Kovalevskyy S.V. et. al. 2018 Vol. 20 No. 3

ОБРАБОТКА МЕТАЛЛОВ Том 20 № 3 2018 12 ТЕХНОЛОГИЯ а б Рис. 4. График изменения величины признака износа пластин: а – для необработанных пластин; б – для пластин, обработанных высоковольтными разрядами Fig. 4. Graph of behaviour in the inserts signs of wear: a – for initial inserts; б – for inserts processed by high-voltage discharge с нейроподобными элементами в программном пакете «NeuroPro 0.25» (рис. 5), а затем для срав- нения результатов – в «Matlab R2011b» (рис. 6). Созданная нейронная сеть была получена по данным экспериментально созданных амплитуд- но-частотных характеристик (исходные данные) и характеристик износа режущих пластин после точения образца (см. рис. 2). Рис. 5. Схематическое изображение моде- ли нейронной сети для обучения в пакете «NeuroPro 0.25» Fig. 5. Schematic illustration of the neural net- work model for training in the NeuroPro 0.25 package Сравнительный анализ модели нейронной сети в «NeuroPro 0.25» и «Matlab R2011b» по- казал идентичные результаты и подтвердил, что предложенный метод позволяет получить про- гнозируемое значение признаков износа пласти- ны в зависимости от значений АЧХ собственных колебаний пластин как до, так и после обработ- ки образца и после обработки высоковольтными разрядами в течение 3, 5 и 7 мин. Нейросетевая аппроксимация подтвердила, что предложенный способ обработки высоко- вольтным разрядом рабочей поверхности пла- стин позволяет добавить его в перечень средств и методов с целью сокращения их износа. По- скольку расходы на обеспечение технологиче- ского воздействия на режущую часть пластины требуют не более 8…10 Вт мощности энерге- тического источника, такое предположение, по нашему мнению, имеет перспективу практи- ческого применения для уменьшения износа многогранных неперетачиваемых пластин для режущего инструмента. Однако недостатком