CC BY
63
УДК 621.9.02
ОПТИМИЗАЦИЯ ПРОЦЕДУРЫ ПЛАНОВО-ПРЕДУПРЕДИТЕЛЬНОЙ ЗАМЕНЫ РЕЖУЩЕГО ИНСТРУМЕНТА В РЕЖИМЕ САМООБУЧЕНИЯ
Н.И. Пасько, А.В. Анцев
Решается задача оптимизации периода замены режущего инструмента из-за его износа в режиме самообучения. Сходимость процесса самообучения к оптимуму показана с использованием метода статистического моделирования. Предлагается применять процедуру на станках с ЧПУ.
Ключевые слова: режущий инструмент, период замены, интенсивность износа, удельные затраты, оценка параметров, самообучение, сходимость. статистическое моделирование.
Эффективность эксплуатации станков с ЧПУ в значительной мере зависит от правильного выбора режущего инструмента и рациональной его эксплуатации. От режущего инструмента требуется прежде всего высокая надежность его работы, в связи с чем постоянно разрабатываются различные варианты организации замены режущего инструмента для обеспечения непрерывной работы металлорежущего оборудования [1 - 4].
В работе [5] предложено решение задачи оптимизации периода замены режущего инструмента по статистическим данным об износе и наработке до замены инструмента. Предполагалось, что такая статистика каким-либо образом перед оптимизацией собрана. Здесь предлагается процедура сбора и обработки отмеченной статистики с оценкой параметров процесса износа инструмента с последующей оптимизацией периода его замены по уточненным данным о процессе износа после каждой его замены.
Проблема заключается в том, что параметры процесса износа обычно не известны и для их определения требуется проведение соответствующего эксперимента, что бывает провести затруднительно, невозможно или дорого. Идея самообучения в данном случае состоит в том, чтобы информацию об износе инструмента можно получать и использовать в процессе обработки. Оптимизация проводится каждый раз после получения новых данных об износе, ориентируясь на всю накопленную информацию.
В данном случае процедура самообучения состоит в следующем. На первом шаге исходя из априорных соображений назначается первый период замены tp . После обработки в течение этого периода контролируется
износ режущего инструмента Y с момента его установки и получается первая компонента статистики (ti = tpi,Yi). По этой статистике уже можно
в первом приближении оценить интенсивность износа = / ^. Основываясь на этих данных, определяем второй период (р2 —Ыа^ где Ь - предельно допустимый износ инструмента. После замены инструмента и обработки в течение нового периода и измерения износа получаем вторую компоненту статистики (¿2 Пользуясь этой статистикой, уже
можно оценить параметры а, а плотности распределения износа 7(7) после наработки /:
2
= ]. (1)
Оценка отмеченных параметров по методу наибольшего правдоподобия [5, 6] выполняется с использованием следующих формул:
а=^9 а2=-(53-2^2+а251), (2)
т
т т т
где ¿>1 = У£Jtj ; ^ = Х^/ > $з= ^'•> т ~ число компонент статистики
7=1 7=1 7=1
(tj,Yj). Статистики , ¿>2,¿>3 уточняются в адаптивном режиме. То есть
после каждой замены инструмента новые статистики ^З^^з рассчитываются по следующим формулам:
= ^ + V, ^ = + 7//Л ^ = + УЯ /^, т' = т +1, (3) где - наработка с момента установки до замены; Ут' - износ этого инструмента.
После этого параметры а, а пересчитываются по (2), а затем определяется новое оптимальное значение по описанному в работе [5] алгоритму.
Самообучение и адаптация состоят в том, что с накоплением статистик ¿>1, ¿>2 > ^з удается получить более точные оценки параметров процесса износа а, а и соответственно оперативно уточнять оптимальный период 1р
и тем самым повышать экономичность процесса обработки.
Описанная процедура оптимизации периода может быть автоматизирована с использованием вычислительных возможностей системы ЧПУ станка либо с использованием внешнего компьютера, аналогично процедуре управление режимами резания, описанной в [7 - 11].
На рис. 1 приведена укрупненная блок-схема такой программы. Опишем ее основные блоки. Блок 0 соответствует началу процесса адаптации, то есть станок (система ЧПУ станка) настраивается на обработку партии деталей до замены инструмента (на период замены ^). После обра-
ботки этой партии (блок 3) заменяется инструмент, измеряются его износ У и наработка t с момента установки инструмента. Если наработка измеряется в штуках обработанных деталей, то ? = ¿р\.
