МЕТОДИКА АВТОМАТИЗИРОВАННОГО ОБЕСПЕЧЕНИЯ ПАРАМЕТРОВ ТОЧНОСТИ ДЕТАЛЕЙ ПРИ ОБРАБОТКЕ НА СТАНКАХ С ЧПУ

Аннотация


Многочисленными исследованиями установлено, что одним из факторов, оказывающим влияние на эксплуатационные свойства сопряженных деталей, является погрешность формы в поперечном сечении. Современное машиностроение характеризуется все более широким распространением станков с числовым программным управлением и обрабатывающих центров. Существенным недостатком большинства станков с ЧПУ является то, что при их использовании не гарантируется получение заданных требований по точности обработки. Цель исследования состоит в разработке системы автоматического обеспечения параметров некруглости при обработке на стенде, включающем токарный станок с числовым программным управлением. Методы исследования: для исследования профиля в поперечном сечении использовался корреляционный анализ. Использовались резцы из твердых сплавов. Обрабатывались конструкционные стали. Вибросигнал записывался при помощи датчика-акселерометра. Результаты: показано, что использование вибросигнала дает возможность оценивать точность формы, а применение моделей на основе нечеткой логики и нейронных сетей позволяет получить взаимосвязь между параметрами вибросигнала и точностью формы в поперечном сечении. В качестве устройства для активного контроля (автоматического обеспечения) параметров точности формы использована нейронечеткая система, имеющая нейросетевую базу данных и адаптивный блок принятия решений, основанный на нечеткой логике. В ходе исследований установлено, что использование таких параметров вибросигнала, как мощность и корреляционная энтропия, дает возможность не только оценивать износ инструмента, но и реализовывать активный контроль выходных параметров процесса обработки. Получены зависимости параметров погрешности формы, оцениваемые коэффициентом корреляционной энтропии и мощности виброакустического сигнала при различных значениях износа режущего инструмента. Построены нейронечеткие модели для оценки состояния технологической системы. Практическая значимость: применение нейронечетких моделей дает возможность определения отклонений формы с погрешностью, не превышающей 15 %, а применение аппарата нечеткой логики позволяет более эффективно принимать решения о дальнейшем использовании инструмента. Полученные результаты использованы в качестве исходных данных для разработки модели системы автоматического обеспечения параметров точности формы.

