Система идентификации свойств материала заготовки при сверлении

Рассматривается задача автоматической идентификации свойств материала заготовки при сверлении. Разработана математическая модель динамики упругой системы «носитель-инструмент-обрабатываемая поверхность» с учетом нелинейного характера сил контактного взаимодействия и взаимного влияния степеней свободы. С помощью численного моделирования была сформирована обучающая выборка для искусственной нейронной сети. На вход сети подается вектор числовых параметров, полученных в результате статистической обработки сигнала датчика, измеряющего усилие прижатия инструмента к поверхности детали. Выходом нейронной сети является постоянная резания, характеризующая механические напряжения, которые необходимо создать в материале при резании, которой соответствует данный вектор входных параметров. На основе результатов работы нейронной сети осуществляется идентификация текущих свойств материала заготовки в режиме on-line. Далее на основе данных о свойствах материалов по данным анализа устойчивости процесса сверления осуществляется выбор оптимальной скорости вращения шпинделя для текущих свойств материала заготовки. Данная система позволяет своевременно фиксировать износ инструмента и скачки свойств материала заготовки, корректируя технологические параметры резания для обеспечения качественного процесса сверления.

Аффилиация авторов
Шагниев Олег Булатович – канд. техн. наук, доцент, ведущий научный сотрудник, доцент, Передовая инженерная школа ≪Цифровой инжиниринг≫, Санкт-Петербургский Политехнический университет Петра Великого, старший научный сотрудник, Институт проблем машиноведения РАН, математик первой категории АО ≪НПП ≪Радар ммс≫, e-mail: shagnoleg@yandex.ru,
Горбенко Игорь Дмитриевич – аспирант, ассистент, Передовая инженерная школа ≪Цифровой инжиниринг≫, Санкт-Петербургский Политехнический университет Петра Великого.

Список литературы
1. Roukema J.C., Yusuf Altintas Y. Generalized modeling of drilling vibrations. Part II: Chatter stability in frequency domain // International Journal of Machine Tools & Manufacture. – 2007. – Vol. 47. – P. 1474–1485.
2. Shanshin I.K., Shagniev O.B., Burdakov S.F. Adaptive selfexcited vibrations suppression during milling // Physics: Conference Series. 2019. Vol. 1236. 012051.
3. Liang Q. Methods and Research for Multi-Component Cutting Force Sensing Devices and Approaches // Machining. Sensors. 2016. 16(11), 19-26.
4. Nakandhrakumar R., Dinakaran D., Pikton D., Patabiraman J. Mathematical models of flank wear using vibration amplitude ratio in drilling // FME Transaction. – 2019. – Vol. 47. – Iss. 3. – P. 430-436.
5. Jindal A. Analysis of Tool Wear Rate in Drilling Operation using Scanning Electron Microscope (SEM) // Journal of Minerals & Materials Characterization & Engineering. – 2012. – Vol. 11. – Iss. 1. P. 43-54.
6. Lamraoui M. Chatter detection in milling machines by neural network classification and feature selection // Journal of Vibration and Control. 2015. 21(7), 1251–1266.
7. Шагниев О.Б. Интеллектуализация системы управления процессом фрезерования в условиях неопределенности // Автоматизация в промышленности. – 2025. – № 11. – С. 58-62.
8. Горбенко И.Д., Шагниев О.Б. Интеллектуализация системы управления процессом сверления в условиях неопределенности материала заготовки // Мехатроника, автоматизация, управление. 2025. №26(3). C. 119-127.
9. Байдина Т.А., Шагниев О.Б., Бурдаков С.Ф. Управление вибрационным состоянием робота при силовом взаимодействии с шероховатой поверхностью неопределенного профиля // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. – №4. – 2016. – С. 43-52.
10. Бурдаков С.Ф., Шагниев О.Б. Модели механики в задаче управления силовым взаимодействием робота с поверхностью неопределенного профиля // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. – 2015. – №4. – С. 68-79.