Рис. 1. Блок-схема программы оптимизации периода замены режущего инструмента в режиме самообучения (адаптации)
После этого запускается программа адаптации AdaptPPZ.exe. Эта программа считывает с предварительно подготовленного файла AdaptPPZ.dat (блок 2) необходимые исходные данные: Сь - средняя стои-
238
мость исправления брака одной детали; Zp - средние затраты на замену
инструмента, подналадку станка на размер и измерение износа инструмента; L - предельно допустимый износ инструмента; 51,52, Sз - статистики, которые при первом запуске программы обнулены; Ых - предельное число итераций процесса адаптации; / - текущий номер итерации. Соответственно объем статистики т = /. При первом запуске программы I = 1.
В блоке 4 производится накопление статистик 51, $2,5з по формулам (3). Новые значения этих статистик и номер итерации запоминаются в файле AdaptPPZ.dat (блок 1) и сохраняются в нем и при неработающей программе AdaptPPZ. ехе.
В блоке 5 с учетом накопленных статистик и номера итерации оцениваются по формулам (2) новые значения параметров процесса износа a, о.
В блоке 6 с учетом оценок a, о определяются для текущей итерации оптимальные величины периода замены tp и критерия оптимальности 0.
В блоке 7 реализуется выход на конец процесса адаптации после итерации I = Ых. Практически это означает, что в дальнейшем период замены инструмента не изменяется и его износ не контролируется, так как рассчитано с достаточной точностью оптимальное значение tp.
Если условие блока 7 выполняется, то управление передается (блок 8) на станок (блок 3), для которого назначается уточненное в блоке 6 значение t = tp. После выполнения блока 3 опять запускается программа
AdaptPPZ.exe на просчет следующей итерации с новыми значениями t, У .
Проиллюстрируем полученные результаты на числовом примере. Для этого необходимо провести моделирование процесса работы станка и износа инструмента. Величина износа У после наработки t как случайная величина моделируется по закону (1) с использованием алгоритма статистического моделирования нормального распределения, описанного в [12].
Приведем расчет при следующих исходных данных: Сь = 15 мин, = 5 мин, Ь = 0.3 мм .
Рис. 2 иллюстрирует процесс самообучения при начальных значениях периода замены 50 деталей и 160 деталей. В обоих случаях процесс самообучения практически сходится к оптимуму после итерации 8. Оптимальное значение tp = 111 деталей.
Рис. 3 и 4 иллюстрируют процесс уточнения параметров процесса износа инструмента по мере накопления статистики об износе.
Проведенное моделирование описанного процесса адаптации на ЭВМ показало его относительно высокую сходимость к оптимуму.
Рис. 2. Процесс оптимизации периода замены инструмента в режиме самообучения в зависимости от начального значения tpl
Рис. 3. Процесс уточнения интенсивности износа a в зависимости от номера итерации при начальном значении периода замены tpl = 50 и tpl = 160 деталей.
Точное значение a = 2 мкм/дет.
Рис.4. Процесс уточнения квадратичного отклонения износа о в зависимости от номера итерации при начальном значении периода замены tpl = 50 и tpl = 160 деталей. Точное значение
о =3.33 мкм/дет.
Описанную процедуру оптимизации планово-предупредительной замены режущего инструмента целесообразно использовать на станках с ЧПУ. Если система ЧПУ станка не имеет необходимых вычислительных возможностей, то для реализации описанной процедуры можно использовать внешний компьютер.
Список литературы
1. Аникеева О.В., Ивахненко А.Г., Куц В.В. Управление качеством этапа планирования процесса ремонта металлорежущих станков // Известия Юго-Западного государственного университета. 2012. № 4 - 2. С.120 - 126.
2. Аникеева О.В., Ивахненко А.Г. Организация функциональной диагностики металлорежущих станков // Фундаментальные и прикладные проблемы техники и технологии. 2011. № 2 - 3. С. 133.
3. Аникеева О.В., Афонин А.Н., Ивахненко А.Г. Автоматизация диагностирования и прогнозирования состояния металлорежущих станков на промышленных предприятиях // Известия Юго-Западного государственного университета. 2012. № 1 - 1. С. 103 - 107.