Полный текст

Введение Отклонения формы деталей в поперечном сечении оказывает значительное влияние на эксплуатационные свойства деталей и узлов. Одним из следствий влияния погрешности формы на эксплуатационные свойства является то, что в действительности тела контактируют между собой не по поверхности, а лишь отдельными участками, что приводит к интенсивному изнашиванию. Учитывая тенденцию развития промышленности, которая заключается во все более широком использовании оборудования с числовым программным управлением, остро стоит вопрос об обеспечении требуемых выходных параметров процесса обработки (шероховатости, точности формы и размеров). Традиционно для решения указанной выше задачи производится определение (установление) режимов резания, которые обеспечивали бы заданные выходные параметры [1-13]. Однако при этом не учитываются изменения состояния технологической системы (износ инструмента, наростообразование и др). Поэтому для решения данной проблемы необходимо, прежде всего, разработать решения, которые дают возможность в автоматическом режиме производить контроль выходных параметров процесса обработки и с учетом состояния технологической системы вырабатывать управляющее воздействие. При этом для оценки параметров состояния технологической системы достаточно часто используются виброакустические методы. Однако в большей степени данные методы используются для оценки ресурса режущего инструмента, а не выходных параметров процесса обработки. Цель исследования состоит в разработке системы автоматического обеспечения параметров некруглости при обработке на стенде, включающем токарный станок с числовым программным управлением. Для достижения поставленной цели необходимо решить ряд задач: - изучить текстуру профиля поверхности (в поперечном сечении), получаемой при токарной обработке на станке с ЧПУ; - выбрать параметры, которые будут использоваться для оценки погрешности формы при обработке на станке с ЧПУ; - выбрать методологический аппарат и разработать модель системы автоматического обеспечения параметров точности формы при обработке на станке с ЧПУ. 1. Материалы и методы исследования Многочисленными исследованиями [14-16] установлено, что на обеспечение выходных параметров процесса обработки влияет состояние технологической системы. Для того чтобы эффективно установить взаимосвязь между входными и выходными параметрами, прежде всего необходимо выбрать показатели для оценивания погрешности формы. На основе исследований, проведенных в работе [17], было установлено, что для этих целей подходит корреляционный анализ. При этом профиль представляется в виде реализации корреляционной функции вида [17, 18]: (1) Учитывая, что профиль измерялся дискретно, в выражении (1) интеграл надо заменить на знак суммы: , (2) где y(t) -ординаты профиля; τ - временной сдвиг. Использование корреляционных функций для оценки погрешности формы дает возможность не только количественно оценивать величину погрешности формы, но и производить анализ текстуры профиля. Иными словами, на основе вычисления корреляционной функции можно оценить соотношение случайной и систематической составляющих в текстуре профиля. Установленное соотношение составляющих позволяет оценить вклад случайных процессов в формирование конечного профиля обработанной поверхности. Расчеты производились в разработанном программном обеспечении. Интерфейс программы для анализа профилей обработанных поверхностей представлен на рис. 1. Рис. 1. Интерфейс программы для анализа профилей Для оценки вибросигнала Sw использовались мощность и корреляционная энтропия K [17, 18]: , (3) где T - длительность сигнала; - преобразование Фурье сигнала x(t). , (4) где - корреляционный интеграл; - выражение, которое описывает функцию Хевисайда; p - расстояние между точками фазовой траектории (аттрактора), m - количество координат на фазовой траектории, которое принимается в расчет. В качестве режущего инструмента были использованы стандартные токарные резцы из твердых сплавов. Обрабатывались конструкционные стали. Вибросигнал записывался при помощи датчика-акселерометра, который устанавливался в непосредственной близости от зоны обработки (рис. 2). На основе предварительных исследований [18] было установлено, что для оценивания параметров некруглости целесообразно использовать виброакустический сигнал в частотном диапазоне от 6 до 12 кГц. Обработка производилась при различных значениях скорости резания и подачи, а также при фаске износа инструмента по задней поверхности от 0 до 2,4 мм. Рис. 2. Экспериментальный стенд Пример серии экспериментов: - станок 1И611ПМФ3; - материал деталей сталь 45, 40Х; материал резца ВОК60. Термообработка (ТВЧ), твердость до 54 HRC. Диаметр заготовок 50 мм, глубина резания t = 0,2 мм. Число оборотов 630 об/мин. S = 20;40;60;80;100;120 мм/мин. Запись производилась с одного датчика по оси Z, на задней части резца. Измерение формы детали проводили на станке. Цена деления индикатора 0,001 мм. Данные записывались в файл, угол поворота детали 3° (120 измерений на диаметре). При составлении экспериментальных