Исследование взаимосвязи режущей способности инструмента с параметрами акустического сигнала в процессе профильного шлифования

Обложка

Цитировать

Полный текст

Аннотация

Введение. Современное машиностроение плотно сопряжено с цифровыми технологиями управления производством, для которых важным аспектом является сбор достоверной информации о текущем состоянии систем. Акустические методы текущего контроля режущей способности инструмента при этом обладают значительным потенциалом за счет возможности непрерывного получения актуальных данных о параметрах процесса обработки. Профильное шлифование является одним из широко распространенных методов обработки поверхностей сложной конфигурации. Высокая значимость данного метода заключается в высокой степени ответственности фасонных деталей, получаемых с его помощью. Параметр износа профилированных шлифовальных кругов нуждается в текущем контроле в той же степени, как и другие виды режущего инструмента. При этом акустические методы исследования не нашли широкого применения по отношению к профильному шлифованию. Ввиду этого настоящая работа направлена на исследование влияния степени износа инструмента на акустические характеристики шлифования при применении шлифовальных кругов различного профиля. Целью работы является определение акустических параметров обработки профильным кругом с применением схемы плоского шлифования по мере его износа в сравнении с аналогичным процессом с применением круга прямого профиля. В качестве основных методов исследования используется эксперимент по изучению звуковых явлений, сопровождающих шлифование с применением кругов разного профиля. Проводится анализ акустического сигнала шлифования, анализ спектра его частотного состава. Исследуются частоты собственных колебаний шлифовальных кругов разного профиля, определяется их звуковой индекс как критерий оценки их характеристик. Проводится сравнение акустических характеристик процесса шлифования с применением шлифовальных кругов разного профиля. Используется также регрессионный анализ акустических данных, полученных в результате эксперимента. Результаты и обсуждение. Получены спектрограммы частот собственных колебаний исследуемых кругов, а также ряд спектрограмм акустического сигнала, сопровождающего процесс обработки для различных технологических условий. В результате сравнения полученных спектрограмм были определены информативные частоты процессов шлифования. Разработаны математические модели зависимости уровня звука от значения периодической вертикальной подачи St на глубину t и продолжительности обработки Т. Установлено, что значение периодической вертикальной подачи на глубину t имеет большее влияние на акустический показатель по сравнению с продолжительностью обработки. Практическая значимость и перспективность результатов работы заключается в возможности повышения эффективности процессов профильного шлифования за счет рационального использования ресурса работоспособности инструмента.

Об авторах

Д. В. Ардашев

Email: ardashevdv@susu.ru
доктор техн. наук, доцент, Южно-Уральский государственный университет, пр. Ленина, 76, г. Челябинск, 454080, Россия, ardashevdv@susu.ru

А. С. Жуков

Email: zhukovas@susu.ru
Южно-Уральский государственный университет, пр. Ленина, 76, г. Челябинск, 454080, Россия, zhukovas@susu.ru