241
4. Иноземцев А.Н., Пасько Н.И., Анцев А.В. Ситуационное управление ресурсом режущего инструмента // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2012. Вып. 2. С. 21 - 30.
5. Пасько Н.И., Анцев А.В. Оптимизация планово-предупредительной замены режущего инструмента по данным об износе и наработке. // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2015. Вып. 5. Ч. 2. С. 257 - 265.
6. Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973. 900 с.
7. Иноземцев А.Н., Пасько Н.И., Анцев А.В. Ситуационное управление ресурсом режущего инструмента // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, Вып. 2. 2012. С. 21 - 30.
8. Иноземцев А.Н., Пасько Н.И., Анцев А.В. Автоматизированное управление режимами резания на основе применения самообучающихся систем // Фундаментальные и прикладные проблемы техники и технологии. 2012. № 2 - 6 (292). С. 35 - 42.
9. Иноземцев А.Н., Пасько Н.И., Анцев А.В. Повышение конкурентоспособности изделий машиностроения с применением самообучающихся систем управления процессом резания // Машиностроение - основа технологического развития России ТМ-2013: сб. науч. ст. V Междунар. науч.-техн. конф. / редкол.: Е.И. Яцун [и др.]. Курск: Юго-Зап. гос. ун-т, 2013. С. 111 - 114.
10. Иноземцев А.Н., Пасько Н.И., Анцев А.В. Автоматизированное управление режимами резания металлорежущих станков с использованием самообучающихся систем // Известия Тульского государственного университета. Технические науки. № 12 - 1. Тула: Изд-во ТулГУ, 2013. С. 40-49.
11. Анцев А.В. Повышение эффективности обработки резанием на станках с числовым программным управлением // Современные инновации в науке и технике: сб. научных трудов 4-й Международной научно-практической конференции: в 4 т. отв. ред. А.А. Горохов. Курск: Университетская книга, 2014. С. 68 - 71.
12. Пасько Н.И., Анцев А.В. Статистические методы в управлении качеством: учеб. пособие. Тула: Изд-во ТулГУ, 2014. 173 с.
Пасько Николай Иванович, д-р техн. наук, проф., [email protected], Россия, Тула, Тульский государственный университет,
Анцев Александр Витальевич, канд. техн. наук, доц., а.ап1ле\'ауапЛех.ги, Россия, Тула, Тульский государственный университет
OPTIMIZATION OF CUTTING TOOL'S SCHEDULED REPLACEMENT IN SELF-LEARNING MODE
N.I. Pasko, A. V. Antsev
The task of optimization of period of cutting tool's replacement caused by its wear in self-learning mode is solving. Convergence of the self-learning process to optimum is represented by the statistical modeling method. The approach is suggested to be used on CNC machines.
Key words: cutting tool, replacement period, wear rate, cost per unit, parameter estimation, self-learning, convergence, statistical modeling.
Pasko Nicolay Ivanovich, doctor of technical sciences, professor, Pasko3 7amail. ru, Russia, Tula, Tula State University,
Antsev Alexander Vitalyievich, candidate of technical sciences, docent, a. antsevayandex. ru, Russia, Tula, Tula State University
УДК 621.892.1
ФОТОМЕТРИЧЕСКИЙ МЕТОД КОНТРОЛЯ ПРОЦЕССОВ ОКИСЛЕНИЯ ЧАСТИЧНО СИНТЕТИЧЕСКИХ МОТОРНЫХ МАСЕЛ
Б.И. Ковальский, А.В. Берко, В.Г. Шрам, О.Н. Петров,
Р.Н. Галиахметов
Приведены результаты исследования процессов окисления частично синтетических моторных масел в диапазоне температур от 170 до 200 °С. Установлены закономерности изменения оптических свойств, кинематической вязкости, испаряемости, сопротивляемости окислению и потенциального ресурса от времени и температуры испытания. Предложен критерий термоокислительной стабильности и физическая модель процессов старения.
Ключевые слова: коэффициент поглощения светового потока, коэффициент относительной вязкости, испаряемость масла, потенциальный ресурс, критерий термоокислительной стабильности.
Целью настоящих исследований является определение влияния температуры в диапазоне от 170 до 200 °С на процессы окисления частично синтетических моторных масел.
Методика исследования [1 - 5] предусматривала применение следующих средств контроля: прибора для термостатирования масел, фотометрического устройства, малообъемного вискозиметра и электронных весов.
