Том 27 № 2 2025 1 СОДЕРЖАНИЕ ОБРАБОТКА МЕТАЛЛОВ СОУЧРЕДИТЕЛИ ФГБОУ ВО «Новосибирский государственный технический университет» ООО НПКФ «Машсервисприбор» ГЛАВНЫЙ РЕДАКТОР Батаев Анатолий Андреевич – профессор, доктор технических наук, ректор НГТУ ЗАМЕСТИТЕЛИ ГЛАВНОГО РЕДАКТОРА Иванцивский Владимир Владимирович – доцент, доктор технических наук Скиба Вадим Юрьевич – доцент, кандидат технических наук Ложкина Елена Алексеевна – редактор перевода текста на английский язык, кандидат технических наук Перепечатка материалов из журнала «Обработка металлов» возможна при обязательном письменном согласовании с редакцией журнала; ссылка на журнал при перепечатке обязательна. За содержание рекламных материалов ответственность несет рекламодатель. 16+ РЕДАКЦИОННЫЙ СОВЕТ Председатель совета Пустовой Николай Васильевич – доктор технических наук, профессор, Заслуженный деятель науки РФ, член Национального комитета по теоретической и прикладной механике, президент НГТУ, г. Новосибирск (Российская Федерация) Члены совета Федеративная Республика Бразилия: Альберто Морейра Хорхе, профессор, доктор технических наук, Федеральный университет, г. Сан Карлос Федеративная Республика Германия: Монико Грайф, профессор, доктор технических наук, Высшая школа Рейн-Майн, Университет прикладных наук, г. Рюссельсхайм, Томас Хассел, доктор технических наук, Ганноверский университет Вильгельма Лейбница, г. Гарбсен, Флориан Нюрнбергер, доктор технических наук, Ганноверский университет Вильгельма Лейбница, г. Гарбсен Испания: Чувилин А.Л., кандидат физико-математических наук, профессор, научный руководитель группы электронной микроскопии «CIC nanoGUNE», г. Сан-Себастьян Республика Беларусь: Пантелеенко Ф.И., доктор технических наук, профессор, член-корреспондент НАН Беларуси, Заслуженный деятель науки Республики Беларусь, Белорусский национальный технический университет, г. Минск Украина: Ковалевский С.В., доктор технических наук, профессор, проректор по научно-педагогической работе Донбасской государственной машиностроительной академии, г. Краматорск Российская Федерация: Атапин В.Г., доктор техн. наук, профессор, НГТУ, г. Новосибирск, Балков В.П., зам. ген. директора АО «ВНИИинструмент», канд. техн. наук, г. Москва, Батаев В.А., доктор техн. наук, профессор, НГТУ, г. Новосибирск, Буров В.Г., доктор техн. наук, профессор, НГТУ, г. Новосибирск, Коротков А.Н., доктор техн. наук, профессор, академик РАЕ, КузГТУ, г. Кемерово, Лобанов Д.В., доктор техн. наук, доцент, ЧГУ, г. Чебоксары, Макаров А.В., доктор техн. наук, член-корреспондент РАН, ИФМ УрО РАН, г. Екатеринбург, Овчаренко А.Г., доктор техн. наук, профессор, БТИ АлтГТУ, г. Бийск, Сараев Ю.Н., доктор техн. наук, профессор, ИФТПС СО РАН, г. Якутск, Янюшкин А.С., доктор техн. наук, профессор, ЧГУ, г. Чебоксары Журнал входит в «Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней доктора и кандидата наук». Полный текст журнала «Обработка металлов (технология • оборудование • инструменты)» теперь можно найти в базах данных компании EBSCO Publishing на платформе EBSCOhost. EBSCO Publishing является ведущим мировым агрегатором научных и популярных изданий, а также электронных и аудиокниг. ИЗДАЕТСЯ С 1999 г. Периодичность – 4 номера в год ИЗДАТЕЛЬ ФГБОУ ВО «Новосибирский государственный технический университет» Журнал включен в Реферативный журнал и Базы данных ВИНИТИ. Сведения о журнале ежегодно публикуются в международной справочной системе по периодическим и продолжающимся изданиям «Ulrich’s Periodicals Directory» Журнал награжден в 2005 г. Большой Золотой Медалью Сибирской Ярмарки за освещение новых технологий, инструмента, оборудования для обработки металлов Журнал зарегистрирован 01.03.2021 г. Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор). Свидетельство о регистрации ПИ № ФС77-80400 Индекс: 70590 по каталогу OOO «УП УРАЛ-ПРЕСС» Адрес редакции и издателя: 630073, г. Новосибирск, пр. К. Маркса, 20, Новосибирский государственный технический университет (НГТУ), корп. 5. Тел. +7 (383) 346-17-75 Сайт журнала http://journals.nstu.ru/obrabotka_metallov E-mail: metal_working@mail.ru; metal_working@corp.nstu.ru Цена свободная Журнал «Обработка металлов (технология • оборудование • инструменты)» индексируется в крупнейших в мире реферативнобиблиографическихи наукометрических базах данных Web of Science и Scopus.
