ОБРАБОТКА МЕТАЛЛОВ

Введение. Важнейшим фактором, определяющим эффективность обработки металлов резанием, является качество получаемой при резании поверхности детали. Качество поверхности детали напрямую зависит от вибрационной активности режущего инструмента, амплитуда которой зависит от сложной эволюционной динамики процесса резания. С учетом этого современная технология цифрового двойника, которая позволяет рассчитывать на виртуальных моделях прогнозные значения качества получаемой поверхности деталей, становится крайне актуальным способом повышения эффективности в системах управления металлообработкой. Цель работы: повышение точности прогнозирования системой цифрового двойника качества получаемой при резании поверхности обрабатываемых деталей в условиях роста износа режущего инструмента. В работе исследована динамика процесса обработки на токарном станке деталей из металла, а также математическая модель, описывающая динамику вибраций инструмента в условиях обработки металлов на станках токарной группы с учетом влияния термодинамической подсистемы системы резания. Методы исследования: экспериментальный, на базе авторского измерительного стенда с привлечением следующего оборудования: современного металлографического инвертированного микроскопа «ЛабоМет-И», вариант 4, с широкоугольными объективами 5/20 с линейным полем зрения 20 мм; цифровой камеры для микроскопов Ucam-1400 с матрицей размером 1,4´1,4 мкм; контурографа-профилогрофа T4HD. Математическое моделирование динамической системы резания выполнялось в среде Matlab, для чего авторами разработана специальная программа обработки данных. Результаты и обсуждение. Построены кривые изнашиваемости режущего инструмента, изменения показателей качества обработанной поверхности в функциях пути резания, а также в функции износа режущего инструмента. Определены показатели динамики, по которым можно осуществлять параметрическую идентификацию виртуальных моделей цифрового двойника. Определена структура этих моделей и осуществлена параметрическая идентификация. Произведено численное моделирование в среде Matlab, по результатам которого построена кривая изменения среднеарифметического показателя шероховатости при росте износа режущего инструмента. Проведена оценка сходимости результатов натурного и численного экспериментов, которая показала высокую достоверность возможного прогноза качества получаемых при резании деталей системой цифрового двойника.

1. Суслов А.Г. Качество поверхностного слоя деталей машин. – М.: Машиностроение, 2000. – 320 с. – ISBN 5-217-02976-5.

2. Гимадеев М.П., Ли А.А. Анализ автоматизированных систем определения параметров шероховатости поверхности на основе динамического мониторинга // Advanced Engineering Research. – 2022. – Т. 22, № 2. – С. 116–129. – DOI: 10.23947/2687-1653-2022-22-2-116-129.

3. Интеллектуальная система мониторинга и управления техническим состоянием мехатронных технологических объектов / А.К. Тугенгольд, Е.А. Лукьянов, Р.Н. Волошин, В.Ф. Бонилья // Вестник Донского государственного технического университета. – 2020. – Т. 20, № 2. – С. 188–195. – DOI: 10.23947/1992-5980-2020-20-2-188-195.

4. Zakovorotnyi V.L., Gvindjiliya V.E. Influence of speeds of forming movements on the properties of geometric topology of the part in longitudinal turning // Journal of Manufacturing Processes. – 2024. – Vol. 112. – P. 202–213. – DOI: 10.1016/j.jmapro.2024.01.037.

5. Virtual process systems for part machining operations / Y. Altintas, P. Kersting, D. Biermann, E. Budak, B. Denkena, I. Lazoglu // CIRP Annals. – 2014. – Vol. 63 (2). – P. 585–605. – DOI: 10.1016/j.cirp.2014.05.007.

6. Altintas Y. Manufacturing automation: metal cutting mechanics, machine tool vibrations, and CNC design. – Cambridge; New York: Cambridge University Press, 2012. – 366 p.

7. Altintas Y., Budak E. Analytical prediction of stability lobes in milling // CIRP Annals. – 1995. – Vol. 44 (1). – P. 357–362. – DOI: 10.1016/S0007-8506(07)62342-7.

8. Kabaldin Y.G., Shatagin D.A. Artificial intelligence and cyberphysical machining systems in digital production // Russian Engineering Research. – 2020. – Vol. 40 (4). – P. 292–296. – DOI: 10.3103/S1068798X20040115.

9. Чигиринский Ю.Л., Ингеманссон А.Р. Технологические аспекты подготовки цифрового машиностроительного производства // Наукоемкие технологии в машиностроении. – 2023. – № 9 (147). – С. 39–48. – DOI: 10.30987/2223-4608-2023-39-48.

10. Zakovorotny V.L., Gvindjiliya V.E. Process control synergetics for metal-cutting machines // Journal of Vibroengineering. – 2022. – Vol. 24 (1). – P. 177–189. – DOI: 10.21595/jve.2021.22087.

11. Digital twin-assisted intelligent fault diagnosis for bearings / S. Gong, S. Li, Y. Zhang, L. Zhou, M. Xia // Measurement Science and Technology. – 2024. – Vol. 35 (10). – P. 106128. – DOI: 10.1088/1361-6501/ad5f4c.

12. Digital twin-driven partial domain adaptation network for intelligent fault diagnosis of rolling bearing / Y. Zhang, J.C. Ji., Ren Z., Q. Ni, F. Gu, K. Feng, K. Yu, J. Ge, Z. Lei, Z. Liu // Reliability Engineering & System Safety. – 2023. – Vol. 234. – P. 109186. – DOI: 10.1016/j.ress.2023.109186.

13. A digital twin model of life-cycle rolling bearing with multiscale fault evolution combined with different scale local fault extension mechanism / T. Li, H. Shi, X. Bai, K. Zhang // IEEE Transactions on Instrumentation and Measurement. – 2023. – Vol. 72. – P. 1–11. – DOI: 10.1109/TIM.2023.3243663.

14. Digital twin-assisted dual transfer: a novel information-model adaptation method for rolling bearing fault diagnosis / Z. Li, X. Ding, Z. Song, L. Wang, B. Qin, W. Huang // Information Fusion. – 2024. – Vol. 106. – P. 102271. – DOI: 10.1016/j.inffus.2024.102271.

15. 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.

16. Рыжкин А.А. Синергетика изнашивания инструментальных режущих материалов (трибоэлектрический аспект). – Ростов н/Д.: Изд-во Дон. гос. техн. ун-та, 2004. – 322 с. – ISBN 5-7890-0307-9.

17. Lapshin V.P. Turning tool wear estimation based on the calculated parameter values of the thermodynamic subsystem of the cutting system // Materials. – 2021. – Vol. 14 (21). – P. 6492. – DOI: 10.3390/ma14216492.

18. Lapshin V., Turkin I., Dudinov I. Research on influence of tool deformation in the direction of cutting and feeding on the stabilization of vibration activity during metal processing using metal-cutting machines // Sensors. – 2023. – Vol. 23 (17). – P. 7482. – DOI: 10.3390/s23177482.

19. Sensor-based intelligent tool online monitoring technology: applications and progress / J. Huang, G. Chen, H. Wei, Zh. Chen, Y. Lv // Measurement Science and Technology. – 2024. – Vol. 35 (11). – P. 112001. – DOI: 10.1088/1361-6501/ad66f1.

20. Лапшин В.П., Моисеев Д.В. Определение оптимального режима обработки металлов при анализе динамики систем управления резанием // Обработка металлов (технология, оборудование, инструменты). – 2023. – Т. 25, № 1. – С. 16–43. – DOI: 10.17212/1994-6309-2023-25.1-16-43.