Цифровая диагностика оборудования
Искусственный интеллект также применяется для создания прогностических моделей. Ученый Политехнического института ЮУрГУ, старший преподаватель кафедры технологии автоматизированного машиностроения факультета машиностроения Данил Пименов вместе с коллегами из Испании, Польши и Великобритании использовал эту технологию для прогнозирования отклонения от плоскостности с учетом износа зубьев торцевой фрезы.
– Отклонение от плоскостности – один из важнейших показателей качества обработанных плоских поверхностей. Поэтому целью международной команды ученых было получить прогностическую модель отклонений от плоскостности обработанной поверхности в процессе торцового фрезерования в зависимости от мощности главного привода станка с числовым программным управлением (ЧПУ) и с учетом изменения износа инструмента. Для экспериментов брали заготовки из углеродистой стали AISI 1045, аналогичной российской Стали 45. Это очень распространенный конструкционный материал, из которого изготавливают огромное количество всевозможных изделий для машиностроения, приборостроения, судостроения, – прокомментировал Данил Юрьевич.
Экспериментальные данные по торцовому фрезерованию были получены в инженерно-научно-образовательном центре ЮУрГУ на базе обрабатывающего центра Mori Seiki NMV 5000 CNC. На их основе создали прогностическую модель – такая задача стояла перед доктором Андресом Бустильо из Университета Бургоса (Испания). Наивысшую производительность показали такие методы машинного обучения (подраздел искусственного интеллекта), как Random Forest ensembles и техника балансировки Synthetic Minority Over-sampling Technique (SMOTE). Финальному этапу подготовки исследований способствовали профессор Войцех Каплонек из Кошалинского технологического университета (Польша) и Мозаммель Миа из Имперского колледжа Лондона (Великобритания).
– Результаты будут интересны инженерам-технологам, которые смогут узнать об ожидаемом отклонении от плоскостности поверхности заготовки. При этом установление новых датчиков не потребуется. В современные станки с числовым программным управлением (ЧПУ) встроена возможность отслеживания мощности главного привода. Модели предсказания параметров отклонения от плоскостности в процессе торцового фрезерования можно интегрировать в автоматизированные производственные системы для онлайн-мониторинга, – пояснил Данил Пименов.
Статья с результатами исследования, увидевшая свет в научном журнале Journal of Intelligent Manufacturing, входящем в первый квартиль, – уже вторая посвященная онлайн-мониторингу торцового фрезерования. В 2018 году исследователи создали прогностическую модель шероховатости обработанной поверхности, получающейся в процессе торцового фрезерования, а также проследили зависимость показателей от мощности главного привода станка и изменения износа инструмента. Публикация попала в топ-5 скачиваемых статей. Ученые намерены продолжить работу, которая выведет процесс обработки детали на производстве на новый уровень.
ЮУрГУ – участник Проекта 5-100, призванного повысить конкурентоспособность российских университетов среди ведущих мировых научно-образовательных центров.
Исследования в области новых технологий – в числе приоритетов Уральского межрегионального научно-образовательного центра мирового уровня «Передовые производственные технологии и материалы», который в настоящее время создается объединенными усилиями УрФУ, ЮУрГУ, КГУ и других региональных высших учебных заведений, Уральского отделения РАН, а также промышленных предприятий и правительств Челябинской, Свердловской и Курганской областей.