ОБРАБОТКА МЕТАЛЛОВ Том 27 № 2 2025 2 СОДЕРЖАНИЕ СОДЕРЖАНИЕ ТЕХНОЛОГИЯ Сундуков С.К., Нигметзянов Р.И., Приходько В.М., Фатюхин Д.С., Кольдюшов В.К. Сравнение методов ультразвуковой обработки поверхностей, полученных послойным синтезом, на примере сплава Ti6Al4V............. 6 Кейт Н., Кулкарни А.П., Дама Й.Б. Сравнительная оценка трения и износа альтернативных материалов, используемых для производства фрикционных композиционных материалов тормозных систем................................ 29 Наумов С.В., Панов Д.О., Соколовский В.С., Черниченко Р.С., Салищев Г.А., Белинин Д.С., Лукьянов В.В. Влияние режимов аргонодуговой сварки на структуру и свойства сварных соединений из сплава ВТИ-4 (Ti2AlNb).............................................................................................................................................................................. 43 Джатти В.С., Сингараджан В., Сайятибрагим А., Джатти В.С., Кришнан М.Р., Джатти С.В. Улучшение характеристик электроэрозионной обработки сплавов NiTi, NiCu и BeCu с использованием многокритериального подхода на основе функции полезности........................................................................................................................... 57 Стельмаков В.А., Гимадеев М.Р., Никитенко А.В. Обеспечение точности формы отверстий, полученных при чистовой обработке методом растачивания............................................................................................................... 89 ОБОРУДОВАНИЕ. ИНСТРУМЕНТЫ Патил Н., Агарвал С., Кулкарни А.П., Сараф А., Ране М., Дама Й.Б. Экспериментальное исследование наноСОЖ на основе оксида графена при сверлении композиционного алюмоматричного материала, армированного частицами SiC, в условиях минимального количества смазочно-охлаждающей жидкости........................................ 103 Гимадеев М.Р., Стельмаков В.А., Никитенко А.В., Улисков М.В. Прогнозирование шероховатости поверхности при фрезеровании сфероцилиндрическим инструментом с использованием искусственной нейронной сети....................................................................................................................................................................................... 126 Осипович К.С., Сидоров Е.А., Чумаевский А.В., Никонов С.Н., Колубаев Е.А. Условия изготовления биметаллических образцов на основе железных и медных сплавов методом проволочного электронно-лучевого аддитивного производства.................................................................................................................................................. 142 Бабаев А.С., Савченко Н.Л., Козлов В.Н., Семёнов А.Р., Григорьев М.В. Работоспособность композиционной керамики Y-TZP-Al2O3 при сухом высокоскоростном точении термически упрочнённой стали марки 40Х........... 159 МАТЕРИАЛОВЕДЕНИЕ Соколов Р.А., Муратов К.Р., Мамадалиев Р.А. Морфологические изменения поверхности деформированной конструкционной стали в коррозионно-активной среде............................................................................................ 174 Черниченко Р.С., Панов Д.О., Наумов С.В., Кудрявцев Е.А., Салищев Г.А., Перцев А.С. Влияние гетерогенной структуры, сформированной деформационно-термической обработкой, на механическое поведение аустенитной нержавеющей стали...................................................................................................................................... 