Прогнозирование периода стойкости металлорежущего инструмента на основе нейросети

Авторы

  • ИжГТУ имени М. Т. Калашникова, Ижевск
  • ИжГТУ имени М. Т. Калашникова, Ижевск
  • ИжГТУ имени М. Т. Калашникова, Ижевск
  • ИжГТУ имени М. Т. Калашникова, Ижевск

DOI:

https://doi.org/10.22213/2410-9304-2020-3-95-102

Ключевые слова:

период стойкости инструмента, нейросетевое прогнозирование, многослойный персептрон

Аннотация

Рассматривается задача прогнозирования периода стойкости металлорежущего инструмента при заданных параметрах режима резания. Для решения поставленной задачи предлагается использовать нейросетевую модель. Предложено использовать в качестве структуры нейронной сети многослойный персептрон. Обучающей выборкой при обучении нейросетевой модели прогнозирования служат накопленные статистические данные системы «Инструментальный шкаф». Входными данными нейронной сети служат значения параметров режима резания (тип материала заготовки, значение глубины резания при технологической операции, значение подачи при технологической операции, значение скорости резания) и значения параметров конструкции металлорежущей пластины, указанных в маркировке пластины согласно ISO 1832-85. Программная реализация предложенной нейронной сети выполнена с использованием библиотеки машинного обучения «DeepLearning4J».

При обучении нейронной сети формировалось 5 обучающих подвыборок, содержащих по 20 % от количества образцов в обучающей выборке. Для решения проблемы переобучения нейронной сети использовался метод перекрестной проверки. Использовалась обучающая выборка общим количеством 500 записей по множеству металлорежущего инструмента, состоящему из 10 пластин. Проведенные эксперименты показали работоспособность предложенного подхода. В работе представлены графики, показывающие зависимость прогнозируемого периода стойкости от одного из параметров режима резания.

Цель работы заключается в повышении эффективности планирования закупок металлорежущего инструмента.

Библиографические ссылки

Райхельсон В. А. Обработка резанием сталей, жаропрочных и титановых сплавов с учетом их физико-механических свойств : монография. М. : Техносфера, 2018. 508 с.

Бибик В. Л. Методы прогнозирования стойкости режущих инструментов // Фундаментальные исследования. 2011. № 12-1. C. 81–84.

Сидорова Е. В. Прогнозирование стойкости твердосплавной режущей пластины с PVD-покрытием // Прогрессивные технологии и системы машиностроения. 2016. № 4 (55). С. 80–85.

Дядюра К. А., Нагорный В. В. Прогнозирование фактического ресурса режущего инструмента // Вибрация машин: измерение, снижение, защита. 2011. № 2. С. 20–25.

Абдурахманов М. Р., Шапарев А. В. Некоторые вопросы планирования операций обработки резанием // Современные исследования в сфере естественных, технических и физико-математических наук : сборник трудов конференции. Киров, 2018. С. 554–558.

Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб. : Питер, 2018. 480 с.

Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge, USA: MIT Press, 2016. URL: http://www.deeplearningbook.org (дата обращения: 01.06.2020).

Хайкин С. Нейронные сети: полный курс. М. : Вильямс, 2006. 1104 c.

Чуранкин В. Г., Медведев И. Д., Малахов И. И. Перспективы применения электронных инструментальных шкафов в ОАО «Омском моторостроительном КБ» // Информационные технологии в науке и производстве : сборник трудов конференции. Омск, 2015. С. 191–196.

Deep Learning for Java. URL: http://www.DeepLearning4j.org (дата обращения: 01.06.2020).

ООО «Элин». URL: https://elin.tiu.ru (дата об-ращения: 01.06.2020).

Опубликован

2020-11-17

Выпуск

Раздел

Статьи