Obrabotka Metallov / Metal Working and Material ScienceObrabotka Metallov / Metal Working and Material ScienceОбработка металлов (технология • оборудование • инструменты)1994-63092541-819XНовосибирский государственный технический университет39225010.17212/1994-6309-2026-28.1-130-151TECHNOLOGYТЕХНОЛОГИЯResearch ArticleIntelligent decision support system for the optimization of turning parameters of thin-walled parts in the context of designing hybrid metal-cutting equipmentИнтеллектуальная система поддержки принятия решений для оптимизации параметров токарной обработки тонкостенных деталей в контексте проектирования гибридного металлообрабатывающего оборудованияhttps://orcid.org/0000-0002-6251-100457195537657A-8877-20174537-3881ZhargalovaAyagma D.ЖаргаловаАягма Дашибалбаровна
Russian Federation

Senior Lecturer

старший преподаватель

azhargalova@bmstu.ruhttps://www.researchgate.net/profile/A-Zhargalovahttps://orcid.org/0000-0002-8242-229557190124706G-3365-20135547-0714SkeebaVadim Yu.СкибаВадим Юрьевич
Russian Federation

Ph.D. (Engineering), Associate Professor

канд. техн. наук, доцент

skeeba_vadim@mail.ruhttps://ciu.nstu.ru/kaf/persons/20541https://orcid.org/0009-0008-6174-32345200-4717TongZiqiТунЦзыци
Russian Federation
tongziqi29@gmail.comhttps://orcid.org/0009-0004-4512-596358947731300KFT-2136-20244999-5051PapkoSemyon S.ПапкоСемен Сергеевич
Russian Federation

Ph.D. (Engineering) student, Junior researcher

аспирант, младший научный сотрудник

papko.duty@yandex.ruhttps://ciu.nstu.ru/kaf/persons/96043/https://orcid.org/0009-0006-7566-672258947972400KFS-5148-20243859-0087YulusovIvan S.ЮлусовИван Сергеевич
Russian Federation

Ph.D. (Engineering) student, Junior researcher

аспирант, младший научный сотрудник

yulusov.2017@stud.nstu.ruhttps://ciu.nstu.ru/kaf/persons/96223/Bauman Moscow State Technical UniversityМосковский государственный технический университет им. Н.Э. БауманNovosibirsk State Technical UniversityНовосибирский государственный технический университетBauman Moscow State Technical UniversityМосковский государственный технический университет им. Н.Э. Баумана15032026281VOL 28, NO1 (2026)ТОМ 28, №1 (2026)13015107032026Copyright ©; 2026, Zhargalova A.D., Skeeba V.Y., Tong Z., Papko S.S., Yulusov I.S.Copyright ©; 2026, Жаргалова А.Д., Скиба В.Ю., Тун Ц., Папко С.С., Юлусов И.С.2026Zhargalova A.D., Skeeba V.Y., Tong Z., Papko S.S., Yulusov I.S.Жаргалова А.Д., Скиба В.Ю., Тун Ц., Папко С.С., Юлусов И.С.https://creativecommons.org/licenses/by/4.0https://journals.rcsi.science/1994-6309/article/view/392250