189 Панов Д.О., Черниченко Р.С., Наумов С.В., Кудрявцев Е.А., Салищев Г.А., Перцев А.С. Влияние холодной радиальной ковки на структуру, текстуру и механические свойства легкой аустенитной стали................................ 206 Дешпанде А., Кулкарни А.П., Анерао П., Дешпанде Л., Соматкар А. Комплексное численное и экспериментальное исследование трибологических характеристик композиционного материала на основе ПТФЭ.................. 219 Воронцов А.В., Панфилов А.О., Николаева А.В., Черемнов А.В., Княжев Е.О. Влияние ударной обработки на структуру и свойства никелевого сплава ЖС6У, полученного литьем и электронно-лучевым аддитивным производством............................................................................................................................................................................... 238 Мисоченко А.А. Мартенситные превращения в сплавах на основе TiNi в процессе прокатки с импульсным током..................................................................................................................................................................................... 255 МАТЕРИАЛЫ РЕДАКЦИИ 270 МАТЕРИАЛЫ СОУЧЕРЕДИТЕЛЕЙ 279 Корректор Е.Е. Татарникова Художник-дизайнер А.В. Ладыжская Компьютерная верстка Н.В. Гаврилова Налоговая льгота – Общероссийский классификатор продукции Издание соответствует коду 95 2000 ОК 005-93 (ОКП) Подписано в печать 03.06.2025. Выход в свет 16.06.2025. Формат 60×84 1/8. Бумага офсетная. Усл. печ.л. 35,0. Уч.-изд. л. 65,1. Изд. № 77. Заказ 150. Тираж 300 экз. Отпечатано в типографии Новосибирского государственного технического университета 630073, г. Новосибирск, пр. К. Маркса, 20
Vol. 27 No. 2 2025 3 EDITORIAL COUNCIL EDITORIAL BOARD EDITOR-IN-CHIEF: Anatoliy A. Bataev, D.Sc. (Engineering), Professor, Rector, Novosibirsk State Technical University, Novosibirsk, Russian Federation DEPUTIES EDITOR-IN-CHIEF: Vladimir V. Ivancivsky, D.Sc. (Engineering), Associate Professor, Department of Industrial Machinery Design, Novosibirsk State Technical University, Novosibirsk, Russian Federation Vadim Y. Skeeba, Ph.D. (Engineering), Associate Professor, Department of Industrial Machinery Design, Novosibirsk State Technical University, Novosibirsk, Russian Federation Editor of the English translation: Elena A. Lozhkina, Ph.D. (Engineering), Department of Material Science in Mechanical Engineering, Novosibirsk State Technical University, Novosibirsk, Russian Federation The journal is issued since 1999 Publication frequency – 4 numbers a year Data on the journal are published in «Ulrich's Periodical Directory» Journal “Obrabotka Metallov” (“Metal Working and Material Science”) has been Indexed in Clarivate Analytics Services. Novosibirsk State Technical University, Prospekt K. Marksa, 20, Novosibirsk, 630073, Russia Tel.: +7 (383) 346-17-75 http://journals.nstu.ru/obrabotka_metallov E-mail: metal_working@mail.ru; metal_working@corp.nstu.ru Journal “Obrabotka Metallov – Metal Working and Material Science” is indexed in the world's largest abstracting bibliographic and scientometric databases Web of Science and Scopus. Journal “Obrabotka Metallov” (“Metal Working & Material Science”) has entered into an electronic licensing relationship with EBSCO Publishing, the world's leading aggregator of full text journals, magazines and eBooks. The full text of JOURNAL can be found in the EBSCOhost™ databases.