исследований были применены такие источники, как в работах [19, 20]. На основе предварительных исследований [17, 18] было установлено, что для оценки состояния технологической системы целесообразно использовать мощность вибросигнала Sw и корреляционную энтропию К. Для нахождения взаимосвязи между входными и выходными параметрами целесообразно использовать нейронечеткую модель [21-25]. При этом модель содержит нейросетевую базу знаний и логический блок, который основан на нечеткой логике. В рамках данной работы модель была реализована в программном комплексе MatLab. Структура модели приведена на рис. 3. Рис. 3. Структура нейро-нечеткой модели 2. Результаты исследований и их обсуждение Примеры результатов проведенных экспериментов приведены на рис. 4-7. 10 20 30 40 50 S, мм/мин 1 0,6 0,5 0,4 0,3 0,2 0,1 0 2 3 K(0) Рис. 4. Зависимость K0 = f(S) 20 40 60 80 100 120 S, мм/мин 10-5 Дб 8 7 6 5 4 3 2 1 0 Рис. 5. Дисперсия вибросигнала (*10-5) от подачи 0 0,42 0,84 1,26 1,68 2,1 h3/мм Sw 0,00644 0,00552 0,0046 0,00368 0,00276 0,00184 0,00092 1 2 3 Рис. 6. Зависимость между мощностью вибросигнала и износом резца 0 0,24 0,48 0,72 0,96 1,2 1,44 1,68 1,92 2,16 2,4 h3/мм K 9,88 9,12 8,36 7,6 6,84 6,08 5,32 4,56 3,8 3,04 3 2 1 Рис. 7. Зависимость между корреляционной энтропией и износом резца Важно отметить то, что характер зависимостей корреляционной энтропии и мощности вибросигнала от износа резца аналогичен форме классической кривой износа, что позволяет использовать данные параметры для оценки износа режущего инструмента. Зависимости, приведенные на рис. 5-7, использованы в качестве исходных данных для построения нейронечеткой модели, структура которой приведена на рис. 3. Соотношения между переменными задавались системой правил вида (общее количество правил в базе - 15): ЕСЛИ K = K1 И Sw = v1 ТО K(0) = mf1. В качестве функций принадлежности были выбраны термы треугольного вида, значения переменных K, Sw, K(0) принимались равными экстремальным точкам, которые соответствуют началу и концу промежутков, обозначенных цифрами 1-3 на рис. 4, 6 и 7. Приведенная выше система правил позволяет выполнять оценку корреляционной функции профиля K(0), которая используется в качестве характеристики погрешности формы деталей в поперечном сечении. На рис. 8 приведены результаты тестирования модели на точность. В результате тестирования на обучающей и тестовой выборках было установлено, что погрешность модели не превышает 10 %. Анализируя зависимости, которые представлены на рис. 6 и 7, можно сделать вывод, что они даже внешне соответствуют классической форме кривой износа. Полученные результаты были использованы в качестве исходных данных для разработки модели системы автоматического обеспечения параметров точности формы. Разработанная модель была реализована в виде программного комплекса. При испытании разработанной модели в качестве образцов были взяты штоки задвижек ЗКЛ 13004-050, ЗКЛ 13004-080М, ЗКС 13014-150. Для сравнения использовались данные обработки с использованием модели и без неё, результаты представлены на рис. 9. Рис. 8. Тестирование точности модели 1 1 2 3 4 5 6 7 8 9 10 11 12 17,65 17,6 17,55 17,5 17,45 17,4 17,35 17,3 17,25 17,2 17,15 2 3 13,75 13,7 13,65 13,6 13,55 13,5 13,45 13,4 13,35 1 3 5 7 9 11 Координата сечения при измерениях х Координата сечения при измерениях х а б Рис. 9. Результаты обработки модели: а - результаты обработки без использования модели (шток 1, шток 2); б - результаты обработки с использованием модели (шток 3) Заключение Полученные результаты дают возможность сделать ряд выводов: - в ходе исследований было установлено, что использование параметров вибросигнала (мощности и корреляционной энтропии) дает возможность не только оценивать износ инструмента, как это делается в большинстве аналогичных работ, но и реализовывать активный контроль выходных параметров процесса обработки (в данном случае погрешность формы в поперечном сечении); - использование нейронечетких моделей позволяет получить взаимосвязь между диагностическим признаком (параметрами вибросигнала) и выходными параметрами процесса обработки (точностью формы в поперечном сечении) с погрешностью не более 15 %; - результаты испытаний показали, что использование предлагаемых решений дает возможность повысить точность изготовления деталей запорной арматуры на 20-30 %. Научная новизна результатов обусловлена тем, что полученная модель системы позволяет производить оценку параметров точности формы с учетом состояния технологической системы. Также важным аспектом научной новизны является то, что подход является универсальным и за счет применение самообучающихся моделей (нейро-нечетких) может быть использован на любом станке. К недостаткам предлагаемых решений можно отнести то, что не в полной мере можно учитывать влияние жесткости обрабатываемой детали на точность. Поэтому полученные результаты требуют корреляции с методикой автоматизации технической подготовки производства за счет автоматизированной коррекции управляющей программы по трансформируемой CAD-модели заготовки.

