ОБРАБОТКА МЕТАЛЛОВ

Введение. В современном производстве жизненный цикл изделия включает в себя множество этапов, начиная от проектирования и заканчивая утилизацией. Одним из ключевых этапов является механическая обработка, качество и эффективность которой непосредственно влияют на долговечность и функциональность конечного продукта. В условиях высокой конкуренции и стремления к снижению себестоимости продукции актуальной задачей становится оптимизация процессов механической обработки. Одним из перспективных подходов является использование виброакустических сигналов для непрерывного мониторинга состояния оборудования и изделий. Предмет. В статье рассматриваются основные этапы жизненного цикла изделия с акцентом на мониторинг процессов механической обработки. Анализируются современные подходы к фильтрации виброакустических сигналов, включая применение быстрого преобразования Фурье и различных оконных функций, для улучшения точности анализа и выявления дефектов. Цель работы. Разработка алгоритма работы системы онлайн-мониторинга по контролю состояния режущего инструмента на основе создания цифровой тени с применением виброакустического комплекса. Основные решаемые задачи заключаются в установлении диапазонов применимости АЧХ акустических сигналов, оптимальных оконных функций и в установлении взаимосвязей степени износа режущего инструмента с результатами вибродиагностики и измерения шероховатости. Метод и методология. Рассматриваются методы фильтрации виброакустических сигналов и их применение в реальных производственных условиях. Особое внимание уделяется роли цифровых двойников в интеграции данных мониторинга и фильтрации, что позволяет создать виртуальную модель изделия для прогнозирования его поведения и оптимизации процессов на этапах жизненного цикла. Выполнено сравнение различных методов и технологий, проведен анализ практических примеров внедрения цифровых двойников в производственные процессы. Результаты и их обсуждение. Обобщены текущие исследования и практические наработки, выявлены существующие проблемы и предложены перспективные направления для дальнейших исследований в области мониторинга, фильтрации сигналов и применения цифровых двойников в механической обработке.

1. ГОСТ Р 56136–2014. Управление жизненным циклом продукции. Термины и определения. – М.: Стандартинформ, 2016. – 24 с.

2. Grieves M. Digital twin: manufacturing excellence through virtual factory replication: whitepaper. – Melbourne, FL: LLC, 2014. – P. 1–7.

3. ГОСТ Р 57700.37–2021. Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. – М.: Рос. ин-т стандартизации, 2021. – 15 с.

4. Ингеманссон А.Р. Современная научная проблема повышения эффективности механообрабатывающего производства путем внедрения киберфизических систем в рамках концепции «Индустрия 4.0» // Наукоемкие технологии в машиностроении. – 2016. – № 12. – С. 40–44. – DOI: 10.12737/23487.

5. Кабалдин Ю.Г., Шатагин Д.А., Кузьмишина А.М. Разработка цифрового двойника режущего инструмента для механообрабатывающего производства // Известия высших учебных заведений. Машиностроение. – 2019. – № 4 (709). – С. 11–17. – DOI: 10.18698/0536-1044-2019-4-11-17.

6. Uhlemann T.H.J., Lehmann C., Steinhilper R. The digital twin: realizing the cyber-physical production system for Industry 4.0 // Procedia CIRP. – 2017. – Vol. 61. – P. 335–340. – DOI: 10.1016/j.procir.2016.11.152.

7. Digital Twin-driven smart manufacturing: connotation, reference model, applications and research issues / Y. Lu, C. Liu, K.I.-K. Wang, H. Huang, X. Xu // Robotics and Computer-Integrated Manufacturing. – 2020. – Vol. 61. – P. 101837. – DOI: 10.1016/j.rcim.2019.101837.

8. Shaping the digital twin for design and production engineering / B. Schleich, N. Anwer, L. Mathieu, S. Wartzack // CIRP Annals. – 2017. – Vol. 66. – P. 141–144. – DOI: 10.1016/j.cirp.2017.04.040.

9. A Digital Twin based service oriented application for a 4.0 knowledge navigation in the smart factory / A. Padovano, F. Longo, L. Nicoletti, G. Mirabelli // IFAC-PapersOnLine. – 2018. – Vol. 51 (11). – P. 631–636. – DOI: 10.1016/j.ifacol.2018.08.389.

10. Digital twin towards smart manufacturing and industry 4.0 / F. Tao, N. Anwer, A. Liu, L. Wang, A.Y.C. Nee, L. Li, M. Zhang // Journal of Manufacturing Systems. – 2021. – Vol. 58 (B). – P. 1–2. – DOI: 10.1016/j.jmsy.2020.12.005.