OBRABOTKAMETALLOV Vol. 27 No. 2 2025 4 EDITORIAL COUNCIL EDITORIAL COUNCIL CHAIRMAN: Nikolai V. Pustovoy, D.Sc. (Engineering), Professor, President, Novosibirsk State Technical University, Novosibirsk, Russian Federation MEMBERS: The Federative Republic of Brazil: Alberto Moreira Jorge Junior, Dr.-Ing., Full Professor; Federal University of São Carlos, São Carlos The Federal Republic of Germany: Moniko Greif, Dr.-Ing., Professor, Hochschule RheinMain University of Applied Sciences, Russelsheim Florian Nürnberger, Dr.-Ing., Chief Engineer and Head of the Department “Technology of Materials”, Leibniz Universität Hannover, Garbsen; Thomas Hassel, Dr.-Ing., Head of Underwater Technology Center Hanover, Leibniz Universität Hannover, Garbsen The Spain: Andrey L. Chuvilin, Ph.D. (Physics and Mathematics), Ikerbasque Research Professor, Head of Electron Microscopy Laboratory “CIC nanoGUNE”, San Sebastian The Republic of Belarus: Fyodor I. Panteleenko, D.Sc. (Engineering), Professor, First Vice-Rector, Corresponding Member of National Academy of Sciences of Belarus, Belarusian National Technical University, Minsk The Ukraine: Sergiy V. Kovalevskyy, D.Sc. (Engineering), Professor, Vice Rector for Research and Academic Aff airs, Donbass State Engineering Academy, Kramatorsk The Russian Federation: Vladimir G. Atapin, D.Sc. (Engineering), Professor, Novosibirsk State Technical University, Novosibirsk; Victor P. Balkov, Deputy general director, Research and Development Tooling Institute “VNIIINSTRUMENT”, Moscow; Vladimir A. Bataev, D.Sc. (Engineering), Professor, Novosibirsk State Technical University, Novosibirsk; Vladimir G. Burov, D.Sc. (Engineering), Professor, Novosibirsk State Technical University, Novosibirsk; Aleksandr N. Korotkov, D.Sc. (Engineering), Professor, Kuzbass State Technical University, Kemerovo; Dmitry V. Lobanov, D.Sc. (Engineering), Associate Professor, I.N. Ulianov Chuvash State University, Cheboksary; Aleksey V. Makarov, D.Sc. (Engineering), Corresponding Member of RAS, Head of division, Head of laboratory (Laboratory of Mechanical Properties) M.N. Miheev Institute of Metal Physics, Russian Academy of Sciences (Ural Branch), Yekaterinburg; Aleksandr G. Ovcharenko, D.Sc. (Engineering), Professor, Biysk Technological Institute, Biysk; Yuriy N. Saraev, D.Sc. (Engineering), Professor, V.P. Larionov Institute of the Physical-Technical Problems of the North of the Siberian Branch of the RAS, Yakutsk; Alexander S. Yanyushkin, D.Sc. (Engineering), Professor, I.N. Ulianov Chuvash State University, Cheboksary
Vol. 27 No. 2 2025 5 CONTENTS OBRABOTKAMETALLOV TECHNOLOGY Sundukov S.K., Nigmetzyanov R.I., Prikhodko V.M., Fatyukhin D.S., Koldyushov V.K. Comparison of ultrasonic surface treatment methods applied to additively manufactured Ti-6Al-4V alloy................................................................ 6 Kate N., Kulkarni A.P., Dama Y.B. A comparative evaluation of friction and wear in alternative materials for brake friction composites............................................................................................................................................................... 29 Naumov S.V., Panov D.O., Sokolovsky V.S., Chernichenko R.S., Salishchev G.A., Belinin D.S., Lukianov V.V. Microstructure and mechanical properties of Ti2AlNb-based alloy weld joints as a function of gas tungsten arc welding parameters............................................................................................................................................................................. 43 Jatti V.S., Singarajan V., SaiyathibrahimA., Jatti V.S., KrishnanM.R., Jatti S.V. Enhancement of EDM performance for NiTi, NiCu, and BeCu alloys using a multi-criteria approach based on utility function................................................ 57 Stelmakov V.A., Gimadeev M.R., Nikitenko A.V. Ensuring hole shape accuracy in fi nish machining using boring...... 89 EQUIPMENT. INSTRUMENTS Patil N., Agarwal S., Kulkarni A.P., Saraf A., Rane M., Dama Y.B. Experimental investigation of graphene oxide-based nano cutting fl uid in drilling of aluminum matrix composite reinforced with SiC particles under nano-MQL conditions............................................................................................................................................................................. 103 Gimadeev M.R., Stelmakov V.A., Nikitenko A.V., Uliskov M.V. Prediction of surface roughness in milling with a ball end tool using an artifi cial neural network................................................................................................................. 