APPLICATION OF ARTIFICIAL NEURAL NETWORKS FOR PREDICTING ROUGHNESS AT CLEANING AND GETTING POINT
Abstract and keywords
Abstract (English):
A technique for the development of artificial neural networks to predict the roughness of the treated surface during finishing and semi-finishing turning is presented. The back-propagation network architecture was adopted, having an input, hidden and output layers, a sigmoidal activation function for the hidden layer and a linear one for the output layer. To form a training sample, empirical expressions in the form of power functions were used, training of networks was carried out according to the Levenberg-Marquardt algorithm, which has fast convergence. Technological modes (cutting speed and depth of cut, tool feed), cutting tool geometrical parameters (main and auxiliary angles in terms of the tool, radius at the tip of the tool, rake angle), physicomechanical properties of the material being processed, each the training sample is formed from thousands of source data combinations. Separate networks have been developed that predict roughness during finishing and semi-turning turning, as well as a combined network that takes into account both types of processing. Analysis of the accuracy of the networks showed good results, the relative error of calculations does not exceed 1%. The proposed neural network models can be used in technological preparation of production, as well as in systems of adaptive control of the cutting process.

Keywords:
artificial neural networks (INS), surface roughness, fine and semi-turning
Text
Publication text (PDF): Read Download

Введение. Современное машиностроение в большей степени базируется на применении многокоординатных станков, обрабатывающих центров и другого высокотехнологического оборудования с числовым программным управлением. Одним из перспективных направлений повышения эффективности работы такого оборудования является адаптивное управление процессом механической обработки с целью достижения заданных значений качественных характеристик обрабатываемой поверхности на основе мониторинга параметров резания в реальном времени. Для решения такого класса задач возникает необходимость не только использования высокоточных датчиков контроля, но и обработка больших массивов информации для формирования цепей обратных связей и реализации управляющих воздействий. В этих случаях традиционные способы назначения режимов резания и прогнозирования качественных характеристик обработанной поверхности не могут быть использованы, так как управляющее воздействие должно формироваться с высоким быстродействием на основе реальных условий процесса. Применение искусственных нейронных сетей (ИНС) может стать приемлемым вариантом для решения таких задач, так как обусловлено способностью нейронных сетей к обучению на основе создания связей между входными и выходными данными. При должной настройке сети такой подход дает возможность решать трудоемкие задачи с высоким быстродействием без использования сложного математического аппарата.  Разработка и использование ИНС для повышения эффективности процессов механической обработки приобретает все большую популярность среди отечественных и зарубежных ученых [1-10]. Проведем краткий обзор имеющихся разработок в данной области.  В своей работе [2] Шатагин Д.А. предложил автоматизированную систему на основе подходов искусственного интеллекта, позволяющую управлять динамической устойчивостью процесса резания в зависимости от условий обработки с использованием высокопроизводительных вычислений nVidia CUDA и облачных технологий. Показал возможность повышения эффективности механической обработки, за счет определения оптимальных условий резания на основе нейросетевого моделирования. Алтунин К.А. и Соколов М.В. [3] исследовали возможность прогнозирования шероховатости и износа инструмента при различных видах обработки с помощью ИНС, провели сравнительный анализ моделей ИНС и регресса. Модели ИНС обеспечивают лучшие возможности прогнозирования, что связано с возможностью ИНС моделировать более сложную нелинейность и взаимодействия, чем линейные и показательные модели регресса. Хоанг В.Ч. в своей работе [4] предложил усовершенствованную ИНС вида многослойного персептрона для моделирования температуры резания, описал алгоритм ее обучения с оптимизацией весов скрытого и выходного слоев, сократив время обучения и величину ошибки. J.F. Briceno, H. El-Mounayri, S. Mukhopadhyay [5] доказали преимущество применения радиально-базисной нейронной сети (RBF) при исследовании силовых характеристик  фрезерования, используя в качестве входных данных подачу, частоту вращения шпинделя  и глубину резания, получая на выходе – максимальное, среднее и минимальное значение силы резания. Yang H., Ni J. установили зависимость между режимами резания и параметрами процесса резания при высокоскоростной обработке [6]. На вход сети подаются значения скорости резания, машинного времени, величины подачи и давления СОЖ, на выходе формируются тангенциальная и осевая силы, шероховатость обработанной поверхности, фактическая потребляемая мощность электродвигателя станка, средний и максимальный износ по задней поверхности, износ по вершине режущей кромки. H-Y Kim и J-H Ahn решали задачу диагностики процессов механической обработки, а именно мониторинг процесса стружкоудаления при сверлении, оперируя данными фактической потребляемой мощности электродвигателя станка [7]. Kwak J.S., Ha M.K. применили нейросетевой подход для диагностики процесса шлифования и выявления температурных перенапряжений, зависящих от фактической потребляемой мощности электродвигателя и сигналов акустической эмиссии [8]. Bernandos P.G., Mosialos S., Vosniakos G.C. занимались вопросом прогнозирования величины упругих отжатий заготовки при точении [9]. Cus F., Zuperl U. использовали ИНС для оптимизации режимов резания при различных видах обработки [10]. Целью настоящей работы являлась разработка методики проектирования ИНС для возможности прогнозирования шероховатости обрабатываемой поверхности при различных видах точения. Основная часть.  