ОБРАБОТКА МЕТАЛЛОВ Том 28 № 1 2026 76 ТЕХНОЛОГИЯ 2. Сопоставлены результаты, полученные при различных объемах выборки (n = 16 и n = 128), что позволило проанализировать в лияние числа наблюдений на устойчивость коэффициентов корреляции, а также на точность аппроксимации и величину ошибок предсказания. Установлено, что при малом объеме выборки корреляционные зависимости, особенно с участием параметров Rsk и Rku, имеют тенденцию к завышению и нестабильности, тогда как при увеличении числа наблюдений корреляционная структура выравнивается, а оценки становятся более робастными по отношению к отдельным выбросам и гетерогенности подвыборок. Дополнительно в данном исследовании определено, что при n ≈ 128 достигается баланс между статистической точностью оценок и практической реализуемостью эксперимента. 3. Показано, что для задач анализа и моделирования, связанных преимущественно с амплитудными параметрами шероховатости, может быть использован сравнительно небольшой объем выборки, тогда как при включении в модели пара метров формы распределения (Rsk и Rku) требуется существенное увеличение числа наблюдений и проверка нормальности распределения. Разработанный подход позволяет целенаправленно планировать эксперимент, выбирая объем выборки с учетом как статистической мощности и требуемой точности оценок, так и ресурсных ограничений производства. 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_5ad8d291cdd cd8.06334386. 2. Wen Y., Zhou W., Tang J. Research on the correlation between roughness parameters and contact stress on tooth surfaces and its dominant characteristics // Measurement. – 2024. – Vol. 238. – P. 115399. – DOI: 10.1016/j.measurement.2024.115399. 3. Podulka P. Selection of methods of surface texture characterisation for reduction of the frequency-based errors in the measurement and data analysis processes // Sensors. – 2022. – Vol. 22 (3). – P. 791. – DOI: 10.3390/ s22030791. 4. A correlational study of areal surface texture parameters on some typical machined surfaces / Q. Qi, T. Li, P.J. Scott, X. Jiang // Procedia CIRP. – 2025. – Vol. 27. – P. 149–154. – DOI: 10.1016/j.procir.2015.04.058. 5. Study on contact performance of ultrasonicassisted grinding surface / Y. Wen, J. Tang, W. Zhou, C. Zhu // Ultrasonics. – 2019. – Vol. 91. – P. 193–200. – DOI: 10.1016/j.ultras.2018.08.009. 6. Sedlaček M., Podgornik B., Vižintin J. Correlation between standard roughness parameters skewness and kurtosis and tribological behaviour of contact surfaces // Tribology International. – 2012. – Vol. 48. – P. 102– 112. – DOI: 10.1016/j.triboint.2011.11.008. 7. Форм ирование параметров шероховатости на основе корреляционных связей при чистовом фрезеровании пространственно-сложных поверхностей / М.Р. Гимадеев, В.М. Давыдов, А.В. Никитенко, А.В. Сарыгин // Упрочняющие технологии и покрытия. – 2019. – Т. 15, № 6 (174). – С. 243–248. 8. Correlation between surface roughness parameters and contact stress of gear / D. Yang, J. Tang, W. Zhou, Y. Wen // Proceedings of the institution of mechanical engineers, Part J: Journal of Engineering Tribology. – 2020. – Vol. 235 (3). – P. 551–563. – DOI: 10.1177/1350650120928661. 9. Li T., Huang X., Luo M. Analysis on the correlation between plunge milling parameters and plunge milling force and force coeffi cient // 2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). – IEEE, 2018. – P. 927– 936. – DOI: 10.1109/IAEAC.2018.8577706. 10. 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. 11. Paturi U.M.R., Devarasetti H., Narala S.K.R. Application of regression and artifi cial neural network analysis inmodelling of surface roughness in hard turning of AISI 52100 steel // Materials Today: Proceedings. – 2018. – Vol. 5 (2). – P. 4766–4777. – DOI: 10.1016/j. matpr.2017.12.050. 12. Zakharova O.V., Suleimanova F.D. Linear regression equations for determining the roughness of machined surfaces. Part 1. Turning, face milling, surface grinding, and polishing // Russian Engineering Research. – 2024. – Vol. 44 (6). – P. 800–806. – DOI: 10.3103/S1068798X24701259. 13. 3D curved surface milling modeling for the topography simulation and surface roughness prediction / C. Chen, C. Wu, T. Zhang, S.Y. Liang // Journal of Manufacturing Processes. – 2025. – Vol. 137. – P. 150– 165. – DOI: 10.1016/j.jmapro.2025.02.003. 14. Wibowo A., Desa M.I. Kernel based regression and genetic algorithms for estimating cutting conditions
RkJQdWJsaXNoZXIy MTk0ODM1