11. Gimadeev M.R., Davydov V.M., Li A.A. Influence of shaping trajectory on the surface roughness in milling: vibroacoustic monitoring // Russian Engineering Research. – 2023. – Vol. 43 (7). – P. 796–801. – DOI: 10.3103/S1068798X23070109.

12. Шевченко Д.В. Методология построения цифровых двойников на железнодорожном транспорте // Вестник Научно-исследовательского института железнодорожного транспорта. – 2021. – Т. 80, № 2. – С. 91–99. – DOI: 10.21780/2223-9731-2021-80-2-91-99.

13. Altintas Y. Manufacturing automation: metal cutting mechanics, machine tool vibrations, and CNC design. – UK: Cambridge University Press, 2012. – 366 p. – DOI: 10.1017/CBO9780511843723.

14. ГОСТ Р ИСО 9000-2015. Система менеджмента качества. Основные положения и словарь. – М.: Стандартинформ, 2015. – 42 с.

15. ГОСТ Р ИСО 9001-2015. Системы менеджмента качества. Требования. – М.: Стандартинформ, 2015. – 57 с.

16. Monitoring system for high-tech equipment / V.B. Kuznetsova, D.V. Kondusov, A.I. Serdyuk, A.I. Sergeev // Russian Engineering Research. – 2017. – Vol. 37 (10). – P. 892–896. – DOI: 10.3103/S1068798X17100136.

17. Product development integration using PLM tools: an industrial lathe case study / A. Guarin, J. Gomez, M. Hincapie, D. Guerra, A. Molina // IFAC Proceedings Volumes. – 2007. – Vol. 40 19). – P. 135–140. – DOI: 10.3182/20071002-MX-4-3906.00023.

18. Ингеманссон А.Р., Чигиринский Ю.Л. Разработка состава цифровых производственных систем для механической обработки // Известия ВолгГТУ. – 2019. – № 8 (231). – C. 21–23.

19. ГОСТ Р 50995.3.1–96. Технологическое обеспечение создания продукции. Технологическая подготовка производства. – М.: Госстандарт России, 1997. – 20 с.

20. ГОСТ 27.002–2015. Надежность в технике. Термины и определения. – М.: Стандартинформ, 2016. – 28 с.

21. ГОСТ 27.003–2016. Надежность в технике. Состав и общие правила задания требований по надежности. – М.: Стандартинформ, 2017. – 19 с.

22. Data-driven smart manufacturing / F. Tao, Q. Qi, A. Liu, A. Kusiak // Journal of Manufacturing Systems. – 2018. – Vol. 48 (C). – P. 157–169. – DOI: 10.1016/j.jmsy.2018.01.006.

23. A knowledge-based digital shadow for machining industry in a digital twin perspective / A. Ladj, Z. Wang, O. Meski, F. Belkadi, M. Ritou, C. Da Cunha // Journal of Manufacturing Systems. – 2021. – Vol. 58 (B). – P. 168–179. – DOI: 10.1016/j.jmsy.2020.07.018.

24. The digital shadow as enabler for data analytics in product life cycle management / M. Riesener, G. Schuh, C. Dolle, C. Tonnes // Procedia CIRP. – 2019. – Vol. 80. – P. 729–734. – DOI: 10.1016/j.procir.2019.01.083.

25. Schuh G., Jussen P., Harland T. The digital shadow of services: a reference model for comprehensive data collection in MRO services of machine manufacturers // Procedia CIRP. – 2018. – Vol. 73. – P. 271–277. – DOI: 10.1016/j.procir.2018.03.318.

26. Федонин О.Н., Петрешин Д.И., Карпушкин В.А. Разработка алгоритма функционирования автоматизированной системы сбора и анализа данных с металлорежущих станков с ЧПУ // Вестник Брянского государственного технического университета. – 2014. – № 1 (41). – С. 58–62.

27. MES-integrated digital twin frameworks / E. Negri, S. Berardi, L. Fumagalli, M. Macchi // Journal of Manufacturing Systems. – 2020. – Vol. 56. – P. 58–71. – DOI: 10.1016/j.jmsy.2020.05.007.

28. Characterising the Digital Twin: a systematic literature review / D. Jones, C. Snider, A. Nassehi, J. Yon, B. Hicks // CIRP Journal of Manufacturing Science and Technology. – 2020. – Vol. 29 (A). – P. 36–52. – DOI: 10.1016/j.cirpj.2020.02.002.

