Научная статья на тему 'ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ ПРОЦЕССА ШЛИФОВАНИЯ ПРИ ИСПОЛЬЗОВАНИИ ТЕХНОЛОГИИ МИНИМАЛЬНОГО КОЛИЧЕСТВА СМАЗКИ С ДОПОЛНИТЕЛЬНЫМ ВОЗДУШНЫМ ОХЛАЖДЕНИЕМ'

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ ПРОЦЕССА ШЛИФОВАНИЯ ПРИ ИСПОЛЬЗОВАНИИ ТЕХНОЛОГИИ МИНИМАЛЬНОГО КОЛИЧЕСТВА СМАЗКИ С ДОПОЛНИТЕЛЬНЫМ ВОЗДУШНЫМ ОХЛАЖДЕНИЕМ Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

CC BY
27
4
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
МИНИМАЛЬНОЕ КОЛИЧЕСТВО СМАЗКИ / ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ / АРХИТЕКТУРА НЕЙРОННОЙ СЕТИ / МНОГОСЛОЙНЫЙ ПЕРСЕПТРОН / РАДИАЛЬНО-БАЗИСНАЯ СЕТЬ / MINIMUM QUANTITY LUBRICATION / ARTIFICIAL NEURAL NETWORK / NEURAL NETWORK ARCHITECTURE / MULTILAYER PERCEPTRON / RADIAL BASIS NETWORK

Аннотация научной статьи по электротехнике, электронной технике, информационным технологиям, автор научной работы — Митрофанов Артем Петрович, Велисевич Иван Алексеевич, Ляликова Ксения Евгеньевна

В исследовании предложен подход, основанный на применении искусственной нейронной сети (ANN), для прогнозирования температуры и составляющих силы резания при шлифовании никелевого сплава с использованием технологии подачи минимального количества смазки в охлажденном воздушном потоке (CAMQL). В качестве входных параметров модели использовали режимы настройки CAMQL. В процессе моделирования применяли алгоритмы нейронной сети: многослойный персептрон (MLP) c двумя методами обучения (метод обратного распространения ошибки и сопряженных градиентов) и радиально-базисную сеть (RBF). Полученные экспериментальные результаты показывают, что при использовании CAMQL значимо снижаются температура и составляющие силы резания. Установлено, что для прогнозирования выходных параметров процесса шлифования в условиях применения CAMQL наиболее оптимальной является сеть MLP с 20 нейронами в скрытом слое и обучением методом сопряженных градиентов, обладающая наименьшей ошибкой прогнозирования (до 5 %).

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по электротехнике, электронной технике, информационным технологиям , автор научной работы — Митрофанов Артем Петрович, Велисевич Иван Алексеевич, Ляликова Ксения Евгеньевна

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

THE USE OF ARTIFICIAL NEURAL NETWORKS TO PREDICT THE GRINDING PROCESS PARAMETERS USING THE MINIMUM AMOUNT OF LUBRICATION TECHNOLOGY WITH ADDITIONAL AIR COOLING

This study proposes an approach based on the use of an artificial neural network (ANN) to predict the temperature and constituent forces arising from grinding, using technologies that provide the minimum amount of lubricant in a cooled air stream (CAMQL). CAMQL models are used as input parameters. In the modeling process, neural network algorithms are used - a multilayer perceptron (MLP) using two training methods (the method of back propagation of errors and conjugate gradients) and a radial basis network (RBF). The experimental results obtained show that when using CAMQL, the temperature and components of the cutting force are significantly reduced. It was found that for predicting the output parameters of the grinding process under the conditions of using CAMQL, the most optimal is the MLP network with 20 neurons in the hidden layer and training by the conjugate gradient method, which has the network has the smallest prediction error (< 5 %).

