И. Д. Горбенко, аспирант
г. Санкт-Петербург
Gorbenko Igor D., Postgraduate Student
St. Petersburg, 195251
О. Б. Шагниев, канд. техн. наук, доц.
г. Санкт-Петербург
O. B. Shagniev
St. Petersburg, 195251
St. Petersburg, 199178
Повышение производительности производств за счет автоматизации является актуальной задачей современной науки. Внедрение гибридных аддитивно-субтрактивных производственных комплексов станет для современности лишь одним из этапов этой автоматизации. В настоящее время многие задачи, возникающие в результате попыток промышленного применения подобных комплексов, являются нерешенными. К таким задачам относится создание системы управления модулем для механообработки, отрабатывающей потерю устойчивости в результате неопределенности механических свойств материала, вызванной депозицией слоев последнего. В данной статье исследуется возможность применения методов машинного обучения для адаптации контуров управления при сверлении к неопределенности свойств материала заготовки. Это необходимо, поскольку использование традиционных методов управления затруднительно изза сложности нелинейных законов в зоне контакта инструмента с заготовкой. В работе представлена математическая модель процесса сверления; с помощью серии численных экспериментов подтверждена возможность модели качественно описывать процессы в контактной зоне. Приведено описание процесса набора данных для обучения моделей машинного обучения, а также подтверждена эффективность их использования для предсказания внутренних параметров системы. Как результат представлена система управления, отвечающая поставленной задаче, эффективность которой доказана численным экспериментом. Представленная система управления идентифицирует режим потери устойчивости объекта по показателям силомоментного датчика между носителем и инструментом и возвращает в систему скорректированные относительно заданных параметры резания, предсказанные связкой моделей машинного обучения, для которых сохраняется устойчивость объекта управления. Практическая значимость полученных результатов определяется показанной в работе эффективностью использования методов машинного обучения в разработке систем управления для механообработки. Дальнейшая разработка подобных систем может быть направлена на решение сопутствующих задач, касающихся вопросов увеличения времени отклика контура управления на потерю устойчивости процесса механообработки.
Increasing production productivity through automation is an urgent task of modern science. The introduction of hybrid additive-subtractive production complexes will become only one of the stages of this automation for modern times. Cur- rently, many tasks arising as a result of attempts at industrial application of such complexes are unresolved. Such tasks include the creation of a module control system for machining, which works out the loss of stability because of uncertainty in the mechanical properties of the material caused by the deposit of layers of the latter. The present work is aimed at investigating the possibility of using machine learning methods to adapt control contours during drilling to the uncertainty of the properties of the workpiece material, due to the difficulty of using traditional control methods, due to the complexity of nonlinear laws in the contact zone of the tool with the workpiece. The paper presents a mathematical model of the drilling process; using a series of numerical experiments, the possibility of the model to qualitatively describe the processes in the contact zone is confirmed. The description of the data set process for training machine learning models is given, and the effectiveness of their use for predicting the internal parameters of the system is confirmed. As a result of the performed con- structions, the paper presents a control system that meets the task, the effectiveness of which has been proven by numerical experiment. The presented control system identifies the mode of loss of stability of the object according to the signal from the force-moment sensor between the carrier and the tool and returns to the system the cutting parameters adjusted relative to the data predicted by a bunch of machine learning models for which the stability of the control object is maintained. The practical significance of the obtained results is determined by the effectiveness shown in the work of using machine learning methods in the development of control systems for machining. Further development of such systems can be aimed at solving related problems related to increasing the response time of the control circuit to the loss of stability of the machining process.
The authors declare that there are no conflicts of interest present.