Интеллектуализация системы управления процессом сверления в условиях неопределенности материала заготовки

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.

1. Feldhausen T., Heinrich L., Saleeby K., Burl A., Post B., MacDonald E., Saldana C., Love L. Review of Computer-Aided Manufacturing (CAM) strategies for hybrid directed energy deposition // Additive Manufacturing. 2022. Vol. 56.

2. Попов Д. И., Климчик А. С. Использование датчиков усилия в суставах для определения точки и типа коллизии в индустриальном роботе // Мехатроника, автоматизация, управление. 2019. Т. 20, № 3. C. 171—179.

3. Рыбак Л. А., Гапоненко Е. В., Малышев Д. И. Разработка алгоритмов и управляющих программ для реализации движений выходного звена робота-гексапода для 3D-печати прецизионных изделий // Мехатроника, автоматизация, управление. 2016. Т. 17, № 12. C. 821—827.

4. Haley J., Karandikar J., Herberger C., MacDonald E., Feldhausen T., Lee Y. Review of in situ process monitoring for metal hybrid directed energy deposition // Journal of Manufacturing Processes. 2024. Vol. 109. P. 128—139.

5. Altintas Y., Roukema J. C. Generalized modeling of drilling vibrations. Part II: Chatter stability in frequency domain // International Journal of Machine.Tools & Manufacture. 2007. Vol. 47. P. 1474—1485.

6. Шагниев О. Б., Булов С. А. Алгоритм адаптации к износу инструмента при механообработке на базе искусственных нейронных сетей // Экстремальная робототехника. 2021. № 5. С. 251—257.

7. Шагниев О. Б., Шаньшин И. К., Бурдаков С. Ф. Управление регенеративными автоколебаниями в процессе фрезерования // Мехатроника, автоматизация, управление. 2019. Т. 20, № 5. С. 291—298.

8. Tlusty J., Polacek M. The stability of the machine tools against self-excited vibrations in machining // International Research in Production Engineering. 1963. Vol. 1, N. 1. P. 465—474.

9. Altintas Y., Budak E. Analytical Prediction of stability lobes in milling // Annals of the CIRP. 1995. Vol. 44, N. 1. P. 357—362.

10. Елисеев А. В., Хоменко А. П. Проблема гашения колебаний в механических системах: системный анализ, моделирование, управление // Мехатроника, автоматизация, управление. 2022. Т. 23, № 5. C. 236—245.

11. Shanshin I. K., Shagniev O. B., Burdakov S. F. Adaptive self-excited vibrations suppression during milling // Journal of Physics: Conference Series. 2019. Vol. 1236. P. 012051.

12. Altintas Y., Eynian M., Onozuka Н. Identification of dynamic cutting force coefficients and chatter stability with process damping // Annals of the CIRP. 2008. Vol. 57, Iss. 1. P. 371—374.

13. Lamraoui M., Barakat M., Thomas M., El Badaoui M. Chatter detection in milling machines by neural network classification and feature selection // Journal of Vibration and Control. 2015. Vol. 21, Iss. 7. P. 1251—1266.

14. Park S. S., Amani S., Lee D. Y., Lee J., Nam E. Machine learning based substructure coupling of machine tool dynamics and chatter stability // CIRP Annals. 2024. Vol. 73, Iss. 1. P. 297—300.

15. Tobias S. A. Machine tool vibration. New York: Wiley, 1961. P. 352

16. Roukema J. C. Mechanics and dynamics of drilling. Ph.D. Thesis, The University of British Columbia, Vancouver, Canada. 2006.

17. Хайкин С. Нейронные сети: полный курс. М: Издательский дом "Вильямс". 2006. 1104 с.

18. Irgolic T., Cus F., Paulic M., Balic J. Prediction of Cutting Forces with Neural Network by Milling Functionally Graded Material // Procedia Engineering. 2014. Vol. 69. P. 804—813.

19. Świć A., Wołos D., Gola A., Kłosowski G. The Use of Neural Networks and Genetic Algorithms to Control Low Rigidity Shafts Machining // Sensors. 2020. Vol. 20, N. 1.

20. Yeo C., Kim В. C., Cheon S. et al. Machining feature recognition based on deep neural networks to support tight integration with 3D CAD systems // Scientific Reports. 2021. Vol. 11, N. 1.

21. Горбенко И. Д., Шагниев О. Б. Oбучение искусственной нейронной сети для системы управления процессом сверления при неопределенности свойств материала заготовки // Передовые производственные технологии: компьютерные (суперкомпьютерные) технологии и организация наукоемких производств. Сб. тезисов докладов Национальной науч.-практ. конф. Междунар. участием. Санкт-Петербург, 2023. С. 172—179.

22. Kilundu B., Dehombreux P., Chiementin X. Tool wear monitoring by machine learning techniques and singular spectrum analysis // Mechanical Systems and Signal Processing. 2011. Vol. 25. P. 400—415.

23. Shagniev O. B., Tomchina O. P., Fradkov А. L. Learning Speed-Gradient Synchronization Control of the Two-Rotor Vibration Setup // IFAC-PapersOnLine, 2022. Vol. 55, Iss. 12. P. 144—148.

24. Shagniev O., Fradkov А. Neural network-based synchronization control of the two-rotor vibration setup // Proc. 7th Scientific School "Dynamics of Complex Networks and their Applications". 2023. P. 249—252.

25. Шагниев О. Б., Фрадков А. Л. Оценка влияния дискретизации на работу алгоритма скоростного градиента при управлении синхронизацией // Мехатроника, автоматизация, управление. 2023. Т. 24, № 2. C. 59—66.