ОЦЕНКА РЕЖУЩИХ СПОСОБНОСТЕЙ НИТРИДБОРОВЫХ ВЫСОКОПОРИСТЫХ КРУГОВ ПРИ МАЯТНИКОВОМ ШЛИФОВАНИИ ДЕТАЛЕЙ ИЗ СПЛАВА ВТ20 С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Обложка

Цитировать

Полный текст

Аннотация

Прорыв при шлифовании титановых сплавов обеспечил появление на рынке абразивной продукции высокопористых кругов (ВПК) из кубического нитрида бора (КНБ), снизивших адгезионное и диффузионное явления, протекающих в зоне резания. В исследовании испытаны ВПК из КНБ шести наименований (CBN30; ЛКВ50) В126 100 (L; M; O)V K27 (КФ25; КФ40). Стохастический характер шлифования обусловил выбор непараметрического метода статистики с его мерами положения (медианами) и рассеяния (квартильными широтами (КШ), которые оценивают параметры шлифования: Ra, Rmax, Sm (ГОСТ 2789-73). Вследствие высокой режущей способности (РС) нитридборовых ВПК на заводах стали использовать для шлифования любые нитридборовые ВПК. Нами установлено, что выбор оптимальной характеристики позволяет снизить высотные параметры на 2-3 категориальных величины или 1-2 технологических перехода. Моделирование топографии поверхности в искусственных нейронных сетях (ИНС) по трем параметрам шероховатости с учетом стабильности их формирования позволило первое место по РС отдать ВПК ЛКВ50 В126 100 MV K27-КФ40 с лингвистической оценкой «очень хорошая». ИНС представили входные переменные по убыванию чувствительности к принятию решения в следующей последовательности: Ra, Rmax, КШ(Rmax), КШ(Sm), КШ(Ra1i) и Sm.