126 Osipovich K.O., Sidorov E.A., Chumaevskii A.V., Nikonov S.N., Kolubaev E.A. Manufacturing conditions of bimetallic samples based on iron and copper alloys by wire-feed electron beam additive manufacturing......................... 142 Babaev A.S., Savchenko N.L., Kozlov V.N., Semenov A.R., Grigoriev M.V. Performance of Y-TZP-Al2O3 composite ceramics in dry high-speed turning of thermally hardened steel 0.4 C-Cr (AISI 5135)...................................................... 159 MATERIAL SCIENCE Sokolov R.A., Muratov K.R., Mamadaliev R.A. Morphological changes of deformed structural steel surface in corrosive environment......................................................................................................................................................... 174 Chernichenko R.S., Panov D.O., Naumov S.V., Kudryavtsev E.A., Salishchev G.A., Pertsev A.S. Eff ect of heterogeneous structure on mechanical behavior of austenitic stainless steel subjected to novel thermomechanical processing............................................................................................................................................................................. 189 Panov D.O., Chernichenko R.S., Naumov S.V., Kudryavtsev E.A., Salishchev G.A., Pertsev A.S. Eff ect of cold radial forging on structure, texture and mechanical properties of lightweight austenitic steel................................................ 206 Deshpande A., Kulkarni A.P., Anerao P., Deshpande L., Somatkar A. Integrated numerical and experimental investigation of tribological performance of PTFE based composite material.................................................................... 219 Vorontsov A.V., Panfi lov A.O., Nikolaeva A.V., Cheremnov A.V., Knyazhev E.O. Eff ect of impact processing on the structure and properties of nickel alloy ZhS6U produced by casting and electron beam additive manufacturing........ 238 Misochenko A.A. Martensitic transformations in TiNi-based alloys during rolling with pulsed current........................... 255 EDITORIALMATERIALS 270 FOUNDERS MATERIALS 279 CONTENTS
ОБРАБОТКА МЕТАЛЛОВ Том 27 № 2 2025 126 ОБОРУДОВАНИЕ. ИНСТРУМЕНТЫ Прогнозирование шероховатости поверхности при фрезеровании сфероцилиндрическим инструментом с использованием искусственной нейронной сети Михаил Гимадеев a, *, Вадим Стельмаков b, Александр Никитенко c, Максим Улисков d Тихоокеанский государственный университет, ул. Тихоокеанская, 136, г. Хабаровск, 680035, Россия a https://orcid.org/0000-0001-6685-519X, 009063@togudv.ru; b https://orcid.org/0000-0003-2763-1956, 009062@togudv.ru; c https://orcid.org/0000-0003-4729-5558, 005392@togudv.ru; d https://orcid.org/0009-0001-9858-423X, 2016104779@togudv.ru Обработка металлов (технология • оборудование • инструменты). 2025 Том 27 № 2 с. 126–141 ISSN: 1994-6309 (print) / 2541-819X (online) DOI: 10.17212/1994-6309-2025-27.2-126-141 Обработка металлов (технология • оборудование • инструменты) Сайт журнала: http://journals.nstu.ru/obrabotka_metallov Введение Качество обработанной поверхности играет решающую роль в обеспечении эксплуатационных свойств деталей машин [1]. Шероховатость поверхности (Rz и Ra) часто служит ИНФОРМАЦИЯ О СТАТЬЕ УДК 621.91:004.89:51-7 История статьи: Поступила: 30 января 2025 Рецензирование: 01 марта 2025 Принята к печати: 27 марта 2025 Доступно онлайн: 15 июня 2025 Ключевые слова: Фрезерование Шероховатость Регрессионный анализ Искусственный интеллект Нейронная сеть Среднеквадратичная ошибка Финансирование Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации (проект № FEME–2024–0010 «Экспериментальная лаборатория мехатронных систем ЧПУ»). АННОТАЦИЯ Введение. Фрезерование нержавеющей стали сфероцилиндрическим инструментом представляет собой сложную технологическую операцию, требующую точного контроля параметров обработки для обеспечения высокого качества поверхности. В связи с этим актуальной задачей является разработка методов прогнозирования параметров шероховатости, таких как Rz. Цель данной работы: разработка прогностической нейросетевой модели для оценки шероховатости поверхности при фрезеровании нержавеющей стали сфероцилиндрическим инструментом. Метод и методология. Основное внимание уделено методам обратного распространения ошибки и градиентного спуска, а также настройке гиперпараметров, что необходимо дл я предотвращения переобучения и недообучения модели. Экспериментальные исследования включают в себя анализ как контролируемых переменных, таких как подача на зуб, угол наклона и диаметр инструмента, так и неконтролируемых, включая подачу СОЖ и износ инструмента. Результаты и обсуждения. Использование СОЖ при фрезеровании стали аустенитного класса позволило снизить параметры шероховатости Rz в среднем на 