Introduction. Machining of thin-walled parts represents one of the most challenging problems in modern mechanical engineering, particularly in the aerospace industry, precision instrumentation, and other high-technology sectors where requirements for geometric accuracy are critical. The low bending stiffness of such structures causes extreme sensitivity to the forces arising during machining: elastic deformations induced by the combined action of cutting forces and clamping forces lead to significant deviations from specified dimensions and shape, constituting one of the primary causes of manufacturing defects. Conventional methods of cutting parameter selection, based on reference data and operator experience, do not provide the capabilities for quantitative prediction of thin-walled workpiece deformation behavior and fail to account for the specifics of their deformation behavior. This problem is particularly relevant in the context of developing next-generation hybrid machine tools integrating mechanical and surface-thermal technological operations, where scientifically based selection of machining parameters is an essential condition for ensuring the required product quality. The purpose of the present work is to develop, implement in software, and comprehensively verify an intelligent decision support system (DSS) prototype designed for the scientifically based selection of optimal turning parameters to minimize elastic deformation of thin-walled parts as an integral component of a design methodology for hybrid metal-cutting systems. Research methods. The system is based on an analytical mathematical model establishing the functional relationship between cutting parameters, the resultant cutting force, and the elastic deflection of the workpiece, calculated using the cantilever beam model. An iterative multi-parameter optimization algorithm with the objective function of minimizing maximum deflection was implemented. Verification of system effectiveness was conducted on two representative thin-walled parts – a bushing made of steel 45 and a ring made of AK9ch aluminum alloy – through comprehensive simulation that included: verification of process technological feasibility in the SprutCAM CAM system and evaluation of deformation fields via static finite element analysis in the ANSYS Mechanical CAE system. Results and discussion. Application of the developed DSS provided a significant reduction in force exerted on the workpiece: the tangential cutting force component decreased by a factor of 2.1 for the steel bushing and by a factor of 10.8 for the aluminum ring. Finite element analysis confirmed a reduction in maximum elastic deformation of 72.3% (from 0.0602 to 0.0167 mm) for the steel bushing and of 87.9% (from 0.0422 to 0.0051 mm) for the aluminum ring. A key technological result is that deformation values after optimization do not exceed the design tolerances for cylindricity. SprutCAM simulation confirmed the complete technological feasibility of the machining processes. The obtained results demonstrate the prospects of integrating intelligent decision-making systems into the design methodology of hybrid machine tools to enhance the competitiveness of the domestic machine tool industry.

Введение. Обработка тонкостенных деталей представляет собой одну из наиболее сложных задач современного машиностроения, особенно в аэрокосмической отрасли, точном приборостроении и других высокотехнологичных областях, где требования к геометрической точности носят критический характер. Низкая изгибная жесткость таких конструкций обусловливает их чрезвычайную чувствительность к силовым воздействиям, возникающим при механической обработке: упругие деформации, вызванные совокупным действием сил резания и усилий зажима, приводят к значительным отклонениям от заданных размеров и формы, что является одной из основных причин производственного брака. Традиционные методы назначения режимов резания, основанные на справочных данных и эмпирическом опыте оператора, не обеспечивают возможности количественного прогнозирования деформационного отклика тонкостенной заготовки и не учитывают специфики ее деформационного поведения. Указанная проблема приобретает особую актуальность в контексте разработки гибридного станочного оборудования нового поколения, интегрирующего механические и поверхностно-термические технологические операции, где научно обоснованный выбор параметров обработки является необходимым условием обеспечения требуемого качества продукции. Цель работы. Разработка, программная реализация и комплексная верификация прототипа интеллектуальной системы поддержки принятия решений (СППР), предназначенной для научно обоснованного выбора оптимальных режимов токарной обработки, направленного на минимизацию упругой деформации тонкостенных деталей, как составного элемента методологии проектирования гибридных металлообрабатывающих систем. Методы исследования. В основу системы положена аналитическая математическая модель, устанавливающая функциональную связь между параметрами резания, результирующей силой резания и упругим прогибом заготовки, рассчитываемым по механической модели консольной балки. Реализован итерационный алгоритм многопараметрической оптимизации с целевой функцией минимизации максимального прогиба. Верификация эффективности системы проведена на двух типовых тонкостенных деталях – втулке из стали 45 и кольце из алюминиевого сплава АК9ч – посредством комплексного имитационного моделирования: проверки технологической реализуемости процесса в CAM-системе SprutCAM и оценки полей деформаций статическим конечно-элементным анализом в CAE-системе ANSYS Mechanical. Результаты и обсуждение. Применение разработанной СППР обеспечило кардинальное снижение силовых нагрузок на заготовку: тангенциальная составляющая силы резания уменьшилась в 2,1 раза для стальной втулки и в 10,8 раза для алюминиевого кольца. Конечно-элементный анализ подтвердил снижение максимальной упругой деформации на 72,3 % (с 0,0602 до 0,0167 мм) для стальной втулки и на 87,9 % (с 0,0422 до 0,0051 мм) для алюминиевого кольца. Принципиальным технологическим результатом является то, что значения деформации после оптимизации не превышают конструкторских допусков на цилиндричность. Моделирование в SprutCAM подтвердило полную технологическую корректность процессов. Полученные результаты демонстрируют перспективность интеграции интеллектуальных систем принятия решений в методологию проектирования гибридного станочного оборудования для повышения конкурентоспособности отечественной станкоинструментальной отрасли.

