OBRABOTKAMETALLOV Vol. 27 No. 2 2025 137 EQUIPMENT. INSTRUMENTS в частности подбор количества слоев и нейронов в скрытых слоях, для повышения точности прогнозов. Рассмотрена концепция выбора параметров на основе значимости вклада в точность предсказания шероховатости поверхности Rz для сокращения входных факторов до возможно минимального. Результаты показывают, что получить точные прогнозы шероховатости поверхности возможно даже при учете небольшого количества входных параметров с относительно небольшими обучающими наборами. Выбор правильной конфигурации сети и входных параметров имеет большое значение для обеспечения точности прогнозов. Кроме того, в исследовании подчеркивается важность учета угла наклона сфероцилиндрического инструмента от 10 до 50 градусов в обучении моделей ИНС, при этом увеличение угла влияет на уменьшение величины параметров шероховатости. Итоговые тестирования, п роведенные для проверки адекватности предложенной модели, показали, что модель хорошо работает с разумной точностью при заданном наборе параметров. В завершение можно сказать, что это исследование вносит значительный вклад в моделирование процессов механической обработки фрезерованием. Список литературы 1. Система автоматизированного технологического управления износостойкостью деталей машин при обработке резанием / А.Г. Суслов, Д.М. Медведев, Д.И. Петрешин, О.Н. Федонин // Наукоемкие технологии в машиностроении. – 2018. – № 5 (83). – С. 40–44. – DOI: 10.30987/article_5ad8d291cddcd8. 06334386. 2. Sensor data and information fusion to construct digital-twins virtual machine tools for cyber-physical manufacturing / Y. Cai, B. Starly, P. Cohen, Y.-S. Lee // Procedia Manufacturing. – 2017. – Vol. 10. – P. 1031– 1042. – DOI: 10.1016/j.promfg.2017.07.094. 3. ZainA.M., HaronH., Sharif S. Prediction of surface roughness in the end milling machining using artifi cial neural network // Expert Systems with Applications. – 2010. – Vol. 37 (2). – P. 1755–1768. – DOI: 10.1016/j. eswa.2009.07.033. 4. Convolutional neural network-based tool condition monitoring in vertical milling operations using acoustic signals / C. Cooper, P.Wang, J. Zhang, R.X. Gao, T. Roney, I. Ragai, D. Shaff er // Procedia Manufacturing. – 2020. – Vol. 49. – P. 105–111. – DOI: 10.1016/j. promfg.2020.07.004. 5. Application of measurement systems in tool condition monitoring of milling: a review of measurement science approach / D.Yu. Pimenov, M. Kumar Gupta, L.R.R. da Silva, M. Kiran, N. Khanna, G.M. Krolczyk // Measurement. – 2022. – Vol. 199. – P. 111503. – DOI: 10.1016/j.measurement.2022.111503. 6. A surface quality prediction model considering the machine-tool-material interactions / M. Guo, W. Xia, C. Wu, C. Luo, Z. Lin // The International Journal of Advanced Manufacturing Technology. – 2024. – Vol. 131 (7–8). – P. 1–19. – DOI: 10.1007/s00170-02413072-2. 7. Chen C.H., Jeng S.Y., Lin C.J. Prediction and analysis of the Surface roughness in CNC end milling using neural networks // Application Science. – 2022. – Vol. 12 (1). – P. 393. – DOI: 10.3390/app12010393. 8. Oktem H., Erzurumlu T., Erzincanli F. Prediction of minimum surface roughness in end milling mold parts using neural network and genetic algorithm // Materials & Design. – 2006. – Vol. 27 (9). – P. 735–744. – DOI: 10.1016/j.matdes.2005.01.010. 9. Bingham G., Miikkulainen R. Discovering parametric activation functions // Neural Networks. – 2022. – Vol. 148. – P. 48–65. – DOI: 10.1016/j.neunet.2022.01.001. 10. Галушкин А.И. Нейронные сети: основы теории – М.: Горячая линия – Телеком, 2017. – 496 с. – ISBN 978-5-9912-0082-0. – URL: https://asu.tusur.ru/ learning/010402/d15a/010402-d15a-book1.pdf (дата обращения: 02.04.2025). 11. Анцев А.В., Янов Е.С., Данг Ч.Х. Оптимизация режимов резания с учетом уровня вибрации на основе применения методов искусственного интеллекта // Вестник Воронежского государственного технического университета. – 2020. – Т. 16., № 3. – С. 101– 109. – DOI: 10.25987/VSTU.2020.16.3.014. 12. Ерыгин Е.В., Дуюн Т.А. Про гнозирование шероховатости поверхности при чистовом фрезеровании с использованием нейронных сетей // Вестник Бел городского государственного технологического университета им. В.Г. Шухова. – 2019. – № 10. – С. 135–141. – DOI: 10.34031/article_5db3f6c82c1 ea9.69942788. 13. Некоторые вопросы совместного применения детерминированных математических моделей и нейронных сетей в цифровых двойниках процесса обработки металлов резанием на металлорежущих станках / В.П. Лапшин, И.А. Туркин, В.И. Гвинд жилия, И.О. Дудинов, Д.О . Гамалеев // СТИН. – 2024. – № 10. – С. 6–11. 14. Dropout: a simple way to prevent neural networks from overfi tting / N. Srivastava, G. Hinton,
RkJQdWJsaXNoZXIy MTk0ODM1