ОБРАБОТКА МЕТАЛЛОВ Том 28 № 1 2026 134 ТЕХНОЛОГИЯ обработки и геометрией инструмента и хранятся в базе знаний системы. Прогнозирование максимального упругого прогиба max δ тонкостенной заготовки, моделируемой как консольная балка, защемленная со стороны патрона, выполняется по формуле 3 max 3 y F L EI δ = , где L – расчетная длина консольного участка заготовки (мм); E – модуль упругости материала (МПа); I – осевой момент инерции поперечного сечения (мм⁴). Для кольцевого поперечного сечения, характерного для рассматриваемого класса деталей, момент инерции определяется выражением 4 4 ( ) 64 I D d π = − , где D – наружный диаметр; d – внутренний диаметр заготовки. Эта модель, несмотря на упрощающие допущения (пренебрежение вращательным движением заготовки, неравномерностью распределения нагрузки по длине обработки и динамическими эффектами), обеспечивает адекватную оценку порядка величины деформации и ее зависимости от технологических параметров, что подтверждается многочисленными экспериментальными данными [57, 58]. Принципиальным достоинством аналитической модели является минимальное время расчета, что обеспечивает возможность ее использования в составе итерационного алгоритма оптимизации в режиме реального времени. Архитектура интеллектуальной системы Разработанная интеллектуальная СППР реализована по модульной архитектуре, принципиальная схема которой представлена на рис. 1. Система включает в себя четыре основных функциональных блока: базу знаний по материалам и инструментам, расчетный модуль, модуль оптимизации и веб-интерфейс для взаимодействия с пользователем. База знаний содержит структурированную информацию об эмпирических коэффициентах для расчета сил резания, физико-механических свойствах конструкционных материалов (модуле упругости, пределе прочности, пределе текучести, твердости), характеристиках режущего инструмента и справочных рекомендациях по назначению стартовых режимов обработки. Расчетный модуль реализует вычислительные процедуры определения силовых параметров и деформационного отклика в соответствии с описанной математической моделью. Модульная архитектура системы полностью согласуется с принципами проектирования гибридного станочного оборудования, предполагающими обеспечение гибкости конструктивных решений, адаптацию к широкому спектру производственных задач и возможность модернизации функциональности. В перспективе данная система может быть интегрирована как программный модуль управления в состав цифровой подсистемы гибридного станочного комплекса для обеспечения адаптивного назначения режимов обработки с учетом реального состояния заготовки и текущих условий обработки. Итерационный алгоритм оптимизации Ядром системы является итерационный алгоритм многопараметрической оптимизации, цель которого состоит в определении набора параметров V, s, t, минимизирующего целевую функцию max δ при одновременном соблюдении технологических ограничений на допустимые диапазоны параметров обработки. Блок-схема алгоритма представлена на рис. 2. Рис. 1. Компонентная архитектура интеллектуальной системы поддержки принятия решений Fig. 1. Component architecture of the intelligent decision support system
RkJQdWJsaXNoZXIy MTk0ODM1