ОБРАБОТКА МЕТАЛЛОВ Том 27 № 2 2025 126 ОБОРУДОВАНИЕ. ИНСТРУМЕНТЫ Прогнозирование шероховатости поверхности при фрезеровании сфероцилиндрическим инструментом с использованием искусственной нейронной сети Михаил Гимадеев a, *, Вадим Стельмаков b, Александр Никитенко c, Максим Улисков d Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия a https://orcid.org/0000-0001-6685-519X, 009063@togudv.ru; b https://orcid.org/0000-0003-2763-1956, 009062@togudv.ru; c https://orcid.org/0000-0003-4729-5558, 005392@togudv.ru; d https://orcid.org/0009-0001-9858-423X, 2016104779@togudv.ru Обработка металлов (технология • оборудование • инструменты). 2025 Том 27 № 2 с. 126–141 ISSN: 1994-6309 (print) / 2541-819X (online) DOI: 10.17212/1994-6309-2025-27.2-126-141 Обработка металлов (технология • оборудование • инструменты) Сайт журнала: http://journals.nstu.ru/obrabotka_metallov Введение Качество обработанной поверхности играет решающую роль в обеспечении эксплуатационных свойств деталей машин [1]. Шероховатость поверхности (Rz и Ra) часто служит ИНФОРМАЦИЯ О СТАТЬЕ УДК 621.91:004.89:51-7 История статьи: Поступила: 30 января 2025 Рецензирование: 01 марта 2025 Принята к печати: 27 марта 2025 Доступно онлайн: 15 июня 2025 Ключевые слова: Фрезерование Шероховатость Регрессионный анализ Искусственный интеллект Нейронная сеть Среднеквадратичная ошибка Финансирование Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации (проект № FEME–2024–0010 «Экспериментальная лаборатория мехатронных систем ЧПУ»). АННОТАЦИЯ Введение. Фрезерование нержавеющей стали сфероцилиндрическим инструментом представляет собой сложную технологическую операцию, требующую точного контроля параметров обработки для обеспечения высокого качества поверхности. В связи с этим актуальной задачей является разработка методов прогнозирования параметров шероховатости, таких как Rz. Цель данной работы: разработка прогностической нейросетевой модели для оценки шероховатости поверхности при фрезеровании нержавеющей стали сфероцилиндрическим инструментом. Метод и методология. Основное внимание уделено методам обратного распространения ошибки и градиентного спуска, а также настройке гиперпараметров, что необходимо дл я предотвращения переобучения и недообучения модели. Экспериментальные исследования включают в себя анализ как контролируемых переменных, таких как подача на зуб, угол наклона и диаметр инструмента, так и неконтролируемых, включая подачу СОЖ и износ инструмента. Результаты и обсуждения. Использование СОЖ при фрезеровании стали аустенитного класса позволило снизить параметры шероховатости Rz в среднем на 14 %. Установлена сильная отрицательная корреляционная зависимость между размерным износом инструмента и параметром Rz (–0,95). При этом износ в пределах 2…4 мкм влияет на увеличение параметра Rz на 21 % от минимальных значений. Полученные данные использовались для обучения восьми конфигураций искусственных нейронных сетей, которые применялись для прогнозирования шероховатости по параметру Rz. Результаты показывают, что конфигурация сети 3–16–16–1 показала самую низкую среднеквадратичную ошибку (0,0313), за ней следуют 3–20–14–1 (0,0470) и 3–64–64–1 (0,0481) соответственно. Кроме того, эти конфигурации также продемонстрировали самые низкие средние значения абсолютной погрешности, показывающие среднее значение абсолютных разностей между прогнозируемыми и наблюдаемыми значениями (0,101, 0,1251 и 0,1155 соответственно) и коэффициент детерминации, который является статистической мерой, указывающей долю изменчивости данных, объясняемую моделью (0,9944, 0,9916 и 0,9904 соответственно). Сравнение экспериментальных данных с прогнозами различных моделей позволило установить среднее значение абсолютных разностей для моделей по параметру Ra ≈ 0,074. В исследовании предлагаются подходы к обучению нейросетевых моделей для точного прогнозирования параметров шероховатости, что вносит значительный вклад в методы моделирования процессов механической обработки. Для цитирования: Прогнозирование шероховатости поверхности при фрезеровании сфероцилиндрическим инструментом с использованием искусственной нейронной сети / М.Р. Гимадеев, В.А. Стельмаков, А.В. Никитенко, М.В. Улисков // Обработка металлов (технология, оборудование, инструменты). – 2025. – Т. 27, № 2. – С. 126–141. – DOI: 10.17212/1994-6309-2025-27.2-126-141. ______ *Адрес для переписки Гимадеев Михаил Радикович, к.т.н., доцент Тихоокеанский государственный университет, ул. Тихоокеанская, 136, 680035, г. Хабаровск, Россия Тел.: +7 924 216-31-39, e-mail: 009063@togudv.ru одной из главных метрик для оценки состояния поверхности после процесса механической обработки [2]. Методы моделирования для прогнозирования Rz можно разделить на три категории: экспериментальные модели, аналитические модели и модели, основанные на искусственном интеллекте (ИИ) [3, 4]. В последние годы модели, управляемые ИИ, стали широко использоваться исследователями для предсказания характеристик, связанных с процессами обработки [5],
RkJQdWJsaXNoZXIy MTk0ODM1