ОБРАБОТКА МЕТАЛЛОВ

Введение. Ключевым препятствием на пути к созданию «умных» машиностроительных предприятий и реализации безлюдных технологий является «цифровой разрыв» на этапе размерной настройки станков с ЧПУ. Проектный контур технологической подготовки производства (ТПП) полностью оцифрован, однако финальный расчет настроечных координат инструмента до сих пор выполняется эмпирически, методом пробных проходов. Это связано с отсутствием теории, описывающей поведение нестационарного поля допуска партии заготовок в абсолютной системе координат станка. Цель работы. Теоретическое обоснование существования и единственности абсолютной координаты режущего инструмента, гарантирующей получение годных деталей с первой заготовки для всей партии при действии многокомпонентных погрешностей. Методологическая основа. Исследование базируется на системном анализе технологических размерных цепей и теории упругости. Ключевым методологическим приемом является аксиоматический подход: сформулированы четыре базовые аксиомы (о партии деталей, стационарности системы координат станка, нестационарности поля допуска и о формообразовании), которые служат фундаментом для строгого доказательства последующих теорем. Результаты. На основе принятых аксиом впервые сформулирована и доказана теорема о существовании стационарной «границы 0-0» в системе координат станка с ЧПУ, которая служит единой координатной базой, связывающей положение нестабильного поля допуска с жесткой системой координат станка. Доказана её единственность как условия минимального гарантированного съема припуска. Выведено уравнение баланса допуска и многокомпонентных погрешностей, являющееся фундаментальным условием реализуемости процесса. Введен и обоснован критерий «ресурса точности», который количественно оценивает запас надежности технологической системы и ограничивает режимы резания. Научная новизна. Впервые существование абсолютной настроечной координаты доказано аналитически, исходя из системы аксиом, формализующих нестационарность поля допуска и жесткость системы ЧПУ. Показано, что граница 0-0 является единственной точкой, обеспечивающей детерминированность процесса в условиях параметрической неопределенности. Практическая значимость. Разработанная теория создает методологическую основу для построения цифровых двойников операций и интеллектуальных CAM-модулей, позволяющих автоматически рассчитывать настроечные параметры. Это исключает цикл пробных обработок, сокращает время ТПП и является необходимым условием для реализации безлюдных технологий в мелко- и среднесерийном производстве.

1. Автоматизация управления точностью контурной обработки на станках с ЧПУ / П.М. Кузнецов, И.Н. Каверная, О.С. Костыкова, А.Н. Феофанов // Технология машиностроения. – 2023. – № 2. – С. 12–14.

2. Воронов С.А., Киселев И.А. Геометрический алгоритм 3MZBL для моделирования процессов обработки резанием. Алгоритм изменения поверхности и определения толщины срезаемого слоя // Вестник МГТУ им. Н.Э. Баумана. Серия: Машиностроение. – 2012. – № 6. – С. 70–83.

3. Geometric error measurement and compensation of machines – An update / H. Schwenke, W. Knapp, H. Haitjema, A. Weckenmann, R. Schmitt, F. Delbressine // CIRP Annals. – 2008. – Vol. 57 (2). – P. 660–675. – DOI: 10.1016/j.cirp.2008.09.008.

4. Prediction of thin-walled workpiece machining error: a transfer learning approach / Y.-Y. Yu, D.-M. Shi, H. Ding, X.-M. Zhang // Journal of Intelligent Manufacturing. – 2025. – Vol. 36. – P. 2803–2827. – DOI: 10.1007/s10845-024-02382-7.

5. Пасько Н.И., Картавцев И.С. Математическая модель процесса изменения размера деталей при токарной обработке партии деталей // Известия Тульского государственного университета. Технические науки. – 2013. – № 4. – С. 206–210.

6. Анцев А.В., Сальников С.В., Арсеньева А.А. Автоматизированная система контроля состояния режущего инструмента на основе фильтра Калмана // Известия Тульского государственного университета. Технические науки. – 2022. – № 12. – С. 536–540. – DOI: 10.24412/2071-6168-2022-12-536-540.

7. Мураткин Г.В., Сарафанова В.А. Влияние технологической наследственности напряженно-деформированного состояния на точность нежестких деталей // Проблемы машиностроения и надежности машин. – 2020. – № 1. – С. 56–64.

8. Беляков Н.В., Махаринский Е.И., Махаринский Ю.Е. Погрешность теоретической схемы установки // Вестник Витебского государственного технологического университета. – 2005. – № 9. – С. 72–77.

9. Thermal error measurement and modelling in machine tools. Part II. Hybrid Bayesian Network – support vector machine model / R. Ramesh, M.A. Mannan, A.N. Poo, S.S. Keerthi // International Journal of Machine Tools and Manufacture. – 2003. – Vol. 43 (4). – P. 405–419. – DOI: 10.1016/S0890-6955(02)00264-X.

10. 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.

11. 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.

12. Greenwood W.H., Chase K.W. A new tolerance analysis method for designers and manufacturers // Transactions of the ASME. Journal of Engineering for Industry. – 1987. – Vol. 109 (2). – P. 112–116.

13. Greenwood W.H., Chase K.W. Worst case tolerance analysis with nonlinear problems // Transactions of the ASME. Journal of Engineering for Industry. – 1987. – Vol. 110 (3). – P. 232–235.

