Тип работы:
Предмет:
Язык работы:


Определение параметров процесса обработки на основе искусственного интеллекта с помощью нейронных сетей

Работа №104164

Тип работы

Бакалаврская работа

Предмет

машиностроение

Объем работы70
Год сдачи2022
Стоимость4390 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
25
Не подходит работа?

Узнай цену на написание


Введение 3
1 Обзор механизмов износа и способов его контроля 7
1.1 Анализ механизмов износа 7
1.2 Анализ методов и средств контроля 13
1.3 Сигналы диагностики 16
1.4 Нейросетевое моделирование 20
1.5 Типы нейронных сетей 28
2 Методика проведения эксперимента 30
2.1 Описание исходных данных 30
2.2 Обработка сигнала 31
2.3 Использование для процесса диагностики нейронных сетей 32
3 Экспериментальное исследование износа инструмента 35
3.1 Изображения резца 35
3.2 Звуковые файлы 38
3.3 Анализ сигнала 39
3.4 Формирование нейронных сетей 42
4 Технология изготовления вала 44
4.1 Анализ исходных данных 44
4.2 Анализ технологичности 44
4.3 Выбор заготовки 45
4.4 Разработка маршрута 46
4.5 Проектирование операции 47
5 Безопасность и экологичность технического объекта 51
5.1 Конструктивно-технологическая характеристика объекта 51
5.2 Идентификация профессиональных рисков 52
5.3 Методы и технические средства снижения рисков 52
5.4 Обеспечение пожарной безопасности объекта 53
5.5 Обеспечение экологической безопасности технического объекта 54
6 Экономическая эффективность работы 56
Заключение 62
Список используемых источников 63
Приложение А. Маршрутные карты 67
Приложение Б. Операционная карта

Современные технологии изготовления деталей широко используют так называемые цифровые двойники. По сути, они представляют собой математические модели элементов и процессов технологической системы. Отличительной особенностью цифрового двойника является комплексный подход к описанию процесса обработки с рассмотрением отдельных физических процессов резания, трения, нагрева, электромагнитных явлений. Добавляется параллельное моделирование с использованием разных математических методов, которое включает численное решение систем дифференциальных уравнений, в том числе методом конечных элементов, методы нейросетевого моделирования и нечеткой логики и тому подобное.
Возможности современного аппаратного и программного обеспечения позволяют проводить такое комплексное моделирование в режиме реального времени. Это обеспечивает оперативное управление и оптимизацию осуществляемых процессов обработки.
Задачи, которые при этом решаются, отличаются многообразием. Это повышение производительности, точности, снижение затрат, повышение надежности работы инструмента и оборудования. Для этого используются информационные сигналы, которые получают с различных датчиков, которые могут быть как встроенными элементами в конструкции технологической системы, так и добавлены дополнительно в ходе модернизации станков.
В результате получается многоканальная управляющая система, в рамках которой необходимо из большого количества информационных данных получить полезную информацию, на основе которой можно корректировать ход технологической операции. Для этого необходимо обеспечить поступление соответствующих данных по процессу резания с заданной периодичностью, обработку этих данных по заданному алгоритму и генерирование необходимого сигнала о смене инструмента.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


В представленной работе приведены результаты исследования износа режущего инструмента и связанные с ним изменения информационных сигналов, полученных из звукового сигнала, снятого с микрофона, который записывал шум, возникающий в ходе обработки. Полученные данные были обработаны статистически, из них полученные базовые статистические параметры, которые использовались для определения степени износа. Для верификации предложенной методики был использован метод непосредственного контроля степени износа, получаемый на реальном объекте и на изображении фаски режущего инструмента.
Фотография задней поверхности инструмента обрабатывалась с выделением контура фаски износа.
Получены статистические регрессионные зависимости степени износа от входных параметров, в качестве которых выступали режимы резания, а также набор количественных характеристик вибрационного и звукового сигналов. Кроме этого использовались методы машинного обучения в частности, нейросетевое моделирование с использованием нейронной сети с обратным распространением сигнала. Сформированная нейронная сеть модели износа позволяет сформировать алгоритм контроля износа режущей пластины с учетом технологических параметров.
Для примера использования такой диагностической системы спроектирован процесс изготовления вала из коррозионностойкого материала. Использование системы диагностики позволит обеспечить максимальное использование ресурса инструмента со снижением процента брака. Своевременное вмешательство в ход процесса в случае критического состояния инструмента обеспечивает повышение точности и качества обработки. Это дает экономию на расходах на инструментальное обеспечение и снижает технологическую себестоимость изготовления вала.