14 %. Установлена сильная отрицательная корреляционная зависимость между размерным износом инструмента и параметром Rz (–0,95). При этом износ в пределах 2…4 мкм влияет на увеличение параметра Rz на 21 % от минимальных значений. Полученные данные использовались для обучения восьми конфигураций искусственных нейронных сетей, которые применялись для прогнозирования шероховатости по параметру Rz. Результаты показывают, что конфигурация сети 3–16–16–1 показала самую низкую среднеквадратичную ошибку (0,0313), за ней следуют 3–20–14–1 (0,0470) и 3–64–64–1 (0,0481) соответственно. Кроме того, эти конфигурации также продемонстрировали самые низкие средние значения абсолютной погрешности, показывающие среднее значение абсолютных разностей между прогнозируемыми и наблюдаемыми значениями (0,101, 0,1251 и 0,1155 соответственно) и коэффициент детерминации, который является статистической мерой, указывающей долю изменчивости данных, объясняемую моделью (0,9944, 0,9916 и 0,9904 соответственно). Сравнение экспериментальных данных с прогнозами различных моделей позволило установить среднее значение абсолютных разностей для моделей по параметру Ra ≈ 0,074. В исследовании предлагаются подходы к обучению нейросетевых моделей для точного прогнозирования параметров шероховатости, что вносит значительный вклад в методы моделирования процессов механической обработки. Для цитирования: Прогнозирование шероховатости поверхности при фрезеровании сфероцилиндрическим инструментом с использованием искусственной нейронной сети / М.Р. Гимадеев, В.А. Стельмаков, А.В. Никитенко, М.В. Улисков // Обработка металлов (технология, оборудование, инструменты). – 2025. – Т. 27, № 2. – С. 126–141. – DOI: 10.17212/1994-6309-2025-27.2-126-141. ______ *Адрес для переписки Гимадеев Михаил Радикович, к.т.н., доцент Тихоокеанский государственный университет, ул. Тихоокеанская, 136, 680035, г. Хабаровск, Россия Тел.: +7 924 216-31-39, e-mail: 009063@togudv.ru одной из главных метрик для оценки состояния поверхности после процесса механической обработки [2]. Методы моделирования для прогнозирования Rz можно разделить на три категории: экспериментальные модели, аналитические модели и модели, основанные на искусственном интеллекте (ИИ) [3, 4]. В последние годы модели, управляемые ИИ, стали широко использоваться исследователями для предсказания характеристик, связанных с процессами обработки [5],
OBRABOTKAMETALLOV Vol. 27 No. 2 2025 127 EQUIPMENT. INSTRUMENTS а применение искусственных нейронных сетей (ИНС) рассматривается авторами для прогнозирования шероховатости поверхности, износа инструмента и других параметров при механообработке [6]. Для эффективного функционирования нейронные модели используют обширную сеть простых вычислительных процессоров – «нейронов». Нейронные сети часто служат для решения сложных задач, в которых поведение переменных недостаточно известно. Одной из их фундаментальных характеристик является способность обучаться на примерах и применять эти знания обобщенным образом, что позволяет создавать нелинейные модели. Эта способность делает использование ИНС в многокритериальном анализе весьма эффективным [7, 8]. Конфигурация нейронной сети требует определения нескольких важных параметров: количества узлов во входном слое, количества скрытых слоев, количества нейронов в каждом из них, а также количества нейронов в выходном слое. Состояние нейрона k определяется по формуле 1 ( ) , k i ki k = S = x w b + ∑ n i где xi – выходной сигнал, рассчитанный нейроном i; wki – синаптический вес между нейронами i и bk; k – вес, связанный с постоянным нену левым значением, известным как смещение нейрона. Для использования ИНС необходимо вычислить синаптические веса и смещения. Процесс определения этих параметров называется обучением и происходит итеративно, где начальные параметры актуальны до тех пор, пока процесс не достигнет достаточной сходимости. Функция активации f описывает, как внутренний вход и текущее состояние активации влияют на определение следующего состояния блока. Можно выделить основные наиболее используемые типы функций активации. – Пороговая функция: åñëè ; ( ) åñëè . S ⎧ ≥ ⎪ = ⎨ ⎪ < ⎩ 1, 0 0, 0 k k k f S S Функция единичного скачка, или пороговая функция, представляет собой математическую функцию, которая принимает значение 1, если ее аргумент больше или равен некоторому порогу, и значение 0 в противном случае. – Пример кусочно-линейной функции можно представить в виде åñëè ; ( ) åñëè , k k k k k aS d S c f S eS g S c + ≤ ⎧⎪ = ⎨ + > ⎪⎩ , , где a, c, d, e, g – некоторые константы. Кусочно-линейная функция состоит из нескольких линейных участков, каждый из которых определен на своем интервале. Линейные участки соединяются так, чтобы образовать непрерывную