Обработка металлов

ОБРАБОТКА МЕТАЛЛОВ

ТЕХНОЛОГИЯ • ОБОРУДОВАНИЕ • ИНСТРУМЕНТЫ
Print ISSN: 1994-6309    Online ISSN: 2541-819X
English | Русский

Последний выпуск
Том 28, № 3 Июль - Сентябрь 2026

Оценка режущих способностей нитридборовых высокопористых кругов при маятниковом шлифовании деталей из сплава ВТ20 с использованием искусственных нейронных сетей

Выпуск № 2 (71) Апрель - Июнь 2016
Авторы:

Солер Яков Иосифович ,
Май Динь Ши ,
Нгуен Ван Ле ,
DOI: http://dx.doi.org/10.17212/1994-6309-2016-2-28-40
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
Солер Яков Иосифович
канд. техн. наук, доцент, Иркутский национальный исследовательский технический университет,
solera@istu.irk.ru
Orcid:

Май Динь Ши
аспирант, Иркутский национальный исследовательский технический университет,
mdsmm07@gmail.com
Orcid:

Нгуен Ван Ле
аспирант, Иркутский национальный исследовательский технический университет,
nhatle007@gmail.com
Orcid:

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
Просмотров аннотации: 2743
Скачиваний полного текста: 1241
Просмотров интерактивной версии: 0
 

Обработка персональных данных

Мы используем сервис веб-аналитики Яндекс Метрика, который использует cookie.

Собранная при помощи cookie информация не может идентифицировать вас, однако может помочь нам улучшить работу нашего сайта. Вы можете отказаться от использования cookies, выбрав соответствующие настройки в браузере. Также Вы можете запретить сбор данных с помощью расширения для браузера «Блокировщик Яндекс Метрики». Используя этот сайт, вы соглашаетесь на обработку персональных данных.