Ученые успешно применяют искусственный интеллект для онлайн-мониторинга фрезерования

Ученый из Южно-Уральского государственного университета совместно с зарубежными коллегами получил прогностическую модель отклонений от плоскости обработанной поверхности, полученной торцовым фрезерованием. Делать прогноз в реальном времени позволяет искусственный интеллект, учитывающий в анализе потребляемую мощность главного привода станка и изменения износа инструмента. Результаты исследования были опубликованы в статье в высокорейтинговом научном журнале Journal of Intelligent Manufacturing (Q1).

Искусственный интеллект следит за производством

Цифровизация производства — один из трендов «Индустрии 4.0». Четвертая промышленная революция требует внедрения современных технологий, благодаря которым предприятия смогут самостоятельно отслеживать процессы и прогнозировать их, а значит, выпускать более качественную продукцию.

Для реализации перехода к цифровому производству очень важным становится применение искусственного интеллекта, способного решать нерутинные задачи на высоком уровне. Он помогает быстрее и с меньшими затратами достичь главной цели каждого производства: изготовить качественное изделие.

Искусственный интеллект может успешно применяться для онлайн-мониторинга различных процессов в автоматизированном производстве, например, состояния режущего инструмента. Таким образом, режущую его часть будут заменять вовремя, что обеспечит точность обработки изделия и требуемую шероховатость. Кроме того, своевременная замена режущей части позволит избежать поломки инструмента.

Цифровая диагностика оборудования

Искусственный интеллект также используется для создания прогностических моделей. Ученый Политехнического института ЮУрГУ, старший преподаватель кафедры «Технология автоматизированного машиностроения» факультета Машиностроения Данил Пименов вместе с коллегами из Испании, Польши и Великобритании использовал технологию для прогнозирования отклонения от плоскостности с учетом износа зубьев торцевой фрезы.

«Одним из важнейших показателей качества обработанных плоских поверхностей является отклонение от плоскостности. Поэтому целью международной команды ученых было получение прогностической модели отклонений от плоскости обработанной поверхности в процессе торцового фрезерования в зависимости от мощности главного привода станка с числовым программным управлением (ЧПУ) и с учетом изменения износа инструмента. В качестве заготовки исследовалась углеродистая сталь AISI 1045 (Российский аналог – Сталь 45). Это очень распространенный конструкционный материал, из которого изготавливают огромное количество всевозможных изделий машиностроения, приборостроения, судостроения», — прокомментировал Данил Пименов.

На фото: схема измерения отклонения от плоскостности (точками 1, 2, 3, …, 9 отмечены координаты, в которых проводились отклонения размеров в вертикальном направлении с указанием соответствующих размеров: 30 и 90 миллиметров)

Экспериментальные данные по торцовому фрезерованию были получены в инженерно-научно-образовательном центре ЮУрГУ на базе обрабатывающего центра Mori Seiki NMV 5000 CNC. На их основе создали прогностическую модель – такая задача стояла перед доктором Андресо Бустильо из Университета Бургоса (Испания). Наивысшую производительность показали такие методы машинного обучения (подраздел искусственного интеллекта), как Random Forest ensembles и техника балансировки Synthetic Minority Over-sampling Technique (SMOTE). Финальному этапу подготовки проведенных исследований способствовали профессор Войцех Каплонек из Кошалинского технологического университета (Польша) и Мозаммель Миа из Имперского колледжа Лондона (Великобритания).

«Результаты исследования будут интересны инженерам-технологам, которые смогут узнать об ожидаемом отклонении от плоскостности поверхности заготовки. При этом установление новых датчиков не потребуется. В современные станки с числовым программным управлением (ЧПУ) встроена возможность отслеживания мощности главного привода. Модели предсказания параметров отклонения от плоскостности в процессе торцового фрезерования можно интегрировать в автоматизированные производственные системы для онлайн-мониторинга», – рассказал Данил Пименов.

На фото: станок ЧПУ

Опубликованная учеными статья стала второй в череде исследований, посвященных онлайн-мониторингу торцового фрезерования. Так, в 2018 году исследователи получили прогностическую модель шероховатости обработанной поверхности в процессе торцового фрезерования. В работе также проследили зависимость показателей от мощности главного привода станка и изменения износа инструмента. Публикация попала в топ-5 скачиваемых статей.

Ученые намерены продолжить работу, которая выведет на новый уровень процесс обработки детали на производстве.

ЮУрГУ – участник Проекта 5-100, призванного повысить конкурентоспособность российских университетов среди ведущих мировых научно-образовательных центров.

Исследования в области новых технологий в числе приоритетов Уральского межрегионального научно-образовательного центра мирового уровня «Передовые производственные технологии и материалы», который в настоящее время создается объединенными усилиями УрФУ, ЮУрГУ, КГУ, других региональных высших учебных заведений, Уральского отделения РАН, промышленных предприятий и правительства Челябинской, Свердловской и Курганской областей.