Thin-walled partsIntelligent decision support systemElastic deformationOptimization of cutting parametersHybrid machine-tool equipmentSimulation-based modelingFinite element method (FEM)Тонкостенные деталиИнтеллектуальная система поддержки принятия решенийУпругая деформацияОптимизация режимов резанияГибридное станочное оборудованиеИмитационное моделированиеМетод конечных элементовThis work was supported by the Ministry of Science and Higher Education of the Russian Federation (project FSUN-2026-0005).Работа выполнена при поддержке Министерства науки и высшего образования РФ (проект FSUN-2026-0005).

Funding

This work was supported by the Ministry of Science and Higher Education of the Russian Federation (project FSUN-2026-0005).

Финансирование

Работа выполнена при поддержке Министерства науки и высшего образования РФ (проект FSUN-2026-0005).

Thin-walled part machining process parameters optimization based on finite-element modeling of workpiece vibrations / S. Bolsunovskiy, V. Vermel, G. Gubanov, I. Kacharava, A. Kudryashov // Procedia CIRP. – 2013. – Vol. 8. – P. 276–280. – DOI: 10.1016/j.procir.2013.06.102.Горячкин Б.С., Черната Н.С. Обзор возможных вариантов использования технологий и материалов 3D-печати в авиационной промышленности // E-SCIO. – 2021. – № 5 (56). – С. 657–682. – EDN XKPRSK.Predictive modeling of deformation induced by residual stress for thin-walled parts in double-sided alternating precision turning / S. Qi, S. Yan, J. Xu, Y. Sun // Journal of Manufacturing Processes. – 2025. – Vol. 146. – P. 19–29. – DOI: 10.1016/j.jmapro.2025.04.085.Фоменко Р.Н., Тимофеев М.В. Оптимизация технологических условий обработки тонкостенных деталей из алюминиевых сплавов с целью снижения остаточных деформаций // Вестник Брянского государственного технического университета. – 2018. – № 4 (65). – С. 4–11. – DOI: 10.30987/article_5b28d1921f23d8.29887997.A review of the deformation mechanism and control of low stiffness thin-walled parts / H. Sun, J. Zhao, Z. Zheng, Y. Jiang, X. Jin, S. Deng, Y. Tang, X. Zhang // CIRP Journal of Manufacturing Science and Technology. – 2025. – Vol. 60. – P. 322–355. – DOI: 10.1016/j.cirpj.2025.05.007.Yadav M.H., Mohite S.S. Controlling deformations of thin-walled Al 6061-T6 components by adaptive clamping // Procedia Manufacturing. – 2018. – Vol. 20. – P. 509–516. DOI: 10.1016/j.promfg.2018.02.076.The intelligent monitoring technology for machining thin-walled components: A review / G. Liu, Y. Wang, B. Huang, W. Ding // Machines. – 2024. – Vol. 12 (12). – P. 876. – DOI: 10.3390/machines12120876.Расчет режимов резания. Курсовое и дипломное проектирование по технологии машиностроения / В.В. Марков, А.В. Сметанников, П.И. Кискеев, Л.И. Лебедева, Д.А. Ветчинников. – М.; Вологда: Инфа-Инженерия, 2023. – 136 с. – ISBN 978-5-9729-1465-4.Integrated multi-objective optimization for high-precision CNC turning of 7075 aluminum alloy / I.I. Ikhries, A.F. Al-Shawabkeh, J.S. Haddad, N.A. Al-Najdawi, F.A. Alfaqs // Next Materials. – 2025. – Vol. 9. – P. 101338. – DOI: 10.1016/j.nxmate.2025.101338.Исследование напряженно-деформированного состояния заготовки зубчатого колеса с применением математических моделей в зависимости от сил зажима в трехи шестикулачковых самоцентрирующих патронах / А.С. Серков, В.Б. Масягин, Р.А. Артюх, Л.Б. Серкова, В.В. Акимов // Омский научный вестник. – 2020. – № 4 (172). – С. 13–18. – DOI: 10.25206/1813-8225-2020-172-13-18. – EDN QDXEER.К вопросу о деформации тонкостенных деталей при обработке на станках токарной группы / Е.В. Арбузов, А.