29. Ritto T.G., Rochinha F.A. Digital twin, physics–based model, and machine learning applied to damage detection in structures // Mechanical Systems and Signal Processing. – 2021. – Vol. 155. – P. 107614. – DOI: 10.1016/j.ymssp.2021.107614.

30. A systematic development method for cyber-physical machine tools / C. Liu, H. Vengayil, R.Y. Zhong, X. Xu // Journal of Manufacturing Systems. – 2018. – Vol. 48 (C). – P. 13–24. – DOI: 10.1016/j.jmsy.2018.02.001.

31. 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.

32. Digital Twin for rotating machinery fault diagnosis in smart manufacturing / J. Wang, L. Ye, R.X. Gao, C. Li, L. Zhang // International Journal of Production Research. – 2019. – Vol. 57 (12). – P. 3920–3934. DOI: 10.1080/00207543.2018.1552032.

33. 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.

34. Мониторинг состояния технологического оборудования на промышленных предприятиях / М.П. Козочкин, Ф.С. Сабиров, А.Н. Боган, К.В. Мыслицев // Вестник УГАТУ. – 2013. – Т. 17, № 8 (61). – С. 56–62.

35. Гимадеев М.Р., Ли А.А. Анализ систем автоматизированного обеспечения параметров шероховатости поверхности на основе динамического мониторинга // Advanced Engineering Research (Rostov-on-Don). – 2022. – Т. 22, № 2. – С. 116–129. – DOI: 10.23947/2687-1653-2022-22-2-116-129.

36. Digital twin for machining tool condition prediction / Q. Qiao, J. Wang, L. Ye, R.X. Gao // Procedia CIRP. – 2019. – Vol. 81. – P. 1388–1393. – DOI: 10.1016/j.procir.2019.04.049.

37. Qi Q., Tao F. Digital twin and big data towards smart manufacturing and Industry 4.0: 360 Degree comparison // IEEE Access. – 2018. – Vol. 6. – P. 3585–3593. – DOI: 10.1109/ACCESS.2018.2793265.

38. 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. Shaffer // Procedia Manufacturing. – 2020. – Vol. 49. – P. 105–111. – DOI: 10.1016/j.promfg.2020.07.004.

39. Аверченков В.И., Филиппова Л.Б., Пугач Л.И. Программный комплекс определения величины коррекции на инструмент для обрабатывающих центров с датчиками активного контроля // Известия ТулГУ. Технические науки. – 2013. – Вып. 7, ч. 1. – С. 70–78.

40. Tool condition monitoring in milling using a force singularity analysis approach / C. Zhou, K. Guo, J. Sun, B. Yang, Ji. Liu, G. Song, C. Sun, Z. Jiang // The International Journal of Advanced Manufacturing Technology. – 2020. – Vol. 107. – P. 1785–1792. – DOI: 10.1007/s00170-019-04664-4.

41. Cuka B., Kim D.W. Fuzzy logic based tool condition monitoring for end-milling // Robotics and Computer-Integrated Manufacturing. – 2017. – Vol. 47. – P. 22–36. – DOI: 10.1016/j.rcim.2016.12.009.

42. TCM system in contour milling of very thick-very large steel plates based on vibration and AE signals / J. Barreiro, A.I. Fernandez-Abia, A. Gonzalez-Laguna, O. Pereira // Journal of Materials Processing Technology. – 2017. – Vol. 246. – P. 144–157. – DOI: 10.1016/j.jmatprotec.2017.03.016.

43. Лукьянов А.В., Алейников Д.П. Исследование колебаний сил взаимодействия фрезы с заготовкой при повышении скорости вращения шпинделя // Современные технологии. Системный анализ. Моделирование. – 2017. – Т. 56, № 4. – С. 70–82. – DOI: 10.26731/1813-9108.2017.4(56).70-82.

44. Волосова М.А. Автоматизированная система мониторинга и диагностики обработки ответственных деталей в машиностроении керамическим режущим инструментом // Инновации. – 2016. – № 8 (214). – С. 84–87.

45. Cutting tool wear classification and detection using multi-sensor signals and Mahalanobis-Taguchi System / M. Rizal, J.A. Ghani, M.Z. Nuawi, C.H.C. Haron // Wear. – 2017. – Vol. 376–377 (B). – P. 1759–1765. – DOI: 10.1016/j.wear.2017.02.017.