1. Агамалов, О.Н Оценка технического состояния
электрооборудования в реальном масштабе времени методом нейро- нечеткой идентификации/ О.Н. Агамалов// Exponenta Pro. - 2003.-№2.-С.52- 58.
2. Алейников Д.П., Лукьянов А.В. Моделирование сил резания и определение вибродиагностических признаков дефектов концевых фрез // Системы. Методы. Технологии. 2017. № 1 (33). С. 39-47.
3. Бурдо Г.Б., Адерорхо К.И. Анализ методов диагностики состояния режущей кромки инструмента // Наука, техника и образование. 2016. № 12 (30). С. 47-51.
4. Выбор состава и структуры износостойких наноструктурных
покрытий для твердосплавного режущего инструмента на основе квантово-механического моделирования : учеб. пособие / Ю. Г. Кабалдин, О. В. Кретинин, Д. А. Шатагин, Е. Е. Власов. - Москва : Инновационное машиностроение, 2017. - 216 с. : ил. - (Для вузов). - URL: https://e.lanbook.com/book/107158(дата обращения: 02.03.2020). - Режим
доступа: Электронно-библиотечная система "Лань". - ISBN 978-5-9500364-6¬0. - Текст : электронный. URL: https://e4anbook.com/book/107158
5. Грубый, С. В. Физические закономерности процесса изнашивания твердосплавных и алмазных инструментов : учеб. пособие / С. В. Грубый. - Москва : Изд-во МГТУ им. Н.Э. Баумана, 2013. - 128 с. : ил. - URL: https://e.lanbook.com/book/52259(дата обращения: 24.01.2020). - Режим доступа: Электронно-библиотечная система "Лань". - ISBN 978-5-7038-3671¬2. - Текст : электронный. URL: https://e4anbook.com/book/52259
6. Зубкова Н.В. Методическое указание к экономическому обоснованию курсовых и дипломных работ по совершенствованию технологических процессов механической обработки деталей (для студентов специальностей 120100 / Н.В. Зубкова, - Тольятти : ТГУ, 2015. - 46 с.
7. Леоненков, А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH/ А.В.Леоненков. - Спб.:БХВ-Петербург, 2003. - 736 с.
8. Либерман Я. Л. Диагностика состояния режущего инструмента в процессе обработки : [учебное пособие] / Я. Л. Либерман, Ю. И. Тулаев. - ВУЗ/изд. - Екатеринбург : БКИ, 2005. - 78 с. : ил. - Библиогр.: с. 76-77. - ISBN 5-7851-0555-1 : 50-00. - Текст : непосредственный.
9. Изюмов А.И., Бессонов Ф.Е. Контроль и диагностика износа режущего инструмента при фрезерной обработке // В книге: Актуальные проблемы науки и техники. 2019. Материалы национальной научно-практической конференции. 2019. С. 638-639.
10. Кабалдин Ю.Г., Лаптев И.Л., Шатагин Д.А., Зотов В.О., Серый С.В. Диагностика износа режущего инструмента на основе фрактального и вейвлет-анализа с использованием искусственного интеллекта в режиме реального времени с возможностью удаленного доступа // Труды НГТУ им. Р.Е. Алексеева. 2013. № 5 (102). С. 183-189.
11. Козлов А.А., Аль-Джонид Х. Диагностика и прогнозирование износа режущего инструмента в реальном времени // Современные материалы, техника и технологии. 2017. № 4 (12). С. 17-21
12. Мамонов М.Ю. Обнаружение и предупреждение поломки инструмента на современных станках с ЧПУ // Фундаментальные и прикладные проблемы техники и технологии. 2011. № 2-2 (286). С. 131-136.
13. Мартинова Л.И., Григорьев А.С., Соколов С.В. Диагностика и прогноз износа режущего инструмента в процессе обработки на станках с ЧПУ // Автоматизация в промышленности. 2010. № 5. С. 46-50.