В качестве основных математических выражений для определения шероховатости при чистовом и получистовом точении использованы известные эмпирические формулы степенного вида: где ν – скорость резания, м/мин, s – продольная подача, мм/об, t – глубина резания, мм, r – радиус при вершине резца, мм, φ, φ1 и γ– величины главного, вспомогательного углов в плане и переднего угла, град, HB – твердость, k0, k1, k2, k3, k4 – показатели степени для определения шероховатости поверхности. В решении задач аппроксимации хорошо себя зарекомендовали ИНС с обратным распространением ошибки [11], поэтому была принята архитектура сети, представленная на рис. 1. Сеть состоит из входного, скрытого и выходного слоев, имеет сигмоидальную функцию активации для скрытого слоя и линейную – для выходного. В соответсвии с принятой архитектурой были разработаны следующие ИНС прогнозирования шероховатости обрабатываемой поверхности: для чистового точения согласно выражению (1), для получистового точения согласно выражению (2), а также комбинированная сеть, учитывающая условия как чистового, так и получистового точения. Архитектура сетей представлена на рис.2, 3. Нейронная сеть для условий чистового точения имеет семь нейронов на входном слое, один скрытый слой с двадцатью восьмью нейронами и один нейрон в выходном слое. Для получистового точения ИНС имеет пять нейронов на входном слое, один скрытый слой с двадцатью тремя нейронами и один нейрон в выходном слое. Количество входных нейронов сетей соответствует количеству исходных данных используемых выражений, количество нейронов скрытого слоя выбрано итерационным приближением для обеспечения требуемой точности работы сети. Особенностью комбинированной сети, представленной на рис.3, является объединение исходных данных обоих математических выражений при формировании количества нейронов на входном слое. Принято 10 нейронов входного слоя с учетом одного нейрона, определяющего вид обработки, при этом оказалось достаточным 40 нейронов скрытого слоя для требуемой точности сети. Для обучения ИНС применимы следующие методы: алгоритм Левенберга-Марквардта, Байесовская регуляция или метод масштабируемых сопряженных градиентов [11]. Для решения поставленной задачи использован алгоритм Левенберга-Марквардта ввиду быстрой его сходимости. Подготовка обучающей выборки заключалась в создании массивов входных и выходных данных в пределах интервалов варьирования переменных, соответсвующих адекватности используемых выражений (табл. 1). Массив входных данных для чистового и получистового точения формировался из случайных значений переменных в заданном диапазоне, табл.1. Третья выборка, представляет собой комбинацию «чистовой» и «получистовой», для ее создания добавлен входной нейрон, характеризующий метод обработки. В зависимости от метода обработки входные и выходные данные формируются согласно заданным диапазонам, а при отсутствии определенного параметра в данном виде обработки, он приравнивается к нулю. Фрагмент комбинированной выборки представлен в табл. 2. Общее количество комбинаций исходных данных для каждой выборки было сгенерировано в количестве 1000 вариантов. Из результатов обучения сетей можно сделать вывод, что для достижения приемлемой среднеквадратической ошибки не более 10-2 для различных исходных структур потребовалось 341-999 циклов (эпох) обучения. В процессе обучения сетей варьировалось количество нейронов скрытого слоя в зависимости от получаемой среднеквадратической ошибки с целью ее снижения до заданного уровня. Таким образом, получены следующие значения среднеквадратической ошибки: для чистового точения – 2,34·10-4 при 28 нейронах скрытого слоя, для получистового точения – 2,46·10-4 при 23 нейронах скрытого слоя и для комбинированной сети – 2,92·10-4 при 40 нейронах скрытого слоя. На рис.4-6 представлено графическое отображение результатов обучения ИНС прогнозирования шероховатости обрабатываемой поверхности при различных видах обработки. Выводы. Разработанные нейросетевые модели принятой архитектуры показали хороший результат обучения, относительная погрешность вычислений не превышает 1%. Наиболее высокую точность показала комбинированная сеть прогнозирования шероховатости поверхности при двух видах обработки: чистовом и получистовом, относительная погрешность которой составила 0,62%. Сеть имеет десять нейронов входного слоя и сорок нейронов скрытого, обучена по алгоритму Левенберга-Марквардта. Предложенные нейросетевые модели могут быть использованы при технологической подготовке производства, а также в системах адаптивного управления процессом резания.