Текст научной работы на тему «ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ ПРОЦЕССА ШЛИФОВАНИЯ ПРИ ИСПОЛЬЗОВАНИИ ТЕХНОЛОГИИ МИНИМАЛЬНОГО КОЛИЧЕСТВА СМАЗКИ С ДОПОЛНИТЕЛЬНЫМ ВОЗДУШНЫМ ОХЛАЖДЕНИЕМ»

ОБРАБОТКА МАТЕРИАЛОВ РЕЗАНИЕМ

Metal cutting

УДК 621.923 DOI 10.25960^.2020.3.3

Применение искусственных нейронных сетей для прогнозирования параметров процесса шлифования при использовании технологии минимального количества смазки с дополнительным воздушным охлаждением

А. П. Митрофанов, И. А. Велисевич, К. Е. Ляликова

Волжский политехнический институт, г. Волжский, Россия

В исследовании предложен подход, основанный на применении искусственной нейронной сети (ANN), для прогнозирования температуры и составляющих силы резания при шлифовании никелевого сплава с использованием технологии подачи минимального количества смазки в охлажденном воздушном потоке (CAMQL). В качестве входных параметров модели использовали режимы настройки CAMQL. В процессе моделирования применяли алгоритмы нейронной сети: многослойный персептрон (MLP) c двумя методами обучения (метод обратного распространения ошибки и сопряженных градиентов) и радиально-ба-зисную сеть (RBF). Полученные экспериментальные результаты показывают, что при использовании CAMQL значимо снижаются температура и составляющие силы резания. Установлено, что для прогнозирования выходных параметров процесса шлифования в условиях применения CAMQL наиболее оптимальной является сеть MLP с 20 нейронами в скрытом слое и обучением методом сопряженных градиентов, обладающая наименьшей ошибкой прогнозирования (до 5 %).

Ключевые слова: минимальное количество смазки, искусственная нейронная сеть, архитектура нейронной сети, многослойный персептрон, радиально-базисная сеть.

Введение

В последнее время находит все большее применение так называемая техника минимальной смазки (MQL — minimum quantity lubrication); на многих технологических операциях механической обработки ее можно считать альтернативой традиционным методам подачи смазочно-охлаждающих технологических средств в зону резания. Однако в процессах абразивной обработки, где наблюдаются высокие контактные температуры, использование MQL в чистом виде не всегда столь эффективно. В связи с этим некоторыми исследователями [1, 2] и нами, в частности [3, 4], предлагается использовать технологию подачи минимального количества

смазочной среды в охлажденном воздушном потоке (CAMQL — ^ld air with minimum quantity lubrication) посредством применения вихревой трубы. Такая технология априори должна обеспечивать снижение температуры в зоне резания и уменьшать силовую нагрузку при шлифовании. Однако степень эффективного воздействия будет зависеть от используемых настраиваемых параметров системы подачи смазочной среды и дополнительного охлаждения.

Выбор рациональных режимов может осуществляться на основе экспертных систем, которые объединяют большое количество экспериментальных данных, устанавливающих зависимость между выбранными входными и выходными параметрами процесса. Однако

МЕМППООБРАБОТКА

такой подход требует проведения очень большого числа экспериментов для каждого исследуемого техпроцесса и позволяет получить скорее качественные оценки параметров процесса, чем количественные.

Для решения этой задачи широко используется подход, основанный на построении математических моделей, учитывающих различного рода неопределенности. Перспективным в этом направлении является применение искусственных нейронных сетей (ИНС). Создание модели процесса резания в виде ИНС дает возможность применить накопленный исследовательский опыт и известные эмпирические зависимости. Впоследствии на ее основе могут быть построены адаптивные модели управления и контроля процесса резания, выбраны оптимальные режимы резания и спрогнозированы параметры процесса.

