - 2009. - № 11. - pp. 53 - 57.
4. Suslov, A.G. Automated ensuring of complex quality parameter of surface layer Cx at machining / A.G. Suslov, D.I. Petreshin // High Technologies in Mechanical Engineering. - 2011. - № 2. - pp. 3439.
5. Petreshin, D.I. Development of Algorithm for Functioning of Automated System of Data Collection and Analysis from NC Machine-Tools/ D.I. Petreshin, O.N. Fedonin, V.A. Karpushkin/ Bulletin of Bryansk State Technical University. - 2014. - № 1 (41). - pp. 58-62.
Статья поступила в редколлегию 15.05.2016.
Рецензент: д.т.н., профессор Брянского государственного технического университета
Бишутин С.Г.
Сведения об авторах:
Петрешин Дмитрий Иванович, д.т.н., профессор кафедры «Автоматизированные технологические системы» Брянского государственного технического университета, e-mail: dipetreshin@yandex.ru. Федонин Олег Николаевич, д.т.н., профессор, ректор Брянского государственного технического университета, e-mail: rector@tu-bryansk.ru. Хандожко Александр Владимирович, д.т.н., заведующий кафедрой «Металлорежущие станки и инструменты» Брянского государственного технического университета, e-mail: msi@tu-bryansk.ru.
Petreshin Dmitry Ivanovich, D.Eng., Prof. of the Dep. "Automated Technological Systems" Bryansk State Technical University, e-mail: dipetre-shin@yandex.ru.
Fedonin Oleg Nikolayevich, D.Eng., Prof., Rector of Bryansk State Technical University, e-mail: rector@tu-bryansk.ru.
Khandozhko Alexander Vladimirovich, D.Eng., Head of the Dep. "Machine-tools and Tools" Bryansk State Technical University, e-mail: msi@tu-bryansk.ru.
