Разработка математических моделей для технологической подготовки производства и адаптивного управления токарной и фрезерной обработкой в цифровых производственных системах

Обложка

Цитировать

Полный текст

Аннотация

Введение. Разработка наукоемких решений в области технологического обеспечения стабильности получения качества обработанной поверхности и работоспособности режущего инструмента является современным направлением повышения эффективности технологических процессов механической обработки. Особое значение данная проблема приобретает для производственных систем, использующих автоматизированное оборудование, в частности, для цифровых производственных систем (ЦПС), т. е. она связана с реализацией концепции «индустрия 4.0» в промышленности. Нестабильность процесса резания выражается в колебании температурно-силовых характеристик процессов стружкообразования и контактного взаимодействия и провоцирует непостоянство получаемого качества обработанных поверхностей и работоспособности режущего инструмента. Адаптивное управление позволяет повысить стабильность выходных параметров процесса резания при колебаниях состояния технологической системы. На основе использования возможностей современного оборудования с ЧПУ предлагается адаптивное управление режимами резания с целью повышения эффективности технологических процессов механической обработки. Цель работы: разработка и обоснование математических моделей влияния режимов и параметров процесса обработки на функциональные и выходные параметры точения и фрезерования для технологической подготовки производства (ТПП) и адаптивного управления процессом резания в ЦПС. Методами исследования являются планирование многоуровневых полных факторных экспериментов с учетом анализа наиболее распространенных обрабатываемых и инструментальных материалов, режимов и условий обработки при точении и фрезеровании на станках с ЧПУ, статистическая обработка результатов экспериментов и регрессионный анализ, анализ разработанных математических моделей с позиции теории и физических основ процесса резания. Результаты и обсуждение. На основе проведенных экспериментальных исследований, построения математических моделей и анализа полученных результатов получены расчетные формулы для определения среднего арифметического отклонения профиля Ra и среднего шага неровностей профиля Sm обработанной поверхности, подачи и силы резания при точении и фрезеровании. Представленные математические модели описывают закономерности формирования функциональных и выходных параметров обработки резанием и предназначены для ТПП и для адаптивного управления современным автоматизированным оборудованием с ЧПУ в ЦПС для механической обработки. Анализ разработанных математических моделей обнаружил закономерности формирования микрогеометрии обработанной поверхности и силы резания, т.е. нагрузки на инструмент, с позиции теории резания и температурно-деформационных закономерностей высокоскоростного пластического деформирования.

Об авторах

А. Р. Ингеманссон

Email: aleing@yandex.ru
канд. техн. наук, АО «Федеральный научно-производственный центр «Титан-Баррикады», пр. Ленина, б/н, г. Волгоград, 400071, Россия, aleing@yandex.ru

Список литературы

  1. Chang P. Targeting "Industrie 4.0" // The Challenger. – 2017. – Vol. 9, iss. 33. – P. 2–3.
  2. Ingemansson A.R. The development of informational-executive cyber-physical systems in materials production and metalworking // Innovative Technologies in Engineering: From Design to Competitive Product. – 2019. – Vol. 973. – P. 200–205. – doi: 10.1007/978-3-0357-3267-2.
  3. Ingemansson A.R. Characteristics, composition, mechanism function and modern aspects of implementation of digital production systems in mechanical engineering industry // Proceedings of the 5th International Conference on Industrial Engineering (ICIE 2019). – Cham: Springer, 2020. – Vol. 2. – P. 1167–1174. – doi: 10.1007/978-3-030-22063-1.
  4. Старков В.К. Физика и оптимизация резания материалов. – М.: Машиностроение, 2009. – 640 с. – ISBN 978-5-94275-460-0.
  5. Повышение эффективности процессов механообработки на основе подходов искусственного интеллекта и нелинейной динамики / Ю.Г. Кабалдин, О.В. Кретинин, Д.А. Шатагин, А.М. Кузьмишина. – М.: Инновационное машиностроение, 2018. – 184 с. – ISBN 978-5-6040281-1-7.
  6. Condition monitoring of CNC machining using adaptive control / B.S. Prasad, D.S. Prasad, A. Sandeep, G. Veeraiah // International Journal of Automation and Computing. – 2013. – Vol. 10. – P. 202–209. – doi: 10.1007/s11633-013-0713-1.
  7. Adaptive controller design for feedrate maximization of machining process / F. Cus, U. Zuperl, E. Kiker, M. Milfelner // Journal of Achievements in Materials and Manufacturing Engineering. – 2006. – Vol. 17, iss. 1–2. – P. 237–240.
  8. Zuperl U., Cus F., Milfelner M. Fuzzy control strategy for an adaptive force control in end-milling // Journal of Materials Processing Technology. – 2005. – Vol. 164–165. – P. 1472–1478. – doi: 10.1016/j.jmatprotec.2005.02/143.
  9. Chang P. AI case study // Breakthrough. – 2018. – Vol. 10, iss. 38. – P. 12–15.
  10. Справочник технолога / под общ. ред. А.Г. Суслова. – М.: Инновационное машиностроение, 2019. – 800 с. – ISBN 978-5-907104-23-5.
  11. Справочник технолога-машиностроителя. В 2 т. Т. 2 / под ред. А.М. Дальского [и др.]. – 5-е изд., перераб. и доп. – М.: Машиностроение-1, 2001. – 942 с. – ISBN 5-94275-013-0.
  12. Суслов А.Г., Дальский А.М. Научные основы технологии машиностроения. – М.: Машиностроение, 2002. – 684 с. – ISBN 5-217-03108-5.
  13. Режимы резания труднообрабатываемых материалов: справочник / Я.Л. Гуревич, М.В. Горохов, В.И. Захаров, Н.Л. Земина, О.А. Пленина, Ю.Я. Прохоров, А.Н. Соломахин. – 2-е изд., перераб. и доп. – М.: Машиностроение, 1986. – 240 с.
  14. Korloy. Metal cutting tools: catalogue. – South Korea: Korloy Publ., 2017. – 1060 p.
  15. Big Daishowa. High precision toolholders: catalogue. – Japan: Big Daishowa Seiki Ltd., 2016. – 324 p.
  16. Sandvik Coromant machining work manual: guide. – Sweden: Elanders Publ., 2010. – 803 p.
  17. Ингеманссон А.Р., Бондарев А.А. Определение теплопроводности твердосплавного режущего инструмента с многослойными износостойкими покрытиями // Обработка металлов (технология, оборудование, инструменты). – 2019. – Т. 21, № 3. – С. 97–105. – doi: 10.17212/1994-6309-2019-21.3-97-105.
  18. Талантов Н.В. Физические основы процесса резания, изнашивания и разрушения инструмента. – М.: Машиностроение, 1992. – 240 с. – ISBN 5-217-01857-7.
  19. Kalpakjian S., Schmid S.R. Manufacturing engineering and technology. – New York: Prentice Hall, 2010. – 1180 p. – ISBN 9810681445.
  20. Макаров А.Д. Оптимизация процессов резания. – М.: Машиностроение, 1976. – 278 с.
  21. Липатов А.А. Закономерности процесса резания высоколегированных сталей и пути повышения работоспособности твердосплавного инструмента: дис. … канд. техн. наук: 05.03.01. – Волгоград, 1987. – 256 с.

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».