CC BY
65
DOI 10.25987^Ти.2020.16.3.014 УДК 621.91
ОПТИМИЗАЦИЯ РЕЖИМОВ РЕЗАНИЯ С УЧЕТОМ УРОВНЯ ВИБРАЦИИ НА ОСНОВЕ ПРИМЕНЕНИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
А.В. Анцев, Е.С. Янов, Ч.Х. Данг Тульский государственный университет, г. Тула, Россия
Аннотация: рассматривается задача оптимизации режимов резания на примере токарной и фрезерной обработки с использованием методов искусственного интеллекта. В качестве критерия оптимальности предлагается использовать удельные затраты - переменную часть себестоимости обработки - которые могут изменяться в единицах времени, что обеспечивает оптимизацию по производительности, или денежных единицах, что обеспечивает оптимизацию по себестоимости. Рассчитанные оптимальные значения ограничивают область рациональных режимов резания. В процессе оптимизации с помощью обобщенной стохастической модели отказов учитывается вариабельность (разброс) периода стойкости режущего инструмента. Перебор режимов резания и периодичности восстановления режущего инструмента предложено осуществлять с помощью генетического алгоритма. Каждый рассматриваемый вариант режимов резания проверяется на соответствие техническим или технологическим ограничениям. При этом особое внимание уделяется вибрации в процессе резания, уровень которой меняется по мере изнашивания режущего инструмента. Оценку уровня вибрации предлагается проводить с использованием искусственной нейронной сети в виде многослойного персептрона. Рассмотренный подход оптимизации режимов резания и периодичности восстановления режущих инструментов с учетом специфики процесса резания и факторов случайности при износе и разрушении режущих инструментов позволил предложить систему адаптивного управления процессом резания с учетом вибрации машинной части технологической системы. За основу архитектуры системы адаптивного управления процессом резания взята схема с обычным контроллером, управляемым нейронной сетью в виде нейро-нечеткой сети на базе алгоритма Сугэно 0-го порядка. Применение методов искусственного интеллекта для анализа уровня вибрации машинной части технологической системы и оптимизации режимов резания и периодичности восстановления режущего инструмента позволит выявить резервы для повышения эффективности процесса резания, диагностировать состояние режущего инструмента в процессе обработки и разработать адаптивную и робастную систему управления процессом резания
Ключевые слова: режим резания, оптимизация, удельные затраты, вибрация, генетический алгоритм, многослойный персептрон, нейро-нечеткая сеть, адаптивное управление
Благодарности: исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 1838-00849
Введение
Развитие и совершенствование технологий металлообработки неразрывно связано с использованием станков с числовым программным управлением. Их эффективное использование невозможно без обеспечения стабильного процесса резания, который оценивается комплексно по следующим критериям: точность, качество обработанной поверхности, надежность работы режущего инструмента.
Современные машиностроительные предприятия характеризуются очень широкой номенклатурой потребляемого режущего инструмента [1]. При этом режущий инструмент является наиболее уязвимым звеном в металлорежущих системах. Непредвиденный выход инструмента из строя приводит к большим издержкам производства из-за увеличения затрат на профилактику и обслуживание режущего
© Анцев А.В., Янов Е.С., Данг Ч.Х., 2020
инструмента и увеличения затрат на исправимый и неисправимый брак из-за высокой стоимости заготовок на финишных операциях, поэтому большое количество работ в современной литературе посвящено вопросам изучения механизма износа режущего инструмента, диагностики его состояния, прогнозированию его периода стойкости и оптимизации режимов резания.
При диагностировании состояния режущего инструмента большое распространение получили методы с использованием методов машинного обучения [2-4]. Для этого используются различные косвенные параметры -процесса резания, такие как акустическая эмиссия [5, 6], вибрация [7, 8], температура [9, 10], сила резания [11], а также их комбинации [12]. Также для контроля состояния режущего инструмента применяется оптический контроль [13]. При этом наиболее перспективным косвенным методом контроля износа режущего инструмента в процессе обработки является
контроль вибрации механической части технологической системы. Данный метод позволяет обеспечивать контроль износа режущего инструмента как при чистовой обработке, так и черновой обработке, а также определять разрушение инструмента при черновой обработке и прогнозировать качество получаемой поверхности.
Надежность процесса резания, качество полученных деталей и производительность производственного процесса зависят от периода стойкости режущего инструмента. В настоящее время много работ посвящено прогнозированию периода стойкости и надежности режущего инструмента и оптимизации режимов резания, например, [14, 15], в том числе с учетом разброса периода стойкости [16-19], однако данная задача пока не нашла своего окончательного решения.