функцию, хотя производная такой функции может быть разрывной на стыках линейных участков. – Сигмоидальная функция: 1 ( ) , 1 exp( ) k f S a ⎛ ⎞ = ⎜ ⎟ + μ ⎝ ⎠ где a – параметр наклона сигмоидальной функции. Данная функция используется чаще всего и характеризуется тем, что она возрастающая и надлежащим образом уравновешивает линейное и нелинейное поведение, сохраняя свой диапазон изменений между 0 и 1. Выбор функции активации может существенно повлиять на производительность сетей. Выпрямленный линейный блок (ReLU (X) = max {X, 0}) является наиболее часто используемой функцией активации и широко применяется в нейронных сетях из-за своей ненасыщаемости и нелинейности [9]. По сравнению с функциями активации, которые демонстрируют насыщение, такими как сигмоидальная функция, ReLU в сочетании с градиентным спуском имеет более высокую производительность. Градиентный спуск – метод, применяемый для минимизации функции потерь путем коррекции весов. В случае обучения нейронных сетей целевой функцией является функция выходной ошибки сети. Минимумы функции образуют впадины, а максимумы – холмы [10, 11]. Многослойные персептроны (MLP) признаны наиболее распространенными моделями ИНС. MLP включает в себя несколько слоев: входной слой, принимающий исходные данные; один или более скрытых слоев, которые обрабатывают данные с применением весовых коэффициентов и функций активации; выходной
ОБРАБОТКА МЕТАЛЛОВ Том 27 № 2 2025 128 ОБОРУДОВАНИЕ. ИНСТРУМЕНТЫ слой, производящий окончательный результат или предсказание на основе обработанных данных. Нейроны каждого слоя соединены только с нейронами следующего слоя, без обратных связей или связей между нейронами внутри одного слоя. Кроме того, типичная особенность MLP – полная связность всех слоев. Пример структуры сети, состоящей из четырех слоев – входного, двух скрытых и выходного, – представлен на рис. 1. Рис. 1. Структура нейронной сети для прогнозирования параметра шероховатости Rz Fig. 1. Neural network structure for predicting the roughness parameter Rz В этой структуре (рис. 1) входной слой имеет 8 узлов, скрытые слои – 8 узлов, а выходной слой имеет один узел. Узлы во входном слое представляют собой следующие факторы: подача на зуб (fz, мм/зуб), угол наклона (γ, град), диаметр инструмента (D, мм), скорость резания (V, мм/мин), глубина резания (ap, мм), боковой шаг (ae, мм), подача СОЖ (W, л/мин), износ инструмента (r, мм). Узел в выходном слое представляет прогнозируемое значение шероховатости поверхности по параметру (Rz, мкм). Представленная сеть полностью связана – это означает, что нейрон любого слоя соединен со всеми нейронами предыдущего слоя. Поток сигналов через сеть направлен слева направо, слой за слоем. При рассмотрении многослойной сети с узлами j и k в каждом скрытом слое пример структуры, представленный на рис. 1, можно описать конфигурацией 8–j–k–1. В общих чертах работа этого типа сети описывается двумя основными фазами: прямое распространение и обратное распространение. Процесс обучения сетей MLP методом обратного распространения ошибки (backpropagation, BP) работает по следующей последовательности: прямое распространение (Forward Propagation), вычисление ошибки (Loss Calculation), обратное распространение (BP), обновление весов (Weight Update). Существенной особенностью сетей MLP является нелинейность выходов нейронов. Эта нелинейность достигается за счет использования функции активации. Для успешного создания модели ИНС с учетом отклика Rz требуется процесс экспериментирования и настройки, учитывающий множество факторов. Несмотря на то что многие исследователи применяют ИНС для моделирования в различных областях, таких как машинная обработка [12–14], до сих пор отсутствуют четкие рекомендации по созданию прогностической модели. В этом исследовании рассматриваются элементы, которые могут повлиять на эффективность модели и отклик Rz, с использованием возможностей библиотеки TensorFlow языка Python, чтобы уменьшить неопределенность и улучшить качество прогнозов модели. Для оценки точности моделей предсказания значений шероховатости поверхности выбраны четыре показателя эффективности (метрики) [15]: коэффициент детерминации (R2), средняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE) и квадратный корень из средней квадратичной ошибки (RMSE). Коэффициент детерминации (R2) показывает, какая доля дисперсии зависимой переменной объясняется независимыми переменными модели: 2 2 1 2 1 . n i n i Y Y i i R Y i Y i Здесь n представляет собой количество данных, Yi – наблюдаемые значения, Ŷ – прогнозируемые значения, а Ȳ – среднее значение Y. Несмотря на свою полезность, R2 имеет некоторые ограничения: он не учитывает количество предикторов и может быть искажен выбросами.