46. Tool wear monitoring in milling of titanium alloy Ti-6Al-4 V under MQL conditions based on a new tool wear categorization method / M. Hu, W. Ming, Q. An, M. Chen // The International Journal of Advanced Manufacturing Technology. – 2019. – Vol. 104. – P. 4117–4128. – DOI: 10.1007/s00170-019-04125-y.

47. Real-time tool wear monitoring in milling using a cutting condition independent method / M. Nouri, B.K. Fussell, B.L. Ziniti, E. Linder // International Journal of Machine Tools and Manufacture. – 2015. – Vol. 89. – P. 1–13. – DOI: 10.1016/j.ijmachtools.2014.10.011.

48. Investigation of the feasibility of using microphone arrays in monitoring machining / D. Shaffer, I. Ragai, A. Danesh-Yazdi, D. Loker // Manufacturing Letters. – 2018. – Vol. 15 (B). – P. 132–134. – DOI: 10.1016/j.mfglet.2017.12.008.

49. Tool condition monitoring for high-performance machining systems – a review / A. Mohamed, M. Hassan, R. Msaoubi, H. Attia // Sensors. – 2022. – Vol. 22. – P. 2206. – DOI: 10.3390/s22062206.

50. An investigation of tool wear using acoustic emission and genetic algorithm / G. Vetrichelvan, S. Sundaram, S. Kumaran, P. Velmurugan // Journal of Vibration Control. – 2014. – Vol. 21 (15). – P. 3061–3066. – DOI: 10.1177/1077546314520835.

51. Sahinoglu A., Rafighi M. Investigation of vibration, sound intensity, machine current and surface roughness values of AISI 4140 during machining on the lathe // Arabian Journal for Science and Engineering. – 2020. – Vol. 45. – P. 765–778. – DOI: 10.1007/s13369-019-04124-x.

52. An on-line approach for energy efficiency monitoring of machine tools / S. Hu, F. Liu, Y. He, T. Hu // Journal of Cleaner Production. – 2012. – Vol. 27. – P. 133–140. – DOI: 10.1016/j.jclepro.2012.01.013.

53. Комплексный подход к экспериментальным исследованиям технологических систем металлообработки по обеспечению параметров качества и эксплуатационных свойств поверхностей деталей машин / А.Г. Суслов, В. Федоров, М. Нагоркин, И. Пыриков // Наукоемкие технологии в машиностроении. – 2018. – № 10. – С. 3–13. DOI: 10.30987/article_5bb4b1f9abbc54.46761484.

54. Determination of tool wear in peripheral milling operations based on acoustic emission signals / R. Alzugaray-Franz, E. Diez-Cifuentes, E. Leal-Munoz, M. Villaverde San Jose, A. Vizán // IACME 2022: Proceedings of the XV Ibero-American Congress of Mechanical Engineering. – 2023. – P. 300–305. – DOI: 10.1007/978-3-031-38563-6_44.

55. Off-line geometrical and microscopic & on-line vibration based cutting tool wear analysis for micro-milling of ceramics / L. Moricz, Z.J. Viharos, A. Nemeth, A. Szepligeti, M. Buki // Measurement. – 2020. – Vol. 163. – P. 108025. – DOI: 10.1016/j.measurement.2020.108025.

56. The surface roughness analysis using sound signal in turning of mild steel / A.U. Patwari, A.A. Zamee, M.H. Bhuiyan, S.M. Sakib // IOP Conference Series: Materials Science and Engineering. – 2019. – Vol. 703. – P. 012011. – DOI: 10.1088/1757-899X/703/1/012011.

57. ГОСТ Р 51904–2002. Программное обеспечение встроенных систем. Общие требования к разработке и документированию. – М.: Стандартинформ, 2012. – 36 с.

58. ГОСТ Р ИСО/МЭК 15910–2002. Информационная технология. Процесс создания программного средства пользователя. – М.: Стандартинформ, 2012. – 98 с.

59. ГОСТ 34.201–89. Информационная технология. Комплекс стандартов на автоматизированные системы. Виды, комплектность и обозначение документов при создании автоматизированных систем. – М.: Госкомстандарт, 2002. – 36 с.

60. ГОСТ 34.601–90. Информационная технология. Комплекс стандартов на автоматизированные системы. Автоматизированные системы стадии создания. – М.: Госкомстандарт, 2002. – 84 с.