Искусственные нейронные сети показали эффективность в качестве вычислительных процессоров для различных ассоциативных операций, классификации, сжатия данных, комбинационного решения задач, адаптивного управления, моделирования и прогнозирования, объединения данных с использованием нескольких датчиков и фильтрации шума. Так, в настоящее время имеется положительный опыт применения ИНС в процессах шлифования для прогнозирования появления при-жога на обработанной поверхности [5], износа абразивного инструмента [6], шероховатости [7] и силы резания [8]. Практика использования ИНС при моделировании технологии MQL довольна незначительна, например, в работе

[9] исследуется операция точения, а в работе

[10] обобщенно рассматривается процесс шлифования чугуна.

Анализ научных публикаций позволяет сделать вывод о перспективности ИНС как прогностических моделей. В связи с этим нами была поставлена цель по решению актуальной задачи апробирования применения моделей ИНС для прогнозирования параметров процесса шлифования (температуры и составляющих силы резания) в условиях использования CAMQL. Для оптимизации разрабатываемой модели проводили исследование и сравнение влияния различных алгоритмов, т. е. архитектур ИНС, на ошибки при прогнозировании.

Методология исследования

Эксперимент

Для проведения экспериментальных исследований использовали плоскошлифовальный станок с ЧПУ CHEVALIER Smart-B1224III. Характеристика абразивного инструмента — 25AF100I10V. Режимы шлифования: скорость круга v = 30 м/с; подача стола vs = 6 м/мин; подача на глубину t - 0,01 мм/ход. Припуск, удаляемый за один опыт, — 0,5 мм. Режимы дозирования смазочной среды: 20, 30 и 50 мл/ч. В рамках концепции минимального воздействия на окружающую среду в качестве смазочной среды применяли растительное соевое масло [3, 4].

Для подачи воздуха в систему воздушного охлаждения использовался компрессор AIRRUS CE 250-V135. Устройство подачи минимального количества смазки в охлажденном воздухе (CAMQL) реализовано посредством синтеза установки MQL (модель Spraymat 700, производитель Steidle) и вихревой трубы. Принцип работы вихревой трубы базируется на вихревом эффекте, сущность которого заключается в снижении температуры в центральных слоях закрученного потока газа (свободного вихря) и повышении температуры периферийных слоев. При соответствующей конструкции устройства вихрь газа удается разделить на два потока: с пониженной и повышенной температурами. Особенностью работы вихревой трубы является регулирование соотношения температуры холодного воздуха и потока. В наших исследованиях потока (объемный расход) составлял 8, 12 и 16 м3/ч при соответствующих температурах воздуха -10, -5 и 0 °С. Выбор потока базировался на результатах исследований, представленных в работах [2, 11]. При настройке системы подачи MQL возможно варьирование скорости потока воздуха для транспортировки масла. Используя ротаметр, настраивали объемный расход, равный 2 и 4 м3/ч, что примерно соответствует скорости потока на выходе сопла 60 и 120 м/с. Схема экспериментальной установки представлена на рис. 1.

Материалом для исследований был жаропрочный сплав ХН45МВТЮБР (ЭП718), который является аналогом одного из самого востребованного в мире никелевого сплава Inconel 718. Для экспериментальных исследований были подготовлены образцы разме-

ОБРАБОТКА МАТЕРИАЛОВ РЕЗАНИЕМ

МЕТАЛЛООБРАБОТКЕ

7

8

-—*

-И 1 ш

Рис. 1. Схема экспериментальной установки:

1 — система подачи смазки Spraymat 700; 2 — сопло; 3 — компрессор; 4 — вихревая труба; 5 — выход горячего воздуха; 6 — заготовка; 7 — подвод холодного воздуха; 8 — трубка подачи масла

Fig. 1. Scheme of the experimental setup:

1 — Spraymat 700 lubrication supply system; 2 — nozzle; 3 — compressor; 4 — vortex tube; 5 — hot air outlet; 6 — workpiece; 7 — supply of cold air; 8 — oil supply pipe

рами 75 x 35 x 7 мм, которые прошли термообработку по стандартной технологии, в результате чего их твердость составила 37 ЫКСэ.

