ОБРАБОТКА МЕТАЛЛОВ Том 27 № 2 2025 62 ТЕХНОЛОГИЯ установлено, что MRR на уровне 6,31 мм3/мин и TWR на уровне 0,031 мм3/мин достигаются при следующих параметрах: электропроводность заготовки 4219 См/м, электропроводность инструмента 26 316 См/м, ток в зазоре 16 А, длительность импульса 38 мкс [24]. В работе [25] исследуется возможность обработки никель-титановых (NiTi) SMA методом EDM с использованием медных, графитовых и вольфрам-медных электродов, а также диэлектрика 358 как диэлектрической жидкости. В качестве параметров процесса EDM использовали три уровня тока (6, 12 и 18 А) в сочетании с тремя значениями длительности импульса (200, 400 и 600 мкс) при постоянном напряжении 3 В и фиксированном интервале между импульсами 50 мкс. Основная задача заключалась в определении оптимальных настроек, обеспечивающих максимальную MRR и минимальную SR для сплавов NiTi с памятью формы. Анализ поверхности заготовки включал в себя исследование размеров и длины электрода с использованием сканирующей электронной микроскопии (SEM) и энергодисперсионной спектроскопии (EDX) для оценки адгезии материала электрода к заготовке. Дисперсионный анализ (ANOVA) использовался в качестве статистического метода для определения значимости параметров процесса. Выявлено, что различия между материалами электродов относительно незначительны, а перерез (overcut) является основным фактором, влияющим на MRR и SR. Поверхностное исследование выявило наличие дефектов поверхности в виде капель, продуктов разрушения, комков, микротрещин и отверстий. Повышенные значения SR были связаны с остатками Cu и W от электрода, которые прилипали к заготовке из-за недостаточной промывки диэлектрической жидкостью [25]. В работе [26] экспериментальные условия для фрезерования поверхности NiTi SMA оптимизированы до процесса сухой резки. Исследования были направлены на достижение наименьшего значения Ra (средней шероховатости) и минимального Vb (износа задней поверхности) с использованием неметаллического твердосплавного инструмента с радиусом закругления вершины 0,4 или 0,8 мм. Эксперименты по фрезерованию проводились при трех скоростях резания (20, 35 и 50 м/мин), трех скоростях подачи (0,03, 0,07 и 0,14 мм/зуб) и фиксированной осевой глубине резания 0,7 мм. Ортогональный массив Taguchi L18 использовался в качестве метода планирования эксперимента с применением программного обеспечения Minitab 17 для анализа данных. Анализ дисперсии (ANOVA) показал, что радиус закругления вершины режущего инструмента является основным фактором, определяющим шероховатость поверхности, а скорость подачи (fz) оказывает наибольшее влияние на износ задней поверхности (Vb). Проверочные испытания подтвердили, что оптимальные параметры обработки правильно предсказывают результаты лабораторных экспериментов, что свидетельствует об успехе процесса оптимизации [26]. Оптимизация параметров EDM для компонентов на основе Cu-SMA с применением алгоритмов машинного обучения (ML) описана в [27]. Процесс оптимизации был сосредоточен на изменении длительности импульса (Ton), интервала между импульсами (Toff ), тока разряда (Ip) и напряжения в зазоре (GV) с целью уменьшения износа инструмента (TWR). Эмпирическое планирование экспериментов использовало центральный композитный дизайн (CCD) в сочетании с методологией поверхности отклика (RSM) для анализа характера обработки. В исследовании осуществлялась как одно-, так и многокритериальная оптимизация с подходом на основе функции желательности, а также генетических алгоритмов (GA) и алгоритмов машинного обучения (TLBO) [27]. В результате оптимизации технологических параметров была существенно повышена эффективность соответствующих методов обработки. Инновационным аспектом настоящего исследования является применение методов оптимизации на основе машинного обучения (ML) в процессе электроэрозионной обработки (EDM) сплавов на основе меди с памятью формы (Cu-SMA), что открывает новые перспективы для аэрокосмической, биомедицинской и автомобильной отраслей. На основании результатов, представленных в работе [27], можно заключить, что прецизионная обработка получает значительные преимущества от применения «умных» материалов и методов оптимизации, основанных на анализе данных.
RkJQdWJsaXNoZXIy MTk0ODM1