Obrabotka Metallov 2020 Vol. 22 No. 1

OBRABOTKAMETALLOV Vol. 22 No. 1 2020 37 TECHNOLOGY ала способствует росту силы резания ( коэффи - циенты регрессии с положительным знаком для предварительного точения сталей 20 Х 13 и 40 Х соответственно в формулах (6), (16)) за счет от - носительно большей площади срезаемого слоя и роста касательных и нормальных напряжений в зоне резания . При чистовой токарной обработке имеет место обратная тенденция – увеличение твердости материала детали вызывает снижение силы резания ( коэффициенты регрессии с отри - цательным знаком для чистового точения сталей 20 Х 13 и 40 Х соответственно в формулах (11), (21)), что объясняется при меньшей площади среза превалирующим влиянием роста интен - сивности тепловыделения и соответствующего уменьшения размеров участков пластического и полного контактов . При прерывистом резании в связи с кратко - временностью нахождения зуба фрезы в про - цессе повторяющихся актов отделения стружки , по сравнению с установившимся резанием , рост сопротивления деформированию имеет прева - лирующее значение над ростом интенсивности тепловыделения , поэтому при фрезеровании увеличение твердости обрабатываемого матери - ала способствует некоторому росту силы реза - ния ( коэффициенты регрессии с положительным знаком в формулах (26), (31), (36), (41)). Выводы Таким образом , разработанные расчетные формулы позволяют определять значения сред - него арифметического отклонения профиля Ra и среднего шага неровностей профиля Sm обрабо - танной поверхности , подачи S и силы резания Pz при точении и фрезеровании . Они предназначе - ны для технологической подготовки производ - ства и для адаптивного управления автомати - зированным оборудованием с ЧПУ в ЦПС для механической обработки . Представленные мате - матические модели описывают закономерности формирования функциональных и выходных па - раметров обработки резанием . Анализ разрабо - танных математических моделей для технологи - ческой подготовки производства и адаптивного управления процессом резания на современном автоматизированном оборудовании с ЧПУ об - наружил закономерности формирования микро - геометрии обработанной поверхности и силы резания , т . е . нагрузки на инструмент , с позиции теории резания и температурно - деформацион - ных закономерностей высокоскоростного пла - стического деформирования . Список литературы 1. Chang P. Targeting “Industrie 4.0” // The Chal- lenger. – 2017. – Vol. 9, iss. 33. – P. 2–3. 2. Ingemansson A.R. The development of informa- tional-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 implementa- tion of digital production systems in mechanical engi- neering 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 меха - нообработки на основе подходов искусственного интеллекта и нелинейной динамики / Ю . Г . Кабал - дин , О . В . Кретинин , Д . А . Шатагин , А . М . Кузьмиши - на . – 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. Sand- eep, G. Veeraiah // International Journal of Automa- tion and Computing. – 2013. – Vol. 10. – P. 202–209. – DOI: 10.1007/s11633-013-0713-1. 7. Adaptive controller design for feedrate maximiza- tion of machining process / F. Cus, U. Zuperl, E. Kik- er, M. Milfelner // Journal of Achievements in Materi- als 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.jmat- protec.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 машинострое - ние , 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.