References

1. Dujun T.A., Grinek A.V. Mathematical modeling of machining as control system instrument of technological parameters based on the fuzzy logic and neural networks [Matematicheskoe modelirovanie processov mekhanicheskoj obrabotki kak sredstvo upravleniya tekhnologicheskimi parametrami na osnove nejrosetevyh i nechetkih modelej]. Trudi mezhdunarodnoy konferencii «Sovremennie napravlenia i perspectivi razvitia tekhnologiy obrabotki i oborudovania v mashinostroenii», Sevastopol. 2016. No. 3. Pp. 28–33. (rus)

2. Kabaldin U.G., Laptev I.L., Shatahin S.V., Seriy S.V. Diagnostics of the output parameters of the cutting process in real time based on fractal and wavelet analyzes using software and hardware NationalInstruments and Nvidia CUDA [Diagnostika vyhodnyh parametrov processa rezaniya v rezhime real'nogo vremeni na osnove fraktal'nogo i vejvletanalizaov s ispol'zovaniem programmno-apparatnyh sredstv NationalInstruments i Nvidia CUDA]. Bulletin of engineering. 2014. No. 8. Pp. 80–82. (rus)

3. Altunin K.A., Sokolov M.V. Application of Neural Networks to Modeling of the Turning Process [Primenenie nejronnyh setej dlya modelirovaniya processa tokarnoj obrabotki]. Transactions of the TSTU. 2016. No. 1. Pp.122–133. (rus)

4. Hoang V.C., Salnikov V.S. Modelling of temperature of cutting in the conditions of uncertainty with application of the artificial neural network [Modelirovanie temperatury rezaniya v usloviyah neopredelennosti s primeneniem iskusstvennoj nejronnoj seti]. V sb. Izvestia TulGU. Tekhnicheskie nauki. 2014. No. 11. P. 2. Pp. 386-395. (rus)

5. Briceno J.F., El-Mounayri H., Mukhopadhyay S. Selecting an artificial neural network for efficient modeling and accurate simulation of the milling process. International Journal of Machine Tools and Manufacture. 2002. Vol. 42. No. 6. Pp. 663–674.

6. Yang H., Ni J. Dynamic neural network modeling for nonlinear, nonstationary machine tool thermally induced error. International Journal of Machine Tools and Manufacture. 2005. Vol. 45. No 4−5. Pp. 455–465.

7. Kim H.Y., Ahn J.H. Chip disposal state monitoring in drilling using neural network based spindle motor power sensing. International Journal of Machine Tools and Manufacture. 2002. Vol. 42. No.10. Pp. 1113–1119.

8. Kwak J.S., Ha M.K. Neural network approach for diagnosis of grinding operation by acoustic emission and power signals. Journal of Materials Processing Technology. 2004. Vol. 147. No. 1. Pp. 65–71.

9. Bernandos P.G., Mosialos S., Vosniakos G.C. Prediction of work piece elastic deflections under cutting forces in turning. Robotics and Computer-Integrated Manufacturing. 2006. Vol. 22. No. 5−6. Pp. 505−514.

10. Cus F., Zuperl U. Approach to optimization of cutting conditions by using artificial neural networks. Journal of Materials Processing Technology. 2006. Vol. 173. No. 3. Pp. 281–290.

11. Burakov M.V. Neural networks and neurocontrollers [Nejronnye seti i nejrokontrolery]: ucheb. Posobie. SPb.: GUAP, 2013, 284 p. (rus)


Login or Create
* Forgot password?