Об авторах

Яков Иосифович Солер

Иркутский национальный исследовательский технический университет

Email: solera@istu.irk.ru
ул. Лермонтова, 83, г. Иркутск, 664074, Россия

Динь Ши Май

Иркутский национальный исследовательский технический университет

Email: mdsmm07@gmail.com
ул. Лермонтова, 83, г. Иркутск, 664074, Россия

Ван Ле Нгуен

Иркутский национальный исследовательский технический университет

Email: nhatle007@gmail.com
ул. Лермонтова, 83, г. Иркутск, 664074, Россия

Список литературы

  1. Носенко В.А., Носенко С.В. Технология шлифования металлов: монография. - Старый Оскол: ТНТ, 2013. - 616 с. - ISBN 978-5-94178-373-1.
  2. Саютин Г.И., Татаринов И.П. Выбор материала круга при шлифовании титановых сплавов // Станки и инструмент. - 1985. - № 7. - С. 21-22.
  3. Кремень З.И., Зубарев Ю.М., Лебедев А.И. Высокопористые круги из эльбора и их применение при шлифовании высокопластичных сплавов // Металлообработка. - 2009. - № 3 (51). - С. 2-5.
  4. Ильин А.А., Колачев Б.А., Полькин И.С. Титановые сплавы: состав, структура, свойства: справочник. - М.: ВИЛС-МАТИ, 2009. - 520 с.
  5. Нгуен Д.М. Комплексное исследование задачи классификации с применением нечетких моделей и распределенных вычислений: дис. … канд. техн. наук: 05.13.18. - Иркутск, 2014. - 142 с.
  6. Солер Я.И., Нгуен М.Т. Поиск оптимальной зернистости нитридборовых кругов при плоском шлифовании деталей из стали 06Х14Н6Д2МВТ-Ш по микрорельефу поверхности в условиях моделирования нечеткой логики // Вестник МГТУ им. Н.Э. Баумана. Серия «Машиностроение». - 2015. - № 6. - C. 96-111. - doi: 10.18698/0236-3941-2015-6-96-111.
  7. Koushal K., Gour S. Mitra T. Advanced applications of neural networks and artificial intelligence: a review // International Journal of Information Technology and Computer Science. - 2012. - N 6. - P. 57-68. - doi: 10.5815/ijitcs.2012.06.08.
  8. Oludele A., Olawale J. Neural networks and its application in engineering // Proceedings of Informing Science & IT Education Conference (InSITE), Macon, GA, USA. - 2009. - P. 83-95.
  9. Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT / М.S. Nasr, М.A.E. Moustafa, H.E.S. Seif, G.E. Kobrosy // Alexandria Engineering Journal. - 2012. - Vol. 51, iss. 1. - P. 37-43. - doi: 10.1016/j.aej.2012.07.005.
  10. Dadvandipour S. Experimental applications of artificial neural networks in engineering processing system // Analecta. - 2014. - Vol. 8, N 2. - P. 28-33.
  11. Quintana G., Garcia-Romeu M.L., Ciurana J. Surface roughness monitoring application based on artificial neural networks for ball-end milling operations // Journal of Intelligent Manufacturing. - 2011. - Vol. 22, iss. 4. - P. 607-617. - doi: 10.1007/s10845-009-0323-5.
  12. Sick B. On-line and indirect tool wear monitoring in turning with artificial neural networks: a review of more than a decade of research // Mechanical Systems And Signal Processing. - 2002. - Vol. 16, iss. 4. - P. 487-546. - doi: 10.1006/mssp.2001.1460.
  13. Caydas U., Hascalik A. A study on surface roughness in abrasive waterjet machining process using artificial neural networks and regression analysis method // Journal of Materials Processing Technology. - 2008. - Vol. 202, iss. 1-3. - P. 574-582. - doi: 10.1016/j.jmatprotec.2007.10.024.
  14. Назарьева В.А. Сетевая модель выбора зернистости шлифовальных кругов с элементами использования систем искусственного интеллекта // СТИН. - 2016. - № 2. - С. 37-40.
  15. ГОСТ 53923-2010. Круги алмазные и из кубического нитрида бора (эльбора) шлифовальные. Технические условия. - Введ. 2010-12-11. - М.: Стандартинформ, 2010. - 32 с.
  16. ГОСТ 53922-2010. Порошки алмазные и из кубического нитрида бора (эльбора). Зернистость и зерновой состав шлифпорошков. Контроль зернового состава. - Введ. 2010-12-11. - М.: Стандартинформ, 2011. - 7 с.
  17. ГОСТ 25142-82. Шероховатость поверхности. Термины и определения. - Введ. 01.01.1983. - М.: Изд-во стандартов, 1982. - 22 с.
  18. Hollander M., Wolfe D.A. Nonparametric statistical methods. - 2nd ed. - New York: Wiley-Interscience, 1999. - 816 p. - ISBN 0-4711-9045-4. - ISBN 978-0471190455.
  19. Уилер Д., Чамберс Д. Статистическое управление процессами: оптимизация бизнеса с использованием контрольных карт Шухарта: пер. с англ. - М.: Альпина Бизнес Букс, 2009. - 409 с. - ISBN 978-5-9614-0832-4.
  20. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. - 2007. - № 1. - С. 20-29.
  21. Рудой Г.И. Выбор функции активации при прогнозировании нейронными сетями // Машинное обучение и анализ данных. - 2011. - Т. 1, № 1. - С. 16-39.
  22. Чижков А.В. Обучение искусственных нейронных сетей [Электронный ресурс] // Информатика, вычислительная техника и инженерное образование. - 2010. - № 1. - С. 3-7. - URL: http://digital-mag.tti.sfedu.ru/lib/1/2-2010-1.pdf (дата обращения: 20.05.2016).
  23. Шарстнев В.Л., Вардомацкая Е.Ю. Анализ возможностей нейронных сетей для прогнозирования задач легкой промышленности [Электронный ресурс] // Управление экономическими системами: электронный научный журнал. - 2007. - № 09. - С. 3-7. - URL: http://uecs.ru/uecs-09-92006/item/68-2011-03-21-07-11-44 (дата обращения: 20.05.2016).
  24. ГОСТ 2789-73. Шероховатость поверхности. Параметры, характеристики и обозначения. - Взамен ГОСТ 2789-1959; введ. 1975-11-01. - М.: Изд-во стандартов, 1973. - 10 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


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».