Об одном алгоритме адаптивного управления процессом токарной обработки с использованием методов искусственного интеллекта
Автор: Пащенко М.М., Онискив В.Д., Столбов В.Ю.
Рубрика: Управление в технических системах
Статья в выпуске: 1 т.25, 2025 года.
Бесплатный доступ
Повышение эффективности процессов токарной обработки на станках с ЧПУ требует разработки специального математического и информационного обеспечения для реализации адаптивного управления. Предлагается в качестве моделей процесса резания использовать нейросетевые аппроксиматоры, построенные на основе экспериментальных данных, полученных на конкретном станке с ЧПУ при обработке конкретного материала с помощью фиксированного инструмента. Цель исследования: проработка вопросов применения методов искусственного интеллекта для адаптивного управления процессом токарной обработки на основе полученных данных о вибрации инструмента.
Токарная обработка, адаптивное управление, износ инструмента, данные о вибрации, алгоритм управления, нейросетевые технологии
Короткий адрес: https://sciup.org/147247573
IDR: 147247573 | УДК: 519.712, | DOI: 10.14529/ctcr250104
About one algorithm of adaptive control of the turning process using artificial intelligence methods
Increasing the efficiency of turning processes on CNC machines requires the development of special mathematical and information support for the implementation of adaptive control. It is proposed to use neural network approximators as models of the cutting process, constructed on the basis of experimental data obtained on a specific CNC machine during the processing of a specific material using a fixed tool. The purpose of the study: to study the issues of applying artificial intelligence methods for adaptive control of the turning process based on the obtained data on tool vibration.
Список литературы Об одном алгоритме адаптивного управления процессом токарной обработки с использованием методов искусственного интеллекта
- Балакшин Б.С. Адаптивное управление станками. М.: Машиностроение, 1973. 688 с.
- Бурков В.Н. Основы математической теории активных систем. М.: Наука, 1977. 256 с.
- Plaza E.G., Núñez López P.J. Application of the wavelet packet transform to vibration signals for surface roughness monitoring in CNC turning operations // Mechanical Systems and Signal Processing. 2018. Vol. 98. Р. 902–919. DOI: 10.1016/j.ymssp.2017.05.028
- Zhu K., Wong Y.S., Hong G.S. Multi-category micro-milling tool wear monitoring with continuous hidden Markov models // Mechanical Systems and Signal Processing. 2009. Vol. 23, no. 2. Р. 547–560. DOI: 10.1016/j.ymssp.2008.04.010
- Effect of different features to drill-wear prediction with back propagation neural network / J. Xu, K. Yamada, K. Seikiya et al. // Precision Engineering. 2014. Vol. 38, no. 4. Р. 791–798. DOI: 10.1016/j.precisioneng.2014.04.007
- Liao Z., Axinte D.A. On monitoring chip formation, penetration depth and cutting malfunctions in bone micro-drilling via acoustic emission // Journal of Materials Processing Technology. 2016. Vol. 229. Р. 82–93. DOI: 10.1016/j.jmatprotec.2015.09.016
- Cognitive Decision Making in Multiple Sensor Monitoring of Robot Assisted Polishing / T. Segreto, S. Karam, R. Teti, J. Ramsing // Procedia CIRP. 2015. Vol. 33. Р. 333–338. DOI: 10.1016/j.procir.2015.06.075
- Advanced adaptive feed control for CNC machining / S.G. Kim, E.Y. Heo, H.G. Lee et al. // Robotics and Computer-Integrated Manufacturing. 2024. Vol. 85. Р. 102621. DOI: 10.1016/j.rcim.2023.102621
- Active-passive hybrid feed rate control systems in CNC machining: Mitigating force fluctuations and enhancing tool life / Y. Li, Z. Zhao, K. Wang et al. // Journal of Manufacturing Systems. 2024. Vol. 77. Р. 184–195. DOI: 10.1016/j.jmsy.2024.09.004
- Modelling and optimization method for energy saving of computer numerical control machine tools under operating condition / L. Wang, P. Wei, W. Li, L. Du // Energy. 2024. Vol. 306. Р. 132556. DOI: 10.1016/j.energy.2024.132556
- Intelligent in-process enhancement technique for machining efficiency in CNC machine tools based on spindle power / Y. Jiang, K. Liu, J. Huang et al. // Mechanical Systems and Signal Processing. 2024. Vol. 216. Р. 111495. DOI: 10.1016/j.ymssp.2024.111495
- Digital twin assisted intelligent machining process monitoring and control / P. Bakhshandeh, Y. Mohammadi, Y. Altintas, F. Bleicher // CIRP Journal of Manufacturing Science and Technology. 2024. Vol. 49. Р. 180–190. DOI: 10.1016/j.cirpj.2024.01.005
- Свидетельство о государственной регистрации программы для ЭВМ RU 2024668654. Нейросетевой аппроксиматор зависимости шероховатости поверхности от режимов резания / В.С. Данелян, А.В. Клюев, В.Ф. Макаров. Заявл. 09.08.2024; опубл. 09.08.2024.
- Analysis of Grain Size Effect of Titanium Ti-6Al-4V Depending on Surface Roughness at Different Cutting Parameters Using Artificial Intelligence Methods / V.F. Makarov, M.V. Pesin, V.S. Danelian et al. // Reviews on Advanced Materials and Technologies. 2024. Vol. 6, no. 4. Р. 171–177. DOI: 10.17586/2687-0568-2024-6-4-171-177
- Альтман, Е.А. Алгоритмы быстрого преобразования Фурье: моногр. Омск: Изд-во Омского ГУПС, 2019. 170 с.