14. Bjørke Ø. Computer-aided tolerancing. – 2nd ed. – Trondheim: Tapir Publishers, 1989. – 251 p.

15. Furferi R. Tolerance analysis methods for the application of ISO and ASME GD&T to mechanical component: 2D and 3D case studies // Journal of Advanced Manufacturing Science and Technology. – 2025. – Vol. 5 (3). – P. 2025020. – DOI: 10.51393/j.jamst.2025020.

16. Grieves M. Digital Twin: Manufacturing excellence through virtual factory replication // Digital Twin White Paper. – 2014. – P. 1–7.

17. Grieves M., Vickers J. Digital Twin: Mitigating unpredictable, undesirable emergent behavior in complex systems // Transdisciplinary Perspectives on Complex Systems. – Cham: Springer, 2017. – P. 85–113. – DOI: 10.1007/978-3-319-38756-7_4.

18. Five-dimension Digital Twin model and its ten applications / F. Tao, W. Liu, M. Zhang, [et al.] // Computer Integrated Manufacturing Systems. – 2019. – Vol. 25 (1). – P. 1–18.

19. Shaping the Digital Twin for design and production engineering / B. Schleich, N. Anwer, L. Mathieu, S. Wartzack // CIRP Annals. – 2017. – Vol. 66 (1). – P. 141–144.

20. A Digital Twin-enabled hybrid deep learning approach for tool wear monitoring in CNC Milling based on multi-sensor fusion / S. Wang, Z. Yu, C. Lu, C. Li // The Journal of Engineering. – 2026. – Vol. 2026 (4). – P. e70180.

21. Леун Е.В. Интеллектуальный токарный резец с приборами активного контроля температуры зоны резания, размеров изделия и параметров формы его поверхности // Омский научный вестник. – 2017. – № 4 (154). – С. 87–93.

22. Мясникова Л.А., Каменева А.Л. Разработка комплекса контрольно-измерительных процедур для деталей с особо точными поверхностями на станках с ЧПУ // Наукоемкие технологии в машиностроении. – 2022. – № 11 (137). – С. 32–38. – DOI: 10.30987/2223-4608-2022-11-32-38.

23. Хусаинов Р.М., Зиангирова Э.Р., Лозинский В.В. Моделирование показателей точности технологической системы обработки резанием // Металлообработка. – 2020. – № 3 (117). – С. 11–18.

24. Акинцева А.В., Переверзев П.П. Модель расчета текущего значения глубины резания в автоматическом ступенчатом цикле программной подачи на операции плоского шлифования с ЧПУ // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. – 2022. – Т. 20, № 3. – С. 103–110. – DOI: 10.18503/1995-2732-2022-20-3-103-110.

25. Chatter suppression with an active workpiece holder / C. Brecher, D. Manoharan, U. Ladra, H.-G. Köpken // Production Engineering. – 2010. – Vol. 4 (2). – P. 239–245. – DOI: 10.1007/s11740-009-0204-y.

26. Advanced monitoring of machining operations / R. Teti, K. Jemielniak, G. O’Donnell, D. Dornfeld // CIRP Annals. – 2010. – Vol. 59 (2). – P. 717–739. – DOI: 10.1016/j.cirp.2010.05.010.

27. Matsubara A., Ibaraki S. Monitoring and control of cutting forces in machining processes: A review // International Journal of Automation Technology. – 2009. – Vol. 3 (4). – P. 445–456. – DOI: 10.20965/ijat.2009.p0445.

28. An adaptive, artificial intelligence-based chatter detection method for milling operations / P. Stavropoulos, T. Souflas, C. Papaioannou, H. Bikas, D. Mourtzis // The International Journal of Advanced Manufacturing Technology. – 2023. – Vol. 124. – P. 2037–2058. – DOI: 10.1007/s00170-022-09920-8.

29. Структура модели имитационного моделирования вероятностного процесса формирования точности исполнительного размера / А.И. Денчик, А.Ж. Касенов, А.Л. Галиновский, Ж.К. Мусина, К.К. Абишев, А.А. Ткачук // Известия высших учебных заведений. Машиностроение. – 2022. – № 6 (747). – С. 36–44.

30. Ермаков С.П., Помпеев К.П. Методика исследования возможности автоматического обеспечения точности технологических процессов изготовления деталей // Известия высших учебных заведений. Приборостроение. – 2025. – Т. 68, № 2. – С. 176–183. – DOI: 10.17586/0021-3454-2025-68-2-176-183.

31. Digital twin technology facilitates precision improvement in complex product assembly: A progressive deduction method of data-driven tolerance allocation / H. Zhang, Y. Li, D. Xue, X. Tong, B. Gao, J. Yu // Advanced Engineering Informatics. – 2024. – Vol. 62. – P. 102790. – DOI: 10.1016/j.aei.2024.102790.

32. Present situation and future trends in modelling of machining operations / C.A. van Luttervelt, T.H.C. Childs, I.S. Jawahir, F. Klocke, P.K. Venuvinod, Y. Altintas, E. Armarego, D. Dornfeld, I. Grabec, J. Leopold, B. Lindstrom, D. Lucca, T. Obikawa, Shirakashi, H. Sato // CIRP Annals. – 1998. – Vol. 47 (2). – P. 587–626. – DOI: 10.1016/S0007-8506(07)63244-2.