Оценка режущих способностей нитридборовых высокопористых кругов при плоском шлифовании деталей из стали 13X15H5AM3 по макрогеометрии поверхности с использованием искусственного интеллекта

Проведена оценка режущих способностей высокопористых кругов из кубического нитрида бора с применением искусственного интеллекта: нечеткой логики и нейронных сетей. Режущие способности высокопористых кругов оценены по трем показателям отклонений от плоскостности — EFE_max, EFE_a, EFE_q, — каждый из которых представлен двумя мерами положения и рассеяния: медианами и квартильными широтами. Проанализированы режущие способности одиннадцати высокопористых кругов, различающихся: по товарным маркам кубического нитрида бора — ЛКВ 50, CBN 30; по зернистостям — В76, В107, В126, В151; по твердостям — L, O, M; по связкам — K27, С10; по порообразующим — КФ40, КФ25. Для шлифования деталей из стали 13X15H5AM3 рекомендованы высокопористые круги ЛКВ 50 В126 100 MVK27-КФ40 и CBN30 В126 100 LVK27-КФ25, получившие оценку «очень хорошо». При исследовании высокопористых кругов с низкими режущими способностями нейронные сети оказались более надежными по сравнению с нечеткой логикой.

Литература

[1] Суслов А.Г., Безъязычный В.Ф., Панфилов Ю.В. Инженерия поверхности деталей. Москва, Машиностроение, 2008. 320 с.

[2] ГОСТ 24642–81. Допуски формы и расположения поверхностей. Основные понятия и обозначения. Москва, Изд-во стандартов, 1984. 68 с.

[3] Орлов А.И. Теория нечетких множеств — часть теории вероятностей. Научный журнал КубГАУ, 2013, № 8 (92), с. 51–60.

[4] Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. Санкт-Петербург, БХВ-Петербург, 2005. 736 с.

[5] Системы нечеткого вывода. URL: http://nrsu.bstu.ru/chap27.html (дата обращения 15 марта 2016).

[6] Хайкин С.Б. Нейронные сети: полный курс. Москва, Издательский дом Вильямс, 2006. 1104 с.

[7] Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. URL: http://www.gotai.net/documents/doc-nn-007.aspx (дата обращения 11 марта 2016).

[8] 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, no. 22, pp. 607–617.

[9] 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, pp. 487–546.

[10] 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, no. 202, pp. 574–582.

[11] Назарьева В.А. Сетевая модель выбора зернистости шлифовальных кругов с элементами использования систем искусственного интеллекта. СТИН, 2016, № 2, c. 37–40.

[12] ГОСТ Р 53923–2010. Круги алмазные и из кубического нитрида бора (эльбора) шлифовальные. Технические условия. Введен 2010–11–12. Москва, Стандартинформ, 2011. 27 с.

[13] Промптова А.И., ред. Фрезы и фрезерование. Иркутск, Изд-во ИрГТУ, 2009. 172 с.

[14] ГОСТ Р 53922–2010. Порошки алмазные и из кубического нитрида бора (эльбора). Зернистость и зерновой состав шлифпорошков. Контроль зернового состава. Введен 2010–11–12. Москва, Стандартинформ, 2010. 27 с.

[15] Soler Ya.I., Nguyen V.L. Selection of Synthesis Corundum Grain in Grinding Flat Parts from Hardened Steel 30ChGSA by the Macrogeometry Criterion. Applied Mechaniсs and Materials, 2015, vol. 788, pp. 95–101.

[16] Hollander M., Wolfe D.A. Nonparametric statistical methods. Wiley-Interscience, 1999. 787 p.

[17] Закс Л. Статистическое оценивание. Москва, Статистика, 1976. 598 с.

[18] Уиллер Д., Чамберс Д. Статистическое управление процессами. Москва, Альпина Бизнес Букс, 2009. 469 с.

[19] ГОСТ Р ИСО 5725-1–2002. Точность (правильность и прецизионность) методов и результатов измерения. Ч. 1. Основные понятия и определения. Введен 2002–11–01. Москва, Изд-во стандартов, 2002. 24 с.

[20] ГОСТ 24643–81. Основные нормы взаимозаменяемости. Допуски формы и расположения поверхностей. Числовые значения. Введен 1981–07–01. Москва, Изд-во стандартов, 1984. 14 с.

[21] Soler Ya.I., Kazimirov D.Yu. Selecting abrasive wheels for the plane grinding of airplane parts of the basis surface roughness. Russian engineering research, 2010, vol. 30, no. 3, pp. 251–261.

[22] Солер Я.И., Нгуен М.Т. Поиск оптимальной характеристики нитридборовых кругов при плоском шлифовании деталей из стали 06Х14Н6Д2МВТ-Ш по микрорельефу поверхности в условиях моделирования нечеткой логики. Вестник МГТУ им. Н. Э. Баумана. Сер. Машиностроение, 2015, № 6, c. 96–111.

[23] Солер Я.И., Нгуен М.Т. Оптимизация микрорельефа поверхности плоских деталей из коррозионно-стойкой стали 13Х15Н5АМ3 при шлифовании нитридборовыми кругами высокой пористости. Фундаментальные и прикладные проблемы техники и технологии, 2015, № 6(314), c. 65–72.

[24] Ali Y.M., Zhang L.C. Surface roughness prediction of ground components using a fuzzy logic approach. Journal of Materials Processing Technology, 1999, pp. 561–568.

[25] Ali Y.M., Zhang L.C. A fuzzy model for predicting burns in surface grinding of steel. International Journal of Machine Tools and Manufacture, 2004, vol. 44, 563 p.

[26] Вятченин Д.А. Нечеткие методы автоматической классификации. Минск, УП Технопринт, 2004. 219 с.

[27] Кофман А. Введение в теорию нечетких множеств. Москва, Радио и связь, 1982. 432 с.

[28] Harrington E.C. The desirability function. Industrial Quality Control, 1965, vol. 21, pp. 494–498.

[29] Мандров Б.И., Бакланов С.Д., Бакланов Д.Д., Влеско А.С., Путивский А.Н., Сухинина С.Д. Применение функции желательности Харрингтона при экструзионной сварке листов из полиэтилена марки ПЭНД. Ползуновский альманах, 2012, № 1, c. 62–64.

[30] Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. Москва, Изд-во МГТУ им. Н.Э. Баумана, 2004. 400 с.

[31] Васенков Д.В. Методы обучения искусственных нейронных сетей. Компьютерные инструменты в образовании, 2007, № 1, с. 20–29.

[32] Oludele A., Olawale J. Neural Networks and Its Application in Engineering. Proceedings of Informing Science & IT Education Conference (InSITE), Macon, GA, USA, 2009, pp. 83–95.

[33] Рудой Г.И. Выбор функции активации при прогнозировании нейронными сетями. Машинное обучение и анализ данных, 2011, № 1, c. 16–39.

[34] Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. Москва, Горячая линия-Телеком, 2001. 382 с.

[35] Шарстнев В.Л., Вардомацкая Е.Ю. Анализ возможностей нейронных сетей для прогнозирования задач легкой промышленности. Управление экономическими системами: электронный научный журнал, 2007, № 9, с. 3–7. URL: http://uecs.mcnip.ru/modules.php?name =News&file=article&sid=67 (дата обращения 10 мая 2016).