OBRABOTKAMETALLOV Vol. 28 No. 1 2026 165 EQUIPMENT. INSTRUMENTS а б Рис. 11. Изображения свободных поверхностей стружки после экспериментальных прогонов R1 и R5 Fig. 11. Chip images of the free surfaces after experimental runs R1 and R5 Эта характеристика была наиболее выражена при более высоких скоростях резания (V). Настоящие выводы согласуются с данными работ [1, 7]. Скручивание стружки в первую очередь зависит от теплопроводности инструмента и температурного градиента между контактной и свободной поверхностями стружки. Более высокий температурный градиент приводит к меньшему радиусу скручивания стружки [7]. На рис. 11 показаны поверхности стружки, полученные ближе к концу стойкости инструмента в экспериментальных прогонах R1 и R5. Стружка, сгенерированная сильно изношенным инструментом, демонстрирует значительные повреждения, нерегулярную пластическую деформацию и следы абразивного износа на свободной поверхности. Это наблюдение подчеркивает важность своевременной замены инструмента для поддержания качества обработки. Многокритериальная оптимизация Результаты экспериментов показывают, что при точении Inconel 718 ротационным инструментом с собственным приводом глубина резания (d) является наиболее значимым параметром для улучшения параметров GD&T, подача (f) доминирует для качества поверхности, а скорость резания (V) наиболее критична для стойкости инструмента. Преимущественные параметры GD&T и качество поверхности могут быть достигнуты выбором меньших значений d и f в сочетании с более высокой скоростью V. Напротив, использование более низких режимов резания способствует увеличению срока службы инструмента. Таким образом, существует конфликт между достижением лучшего качества детали и продлением стойкости инструмента. Следовательно, многопараметрическая оптимизация необходима для одновременного улучшения всех откликов, рассматриваемых в данном исследовании. Многокритериальный генетический алгоритм (multi-objective genetic algorithm, MOGA) эффективен для исследования пространства решений. Решения MOGA представляются в виде фронта Парето. Хотя генетическая оптимизация дает множество оптимальных компромиссных решений, но для определения единственного наилучшего компромисса требуется дополнительный анализ. Следовательно, использование методов принятия многокритериальных решений (multi-criteria decision-making, MCDM) необходимо для ранжирования Парето-оптимальных решений. Техники MCDM позволяют расставить приоритеты решений на основе различных критериев, облегчая выбор наиболее подходящего компромисса. Таким образом, интеграция MOGA с MCDM позволяет упростить сложный многоцелевой процесс принятия решений для достижения оптимального компромиссного решения. Здесь описывается гибридная Парето-ориентированная стратегия GA-TOPSIS, используемая для анализа компромиссов и определения оптимальных параметров [25]. Метод
RkJQdWJsaXNoZXIy MTk0ODM1