Методика назначения рациональных режимов резания
При оптимизации режимов резания обычно используют один из двух подходов:
- обеспечение максимальной производительности обработки;
- обеспечение минимальной себестоимости обработки.
Вне зависимости от выбранного подхода при назначении рациональных режимов резания подачу и глубину резания назначают максимально возможными исходя из технических (мощность привода главного движения и приводов подачи, жесткость металлорежущего станка, геометрия лезвийного инструмента, применяемая технологическая оснастка и т. д.) и технологических (точность обработки, качество обрабатываемой поверхности, величина припуска и т. д.) ограничений [20]. Что касается скорости резания, то в первом подходе определяют скорость резания максимальной производительности, а во втором - экономическую скорость резания, обеспечивающую минимум производственных затрат. При этом значение экономической скорости резания меньше значения скорости резания максимальной производительности, а вместе они ограничивают зону высокой эффективности обработки, из которой следует выбирать рациональные режимы резания [21].
В качестве критерия оптимальности предлагается использовать удельные затраты - переменную часть себестоимости обработки или часть времени технологического перехода, за-
висящую от режимов резания и порядка восстановления лезвийного инструмента. Причем, если удельные затраты измеряются единицами времени, то полученные режимы резания соответствуют наибольшей производительности, а если удельные затраты измеряются денежными единицами, то оптимальные значения режимов резания соответствуют минимуму себестоимости.
В общем виде удельные затраты можно определить как
0_ ^о + ^б + ^в (1)
Тп
где Zо - затраты на обработку, зависящие от числа обработанных деталей до момента отказа инструмента и учитывающие стоимость минуты работы металлорежущего станка и выбранные режимы резания, Zб - затраты на брак из-за внезапного отказа инструмента в процессе обработки, 2в - затраты, связанные с восстановлением инструмента (затраты на инструмент), Тп - полезная наработка, т. е. средняя наработка за один период восстановления лезвийного инструмента.
При этом стойкость режущих инструментов (наработка на отказ по терминологии теории надежности) является случайной величиной, зависящей от множества факторов: режимов резания, режущих свойств инструментов, вида обработки, твердости обрабатываемых деталей, величины припусков на обработку, предварительного напряженно-деформированного состояния, вибраций, геометрических погрешностей станка и других факторов [22-24]. Разброс периода стойкости режущего инструмента существенен - от 15 до 35 % [11], что оказывает негативное влияние на эффективность процесса резания и усложняет задачу оптимизации режимов резания.
Поэтому в процессе оптимизации следует учитывать, что период стойкости режущего инструмента даже одной партии является случайной величиной с некоторым законом распределения. Для учета постепенного, из-за износа лезвия, и внезапного, из-за разрушения лезвия, видов отказа режущего инструмента, вариабельности параметров инструмента, вариабельности параметров обрабатываемых заготовок и неопределенности условий и специфики производства деталей машин, при оптимизации предлагается использовать обобщенную стохастическую модель отказов режущего инструмента, в которой закон распределения пе-
риода стойкости инструмента является композицией трех распределений распределения (логарифмически нормального, нормального и Вейбулла). В зависимости от производственной ситуации и имеющихся в наличии статистических данных, при соответствующем подборе параметров из обобщенной модели могут быть получены простые стохастические модели [25].
Общий алгоритм оптимизации режимов резания в данном случае будет состоять из следующих этапов:
1. Перебор возможных значений режимов резания и периодичности восстановления режущего инструмента.
2. Оценка параметров стойкостной зависимости и определение периода стойкости на основе стохастической модели отказов.
3. Проверка выбранного варианта режимов резания на технические и технологические ограничения.
4. Расчет удельных затрат и выбор оптимального варианта.
Рассмотрим указанные этапы подробнее.
Перебор режимов резания и периодичности восстановления инструмента
В качестве первого приближения при поиске оптимальных режимов резания и периодичности восстановления инструмента можно воспользоваться полным перебором возможных значений. Однако даже с учетом того, что подача и глубина резания назначаются максимально возможными и их оптимальное значение лежит на границе допустимых значений и, таким образом, для перебора остается лишь скорость резания, чье оптимальное значение в соответствии с выбранным критерием оптимизации лежит внутри диапазона допустимых значений и имеет оптимальное значение, алгоритм полного перебора возможных значений режимов резания и периодичности восстановления с определенным шагом не будет самым оптимальным с точки зрения производительности.
Повысить производительность алгоритма подбора режима резания и периодичности восстановления возможно за счет применения метода Монте-Карло, обеспечивающего случайный поиск рациональных режимов резания и периодичности восстановления пока не будет достигнуто целевое значение критерия оптимальности или не будет выполнено заданное максимальное количество итераций алгоритма.