61. ГОСТ Р ИСО/МЭК 12207–2010. Информационная технология. Системная и программная инженерия. Процессы жизненного цикла программных средств. – М.: Стандартинформ, 2011. – 105 с.

62. ГОСТ Р 15.301–2016. Система разработки и постановки продукции на производство. Продукция производственно-технического назначения. Порядок разработки и постановки продукции на производство. – М.: Стандартинформ, 2018. – 15 с.

63. ГОСТ ISO/IEC 15420–2010. Автоматическая идентификация. Кодирование штриховое. Спецификация символики штрихового кода EAN/UPC. – М.: Стандартинформ, 2011. – 45 с.

64. Ингеманссон А.Р. Технологическая подготовка и адаптивное управление в цифровых производственных системах // Вестник Кузбасского государственного технического университета. – 2021. – № 4. – С. 5–13. – DOI: 10.26730/1999-4125-2021-4-5-13.

65. 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.

66. Тугенгольд А.К., Изюмов А.И. Принципы концептуального подхода к созданию подсистемы Инструмент в смарт-паспорте многооперационного станка // Вестник ДГТУ. – 2014. – Т. 14, № 2 (77). – С. 74–83. – DOI: 10.23947/1992-5980-2014-2-74-83.

67. Xiurong Z., Yeu W. Process analysis and parameter optimization of five axis NC machine for machining complex curved surface impellers // 2019 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS). – Changsha, China, 2019. – P. 122–124. – DOI: 10.1109/ICITBS.2019.00036.

68. Заковоротный В.Л., Гвинджилия В.Е. Синергетический подход к повышению эффективности управления процессами обработки на металлорежущих станках // Обработка металлов (технология, оборудование, инструменты). – 2021. – Т. 23, № 3. – С. 84–99. – DOI: 10.17212/1994-6309-2021-23.3-84-99.

69. Kouguchi J., Yoshioka H. Monitoring method of cutting forces and vibrations by using frequency separation of acceleration sensor signals during milling process with small ball end mills // Precision Engineering. – 2024. – Vol. 85. – P. 337–356. – DOI: 10.1016/j.precisioneng.2023.10.013.

70. In-process complex machining condition monitoring based on deep forest and process information fusion / Z. Lu, M. Wang, W. Dai, J. Sun // The International Journal of Advanced Manufacturing Technology. – 2019. – Vol. 104. – P. 1953–1966. – DOI: 10.1007/s00170-019-03919-4.

71. Position-dependent milling process monitoring and surface roughness prediction for complex thin-walled blade component / Z. Yao, J. Shen, M. Wu, D. Zhang, M. Luo // Mechanical Systems and Signal Processing. – 2023. – Vol. 198. – P. 110439. – DOI: 10.1016/j.ymssp.2023.110439.

72. Accattatis A., Saggio G., Giannini F. A real time FFT-based impedance meter with bias compensation // Measurement. – 2011. – Vol. 44 (4). – P. 702–707. – DOI: 10.1016/j.measurement.2011.01.00.

73. A survey on adaptive active noise control algorithms overcoming the output saturation effect / Y. Guo, D. Shi, X. Shen, J. Ji, W.-S. Gan // Signal Processing. – 2024. – Vol. 222. – P. 109525. – DOI: 10.1016/j.sigpro.2024.109525.

74. Tool wear prediction through AI-assisted digital shadow using industrial edge device / M. Chehrehzad, G. Kecibas, C. Besirova, U. Uresin, M. Irican, I. Lazoglu // Journal of Manufacturing Processes. – 2024. – Vol. 113. – P. 117–130. – DOI: 10.1016/j.jmapro.2024.01.052.

75. Пономарев Б.Б., Нгуен Ш.Х. Влияние ориентации инструмента на силы резания при концевом фрезеровании // Известия высших учебных заведений. Машиностроение. – 2019. – № 3 (708). – С. 11–20. – DOI: 10.18698/0536-1044-2019-3-11-20.

76. Gimadeev M.R., Li A.A. Tool condition monitoring techniques for milling // Proceedings of the 9th International Conference on Industrial Engineering. ICIE 2023. – Cham: Springer, 2023. – P. 698–707. – DOI: 10.1007/978-3-031-38126-3_69.

77. Gowid S., Dixon R., Ghani S. A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems // Applied Acoustics. – 2015. – Vol. 88. – P. 66–74. – DOI: 10.1016/j.apacoust.2014.08.007.