Д. Жаргалова, Г.П. Лазаренко, В.И. Семисалов // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. – 2014. – № 2. – С. 36–48. – DOI: 10.7463/0214.0700319. – EDN QLGFKG.Grzesik W., Ruszaj A. Hybrid manufacturing processes – Physical fundamentals, modelling and rational applications. – Cham: Springer, 2021. – 234 p. – ISBN 978-3-030-77106-5. – eISBN 978-3-030-77107-2. – DOI: 10.1007/978-3-030-77107-2.Рационализация режимов поверхностной закалки ВЭН ТВЧ рабочих поверхностей пуансона в условиях гибридной обработки / В.Ю. Скиба, Н.В. Вахрушев, К.А. Титова, А.Д. Черников // Обработка металлов (технология, оборудование, инструменты). – 2023. – Т. 25, № 3. – С. 63–86. – DOI: 10.17212/1994-6309-2023-25.3-63-86.Experimental study on energy consumption of computer numerical control machine tools / J. Lv, R. Tang, S. Jia, Y. Liu // Journal of Cleaner Production. – 2016. – Vol. 112 (5). – P. 3864–3874. – DOI: 10.1016/j.jclepro.2015.07.040.Design and technological aspects of integrating multi-blade machining and surface hardening on a single machine base / V. Skeeba, V. Ivancivsky, A. Chernikov, N. Martyushev, N. Vakhrushev, K. Titova // Journal of Manufacturing and Materials Processing. – 2024. – Vol. 8 (5). – P. 200. – DOI: 10.3390/jmmp8050200. – EDN AYYIFW.Макаров В.М., Лукина С.В. Уникальная синергия гибридных станков // Ритм: Ремонт. Инновации. Технологии. Модернизация. – 2016. – № 8. – С. 18–25.Скиба В.Ю., Иванцивский В.В. Повышение эффективности поверхностно-термического упрочнения деталей машин в условиях совмещения обрабатывающих технологий, интегрируемых на единой станочной базе // Обработка металлов (технология, оборудование, инструменты). – 2021. – Т. 23, № 3. – С. 45–71. – DOI: 10.17212/1994-6309-2021-23.3-45-71.Рыжикова Т.Н., Боровский В.Г. Исследование стратегических перспектив модернизации станкостроения // Экономический анализ: теория и практика. – 2017. – Т. 16, № 5 (464). – С. 835–850. – DOI: 10.24891/ea.16.5.835.Martino J.P. Technological forecasting – An overview // Management Science. – 1980. – Vol. 26 (1). – P. 28–33. – DOI: 10.1287/mnsc.26.1.28.Mitsuishi M., Ueda K., Kimura F. Manufacturing systems and technologies for the new frontier: The 41st CIRP Conference on Manufacturing Systems, May 26–28, Tokyo, 2008. – London: Springer-Verlag, 2008. – 556 p. – e-ISBN 978-1-84800-267-8. – DOI: 10.1007/978-1-84800-267-8.Fernando W.L.R., Karunathilake H.P., Gamage J.R. Strategies to reduce energy and metalworking fluid consumption for the sustainability of turning operation: A review // Cleaner Engineering and Technology. – 2021. – Vol. 3. – P. 100100. – DOI: 10.1016/j.clet.2021.100100.Иванцивский В.В., Скиба В.Ю. Гибридное металлообрабатывающее оборудование. Технологические аспекты интеграции операций поверхностной закалки и абразивного шлифования: монография. – Новосибирск: Изд-во НГТУ, 2019. – 348 с. – ISBN 978-5-7782-3988-3.Hybrid processes in manufacturing / B. Lauwers, F. Klocke, A. Klink, A.E. Tekkaya, R. Neugebauer, D. Mcintosh // CIRP Annals. – 2014. – Vol. 63 (2). – P. 561–583. – DOI: 10.1016/j.cirp.2014.05.003.24. Moriwaki T. Multi-functional machine tool // CIRP Annals – Manufacturing Technology. – 2008. – Vol. 57 (2). – P. 736–749. – DOI: 10.1016/j.cirp.2008.09.004.Brecher C., Özdemir D. Integrative production technology: Theory and applications. – Springer International Publ., 2017. – 1100 p. – ISBN 978-3-319-47451-9. – e-ISBN 978-3-319-47452-6. – DOI: 10.1007/978-3-319-47452-6.Yamazaki T. Development of a hybrid multi-tasking machine tool: Integration of additive manufacturing technology with CNC machining // Procedia CIRP. – 2016. – Vol. 42. – P. 81–86. – DOI: 10.1016/j.procir.2016.02.193.