Составляющие силы резания измеряли с использованием шестикомпонентного силоизме-рительного комплекса Amti MC36-1000, аналого-цифрового преобразователя L-CARD E14-140 и ноутбука со специальным программным обеспечением Powergraph. Перевод электрического сигнала в ньютоны осуществляли посредством тарировочных коэффициентов.

Для измерения температуры использовали полуискусственную перерезаемую термопару. В качестве термоэлектрода использовали проволоку из сплава константан. Вторым термоэлектродом термопары являлась сама заготовка (образец). Запись сигнала осуществляли с помощью усилителя, АЦП L-CARD E14-140 и программного обеспечения LGraph. Фиксируемая температура — температура поверхности заготовки после контактного взаимодействия с абразивным кругом.

Для построения нейросетевых моделей применяли специальный программный продукт Statistica Neural Networks.

Моделирование с использованием

регрессионного анализа данных

Основная цель регрессионного анализа состоит в определении аналитической формы связи,

в которой изменение результативного признака обусловлено влиянием одного или нескольких факторных признаков, а множество всех прочих факторов, также оказывающих влияние на результативный признак, принимается за постоянные и средние значения.

Универсальными среди регрессионных моделей являются линейные и квадратичные модели:

y = Ь0 + Ь-Х- + &2*2 + Ь3Х3; (!)

y = Ь0 + b-x- + b2^2 + b3x3 + b^xf + + b^x2 + b^xg + Ь6Х-Х2 + b^X2Xß + bgx-xß. (2)

Для регрессионного анализа были приняты следующие параметры:

х- — расход воздуха для транспортировки масла, м3/ч (2, 4);

Х2 — расход масла, мл/ч (20, 30, 50); Х3 — расход охлаждающего воздуха, м3/ч (0,8; 12; 16).

Моделирование при помощи искусственной нейронной сети

Искусственная нейронная сеть формируется как нелинейная картографическая система, работающая подобно человеческому мозгу, где три слоя взаимосвязаны и каждый слой имеет один или несколько нейронов. Первый слой, называемый входным слоем, получает числовые значения в качестве входных данных для модели. Второй слой, т. е. скрытый слой, получает информацию от входного слоя и далее обрабатывает ее. Выходной слой, соединенный со скрытым слоем синаптически-ми весами, обеспечивает выход(ы). Тип конфигурации, алгоритм обучения, различные функции, а также веса и смещения влияют на точность модели ИНС [12].

В работе применяли два основных вида нейронных сетей (рис. 2): многослойный персеп-трон (MLP) и радиально-базисную сеть (RBF).

Многослойный персептрон имеет слоистую структуру. Каждый слой состоит из нейронов, которые получают свои входные сигналы от слоя нейронов, расположенного ниже, и посылают свои выходные значения на слой, который соответственно находится выше.

Цель обучения сети MLP состоит в подборе таких значений весов w^ и wsi для двух

Рис. 2. Обобщенные структуры многослойного персептрона (а) и радиально-оазиснои функции Fig. 2. Generalized structure of multilayer percepton (a) and radial basis function (б)

слоев сети, чтобы при заданном входном векторе х получить на выходе значения сигналов у8, которые с требуемой точностью будут совпадать с ожидаемыми значениями ds для в = 1, 2, ..., M.

Радиальные сети — скрытые нейроны — реализуют функции, радиально изменяющиеся вокруг выбранного центра и принимающие ненулевые значения только в окрестности этого центра.

Процесс обучения сети ИВЕ с учетом выбранного типа радиальной базисной функции сводится: к подбору центров ег и параметров формы базисных функций (часто используются алгоритмы обучения без учителя); к подбору весов нейронов выходного слоя (часто используются алгоритмы обучения с учителем).