Об авторах

В. Е Овсянников

Тюменский индустриальный университет

Р. Ю Некрасов

Тюменский индустриальный университет

Ю. А Темпель

Тюменский индустриальный университет

В. И Васильев

Курганский государственный университет

Список литературы

  1. Неизвестных А.Г., Крылов Е.Г. Анализ точности обработки деталей на станках с ЧПУ // Известия Волгоград. гос. техн. ун-та. - 2008. - Т.4, № 9(47). - С. 89-91.
  2. Лысенко А.Ф. К оценке погрешности обработки деталей при интеллектуальном управлении станком // Вестник Донск. гос. техн. ун-та. - 2014. - Т. 14, № 3(78). - С. 96-102.
  3. Кузнецов А.С. Технологическое обеспечение точности при обработке на станках с ЧПУ // Современные проблемы науки и образования. - 2015. - № 2. - С. 165-170.
  4. Козинский В.С. Применение метода конечных элементов и тонкостенных трехслойных деталей из ПКМ в машиностроении // Актуальные направления научных исследований: от теории к практике: материалы VII Междунар. науч.-практ. конф. - 2016. - № 1(7). - С. 200-202.
  5. Тугенгольд А.К., Лукьянов Е.А., Герасимов В.А. Система управления станком, обеспечивающая повышенную точность обработки // СТИН. - 1999. - № 8. - С. 21-26.
  6. Технологическое обеспечение точности и математическое моделирование процессов механообработки в машиностроении: учеб. пособие / В.А. Иванов, В.В. Новоселов, Ю.И. Некрасов, Ю.И. Шаходанов. - Тюмень: Изд-во ТюмГНГУ, 2001. - С. 194.
  7. Белозеров Б.П., Дурновцев В.Я. Определение точности механической обработки деталей статистическим методом: практическое руководство. - 2-е изд., перераб. - Северск: Изд-во СТИ НИЯУ МИФИ, 2010. - С. 25.
  8. Hu S. (Hu, Sai); Kan YC (Kan Yin-Chiu); Hsu LT (Hsu Li-Ta). Localization Uncertainty Constrained Lateral PID Control with Aids of Fuzzy Logic Considering LiDAR NDT Matching Error // AIMS Mathematics. - 13 October 2021. - Vol. 53. - № 1. - Р. 27-42.
  9. Chen Y. Email Author, Wu J., Lan J. Study on weighted-based noniterative algorithms for centroid type-reduction of interval type-2 fuzzy logic systems [Электронный ресурс]. - URL: https://www.hindawi.com/ journals/complexity/2019/7325053
  10. Субботин С.А. Метод синтеза нейро-нечетких моделей количественных зависимостей для решения задач диагностики и прогнозирования // Радиоэлектроника, информатика, управление. - 2010. - 1(22). - С. 121-127.
  11. Математическая модель уточнения режимов резания для обеспечения точности токарной обработки нежёстких валов на станках с ЧПУ / А.А. Жданов, А.Л. Плотников, Ю.Л. Чигиринский, И.В. Фирсов // Научные труды Sworld. - 2015. - 4(41). - С. 41-47.
  12. К вопросу об обеспечении точности обработки на станках с ЧПУ / Ю.В. Максимов, А.А. Бекаев, М.А. Надольский, А.В. Прохоров // Известия Моск. гос. техн. ун-та «МАМИ». - 2012. - № 2(14). - С. 129-130.
  13. Фокин В.Г. Метод конечных элементов в механике деформируемого твёрдого тела: учеб. пособие. - Самара: Изд-во Самар. гос. техн. ун-та, 2010. - С. 131.
  14. Васильев А.С, Дальский А.М. Направленное формирование свойств изделий машиностроения / под ред. д-ра техн. наук А.И. Кондакова. - М.: Машиностроение, 2013. - С. 352.
  15. Качество машин: справочник: в 2 т. Т. 1 / сост. А.Г. Суслов, Э.Д. Браун, Н.А. Виткевич [и др.]. - М.: Машиностроение, 2011. - С. 256.
  16. Качество машин: справочник: в 2 т. Т. 2 / А.Г. Суслов, Э.Д. Браун, Н.А. Виткевич [и др.]. - М.: Машиностроение, 2011. - С. 325.
  17. Остапчук А.К., Овсянников В.Е. Научные основы обеспечения шероховатости поверхности на базе анализа случайных процессов: монография. - Курган: Изд-во Курган. гос. ун-та, 2012. - С. 188.
  18. Симонов А.М., Остапчук А.К., Овсянников В.Е. Основы обеспечения качества поверхности деталей машин с использованием динамического мониторинга: монография. - Курган: Изд-во Курган. гос. ун-та, 2010. - С. 118.
  19. Губин В.И., Осташков В.Н. Статистические методы обработки экспериментальных данных: учеб. пособие для студ. техн. вузов. - Тюмень: Изд-во ТюмГНГУ, 2007. - С. 202.
  20. Красовский Г.И., Филаретов Г.Ф. Планирование эксперимента. - Минск: Изд-во БГУ, 1982. - С. 156.
  21. Bergmann M. An Introduction to Many-Valued and Fuzzy-Logic. Semantics, Algebras and Derivation Systems. - Cambridge University Press, 2008.
  22. Kohonen T. Self-organizing maps. - 3 ed. - Berlin; Heidelberg; New York; Barcelona; Hong Kong; London; Milan; Paris; Singapore; Tokyo; Springer, 2001.
  23. Zadeh L.A. Fuzzy set // Information and control. - 1965. - № 8. -P. 338.
  24. Mamdani E.A. Application of fuzzy logic to approximate reasoning using linguistic synthesis // IEEE Trans. Computers. - 1977. - Vol. C26, № 12. - P. 1182-1191.
  25. Kosmann-Schwartzbach Y., Grammaticos B., Tamizhmani K.M. Integrability on nonlinear systems. - Berlin; Heidelberg; New York; Barcelona; Hong Kong; London; Milan; Paris; Singapore; Tokyo; Springer, 1997.

Статистика

Просмотры

Аннотация - 22

PDF (Russian) - 14

Ссылки

  • Ссылки не определены.

© Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления, 2022

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах