ОБРАБОТКА МЕТАЛЛОВ

Введение. Статья посвящена построению методики диагностирования износа режущего инструмента на основе анализа сигнала виброакустической эмиссии. При этом решаются две задачи. Во-первых, формируется пространство информационных признаков износа. Во-вторых, в этом пространстве определяются решающие правила, которые позволяют разделить его на отдельные кластеры по признаку принадлежности к величине износа. Поскольку главное значение в этих процедурах имеют методы построения пространства информационных признаков (ПИП), то целью работы является определение закономерности изменения частотных характеристик динамической системы резания, вызванных развитием износа, и построение на этой основе рационального информационного пространства диагностирования износа инструмента. Метод и методология. В исследовании на основе результатов математического моделирования возмущенной динамической системы резания определяется пространство информационных признаков, в котором отображается износ инструмента. Предлагаются методы определения параметров ПИП, обеспечивающие высокую их чувствительность к изменению износа. Все параметры ПИП должны быть безразмерными и при нулевом износе они должны обнуляться. Они должны удовлетворять и другим требованиям, в том числе к условиям помехозащищенности. Результаты и обсуждение. В статье приводятся результаты построения параметров ПИП для анализа виброакустической эмиссии в двух частотных диапазонах. В низкочастотном диапазоне, ограниченном первыми собственными частотами взаимодействующих подсистем (до 1,0…1,5 кГц), компоненты ПИП определяются на основе рассмотрения вибрационных последовательностей, полученных аналитически при силовых возмущениях в виде «белого» шума. В высокочастотной области (выше 2,0 кГц) предлагается построение информационных моделей на основе случайной импульсной последовательности. Показано, что применимость конкретного информационного признака зависит от условий. Таким образом, разработанная методика, математическое моделирование, а также цифровые и натурные эксперименты позволили сформировать рациональное информационное пространство диагностирования износа, в котором на основе известных методов распознавания можно построить решающие правила разделения информации по признаку принадлежности к величине износа.

1. Budak E. Machining process improvement through process twins // Proceedings of 3rd International Conference on the Industry 4.0 Model for Advanced Manufacturing: AMP 2018. – Springer International Publishing, 2018. – P. 164–179. – DOI: 10.1007/978-3-319-89563-5_13.

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

3. 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.

4. Заковоротный В.Л., Гвинджилия В.Е. Изучение отображения вибрационных возмущений в геометрии формируемой резанием поверхности при точении // Обработка металлов (технология, оборудование, инструменты). – 2024. – Т. 26, № 2. – С. 107–126. – DOI: 10.17212/1994-6309-2024-26.2-107-126.

5. Остафьев В.А., Антонюк В.С., Тымчик Г.С. Диагностика процесса металлообработки. – Киев: Тэхника, 1991. – 152 с. – ISBN 5-335-00209-3.

6. Козочкин М.П. Многопараметрическая диагностика технологических систем для обработки материалов резанием // Вестник МГТУ «Станкин». – 2014. – № 1 (28). – С. 13–19.

7. Грубый С.В. Оптимизация процесса механической обработки и управления режимными параметрами. – М.: МГТУ им. Н.Э. Баумана, 2014. – 149 с. – ISBN 978-5-7038-3935-5.

8. Нейронно-сетевое моделирование процесса изнашивания твердосплавного инструмента / Ю.Г. Кабалдин, А.М. Кузьмишина, Д.А. Шатагин, М.С. Аносов // Автоматизация. Современные технологии. – 2021. – Т. 75, № 9. – С. 398–402. – DOI: 10.36652/0869-4931-2021-75-9-398-402.

9. Разработка цифрового двойника станка с ЧПУ на основе методов машинного обучения / Ю.Г. Кабалдин, Д.А. Шатагин, М.С. Аносов, А.М. Кузьмишина // Вестник Донского государственного технического университета. – 2019. – № 19 (1). – С. 45–55. – DOI: 10.23947/1992-5980-2019-19-1-45-55.

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

11. Пантюхин О.В., Васин С.А. Цифровой двойник технологического процесса изготовления изделий специального назначения // Станкоинструмент. – 2021. – № 1 (22). – С. 56–59. – DOI: 10.22184/2499-9407.2021.22.1.56.58.

12. Erkorkmaz K., Altintas Y., Yeung C.-H. Virtual computer numerical control system // CIRP Annals. – 2006. – Vol. 55 (1). – P. 399–402. – DOI: 10.1016/S0007-8506(07)60444-2.

13. Kilic Z.M., Altintas Y. Generalized mechanics and dynamics of metal cutting operations for unified simulations // International Journal of Machine Tools and Manufacture. – 2016. – Vol. 104. – P. 1–13. – DOI: 10.1016/j.ijmachtools.2016.01.006.

14. Development of machining strategies for aerospace components, using virtual machining tools / L. Estman, D. Merdol, K.-G. Brask, V. Kalhori, Y. Altintas // New Production Technologies in Aerospace Industry. – Cham: Springer, 2014. – P. 63–68. – (Lecture Notes in Production Engineering). – DOI: 10.1007/978-3-319-01964-2_9.

15. Козочкин М.П., Сабиров Ф.С., Селезнев А.Е. Виброакустический мониторинг лезвийной обработки заготовок из закаленной стали // Вестник МГТУ «Станкин». – 2018. – № 1 (44). – С. 23–30.

16. Барзов А.А., Горелов В.А., Игонькин Б.А. Акустоэлектрическая диагностика процесса резания полимерных композиционных материалов // Авиационная промышленность. – 1986. – № 12. – С. 36.

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

18. Virtual machine tool / Y. Altintas, C. Brecher, M. Weck, S. Witt // CIRP Annals. – 2005. – Vol. 54 (2). – P. 115–138. – DOI: 10.1016/S0007-8506(07)60022-5.

19. Soori M., Arezoo B., Habibi M. Virtual machining considering dimensional, geometrical and tool deflection errors in three-axis CNC milling machines // Journal of Manufacturing Systems. – 2014. – Vol. 33 (4). – P. 498–507. – DOI: 10.1016/j.jmsy.2014.04.007.

20. A novel virtual metrology scheme for predicting machining precision of machine tools / H. Tieng, H.C. Yang, M.H. Hung, F.T. Cheng // IEEE International Conference on Robotics and Automation. – IEEE, 2013. – P. 264–269. – DOI: 10.1109/ICRA.2013.6630586.

21. Astakhov V.P. Geometry of single-point turning tools and drills: Fundamentals and practical applications. – London: Springer, 2010. – 566 p. – DOI: 10.1007/978-1-84996-053-3.

22. Konrad H., Isermann R., Oette H.U. Supervision of tool wear and surface quality during end milling operations // IFAC Proceedings Volumes. – 1994. – Vol. 27 (4). – P. 507–513. – DOI: 10.1016/S1474-6670(17)46074-5.

23. Заковоротный В.Л., Бордачев Е.В. Информационное обеспечение системы динамической диагностики износа режущего инструмента на примере токарной обработки // Проблемы машиностроения и надежности машин. – 1995. – № 3. – С. 95–103.

24. Григорьев А.С. Инструментарий системы ЧПУ для диагностики и прогнозирования износа режущего инструмента в реальном времени при токарной обработке // Вестник МГТУ «Станкин». – 2012. – № 1 (18). – С. 39–43.

25. Заковоротный В.Л., Гвинджилия В.Е. Эволюция динамической системы резания, обусловленная необратимыми преобразованиями энергии в зоне обработки // СТИН. – 2018. – № 12. – С. 17–25.

26. Заковоротный В.Л., Гвинджилия В.Е. Связь самоорганизации динамической системы резания с изнашиванием инструмента // Известия вузов. Прикладная нелинейная динамика. – 2020. – Т. 28, № 1. – С. 46–61. – DOI: 10.18500/0869-6632-2020-28-1-46-61.

27. Заковоротный В.Л., Гвинджилия В.Е., Кислов К.В. Информационные свойства частотных характеристик динамической системы резания при диагностике износа инструментов // Обработка металлов (технология, оборудование, инструменты). – 2024. – Т. 26, № 3. – С. 114–134. – DOI: 10.17212/1994-6309-2024-26.3-114-134.

28. A review of sensor system and application in milling process for tool condition monitoring / M. Rizal, J.A. Ghani, M.Z. Nuawi, C.H. Haron // Research Journal of Applied Sciences, Engineering and Technology. – 2014. – Vol. 7 (10). – P. 2083–2097. – DOI: 10.19026/rjaset.7.502.

29. Teti R. Advanced IT methods of signal processing and decision making for zero defect manufacturing in machining // Procedia CIRP. – 2015. – Vol. 28. – P. 3–15. – DOI: 10.1016/j.procir.2015.04.003.

30. Bhuiyan M., Choudhury I., Nukman Y. An innovative approach to monitor the chip formation effect on tool state using acoustic emission in turning // International Journal of Machine Tools and Manufacture. – 2012. – Vol. 58. – P. 19–28. – DOI: 10.1016/j.ijmachtools.2012.02.001.

31. Rehorn A.G., Jiang J., Orban P.E. State-of-the-art methods and results in tool condition monitoring: a review // International Journal of Advanced Manufacturing Technology. – 2005. – Vol. 26. – P. 693–710. – DOI: 10.1007/s00170-004-2038-2.

32. Jemielniak K., Arrazola P. Application of AE and cutting force signals in tool condition monitoring in micro-milling // CIRP Journal of Manufacturing Science and Technology. – 2008. – Vol. 1 (2). – P. 97–102. – DOI: 10.1016/j.cirpj.2008.09.007.

33. Zakovorotny V.L., Ladnik I.V., Dhande S.G. A method for characterization of machine-tools dynamic parameters for diagnostic purposes // Journal of Materials Processing Technology. – 1995. – Vol. 53 (3–4). – P. 588–600. – DOI: 10.1016/0924-0136(94)01745-M.