Основной проблемой при проектировании нейронной сети является установление оптимального количества слоев и количества нейронов для достижения наиболее точных результатов. Истинная цель обучения состоит в таком подборе архитектуры и параметров сети, которые обеспечат минимальную погрешность распознавания тестового подмножества данных, не участвовавших в обучении. Критерием правильности окончательных результатов является погрешность обобщения, вычисленная по тестовой выборке.

Результаты и обсуждение

По результатам исследований согласно плану проведения эксперимента (табл.) можно говорить, что CAMQL справляется со своей

функцией, так как во всех случаях наблюдается понижение средней температуры на поверхности в процессе шлифования. Еще одним важным установленным фактом является то, что радиальная составляющая силы резания вне зависимости от условий обработки значимо уменьшается по мере снижения дозирования количества масла, таким образом целесообразнее использовать небольшое количество смазочной среды.

Самые низкие значения составляющих силы резания и температуры при шлифовании наблюдаются при следующих выбранных параметрах эксперимента: расход масла — 20 мл/ч; расход воздуха для транспортировки масла — 4 м3/ч; расход охлаждающего воздуха — 8-12 м3/ч.

Первоначально был проведен регрессионный анализ полученных данных. При выборе вида зависимости между выходными параметрами и входными при проведении регрессионного анализа основывались на значениях коэффициента детерминации. Линейная модель показала большее соответствие экспериментальным данным, и в итоге получаются функциональные зависимости, например, вида

Т = 254,08 - 4,76х1 + 0,34х2 - 2,1х3.

Однако коэффициент детерминации в моделях не высок (менее 0,8), что говорит об их невысокой адекватности. В связи с этим использовали искусственные нейронные сети. Для реализации моделей использовали два типа ИНС с соответствующими методами обу-

МЕТАЛЛООБРАБОТКА

Таблица

План эксперимента и полученные экспериментальные результаты

Table

The experimental design and the experimental results

№ п/п Х1, м3/ч х2, мл/ч х3, м3/ч Pz, Н Рг Н Т, °С

1 2 20 0 17,1 45,6 260

2 2 30 0 15,1 46,6 284

3 2 50 0 14,8 55,5 260

4 2 20 8 16,2 40,3 225

5 2 30 8 15,1 48,3 258

6 2 50 8 15,0 55,5 247

7 2 20 12 15,9 42,2 215

8 2 30 12 15,4 49,8 248

9 2 50 12 15,4 57,6 231

10 2 20 16 16,0 43,2 209

11 2 30 16 15,6 51,1 247

12 2 50 16 14,6 54,7 223

13 4 20 0 15,9 41,2 247

14 4 30 0 17,4 51,2 268

15 4 50 0 16,9 54,5 258

16 4 20 8 15,1 33,6 202

17 4 30 8 16,4 47,3 223

18 4 50 8 17,3 53,6 240

19 4 20 12 15,8 37,4 208

20 4 30 12 16,3 47,0 225

21 4 50 12 17,0 52,0 234

22 4 20 16 16,7 41,7 214

23 4 30 16 16,9 47,9 222

24 4 50 16 18,2 59,7 226

чения: MLP с двумя способами обучения — метод обратного распространения ошибки (BP) и метод сопряженных градиентов (CG) — и сеть RBF. Важной задачей было определить оптимальное количество нейронов в скрытом слое, для чего проведена экспериментальная оценка каждого варианта сети. Критерием эффективности сети являлась наименьшая среднеквадратичная ошибка (RMSE — root mean square error), полученная по значениям тестовой выборки:

RMSE =

Ё (R-- R )2 i=1

n

где п — количество значений; I е [1, п]; В' — прогнозируемое значение; В — экспериментальное значение.