Скиба В.Ю. Гибридное технологическое оборудование: повышение эффективности ранних стадий проектирования комплексированных металлообрабатывающих станков // Обработка металлов (технология, оборудование, инструменты). – 2019. – Т. 21, № 2. – С. 62–83. – DOI: 10.17212/1994-6309-2019-21.2-62-83.Advances in laser assisted machining of hard and brittle materials / K. You, G. Yan, X. Luo, M.D. Gilchrist, F. Fang // Journal of Manufacturing Processes. – 2020. – Vol. 58. – P. 677–692. – DOI: 10.1016/j.jmapro.2020.08.034.Sun S., Brandt M., Dargusch M.S. Thermally enhanced machining of hard-to-machine materials – A review // International Journal of Machine Tools and Manufacture. – 2010. – Vol. 50 (8). – P. 663–680. – DOI: 10.1016/j.ijmachtools.2010.04.008.Kim S.-G., Lee C.-M., Kim D.-H. Plasma-assisted machining characteristics of wire arc additive manufactured stainless steel with different deposition directions // Journal of Materials Research and Technology. – 2021. – Vol. 15. – P. 3016–3027. – DOI: 10.1016/j.jmrt.2021.09.130.Lee Y.-H., Lee C.-M. A study on optimal machining conditions and energy efficiency in plasma assisted machining of Ti-6Al-4V // Materials. – 2019. – Vol. 12. – P. 2590. – DOI: 10.3390/ma12162590.Laser assisted milling device: A review/ C.M. Lee, D.H. Kim, J.T. Baek, E.-J. Kim // International Journal of Precision Engineering and Manufacturing-Green Technology. – 2016. – Vol. 3 (2). – P. 199–208. – DOI: 10.1007/s40684-016-0027-1.Wiedenmann R., Zaeh M.F. Laser-assisted milling – Process modeling and experimental validation // CIRP Journal of Manufacturing Science and Technology. – 2015. – Vol. 8. – P. 70–77. – DOI: 10.1016/j.cirpj.2014.08.003.Rakic S., Marjanovic U., Medic N. Advancements in smart manufacturing and Industry 4.0 // Applied Sciences. – 2025. – Vol. 15 (22). – P. 11903. – DOI: 10.3390/app152211903.Digital twin for smart manufacturing: a review of concepts towards a practical industrial implementation / L. Lattanzi, R. Raffaeli, M. Peruzzini, M. Pellicciari // International Journal of Computer Integrated Manufacturing. – 2021. – Vol. 34 (6). – P. 567–597. – DOI: 10.1080/0951192X.2021.1911003.Brecher C., Esser M., Witt S. Interaction of manufacturing process and machine tool // CIRP Annals. – 2009. – Vol. 58 (2). – P. 588–607. – DOI: 10.1016/j.cirp.2009.09.005.Grzesik W. Hybrid additive and subtractive manufacturing processes and systems: A review // Journal of Machine Engineering. – 2018. – Vol. 18. – P. 5–24. – DOI: 10.5604/01.3001.0012.7629.Hybrid processes in manufacturing / B. Lauwers, F. Klocke, A. Klink, A.E. Tekkaya, R. Neugebauer, D. Mcintosh // CIRP Annals. – 2014. – Vol. 63 (2). – P. 561–583. – DOI: 10.1016/j.cirp.2014.05.003.An overview of laser-based multiple metallic material additive manufacturing: from macro- to micro-scales / C. Wei, Z. Zhang, D. Cheng, Z. Sun, M. Zhu, L. Li // International Journal of Extreme Manufacturing. – 2021. – Vol. 3 (1). – P. 012003. – DOI: 10.1088/2631-7990/abce04.Колоскова А.В., Киселев И.А., Иванов И.И. Моделирование динамики процесса точения с учетом податливости обрабатываемой детали // Интернет журнал «Науковедение». – 2017. – Т. 9, № 2. – С. 70. – EDN YPQINX.Finite element method analysis and control stratagem for machining deformation of thin-walled components / H. Ning, W. Zhigang, J. Chengyu, Z. Bing // Journal of Materials Processing Technology. – 2003. – Vol. 139 (1–3). – P. 332–336. – DOI: 10.1016/S0924-0136(03)00550-8.