Применение двунаправленных сетей долгой краткосрочной памяти для определения износа режущего инструмента станков с числовым программным управлением в процессе эксплуатации

В процессе эксплуатации станков с числовым программным управлением (ЧПУ) контролируется достаточно большое число параметров, в том числе положение и параметры используемого оборудования, температура узлов станка, показания с датчиков вибрации и силы. Однако есть ряд параметров, значение которых нельзя отследить в ходе процесса производства с использованием станка. Одним из таких параметров является величина износа инструмента резания, которая может быть измерена лишь в периоды простоя станочного оборудования. При этом износ инструмента существенно влияет на качество результирующей поверхности. Эксплуатация инструмента с большим износом приводит к увеличению вибрации, шума, дополнительной нагрузке на другие узлы станка. Для решения проблемы оценки состояния износа инструмента резания имеет смысл использовать доступную оперативную информацию в качестве индикатора величины износа. В статье предложена реализация такого подхода путем оценки величины износа инструмента резания по данным вибрации шпинделя и сил резания. Для фиксации этой зависимости предложено использовать двунаправленные сети долгой краткосрочной памяти, поскольку этот тип нейронных сетей является одним из наиболее эффективных в задаче обработки данных больших временных рядов, проведено обучение и верификация нейронных сетей. Путем проверки на тестовой выборке выяснено, что предложенная модель позволяет определять износ инструмента с точностью 97.5 %, проведено сравнение показателей точности с другими известными в литературе методами оценки износа на основе технологий машинного обучения. Предложенный подход и модель оценки износа инструмента резания могут быть использованы в составе систем управления станков с ЧПУ.

1. Иващенко А.П. Методы и средства контроля состояния режущего инструмента. Международный журнал прикладных и фундаментальных исследований. 2015;12(3):393–396.

2. Масалимов К.А., Мунасыпов Р.А., Фецак С.И., Кудояров Р.Г. Диагностика состояния режущего инструмента металлорежущих станков с использованием двунаправленных рекуррентных нейронных сетей с долгой краткосрочной памятью. Научно-технический журнал СТИН. 2020;12:12–16.

3. Иванов В.А., Фещенко А.А. Особенности подходов к техническому обслуживанию и ремонту оборудования в непрерывном производстве. Вестник Пермского национального исследовательского политехнического университета. Машиностроение, материаловедение. 2018;20(3):82–89.

4. Фомина А.В., Мухин К.Ю. Индустрия 4.0. Основные понятия, преимущества и проблемы. Экономический вектор. 2018;3(14):33–38.

5. Кокорев Д.С., Юрин А.А. Цифровые двойники: понятие, типы и преимущества для бизнеса. Colloquium-journal. 2019;10(34):31–35. DOI: https://www.doi.org/10.24411/2520-6990-2019-10264

6. Omelchak A., Fecak S.I., Idrisova U.V. Dynamic Processes in a Мachine-Tool at High-Speed. DAAAM International Scientific Book. 2016:175–182.

7. Li Guofa et al. Tool wear state recognition based on gradient boosting decision tree and hybrid classification RBM. The International Journal of Advanced Manufacturing Technology. 2020;110:511–533. DOI: https://doi.org/10.1007/s00170-020-05890-x

8. Bergs Thomas et al. Digital image processing with deep learning for automated cutting tool wear detection. Procedia Manufacturing. 2020;48:947–958. DOI: https://doi.org/10.1016/j.promfg.2020.05.134.

9. Oo HtunHtun et al. Tool wear monitoring system in belt grinding based on image-processing techniques. The International Journal of Advanced Manufacturing Technology. 2020;111:2215-2229. DOI: https://doi.org/10.1007/s00170-020-06254-1

10. Lin Cheng-Jian et al. Using an Interval Type-2 Fuzzy Neural Network and Tool Chips for Flank Wear Prediction. IEEE Access. 2020;8:122626–122640. DOI: https://doi.org/10.1109/ACCESS.2020.3006849

11. Gajewski Jakub et al. Classification of wear level of mining tools with the use of fuzzy neural network. Tunnelling and Underground Space Technology. 2013;35:30–36. DOI: https://doi.org/10.1016/J.TUST.2012.12.002

12. Siami-Namini Sima et al. The Performance of LSTM and BiLSTM in Forecasting Time Series. 2019 IEEE International Conference on Big Data (Big Data). 2019:3285–3292. DOI: https://doi.org/10.1109/BigData47090.2019.9005997