Для сети MLP наилучший результат получен для метода обучения BP при 8 нейронах в скрытом слое, для CG — при 20 нейронах, а для сети RBF — при N = 4 (рис. 3). Минимальное значение RMSE, равное 2,13 %, наблюдается для сети MLP с методом обучения CG. Установленные оптимальные архитектуры сети использовали для анализа точности прогнозирования контролируемых выходных параметров шлифования.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

После обучения нейронных сетей проводили сравнение предсказанных значений и экспериментальных результатов температуры и составляющих силы резания. Также рассчитывали данные и по регрессионным зависимостям. Для оценки погрешности прогнозирования определяли среднюю абсолютную ошибку в процентах (MAPE — mean absolute percentage error) по формуле

RMSE 4

MLP (BP) ■ MLP (CG) I RBF

3,6

3,2

2,8

2,4

2

Ilk

4

8

12

16

20 N

Рис. 3. Оценка RMSE для различных вариантов нейронных сетей при варьировании нейронов в скрытом слое (N)

Fig. 3. Evaluation of RMSE for various variants of neural networks with variation of neurons in the hidden layer (N)

1

MAPE = - Y n^-i

i=1

Ri

x 100%

Исследования показывают, что нейросете-вая модель MLP с обучением методом CG имеет самую хорошую способность к обобщению по сравнению с другими моделями (рис. 4). По всем трем параметрам уровень ошибки составляет менее 5 %. Сеть RBF дает большую ошибку по составляющей Py. Сеть MLP с методом обучения BP показала себя не лучшим образом с ошибкой выше 5 % для всех параметров. Результаты, полученные с использованием модели MLP с обучением методом CG, относительно значений, рассчитанных по регрессионным зависимостям, имеют сопоставимые ошибки по параметру температуры, но значительно лучше по обеим составляю-

MAPE, % 9

Регрессия ■ MLP (CG) MLP (BP) ■ RBF

0

Pz

P„

T

Рис. 4. Ошибка прогнозирования MAPE для выходных параметров процесса шлифования

Fig. 4. MAPE prediction error for grinding process output

щим силы резания. Остальные нейросетевые модели показали уровень ошибки выше по сравнению с результатами регрессии (рис. 4).

Исходя из имеющегося уровня ошибки прогнозирования, принимаем нейронную сеть MLP с архитектурой 3-20-3 с обучением методом CG как наиболее оптимальную для прогнозирования выходных параметров процесса шлифования Pz, Py и T в условиях применения CAMQL.

Выводы

1. Установлено, что при использовании CAMQL наблюдается понижение средней температуры на поверхности в процессе шлифования вне зависимости от режимов настройки. При выборе дозирования смазочной среды целесообразнее использовать небольшое количество масла.

2. Для сети MLP наилучший результат получен для метода обучения BP при 8 нейронах в скрытом слое, для метода обучения CG — при 20 нейронах, а для сети RBF — для 4 нейронов в скрытом слое. Минимальное значение RMSE, равное 2,13 %, наблюдается на этапе тестирования для сети MLP с методом обучения CG.

3. Наиболее оптимальной для прогнозирования выходных параметров процесса шлифования Pz, Py и T в условиях применения технологии CAMQL из рассмотренных в нашем исследовании моделей является сеть MLP с архитектурой 3-20-3 и обучением методом CG.

4. Исследование показало, что ИНС может быть использована как альтернатива методу регрессионного анализа.

Литература [References]

1. Choi H. Z., Lee S. W., Jeong H. D. The cooling effects of compressed cold air in cylindrical grinding with alumina and CBN wheels // Journal of Materials Processing Technology. 2002. Vol. 127. P. 155-158. DOI: 10.1016/S0924-0136(02)00117-6

2. Saberi A., Parsa H., Ashrafijou M., Rabiei F. Improvement of surface grinding process performance of CK45 soft steel by minimum quantity lubrication (MQL) technique using compressed cold air jet from vortex tube // Journal of Cleaner Production. 2016. Vol. 131. P. 728738. D0I:10.1016/j.jclepro.2016.04.104

6

3

ОБРАБОТКА МАТЕРИАЛОВ РЕЗАНИЕМ

MET^flOObPAbJTKÂ

3. Wang Z., Willett P., de Aguiar P. R., Webster J.

Neural network detection of grinding burn from acoustic Emission //International Journal of Machine Tools & Manufacture. 2001. N 41. P. 283-309.