Минусом такого подхода является то, что найденное решение будет квазиоптимальным.
Для повышения точности и скорости работы алгоритма случайного поиска целесообразно применение теории эволюционных вычислений, в частности, генетических алгоритмов [26].
Начальной точкой алгоритма является формирование исходных вариантов режимов резания и периодичностей восстановления инструмента путем их генерации случайным образом из области допустимых значений. В качестве критерия оптимальности используется критерий минимума удельных затрат.
Условие завершения генетического алгоритма такое же, как и алгоритма случайного поиска. Если условие завершения не достигнуто, то происходит выбор рациональных режимов резания и периодичности восстановления с минимальными удельными затратами. Лучшие варианты выбираются для генерации новых вариантов режимов резания и периодичности восстановления много раз, в то время как варианты с высокими удельными затратами исключаются из дальнейшего рассмотрения.
Применение генетических операторов позволяет получить новые варианты режимов резания и периодичностей восстановления для анализа с учетом предыдущих результатов поиска оптимальных значений, что значительно повышает производительность алгоритма оптимизации. После выбора родительских вариантов режимов резания и периодичностей восстановления части режимов резания обмениваются между собой. Части режимов резания и периодичности восстановления для обмена выбираются полностью случайно. Этот процесс применяется для 50 % лучших вариантов рациональных режимов резания.
Полученные таким образом новые варианты могут претерпевать внезапное случайное изменение. Этот процесс важен, потому что он добавляет варианты режимов резания и перио-дичностей восстановления, которые могут отсутствовать в родительских, и таким образом обеспечивается поиск глобального оптимума решения. Это происходит в 1 % случаев, иначе генетический алгоритм вырождается в алгоритм случайного поиска.
После выполнения условия завершения генетического алгоритма из оставшихся на момент завершения алгоритма вариантов выбирается вариант режимов резания и периодичности восстановления с минимальными удельными затратами. Этот вариант и будет результатом
работы системы оптимизации режимов резания.
Оценка периода стойкости режущего инструмента
Обобщенная функция надежности режущего инструмента [27] имеет пять параметров: а - среднегеометрическое значение средних интенсивностей изнашивания по режущим инструментам; 5 а - среднеквадратическое отклонение логарифма среднегеометрического значения средних интенсивностей изнашивания по режущим инструментам, связанное с вариабельностью режущих свойств инструментов одной партии; оду - среднеквадратическое отклонение приращения износа на единицу наработки, связанное с вариабельностью твердости заготовок, вариабельностью величины припуска на обработку, стохастическим характером самого процесса износа; г - параметр обобщенной функции надежности режущего инструмента, связанный с наработкой режущего инструмента до разрушения; Р - параметр обобщенной функции надежности режущего инструмента, связанный с вариабельностью наработки режущего инструмента до разрушения. Указанные параметры должны быть оценены по результатам эксплуатации инструмента на основе собранных статистических данных.
Параметры а и г зависят от режима резания, при этом для учета нелинейного характера зависимости указанных параметров от параметров режимов резания и учета корреляции между параметрами режима резания V и £, £ и h используются соответствующие полиномы, например,
2 3
а(у,£,к,НВ) = ехр[С0 + с\1пV + С21п V + С31П V + + С41п £ + С51П к + C6lnv • 1п£ + + с71п £ • 1п к + с81п( НВ/200)];
2 3
г^,£,к) = ехр[&0 + Ь\ • 1пV + Ь2 • 1п V + Ь3 • 1п V + 2
+ Ь4 • 1п £ + Ь5 • 1п £ + Ьб • 1пк + Ь7 • 1пV 1п £], где С0, с§ и ¿0, Ьу - коэффициенты, оцениваемые по статистическим данным; V -скорость резания, м/мин; £ - подача, мм/об; к - глубина резания, мм; НВ - твердость заготовки по Бринеллю.
Параметры 5 а , оду и Р от режимов резания не зависят и описывают вариабельность (разброс) характеристик режущего инструмента
и обрабатываемых заготовок и специфику конкретного производства.
Расчет периода стойкости с использованием обобщенной стохастической модели отказов позволяет определить не только средний период стойкости, но и его вариабельность. С учетом вариабельности периода стойкости рассчитывается вероятность брака из-за внезапного отказа инструмента во время обработки.
Проверка технических и технологических ограничений
В ходе перебора режимов резания для каждого варианта происходит проверка на выполнение технических или технологических ограничений. Например, для токарной обработки при оптимизации режимов резания ограничения приведены в работе [14], а для случая фрезерной обработки - в работе [15].