34. Zakovorotny V.L., Gvindjiliya V.E. Self-organization and evolution in dynamic friction systems // Journal of Vibroengineering. – 2021. – Vol. 23 (6). – P. 1418–1432. – DOI: 10.21595/jve.2021.22033.

35. Precision manufacturing process monitoring with acoustic emission / D.E. Lee, I. Hwang, C.M.O. Valente, J.F.G. Oliveira, D.A. Dornfeld // International Journal of Machine Tools and Manufacture. – 2006. – Vol. 46 (2). – P. 176–188. – DOI: 10.1016/j.ijmachtools.2005.04.001.

36. Tool condition monitoring (TCM) – the status of research and industrial application / G. Byrne, D. Dornfeld, I. Inasaki, G. Ketteler, W. Konig, R. Teti // CIRP Annals. – 1995. – Vol. 44 (2). – P. 541–567. – DOI: 10.1016/S0007-8506(07)60503-4.

37. Dimla D.E. Sensor signals for tool-wear monitoring in metal cutting operations – a review of methods // International Journal of Machine Tools and Manufacture. – 2000. – Vol. 40 (8). – P. 1073–1098. – DOI: 10.1016/S0890-6955(99)00122-4.

38. Choi Y., Narayanaswami R., Chandra A. Tool wear monitoring in ramp cuts in end milling using the wavelet transform // International Journal of Advanced Manufacturing Technology. – 2004. – Vol. 23 (5–6). – P. 419–428. – DOI: 10.1007/s00170-003-1898-1.

39. Dolinšek S., Kopac J. Acoustic emission signals for tool wear identification // Wear. – 1999. – Vol. 225–229 (1). – P. 295–303. – DOI: 10.1016/s0043-1648(98)00363-9.

40. Chiou R.Y., Liang S.Y. Analysis of acoustic emission in chatter vibration with tool wear effect in turning // International Journal of Machine Tools and Manufacture. – 2000. – Vol. 40 (7). – P. 927–941. – DOI: 10.1016/S0890-6955(99)00093-0.

41. Application of acoustic emission sensor to investigate the frequency of tool wear and plastic deformation in tool condition monitoring / M.S.H. Bhuiyan, I.A. Choudhury, M. Dahari, Y. Nukman, S.Z. Dawal // Measurement. – 2016. – Vol. 92. – P. 208–217. – DOI: 10.1016/j.measurement.2016.06.006.

42. Siddhpura A., Paurobally R. A review of flank wear prediction methods for tool condition monitoring in a turning process // International Journal of Advanced Manufacturing Technology. – 2013. – Vol. 65. – P. 371–393. – DOI: 10.1007/s00170-012-4177-1.

43. Tool wear monitoring using naive Bayes classifiers / J. Karandikar, T. McLeay, S. Turner, T. Schmitz // International Journal of Advanced Manufacturing Technology. – 2014. – Vol. 77. – P. 1613–1626. – DOI: 10.1007/s00170-014-6560-6.

44. Kene A.P., Choudhury S.K. Analytical modeling of tool health monitoring system using multiple sensor data fusion approach in hard machining // Measurement. – 2019. – Vol. 145. – P. 118–129. – DOI: 10.1016/j.measurement.2019.05.062.

45. Tool condition monitoring techniques in milling process – a review / T. Mohanraj, S. Shankar, R. Rajasekar, N. Sakthivel, A. Pramanik // Journal of Materials Research and Technology. – 2019. – Vol. 9 (1). – P. 1032–1042. – DOI: 10.1016/j.jmrt.2019.10.031.

46. Kalvoda T., Hwang Y.R. A cutter tool monitoring in machining process using Hilbert–Huang transform // International Journal of Machine Tool and Manufacture. – 2010. – Vol. 50 (5). – P. 495–501. – DOI: 10.1016/j.ijmachtools.2010.01.006.

47. Заковоротный В.Л., Флек М.Б. Динамика процесса резания. Синергетический подход. – Ростов н/Д.: Терра, 2005. – 880 с. – ISBN 5-98254-055-2.

48. Артоболевский И.И., Бобровницкий Ю.И., Генкин М.Д. Введение в акустическую динамику машин. – М.: Наука, 1979. – 296 с.

49. Зорев Н.Н., Грановский Г.И., Ларин М.Н. Развитие науки о резании металлов. – М.: Машиностроение, 1967. – 416 с.

50. Влияние динамических характеристик процесса резания на шероховатость поверхности детали при токарной обработке / В.Е. Гвинджилия, Е.В. Фоминов, Д.В. Моисеев, Е.И. Гамалеева // Обработка металлов (технология, оборудование, инструменты). – 2024. – Т. 26, № 2. – С. 143–157. – DOI: 10.17212/1994-6309-2024-26.2-143-157.

51. Макаров А.Д. Оптимизация процессов резания. – М.: Машиностроение, 1976. – 278 с.