14. Медведев, В.С. Нейронные сети. Matlab 6/ В.С. Медведев, В.Г.Потемкин. Издательство: Диалог МИФИ - 2002 . - 496 с.
15. Михайлов А. В. Технологические основы обеспечения качества изготовления деталей в машиностроении : учеб. пособие для вузов / А. В.
Михайлов, О. И. Драчев, А. Г. Схиртладзе ; Министерство образования РФ ; ТГУ. - Гриф УМО. - Тольятти : ТГУ, 2004. - 164 с. : ил. - Библиогр.: с. 162¬164. - ISBN 5-8259-0191-4 : 81-58. - Текст : непосредственный.
16. Никишечкин А.П. Структура и алгоритм адаптации нейросетевой системы управления процессом металлообработки // Вестник МГТУ Станкин. 2015. № 1 (32). С. 87-91.
17. Оссовский, С. Нейронные сети для обработки информации/С. Оссовский - Издательство: Финансы и статистика М. 2002 .-345 с.
18. Остапчук А.К., Михалищев А.Г., Вагина А.И. Вибрационная диагностика износа режущего инструмента // Новая наука: Теоретический и практический взгляд. 2017. Т. 2. № 3. С. 110-112.
19. Повышение эффективности процессов механообработки на
основе подходов искусственного интеллекта и нелинейной динамики : учеб. пособие / Ю. Г. Кабалдин, О. В. Кретинин, Д. А. Шатагин, А. М. Кузьмишина. - Москва : Инновационное машиностроение, 2018. - 184 с. : ил. - (Для вузов). - URL: https://e.lanbook.com/book/107165(дата обращения: 05.03.2020). - Режим доступа: Электронно-библиотечная система "Лань". - ISBN 978-5-6040281-1-7. - Текст : электронный.
URL: https:ZZe.lanbook.com/book/107165
20. Сигеру Омату. Нейроуправление и его приложения. Кн.2/ Омату Сигеру, Марзуки Халид, Рубия Юслф. - М.: ИПРЖР, 2000. - 272 с.
21. Терехов, В.А. Нейросетевые системы управления/ В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. - М.: Высш. шк. 2002. - 183 с.
22. Тугенгольд, А.К. Интеллектуальное управление станков по состоянию элементов технологической системы/А.К. Тугенгольд, В.А. Герасимов, Е.А. Лукьянов//СТИН. - 1997.-№3.- С.7-13.
23. Туркин И.А., Вяликов И.Л., Сыроватка В.Н. Диагностика износа инструмента по анализу спектра его деформаций // В мире научных открытий. 2010. № 4-4 (10). С. 67-69.
24. Штовба, С.Д. Проектирование нечетких систем средствами MATLAB/С.Д. Штовба . - М.: Горячая линия - Телеком, 2007. - 288 с.
25. Altintas Y., Week M. Chatter stability of metal cutting and grinding, CIRP Annals 53(2), 619-642 (2004)
26. Ghosh N., Ravi Y.B., Patra A., Mukhopadhyay S. Estimation of tool wear during CNC milling using neural network-based sensor fusion, Mechanical Systems and Signal Processing 21 (1) (2007) 466-479.
27. Haber R.E., Jime'nez J.E., Peres C.R., Alique J.R. An investigation of tool wear monitoring in a high-speed machining process, Sensors and Actuators A: Physical 116 (3) (2004) 539-545.
28. Scheffer C., Kratz H., Heyns P.S., Klocke F., Development of a tool wear monitoring system for hard turning, International Journal of Machine Tools and Manufacture 43 (10) (2003) 973-985.
29. Tlusty J. Manufacturing Processes and Equipment (Prentice Hall, Eglewood Cliffs 2000)
30. Tonshoff, H. K. , Wolfsberg, J. P. , Kals, H. J. J. , Konig, W., and Luttervelt, C. A. , 1988, Developments and Trends in Monitoring and Control of Machining Process, CIRP Ann. 0007-8506, 37(2), pp. 611-622.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2023 Cервис помощи студентам в выполнении работ