Болотеин А.Н. Расчетное определение технологических остаточных напряжений на основе конечно-элементной модели процесса резания: дис. … канд. техн. наук: 05.02.07. – Рыбинск, 2014. – 183 с. – EDN DLOZQD.Recent progress in flexible supporting technology for aerospace thin-walled parts: A review / Y. Bao, B. Wang, Z. He, R. Kang, J. Guo // Chinese Journal of Aeronautics. – 2022. – Vol. 35 (3). – P. 10–26. – DOI: 10.1016/j.cja.2021.01.026.Multi-process aerospace components: Residual stress modeling and deformation optimization / X. Jiang, N. Sun, F. Ren, X. Liu, W. Guo, M. Guo, X. Fan, J. Zhou // International Journal of Mechanical Sciences. – 2026. – Vol. 309. – P. 111077. – DOI: 10.1016/j.ijmecsci.2025.111077.Носиров И.С., Белов А.М. Оптимизация параметров процесса резания токарного станка с ЧПУ с использованием генетического алгоритма // Известия СПбГЭТУ ЛЭТИ. – 2020. – № 2. – С. 73–78. – EDN MGPAOQ.You Q., Tang B. Efficient task offloading using particle swarm optimization algorithm in edge computing for industrial internet of things // Journal of Cloud Computing. – 2021. – Vol. 10 (1). – P. 41. – DOI: 10.1186/s13677-021-00256-4.D'Addona D.M., Teti R. Genetic algorithm-based optimization of cutting parameters in turning processes // Procedia CIRP. – 2013. – Vol. 7. – P. 323–328. – DOI: 10.1016/j.procir.2013.05.055.Гаврюшин С.С., Жаргалова А.Д., Зарецкая В.Д. Оптимизация расчетов режимов фрезерования для тонкостенных деталей вафельного типа при помощи генетического алгоритма // Динамические и технологические проблемы механики конструкций и сплошных сред: материалы XXVIII Международного симпозиума им. А.Г. Горшкова, Кремёнки, 16–20 мая 2022 г. Т. 1. – М., 2022. – С. 64–65. – EDN KFKBXT.Martín-Mateos F.J., González Valencia L.C., Serrano Bello R. Expert system to real time control of machining processes // Current Topics in Artificial Intelligence. CAEPIA 2009, Seville, Spain. – Berlin; Heidelberg: Springer, 2010. – P. 281–290. – DOI: 10.1007/978-3-642-14264-2_29. – (Lecture Notes in Computer Science; vol. 5988).A novel milling force prediction method based on the AI-empowered dynamic coupling model / Z. Wang, S. Liu, H. Li, D. Peng, H. Cao // Mechanical Systems and Signal Processing. – 2025. – Vol. 241. – P. 113497. – DOI: 10.1016/j.ymssp.2025.113497.Deep learning for smart manufacturing: Methods and applications / J. Wang, Y. Ma, L. Zhang, R.X. Gao, D. Wu // Journal of Manufacturing Systems. – 2018. – Vol. 48. – P. 144–156. – DOI: 10.1016/j.jmsy.2018.01.003.Еремейкин П.А., Жаргалова А.Д. Автоматизация выбора рациональных режимов токарной обработки тонкостенных деталей // Инженерный журнал: наука и инновации. – 2017. – № 2 (62). – С. 4. – DOI: 10.18698/2308-6033-2017-2-1587. – EDN XIEUHR.О «мягких» режимах резания для обработки тонкостенных деталей / А.Д. Жаргалова, С.С. Гаврюшин, Г.П. Лазаренко, В.И. Семисалов // Интернет-журнал «Науковедение». – 2016. – Т. 8, № 6 (37). – С. 117. – EDN XXYHIJ.Зайцев В.М., Лепилин В.И. Расчет наивыгоднейшего режима резания при токарной обработке. – Куйбышев: Куйбышев. авиац. ин-т, 1974. – 120 с.Трембач Е.Н., Мелентьев Г.А., Схиртладзе А.Г. Резание материалов: учебник для вузов. – Старый Оскол: ТНТ, 2012. – 511 с. – ISBN 978-5-94178-135-5.Еремейкин П.А., Жаргалова А.Д., Гаврюшин С.