Аннотация
Прорыв при шлифовании титановых сплавов обеспечил появление на рынке абразивной продукции высокопористых кругов (ВПК) из кубического нитрида бора (КНБ), снизивших адгезионное и диффузионное явления, протекающих в зоне резания. В исследовании испытаны ВПК из КНБ шести наименований (CBN30; ЛКВ50) В126 100 (L; M; O)V K27 (КФ25; КФ40). Стохастический характер шлифования обусловил выбор непараметрического метода статистики с его мерами положения (медианами) и рассеяния (квартильными широтами (КШ), которые оценивают параметры шлифования: Ra, Rmax, Sm (ГОСТ 2789–73). Вследствие высокой режущей способности (РС) нитридборовых ВПК на заводах стали использовать для шлифования любые нитридборовые ВПК. Нами установлено, что выбор оптимальной характеристики позволяет снизить высотные параметры на 2-3 категориальных величины или 1-2 технологических перехода. Моделирование топографии поверхности в искусственных нейронных сетях (ИНС) по трем параметрам шероховатости с учетом стабильности их формирования позволило первое место по РС отдать ВПК ЛКВ50 В126 100 MV K27-КФ40 с лингвистической оценкой «очень хорошая». ИНС представили входные переменные по убыванию чувствительности к принятию решения в следующей последовательности: Ra, Rmax, КШ(Rmax), КШ(Sm), КШ(Ra1i) и Sm.
Ключевые слова: шлифование, титановый сплав ВТ20, статистика, искусственная нейронная сеть, чувствительность
Список литературы
1. Носенко В.А., Носенко С.В. Технология шлифования металлов: монография. – Старый Оскол: ТНТ, 2013. – 616 с. –
2. Саютин Г.И., Татаринов И.П. Выбор материала круга при шлифовании титановых сплавов // Станки и инструмент. – 1985. – № 7. – С. 21–22.
3. Кремень З.И., Зубарев Ю.М., Лебедев А.И. Высокопористые круги из эльбора и их применение при шлифовании высокопластичных сплавов // Металлообработка. – 2009. – № 3 (51). – С. 2–5.
4. Ильин А.А., Колачев Б.А., Полькин И.С. Титановые сплавы: состав, структура, свойства: справочник. – М.: ВИЛС-МАТИ, 2009. – 520 с.
5. Нгуен Д.М. Комплексное исследование задачи классификации с применением нечетких моделей и распределенных вычислений: дис. … канд. техн. наук: 05.13.18. – Иркутск, 2014. – 142 с.
6. Солер Я.И., Нгуен М.Т. Поиск оптимальной зернистости нитридборовых кругов при плоском шлифовании деталей из стали 06Х14Н6Д2МВТ-Ш по микрорельефу поверхности в условиях моделирования нечеткой логики // Вестник МГТУ им. Н.Э. Баумана. Серия «Машиностроение». – 2015. – № 6. – C. 96–111. – doi: 10.18698/0236-3941-2015-6-96-111.
7. Koushal K., Gour S. Mitra T. Advanced applications of neural networks and artificial intelligence: a review // International Journal of Information Technology and Computer Science. – 2012. – N 6. – P. 57–68. – doi: 10.5815/ijitcs.2012.06.08.
8. Oludele A., Olawale J. Neural networks and its application in engineering // Proceedings of Informing Science & IT Education Conference (InSITE), Macon, GA, USA. – 2009. – P. 83–95.
9. Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT / М.S. Nasr, М.A.E. Moustafa, H.E.S. Seif, G.E. Kobrosy // Alexandria Engineering Journal. – 2012. – Vol. 51, iss. 1. – P. 37–43. – doi: 10.1016/j.aej.2012.07.005.
10. Dadvandipour S. Experimental applications of artificial neural networks in engineering processing system // Analecta. – 2014. – Vol. 8, N 2. – P. 28–33.
11. Quintana G., Garcia-Romeu M.L., Ciurana J. Surface roughness monitoring application based on artificial neural networks for ball-end milling operations // Journal of Intelligent Manufacturing. – 2011. – Vol. 22, iss. 4. – P. 607–617. – doi: 10.1007/s10845-009-0323-5.
12. Sick B. On-line and indirect tool wear monitoring in turning with artificial neural networks: a review of more than a decade of research // Mechanical Systems And Signal Processing. – 2002. – Vol. 16, iss. 4. – P. 487–546. – doi: 10.1006/mssp.2001.1460.
13. Caydas U., Hascalik A. A study on surface roughness in abrasive waterjet machining process using artificial neural networks and regression analysis method // Journal of Materials Processing Technology. – 2008. – Vol. 202, iss. 1–3. – P. 574–582. – doi: 10.1016/j.jmatprotec.2007.10.024.
14. Назарьева В.А. Сетевая модель выбора зернистости шлифовальных кругов с элементами использования систем искусственного интеллекта // СТИН. – 2016. – № 2. – С. 37–40.
15. ГОСТ 53923–2010. Круги алмазные и из кубического нитрида бора (эльбора) шлифовальные. Технические условия. – Введ. 2010–12–11. – М.: Стандартинформ, 2010. – 32 с.
16. ГОСТ 53922–2010. Порошки алмазные и из кубического нитрида бора (эльбора). Зернистость и зерновой состав шлифпорошков. Контроль зернового состава. – Введ. 2010–12–11. – М.: Стандартинформ, 2011. – 7 с.
17. ГОСТ 25142–82. Шероховатость поверхности. Термины и определения. – Введ. 01.01.1983. – М.: Изд-во стандартов, 1982. – 22 с.
18. Hollander M., Wolfe D.A. Nonparametric statistical methods. – 2nd ed. – New York: Wiley-Interscience, 1999. – 816 p. – ISBN 0-4711-9045-4. – ISBN 978-0471190455.
19. Уилер Д., Чамберс Д. Статистическое управление процессами: оптимизация бизнеса с использованием контрольных карт Шухарта: пер. с англ. – М.: Альпина Бизнес Букс, 2009. – 409 с. – ISBN 978-5-9614-0832-4.
20. Васенков Д.В. – – –
21. Рудой Г.И. Выбор функции активации при прогнозировании нейронными сетями // Машинное обучение и анализ данных. – 2011. – Т. 1, № 1. – С. 16–39.
22. Чижков А.В. Обучение искусственных нейронных сетей [Электронный ресурс] // Информатика, вычислительная техника и инженерное образование. – 2010. – № 1. – С. 3–7. – URL: http://digital-mag.tti.sfedu.ru/lib/1/2-2010-1.pdf (дата обращения: 20.05.2016).
23. Шарстнев В.Л., Вардомацкая Е.Ю. Анализ возможностей нейронных сетей для прогнозирования задач легкой промышленности // Управление экономическими системами: электронный научный журнал. – 2007. – № 09. – С. 3–7. – URL: ://./-09-92006//68-2011-03-21-07-11-44 (дата обращения:
24. ГОСТ 2789–73. Шероховатость поверхности. Параметры, характеристики и обозначения. – Взамен ГОСТ 2789–1959; введ. МИздво стандартовс