Отдельно стоит выделить требования по качеству обрабатываемой поверхности, которое зависит от вибрации машинной части технологической системы. При этом уровень вибрации меняется по мере изнашивания режущего инструмента. Во время приработки режущего инструмента первоначальный уровень вибрации снижается до минимального значения в момент начала стадии нормального изнашивания режущего инструмента. По мере нормального изнашивания уровень вибрации увеличивается с небольшой скоростью. При переходе в стадию катастрофического изнашивания уровень вибрации начинает резко возрастать. Таким образом, уровень вибрации является не только ограничением для обеспечения качества обработанной поверхности, но и от него зависит момент восстановления режущего инструмента, что подробнее рассматривается на следующем этапе алгоритма оптимизации.
Оценку уровня вибрации машинной части технологической системы предлагается проводить с помощью имеющихся опытных данных по результатам предыдущей обработки различных деталей с использованием искусственной нейронной сети (ИНС). Типовая структура ИНС для прогнозирования вибрации машинной части технологической системы в виде многослойного персептрона представлена на рис. 1. Для увеличения скорости обучения ИНС используется модифицированный алгоритм обучения [27].
Рис. 1. Структура ИНС для оценки уровня вибрации машинной части технологической системы
На вход ИНС подается следующая техническая и технологическая информация:
- свойства обрабатываемой заготовки (приведенная масса заготовки, коэффициент жесткости);
- геометрия лезвийного инструмента (для токарной обработки это радиус при вершине, вылет резца; для фрезерной обработки это диаметр и длина фрезы, число зубьев);
- параметры используемого металлорежущего станка (жесткость станка);
- режимы резания, определенные технологическим процессом (подача, глубина резания, скорость резания, для фрезерной обработки дополнительно ширина резания);
- период восстановления инструмента.
Данная техническая и технологическая
информация может быть получена из проектных решений и технологических документов, отражающих результаты технологической подготовки производства и детально описывающих технологический аспект производственного процесса.
Результатом работы ИНС будет уровень вибрации в момент периодического восстановления режущего инструмента.
Для каждого варианта режимов резания и периодичности восстановления инструмента, прошедшего проверку на технические и технологические ограничения, рассчитываются удельные затраты по формуле (1). Тот вариант
режимов резания и периодичности восстановления, который будет иметь минимальные удельные затраты, и будет выбран в конце работы генетического алгоритма в качестве оптимального.
Система адаптивного управления процессом резания с учетом вибрации машинной части технологической системы
Рассмотренный подход оптимизации режимов резания и периодичности восстановления режущих инструментов с учетом специфики процесса резания и факторов случайности при износе и разрушении режущих инструментов позволяет предложить систему адаптивного управления процессом резания с учетом вибрации машинной части технологической системы. Решение этой задачи становится возможным в связи с развитием систем управления и оснащением станков все более мощными системами числового программного управления (СЧПУ) класса PCNC-2 и выше. Применение в системе адаптивного управления методов искусственного интеллекта позволяет обеспечить предлагаемую систему способностью к обучению и адаптации, робастностью и способностью к развитию путем включения новых компонентов в состав системы управления.
За основу архитектуры системы адаптивного управления процессом резания взята схе-
ма с обычным контроллером, управляемым нейронной сетью [28]. В качестве обычного регулятора используется СЧПУ металлорежущего станка. Архитектура предложенной системы представлена на рис. 2.
Рис. 2. Архитектура адаптивной системы управления процессами резания
Для построения системы адаптивного управления режимами резания СЧПУ станка должна удовлетворять следующим двум требованиям, приведенным в [29]:
1) иметь устройство дискретного ввода-вывода информации для связи с внешним оборудованием, через которое можно управлять станком, т. е. изменять во время его работы такие параметры, как подача и скорость резания;
2) обладать программой логики станка. Это означает, что пользователь имеет право самостоятельно разрабатывать и подключать в работу СЧПУ программу логики металлорежущего станка, обеспечивающую внешнее управление подачей и скоростью резания от персональной электронно-вычислительной машины (ПЭВМ).
На вход программно-методического комплекса (ПМК), обеспечивающего оптимизацию режимов резания и периодичности восстановления режущего инструмента, подается следующая техническая и технологическая информация:
- свойства обрабатываемого материала;
- свойства инструментального материала;
- размеры детали;
- параметры металлорежущего станка;
- требования к точности изготовления и шероховатости поверхности детали;
- геометрия режущего инструмента.
ПМК оптимизирует режимы резания, проверяя их на соответствие техническим и техно-
логическим ограничениям с использованием экспертной системы (ЭС).