OBRABOTKAMETALLOV Vol. 27 No. 2 2025 129 EQUIPMENT. INSTRUMENTS MAE является мерой абсолютной ошибки (|Y – Ŷ |) между предсказанными и фактическими значениями: 1 0 1 MAE . n i Y Y i i n − = = − ∑ MAE менее чувствительна к большим ошибкам по сравнению с MSE и RMSE, так как использует абсолютные значения ошибок. MSE и RMSE характеризуются среднеквадратической ошибкой и ее квадратным корнем соответственно: 1 2 0 1 MSE ; n i Y Y i i n − = = − ∑ ( ) 1 2 0 1 RMSE . n i Y Y i i n − = = − ∑ MSE чувствительна к большим ошибкам, так как квадраты разностей увеличиваются при больших отклонениях. Поскольку RMSE измеряется в тех же единицах, что и сами данные, ее легче интерпретировать по сравнению с MSE. Однако, как и MSE, RMSE также чувствительна к большим ошибкам. Анализ этих метрик имеет решающее значение для комплексной оценки предсказательной эффективности моделей [15, 16]. При сравнении этих метрик особое внимание будет уделено MSE, которая имеет преимущество в выявлении и учете крупных ошибок, что делает ее полезной в задачах машинного обучения, где важно минимизировать большие отклонения от истинных значений. Кроме того, функция MSE гладкая и дифференцируемая, что упрощает вычисление градиентов при использовании методов оптимизации, таких как градиентный спуск. Следовательно, при оценке точности различных моделей MSE является более подходящим выбором из-за простоты расчета и дифференцируемости. Стоит также обратить внимание на коэффициент детерминации R2 – его значение, близкое к единице, считается наиболее благоприятным. Вместе с этим перед использованием моделей машинного обучения будет проведен предварительный анализ данных. Важным аспектом этого анализа является проверка на нормальность, а также выявление и устранение выбросов, которые могут существенно повлиять на точность моделей. Оптимизация моделей – один из важных этапов для достижения эффективных решений. Помимо этого, важной задачей является настройка гиперпараметров, которая направлена на обеспечение наилучшей производительности, оцененной по валидационному набору данных, в рамках выбранного алгоритма. Гиперпараметры играют значительную роль в управлении процессом обучения и существенно влияют на прогностическую точность. Правильная настройка гиперпараметров также способствует уменьшению проблем переобучения и недообучения, тем самым улучшая прогностическую точность. В решении проблемы переобучения может помочь Dropout (исключение). Это метод решения, при котором случайным образом исключаются блоки со связями из нейронной сети во время обучения, что предотвращает коадаптацию [14]. Целью настоящей работы является разработка прогностической нейросетевой модели для оценки шероховатости поверхности при фрезеровании нержавеющей стали сфероцилиндрическим инструментом. Для достижения данной цели в процессе исследования решались следующие задачи: – исследование процесса прогнозирования параметра шероховатости поверхности Rz при фрезеровании сфероцилиндрическим инструментом, включая оптимизацию архитектуры ИНС, выбор количества слоёв и настройку параметров модели, для повышения точности прогнозов; – анализ влияния различных входных параметров, включая угол наклона инструмента, на точность прогнозирования шероховатости и разработка подхода к минимизации числа входных данных без потери эффективности модели, а также исследование возможности применения модели при ограниченных обучающих наборах; – итоговое тестирование разработанной модели, оценка её точности с использованием таких метрик, как MSE, RMSE, MAE и R2, а также оценка ее эффективности через сравнительный анализ предсказанных и экспериментальных данных. Методика исследований Операции фрезерования были выполнены на обрабатывающем центре DMG MORI DMU 50 мощностью 9 кВт с максимальной частотой вра-
RkJQdWJsaXNoZXIy MTk0ODM1