4. Nakai M. E., Aguiar P. R., Guillardi H., Bian-chi E. C., Spatti D. H., dAddona D. M. Evaluation of neural models applied to the estimation of tool wear in the grinding of advanced ceramics // Expert Systems with Applications. 2015.N 42. P. 7026-7035.

5. Markopoulos A. P., Georgiopoulos S., Manola-kos D. E. On the use of back propagation and radial basis function neural networks in surface roughness predic-tion// Jurnal Ind. Eng. Int. 2016. N 12. P. 389-400.

6. Amamou R., Fredj N. B., Fnaiech F. Improved method for grinding force prediction based on neural network // Int. Jurnal Adv. Manuf. Technol. 2008. Vol. 39. P. 656-668.

7. Mozammel Mia et al. Effect of time-controlled MQL pulsing on surface roughness in hard turning by statistical analysis and artificial neural network // Int. Jurnal Adv. Manuf. Technol. 2017. Vol. 91. P. 3211-3223. DOI: 10.1007/s00170-016-9978-1

8. Sahid N. S. M., Rahman M. M., Kadirgama K. Neural network modeling of grinding parameters of ductile cast iron using minimum quantity lubrication // Iinternational journal of automotive and mechanical engineering. 2015. Vol. 11. P. 2608-2621.

9. Крутикова А. А., Митрофанов А. П., Парше-

ва К. А. Применение технологии подачи минимального количества смазки в охлажденном воздушном потоке при шлифовании жаропрочного сплава // Технология металлов. 2019. № 8. С. 9-15. D0I:10.31044/1684-2499-2019-8-0-9-15 [Krutikova A. A., Mitrofanov A. P., Parshe-va K. A. Application of the technology for supplying a minimum amount of lubricant in a cooled air stream during grinding of a heat-resistant alloy. Technologya metallov. 2019, no 8, pp. 9-15. DOI: 10.31044/16842499-2019-8-0-9-15. (In Russ.)]

10. Mitrofanov A. P., Nosenko V. A. Investigation of the technology of microdosed supply of lubricant compositions with nanoparticles during grinding of heat-resistant Ni-based with additional air cooling. Obrabotka metallov (tekhnologiya, oborudovanie, instrumenty) // Metal Working and Material Science. 2019. Vol. 21. N. 4. P. 6-18. DOI: 10.17212/1994-6309-2019-21.4-6-18

11. Zhang J., Li C., Zhang Y., Yang M., Jia D., Hou Y., Li R. Temperature field model and experimental verification on cryogenic air nanofluid minimum quantity lubrication grinding // The International Journal of Advanced Manufacturing Technology. 2018. Vol. 97. P. 209-228. DOI: 10.1007/s00170-018-1936

12. Хайкин С. Нейронные сети: полный курс: пер. с англ. 2-е изд. М.: Вильямс, 2006. 1104 с. [Khaikin S. Neural networks: Full course: Per. from English. 2nd ed. M.: Williams, 2006, 1104 p. (In Russ.)]

Сведения об авторах

Митрофанов Артем Петрович — доцент, ФГБОУ ВО «Волжский политехнический институт», филиал ФГБОУ ВО «Волгоградский государственный технический университет», 404121, г. Волжский, ул. Энгельса, д. 42а, e-mail: [email protected]

Велисевич Иван Алексеевич — магистр, ФГБОУ ВО «Волжский политехнический институт», филиал ФГБОУ ВО «Волгоградский государственный технический университет», 404121, г. Волжский, ул. Энгельса, д. 42а, e-mail: [email protected]