Оптимальные режимы резания и периодичность восстановления режущего инструмента используются СЧПУ для управления металлорежущим станком. СЧПУ в соответствии со своей внутренней логикой формирует управляющие воздействия на приводы главного движения и подач металлорежущего станка. Данные управляющие воздействия, а также косвенные результаты работы оборудования подаются на вход ИНС. В качестве косвенных результатов работы оборудования используется уровень вибрации в зоне резания.
В зависимости от вибрации машинной части технологической системы с учетом износа режущего инструмента ИНС ищет отклонения в работе металлорежущего станка от эталонной модели. Если будут обнаружены отклонения в работе станка от оптимального варианта, то ИНС через СЧПУ станка будет их компенсировать путем изменения режимов резания.
Для данной ИНС предложено использовать архитектуру нейро-нечеткой сети на базе алгоритма Сугэно 0-го порядка [28], в которой слои выполняют функции элементов системы нечеткого вывода, что позволило построить адаптивную нейро-нечеткую систему вывода.
Помимо этого, информация о наработке и износе лезвийного инструмента, оцененного по уровню вибрации, поступает в ПМК, в котором происходит самообучение на основе новых статистических данных.
Заключение
Применение методов искусственного интеллекта для анализа уровня вибрации машинной части технологической системы и оптимизации режимов резания и периодичности восстановления режущего инструмента позволит выявить резервы для повышения эффективности процесса резания, диагностировать состояние режущего инструмента в процессе обработки, собирать статистические данные для уточнения стойкостных зависимостей используемых режущих инструментов в режиме самообучения и разработать адаптивную и робаст-ную систему управления процессом резания.
Литература
1. Анцев В.Ю., Васин С.А., Долгов Д.В. Информационная поддержка в системе инструментального обеспечения машиностроительного предприятия // Автоматизация и современные технологии. 2002. № 2. С. 3-9.
2. Ademujimi T.T., Brundage M.P., Prabhu V.V. A review of current machine learning techniques used in manufacturing diagnosis // IFIP Advances in Information and Communication Technology. 2017. Vol. 513. P. 407-415.
3. Aghazadeh F., Tahan A., Thomas M. Tool condition monitoring using spectral subtraction and convolutional neural networks in milling process // International Journal of Advanced Manufacturing Technology. 2018. Vol. 98(9-12). P. 3217-3227.
4. Orak S., Arapoglu R.A., Sofuoglu M.A. Development of an ANN-based decision-making method for determining optimum parameters in turning operation // Soft Computing. 2018. Vol. 22(18). P. 6157-6170.
5. Филоненко С.Ф. Влияние износа режущего инструмента при контролируемой глубине резания на акустическую эмиссию // Восточно-Европейский журнал передовых технологий. 2015. № 6(9). С. 47-50.
6. 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.
7. Experimental and analytical research on relationship between tool life and vibration in cutting process / S. Ghorba-ni, V.V. Kopilov, N.I. Polushin, V.A. Rogov // Archives of Civil and Mechanical Engineering. 2018. Vol. 18(3). P. 844862.
8. Анцев А.В., Янов Е.С., Данг Ч.Х. Зависимость вынужденных колебаний машинной части технологической системы в процессе резания от износа режущего инструмента // Известия Тульского государственного университета. Технические науки. 2019. № 6. С. 263-272.
9. Karaguzel U., Budak E. Investigating effects of milling conditions on cutting temperatures through analytical and experimental methods // Journal of Materials Processing Technology. 2018. Vol. 262. P. 532-540.
10. Inta M., Muntean A. Researches regarding introducing temperature as a factor in cutting tool wear monitoring // MATEC Web of Conferences. 2018. Vol. 178. 01013. DOI: 10.1051/matecconf/201817801013.
11. Мартинов Г.М., Григорьев А.С. Диагностирование режущих инструментов и прогнозирование их остаточной стойкости на станках с ЧПУ в процессе обработки // СТИН. 2012. № 12. С. 23-27.
12. Zhang B., Shin Y.C. A multimodal intelligent monitoring system for turning processes // Journal of Manufacturing Processes. 2018. Vol. 35. P. 547-558.
13. Tool wear monitoring using an online, automatic and low cost system based on local texture / M.T. García-Ordás, E. Alegre-Gutiérrez, R. Alaiz-Rodríguez, V. González-Castro // Mechanical Systems and Signal Processing. 2018. Vol. 112. P. 98-112.
14. Нгуен В.К., Ямников А.С. Методология оптимизации режимов резания // Фундаментальные и прикладные проблемы техники и технологии. 2012. № 1 (291). С. 5663.