Список литературы

  1. Zhou C., Guo K., Sun J. Sound singularity analysis for milling tool condition monitoring towards sustainable manufacturing // Mechanical Systems and Signal Processing. – 2021. – Vol. 157. – P. 1–17. – doi: 10.1016/j.ymssp.2021.107738.
  2. Boaron A., Weingaertner W.L. Dynamic in-process characterization method based on acoustic emission for topographic assessment of conventional grinding wheels // Wear. – 2018. – Vol. 406–407. – P. 218–229. – doi: 10.1016/j.wear.2018.04.009.
  3. Gholizadeh S., Leman Z., Baharudin B.T.H.T. A review of the application of acoustic emission technique in engineering // Structural Engineering and Mechanics. –2015. – Vol. 54, iss. 6. – P. 1075–1095. – doi: 10.12989/sem.2015.54.6.1075.
  4. Lu Z.-J., Xiang Q., Xu L. An application case study on multi-sensor data fusion system for intelligent process monitoring // Procedia CIRP. – 2014. – Vol. 17. – P. 721–725. – doi: 10.1016/j.procir.2014.01.122.
  5. Grinding burn detection based on cross wavelet and wavelet coherence analysis by acoustic emission signal / Z. Gao, J. Lin, X. Wang, Y. Liao // Chinese Journal of Mechanical Engineering. – 2019. – Vol. 32, iss. 68. – P. 1–10. – doi: 10.1186/s10033-019-0384-0.
  6. An intelligent system for grinding wheel condition monitoring based on machining sound and deep learning / C.H. Lee, J.S. Jwo, H.Y. Hsieh, C.S. Lin // IEEE Access. – 2020. – Vol. 8. – P. 58279–58289. – doi: 10.1109/ACCESS.2020.2982800.
  7. Evaluation of grinding wheel surface by means of grinding sound discrimination / A. Hosokawa, K. Mashimo, K. Yamada, T. Ueda // JSME International Journal. Series C, Mechanical Systems, Machine Elements and Manufacturing. – 2004. – Vol. 47, iss. 1. – P. 52–58.
  8. Comprehensive investigation on sound generation mechanisms during machining for monitoring purpose / R. Nourizadeh, S.M. Rezaei, M. Zareinejad, H. Adibi // The International Journal of Advanced Manufacturing Technology. – 2022. – Vol. 121, iss. 1. – P. 1598–1610. – doi: 10.1007/s00170-022-09333-7.
  9. Li X. A brief review: acoustic emission method for tool wear monitoring during turning // International Journal of Machine Tools and Manufacture. – 2002. – Vol. 42. – P. 157–165.
  10. The use of wavelet transform to evaluate the sensitivity of AE attributes to variation of cutting parameters in milling aluminium alloys / R. Asadi, M.J. Anahid, H. Heydarnia, H. Mehmanparast, S.A. Niknam // The International Journal of Advanced Manufacturing Technology. – 2021. – Vol. 1. – P. 1–14. – doi: 10.21203/rs.3.rs-1054589/v1.
  11. Tool wear monitoring in micromilling using support vector machine with vibration and sound sensors / M.C. Gomes, L.C. Brito, M.B. da Silva, M.A.V. Duarte // Precision Engineering. – 2021. – Vol. 67. – P. 137–151. – doi: 10.1016/j.precisioneng.2020.09.025.
  12. Acoustic emission signal source separation for a flank wear estimation of drilling tools / F. Klocke, B. Dobbeler, T. Pullen, T. Bergs // Procedia CIRP. – 2019. – Vol. 79. – P. 57–62. – doi: 10.1016/j.procir.2019.02.011.
  13. Liu C.S., Ou Y.J. Grinding wheel loading evaluation by using acoustic emission signals and digital image processing // Sensors. – 2020. – Vol. 20. – P. 1–13. – doi: 10.3390/s20154092.
  14. Deep convolutional neural network-based in-process tool condition monitoring in abrasive belt grinding / C. Cheng, J. Li, Y. Liu, M. Nie, W. Wang // Computers in Industry. – 2019. – Vol. 106. – P. 1–13. – doi: 10.1016/j.compind.2018.12.002.
  15. Correlation between surface roughness and AE signals in ceramic grinding based on spectral analysis / M.A.A. Viera, F.A. Alexandre, P.R. Aguiar, R.B. Silva, E.C. Bianchi // MATEC Web of Conferences. – 2018. – Vol. 249. – P. 1–5. – doi: 10.1051/matecconf/2018249030.
  16. Diamond wheel grinding characteristics of 3D-orthogonal quartz fiber reinforced silica ceramic matrix composite / B. Lin, H. Wang, J. Wei, T. Sui // Chinese Journal of Aeronautics. – 2020. – Vol. 34, iss. 5. – P. 404–414. – doi: 10.1016/j.cja.2020.12.026.
  17. Tool wear monitoring by ensemble learning and sensor fusion using power, sound, vibration, and AE signals / V. Nasir, S. Dibaji, K. Alaswad, J. Cool // Manufacturing Letters. – 2021. – Vol. 30. – P. 32–38. – doi: 10.1016/j.mfglet.2021.10.002.
  18. Tool wear behavior of vitrified microcrystalline alu-mina wheels in creep feed profile grinding of turbine blade root of single crystal nickel-based superalloy / Q. Miao, W. Ding, W. Kuang, J. Xu // Tribology International. – 2020. – Vol. 145. – P. 1–10. – doi: 10.1016/j.triboint.2019.106144.
  19. Methodology for the immediate detection and treatment of wheel wear in contour grinding / L. Xu, M. Niu, D. Zhao, N. Xing, F. Fan // Precision Engineering. – 2019. – Vol. 60. – P. 405–412. – doi: 10.1016/j.precisioneng.2019.09.006.
  20. Agnard S., Liu Z., Hazel B. Material removal and wheel wear models for robotic grinding wheel profiling // Procedia Manufacturing. – 2015. – Vol. 2. – P. 35–40. – doi: 10.1016/j.promfg.2015.07.007.
  21. Гурьянихин В.Ф. Разработка средств текущего контроля и управления процессами шлифования и правки по интенсивности звукового излучения // Вопросы технологии машиностроения: материалы выездного заседания Головного совета «Машиностроение» МО РФ. – Ульяновск, 2003. – С. 67–72.
  22. Глаговский Б.А. Низкочастотные акустические методы контроля в машиностроении. – Л.: Машиностроение, 1977. – 203 с.
  23. Юганов В.С. Использование низкочастотных акустических колебаний для текущего контроля процесса шлифования: дис. … канд. техн. наук: 05.02.08. – Ульяновск, 1999. – 198 с.
  24. Агафонов В.В. Повышение эффективности круглого наружного врезного шлифования путем управления скоростью подачи по интенсивности звукового сигнала: дис. … канд. техн. наук: 05.02.08. – Ульяновск, 2010. – 181 с.
  25. Глаговский Б.А., Московенко И.Б. Звуковой индекс – критерий оценки характеристик абразивных инструментов // Труды конференции “Intergrind 88”. – Будапешт, 1988. – Т. 1. – С. 45–52.
  26. Коварская Е.З., Московенко И.Б., Павлов И.В. Контроль качества и физико-механических свойств твердых и сверхтвердых материалов по звуковому индексу // Современные методы и приборы контроля качества и диагностики состояния объектов: сборник статей 7-й Международной научно-технической конференции. – Могилев, 2020. – С. 82–92.
  27. Носенко В.А., Носенко С.В. Технология шлифования металлов: монография. – Старый Оскол: ТНТ, 2013. – 616 с.
  28. Ардашев Д.В., Жуков А.С. Экспериментальное исследование взаимосвязи виброакустических параметров процесса шлифования с показателями макронеровности обработанной поверхности // Обработка металлов (технология, оборудование, инструменты). – 2021. – Т. 23, № 3. – С. 6–19. – doi: 10.17212/1994-6309-2021-23.3-6-19.
  29. Ермолаев В.К. Развитие профильного шлифования // Ритм машиностроения. – 2019. – № 4. – С. 40–48.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

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

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

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

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

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

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

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

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

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

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

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