Ляликова Ксения Евгеньевна — магистр, ФГБОУ ВО «Волжский политехнический институт», филиал ФГБОУ ВО «Волгоградский государственный технический университет», 404121, г. Волжский, ул. Энгельса, д. 42а, e-mail: [email protected]

Для цитирования: Митрофанов А. П., Велисевич И. А., Ляликова К. Е. Применение искусственных нейронных сетей для прогнозирования параметров процесса шлифования при использовании технологии минимального количества смазки с дополнительным воздушным охлаждением. Металлообработка, 2020, № 3, c. 3-10. DOI 10.25960/mo.2020.3.3

UDC 621.923 DOI 10.25960/mo.2020.3.3

The use of artificial neural networks to predict the grinding process parameters using the minimum amount of lubrication technology with additional air cooling

A. P. Mitrofanov, I. A. Velisevich, K. E. Lyalikova

Volzhsky Polytechnic Institute, Volzhsky, Russia

This study proposes an approach based on the use of an artificial neural network (ANN) to predict the temperature and constituent forces arising from grinding, using technologies that provide the minimum amount of lubricant in a

IjlET^^BÇApKjl

METAL CUTTING

cooled air stream (CAMQL). CAMQL models are used as input parameters. In the modeling process, neural network algorithms are used — a multilayer perceptron (MLP) using two training methods (the method of back propagation of errors and conjugate gradients) and a radial basis network (RBF). The experimental results obtained show that when using CAMQL, the temperature and components of the cutting force are significantly reduced. It was found that for predicting the output parameters of the grinding process under the conditions of using CAMQL, the most optimal is the MLP network with 20 neurons in the hidden layer and training by the conjugate gradient method, which has the network has the smallest prediction error (< 5 %).

Keywords: minimum quantity lubrication, artificial neural network, neural network architecture, multilayer perceptron, radial basis network.

Information about the authors

Artyom P. Mitrofanov — Lecturer, Volzhsky Polytechnic Institute (branch) of Volgograd State Technical University, 42a, str. Engels, Volzhsky, 404121, Russia, e-mail: [email protected]

Ivan A. Velisevich — Master, Volzhsky Polytechnic Institute (branch) of Volgograd State Technical University, 42a, str. Engels, Volzhsky, 404121, Russia, e-mail: [email protected]

Ksenia E. Lyalikova — Master, Volzhsky Polytechnic Institute (branch) of Volgograd State Technical University, 42a, str. Engels, Volzhsky, 404121, Russia, e-mail: [email protected]

For citation: Mitrofanov A. P., Velisevich I. A., Lyalikova K. E. The use of artificial neural networks to predict the grinding process parameters using the minimum amount of lubrication technology with additional air cooling. Metalloobrabotka, 2020, no 3, pp. 3-10. DOI 10.25960/mo.2020.3.3

DOI

УВАЖАЕМЫЕ АВТОРЫ!

Мы рады сообщить вам, что, начиная с выпуска 6 (108) 2018, по желанию авторов, статьям, которые публикуются в нашем журнале, может быть присвоен номер DOI (регистрация в международной организации DataCite). Digital Object Identifier — уникальный идентификатор, присваиваемый различным информационным объектам — книгам, главам книг, журналам, статьям и даже отдельным рисункам, таблицам, графикам и т. п. Использование DOI — признанная мировая практика. Номер DOI — постоянно действующая ссылка на вашу научную публикацию. Теперь, для того чтобы ознакомиться с вашими трудами, достаточно знать лишь номер DOI, и читатель сразу попадет на первоисточник. Кроме того, DOI облегчает цитирование, обеспечивает интеграцию с международными базами данных (Scopus, WoS, EBSCO и др.). DOI поможет включить вашу статью в мировое научное пространство!

Мы присваиваем DOI монографиям, учебным пособиям, справочникам и другим изданиям, подготовленным в АО «Издательство „Политехника"».

i Надоели баннеры? Вы всегда можете отключить рекламу.