15. Аверченков А.В., Кукло Е.Ю., Терехов М.В. Математическое моделирование процедуры определения
себестоимости операций при фрезеровании // Вестник Тамбовского государственного технического университета. 2014. Т. 20. № 3. С. 543-550.
16. Salonitis K., Kolios A. Reliability assessment of cutting tool life based on surrogate approximation methods // International Journal of Advanced Manufacturing Technology. 2014. Vol. 71. P. 1197-1208.
17. Patino Rodriguez C.E., Souza G.F.M. Reliability concepts applied to cutting tool change time // Reliability Engineering and System Safety. 2010. Vol. 95. P. 866-873.
18. Vagnorius Z., Rausand M., S0rby K. Determining optimal replacement time for metal cutting tools // European Journal of Operational Research. 2010. Vol. 206. P. 407-416.
19. Анцев В.Ю., Иноземцев А.Н., Пасько Н.И. Управление ресурсом режущего инструмента в зависимости от производственных ситуаций // Известия Тульского государственного университета. Серия Технологическая системотехника. 2003. Вып. 1. С 18-29.
20. Бобров В.Ф. Основы теории резания металлов. М.: Машиностроение, 1975. 344 с.
21. Sandvik Coromant. Руководство по металлообработке. Стокгольм: AB Sandvik Coromant, 2006. 564 с.
22. Аникеева О.В., Ивахненко А.Г., Пузанов В.Е. Построение моделей схемно-параметрической надежности металлорежущих станков // Известия Юго-Западного государственного университета. 2013. № 5 (50). С. 148155.
23. Козлов В.И. Анализ влияния относительных колебаний на износ лезвийного инструмента // СТИН. 2008. № 1. С. 9-14.
24. Влияние механизма контактного взаимодействия на износ передней поверхности инструмента / Ю.Н. По-лянчиков, С.М. Пахтусов, В.А. Солодков и др. // Известия Волгоградского государственного технического университета. 2004. № 9. С. 42-44.
25. Обобщенная стохастическая модель отказов режущего инструмента и ее применение/ Н.И. Пасько, А.В. Анцев, Н.В. Анцева, С.В. Сальников. Тула: Изд-во ТулГУ, 2016. 174 с.
26. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с польск. И.Д. Рудинского. М.: Горячая линия Телеком, 2006. 452 с.
27. Пат. 2566979 Российская Федерация, МПК G06N3/08. Способ обучения искусственной нейронной сети / В.С. Сальников, В.Ч. Хоанг, А.В. Анцев; заявитель и патентообладатель ФГБОУ ВО «Тульский государственный университет». № 2014150877; заявл. 15.12.2014; опубл. 27.10.2015, Бюл. № 30.
28. Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М: Горячая Линия-Телеком, 2004. 143 с.
29. Хоанг В.Ч. Повышение эффективности точения деталей из труднообрабатываемых материалов на основании температурно-силового мониторинга: дис. ... канд. техн. наук : 05.02.07 / Хоанг Ван Чи. Тула, 2016. 136 с.
Поступила 24.03.2020; принята к публикации 17.06.2020 Информация об авторах
Анцев Александр Витальевич - канд. техн. наук, доцент, доцент кафедры «Технология машиностроения», Тульский государственный университет (300012, Россия, г. Тула, пр. Ленина, 92), e-mail: a.antsev@yandex.ru
Янов Евгений Сергеевич - канд. техн. наук, Тульский государственный университет (300012, Россия, г. Тула, пр. Ленина, 92), e-mail: dexaik@mail.ru
Данг Чонг Хыу - аспирант кафедры «Технология машиностроения», Тульский государственный университет (300012, Россия, г. Тула, пр. Ленина, 92), e-mail: danghuutrong@gmail.com
CUTTING MODES OPTIMIZATION TAKING INTO ACCOUNT VIBRATION LEVEL BASED ON APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS
A.V. Antsev, E.S. Yanov, T.H. Dang Tula State University, Tula, Russia
Abstract: the article considers the problem of cutting modes optimization on the example of turning and milling using artificial intelligence methods. As a criterion of optimality, we propose to use unit costs - a variable part of the cost of processing, which can vary in time units, which ensures optimization in terms of productivity, or in monetary units, which ensures optimization in terms of cost. The calculated optimal values limit the area of rational cutting conditions. In the optimization process using the generalized stochastic model of failures, the variability (spread) of the tool life of cutting tool is taken into account. We propose to search the cutting modes and the preventive maintenance period of the cutting tool using the genetic algorithm. Each considered option of cutting mode is checked for compliance with technical or technological restrictions. In this case, special attention is paid to vibration during the cutting process, the level of which changes as the cutting tool wears out. We propose to evaluate the level of