С. Расчетно-экспериментальная оценка технологических деформаций при "мягких" режимах токарной обработки тонкостенных деталей // Обработка металлов (технология, оборудование, инструменты). – 2018. – Т. 20, № 1. – С. 22–32. – DOI: 10.17212/1994-6309-2018-20.1-22-32. – EDN YQYOIH.Wang L., Zhao H. A short review on machining deformation control of aero-engine thin-walled casings // The International Journal of Advanced Manufacturing Technology. – 2022. – Vol. 121 (9–10). – P. 2971–2985. – DOI: 10.1007/s00170-022-10587-9.Wang Y.F., Wong Y.S., Fuh J.Y.H. Off-line modelling and planning of optimal clamping forces for an intelligent fixturing system // International Journal of Machine Tools and Manufacture. – 1999. – Vol. 39 (2). – P. 253–271. – DOI: 10.1016/S0890-6955(98)00026-1.Fixturing technology and system for thin-walled parts machining: a review / H. Liu, C. Wang, T. Li, Q. Bo, K. Liu, Y. Wang // Frontiers of Mechanical Engineering. – 2022. – Vol. 17 (4). – P. 55. – DOI: 10.1007/s11465-022-0711-5.Зарецкая В.Д. Алгоритм расчета мягких режимов фрезерной обработки тонкостенных деталей // Политехнический молодежный журнал. – 2021. – № 7 (60). – DOI: 10.18698/2541-8009-2021-7-715. – EDN JXPHOB.Current state and emerging trends in advanced manufacturing: process technologies / K. Raoufi, J.W. Sutherland, F. Zhao, A.F. Clarens, J.L. Rickli, Z. Fan, H. Huang, Y. Wang, W.J. Lee, N. Mathur, M.J. Triebe, S.S. Desabathina, K.R. Haapala // The International Journal of Advanced Manufacturing Technology. – 2024. – Vol. 135. – P. 4089–4118. – DOI: 10.1007/s00170-024-14782-3.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.An adaptive clamp system for deformation control of aerospace thin-walled parts / W. Zhou, F. Yu, J. Zhang, K. Huang, Z. Xu, X. Liu, Y. Ma, P. Feng, F. Feng // Journal of Manufacturing Processes. – 2023. – Vol. 107. – P. 115–125. – DOI: 10.1016/j.jmapro.2023.10.040.Технологическая оснастка / В.Г. Мальцев, А.П. Моргунов, Н.С. Морозова, Р.Л. Артюх. – Омск: ОмГТУ, 2019. – 134 с. – ISBN 978-5-8149-2951-8.Prediction of cutting force considering the influence of elastic deformation in ball end milling of thin-walled parts / W. Li, J. Ren, K. Shi, Y. Lu, J. Zhou // The International Journal of Advanced Manufacturing Technology. – 2025. – Vol. 140. – P. 4389–4403. – DOI: 10.1007/s00170-025-16557-w.Chatter stability in turning and milling with in process identified process damping / Y. Kurata, S.D. Merdol, Y. Altintas, N. Suzuki, E. Shamoto // Journal of Advanced Mechanical Design, Systems and Manufacturing. – 2010. – Vol. 4 (6). – P. 1107–1118. – DOI: 10.1299/jamdsm.4.1107.Research progress in machining technology of aerospace thin-walled components / Z. Li, Z. Zeng, Y. Yang, Z. Ouyang, P. Ding, J. Sun, S. Zhu // Journal of Manufacturing Processes. – 2024. – Vol. 119. – P. 463–482. – DOI: 10.1016/j.jmapro.2024.03.111.Bi Z.M., Zhang W.J. Flexible fixture design and automation: Review, issues and future directions // International Journal of Production Research. – 2001. – Vol. 39 (13). – P. 2867–2894. – DOI: 10.1080/00207540110054579.Digital Twin in manufacturing: A categorical literature review and classification / W. Kritzinger, M. Karner, G. Traar, J. Henjes, W. Sihn // IFAC-PapersOnLine. – 2018. – Vol. 51 (11). – P. 1016–1022. – DOI: 10.1016/j.ifacol.2018.08.474.Filho P.T.J.C., Junior O.C. Digital Twin in Industry 4.0: Systematic review and content analysis and an architectural reference model // Procedia Computer Science. – 2025. – Vol. 253. – P. 2919–2928. – DOI: 10.1016/j.procs.2025.02.016.Review of applications of Digital Twins and Industry 4.0 for machining / L.R.R. da Silva, D.Y. Pimenov, R.B. da Silva, A. Ercetin, K. Giasin // Journal of Manufacturing and Materials Processing. – 2025. – Vol. 9 (7). – P. 211. – DOI: 10.3390/jmmp9070211.