vibration using an artificial neural network in the form of a multilayer perceptron. The considered approach to optimizing the cutting modes and preventive maintenance period of the cutting tool, taking into account the specifics of the cutting process and random factors during wear and destruction of cutting tools, allowed us to propose an adaptive control system for the cutting process taking into account the vibration of the machine part of the technological system. The architecture of the adaptive control system for the cutting process is based on a circuit with a conventional controller controlled by a neural network in the form of a neuro-fuzzy network based on the zero-order Sugeno algorithm. The use of artificial intelligence methods to analyze the vibration level of the machine part of the technological system and optimize the cutting modes and the preventive maintenance period of the cutting tool, allows us to identify reserves for increasing the efficiency of the cutting process, diagnose the condition of the cutting tool during machining and develop an adaptive and robust cutting process control system
Key words: cutting mode, optimization, unit costs, vibration, genetic algorithm, multilayer perceptron, neuro-fuzzy network, adaptive control
Acknowledgments: the study was funded by RFBR in the framework of the research project no. 18-38-00849
References
1. Antsev V.Yu., Vasin S.A., Dolgov D.V. "Information assistance in the tool assurance system on the machine-building plant", Automation and Modern Technology (Avtomatizatsiya i sovremennyye tekhnologii), 2002, no. 2, pp. 3-9.
2. Ademujimi T.T., Brundage M.P., Prabhu V.V. "A review of current machine learning techniques used in manufacturing diagnosis", IFIP Advances in Information and Communication Technology, 2017, vol. 513, pp. 407-415.
3. Aghazadeh F., Tahan A., Thomas M. "Tool condition monitoring using spectral subtraction and convolutional neural networks in milling process", International Journal of Advanced Manufacturing Technology, 2018, vol. 98(9-12), pp. 3217-3227.
4. Orak S., Arapoglu R.A., Sofuoglu M.A. "Development of an ANN-based decision-making method for determining optimum parameters in turning operation", Soft Computing, 2018, vol. 22(18), pp. 6157-6170.
5. Filonenko S.F. "The effect of wear of a cutting tool with a controlled depth of cut on the acoustic emission", Eastern-European Journal of Modern Technologies (Vostochno-Yevropeyskiy zhurnal peredovykh tekhnologiy), 2015, no 6(9), pp. 47-50.
6. Kozochkin M.P., Sabirov F.S., Seleznev A.E. "Vibroacoustic monitoring of cutting edge machining of hardened steel", Bulletin of MSTUStankin (VestnikMGTUStankin), 2018, no. 1(44), pp. 23-30.
7. Ghorbani S., Kopilov V.V., Polushin N.I., Rogov V.A. "Experimental and analytical research on relationship between tool life and vibration in cutting process", Archives of Civil and Mechanical Engineering, 2018, vol. 18(3), pp. 844-862.
8. Antsev A.V., Yanov E.S., Dang T.H. "Dependence of forced vibrations of the machine part of the technological system in the process of cutting on wear of the cutting tool", Bulletin of Tula State University. Technical Science (Izvestiya Tul'skogo gosudar-stvennogo universiteta. Tekhnicheskie nauki), 2019, no. 6, pp. 263-272.
9. Karaguzel U., Budak E. "Investigating effects of milling conditions on cutting temperatures through analytical and experimental methods", Journal of Materials Processing Technology, 2018, vol. 262, pp. 532-540.
10. Inta M., Muntean A. "Researches regarding introducing temperature as a factor in cutting tool wear monitoring", MATEC Web of Conferences, 2018, vol. 178, 01013. DOI: 10.1051/matecconf/201817801013.
11. Martinov G.M., Grigor'ev A.S. "Diagnostics of cutting tools and prediction of their life in numerically controlled systems", STIN, 2012, no. 12, pp. 23-27.
12. Zhang B., Shin Y.C. "A multimodal intelligent monitoring system for turning processes", Journal of Manufacturing Processes, 2018, vol. 35, pp. 547-558.
13. García-Ordás M.T., Alegre-Gutiérrez E., Alaiz-Rodríguez R., González-Castro V. "Tool wear monitoring using an online, automatic and low cost system based on local texture", Mechanical Systems and Signal Processing, 2018, vol. 112, pp. 98-112.
14. Nguyen V.C., Yamnikov A.S. "Methodology for optimization of cutting conditions", Fundamental and Applied Problems of Engineering and Technology (Fundamental'nye iprikladnyeproblemy tekhniki i tekhnologii), 2012, no. 1 (291), pp. 56-63.
15. Averchenkov A.V., Kuklo E.Yu., Terekhov M.V. "Mathematic modeling of the procedures to determine prime cost of milling operations" Bulletin of Tambov State Technical University (Vestnik Tambovskogo gosudarstvennogo tekhnicheskogo univer-siteta), 2014, vol. 20, no. 3, pp. 543-550.
16. Salonitis K., Kolios A. "Reliability assessment of cutting tool life based on surrogate approximation methods", International Journal of Advanced Manufacturing Technology, 2014, vol. 71, pp. 1197-1208.
17. Patino Rodriguez C.E., Souza G.F.M. "Reliability concepts applied to cutting tool change time", Reliability Engineering and System Safety, 2010, vol. 95, pp. 866-873.
18. Vagnorius Z., Rausand M., S0rby K. "Determining optimal replacement time for metal cutting tools", European Journal of Operational Research, 2010, vol. 206, pp. 407-416.
19. Antsev V.Yu., Inozemtsev A.N., Pas'ko N.I. "Resource management of a cutting tool depending on production situations" Bulletin of Tula State University. Series Technological system equipment (Izvestiya Tul'skogo gosudarstvennogo universiteta. Seriya Tekhnologicheskaya sistemotekhnika), 2003, issue 1, pp. 18-29.
20. Bobrov V.F. "Fundamentals of the theory of metal cutting" ("Osnovy teorii rezaniya metallov"), Moscow, Mashi-nostroenie, 1975, 344 p.
21. Sandvik Coromant "Metalworking guide", Stockholm, AB Sandvik Coromant, 2006, 564 p.
22. Anikeeva O.V., Ivakhnenko A.G., Puzanov V.E. "The construction of diagrammatical-parametric reliability models of metal cutting machine tools", Bulletin of South-West State University (Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta), 2013, no. 5 (50), pp. 148-155.
23. Kozlov V.I. "Analysis of the influence of relative fluctuations on the wear of a blade tool", STIN, 2008, no 1. pp. 9-14.
24. Polyanchikov Yu.N., Pakhtusov S.M., Solodkov V.A. et al. "The influence of the mechanism of contact interaction on the wear of the front surface of the tool", Bulletin of Volgograd State Technical University (Izvestiya Volgogradskogo gosudarstvennogo tekhnicheskogo universiteta), 2004, no. 9, pp. 42-44.
25. Pas'ko N.I., Antsev A.V., Antseva N.V., Sal'nikov S.V. "Generalized stochastic model of cutting tool failures and its application" ("Obobshchennaya stokhasticheskaya model' otkazov rezhushchego instrumenta i eye primenenie"), Tula, Publishing House of TSU, 2016, 174 p.
26. Rutkovskaya D., Pilin'skiy M., Rutkovskiy L. "Neural networks, genetic algorithms and fuzzy systems" ("Neyronnye seti, geneticheskie algoritmy i nechetkie sistemy"), trans. from polish by I.D. Rudinskiy, Moscow, Goryachaya Liniya Telecom, 2006, 452 p.
27. Sal'nikov V.S., Hoang V.Ch., Antsev A.V. "Training method of artificial neural network" ("Sposob obucheniya is-kusstvennoy neyronnoy seti"), patent 2566979 Rus. Federation: IPC G06N3 / 08.; byul. 30, 2 p.
28. Uskov A.A., Kuz'min A.V. "Intelligent management technology. Artificial neural networks and unclear logic" ("Intel-lektual'nye tekhnologii upravleniya. Iskusstvennye neyronnye seti i nechetkaya logika"), Moscow, Goryachaya Liniya Telecom, 2004, 143 p.
29. Hoang V.Ch. "Improving the efficiency of turning parts from difficult materials based on temperature and power monitoring" ("Povyshenie effektivnosti tocheniya detaley iz trudnoobrabatyvayemykh materialov na osnovanii temperaturno-silovogo monitoringa"), Cand. tech. sciences diss., TSU, Tula, 2016, 136 p.
Submitted 24.03.2020; revised 17.06.2020 Information about the authors
Aleksandr V. Antsev, Cand. Sc. (Technical), Associate Professor, Tula State University (92 Lenina ave., Tula 300012, Russia), e-mail: a.antsev@yandex.ru
Evgeniy S. Yanov, Cand. Sc. (Technical), Tula State University (92 Lenina ave., Tula 300012, Russia), e-mail: dexaik@mail.ru Trong H. Dang, Graduate student, Tula State University (92 Lenina ave., Tula 300012, Russia), e-mail: danghuutrong@gmail.com
