Нейронносетевое моделирование процессов трения при резании

Кабалдин Ю.Г., Башков А.А., Иванов С.В., Замураев И.Д.

Нижегородский государственный технический университет им. Р.Е. Алексеева, Нижний Новгород

Ключевые слова: процесс резания, коэффициент трения, искусственная нейронная сеть, машинное обучение, цифровой двойник.

Аннотация. Проведено моделирование процесса трения при резании на основе искусственной нейронной сети (ИНС) и машинного обучения. Показано, что разработанные нейросетевые модели (цифровые двойники) трения при токарной обработке пригодны для их использования как в исследованиях, так и на практике, и имеют высокую точность. Трение существенно определяет износ режущего инструмента, шероховатость обработанной поверхности и вибрации при резании. Поэтому трение при резании представляет фундаментальную проблему. Однако определение коэффициента трения при резании требует значительного времени и оборудования. В настоящее время процессы трения и изнашивания инструмента при резании рассматриваются с позиции термодинамики открытых систем. В этой связи, в трибосистемах происходит накопление и рассеивание ΔUd энергии упругой деформации и Q тепла. Цель работы – разработать нейронносетевую модель процесса трения при резании и оценить адекватность предлагаемой модели. Задачи – определить параметры, оказывающие наибольшее влияние на коэффициент трения, составить структуру нейронной сети; обучить ИНС на полученных данных; сравнить точности прогнозирования при различных методах обучения.

Neural network modeling of friction processes during cutting

Kabaldin Yu.G., Bashkov A.A., Ivanov S.V., Zamuraev I.D.

Nizhny Novgorod State Technical University named after R.E. Alekseev, Nizhny Novgorod

Keywords: cutting process, coefficient of friction, artificial neural network, machine learning, digital twin.

Abstract. The modeling of the friction process during cutting based on an artificial neural network (INS) and machine learning is carried out. It is shown that the developed neural network models (digital twins) of friction during turning are suitable for their use both in research and in practice and have high accuracy. Friction significantly determines the wear of the cutting tool, the roughness of the treated surface and vibrations during cutting. Therefore, friction during cutting is a fundamental problem. Currently, the processes of friction and tool wear during cutting are considered from the standpoint of thermodynamics of open systems. In this connection, the accumulation and dispersion of the elastic deformation energy ΔUd and heat Q occurs in tribosystems. The purpose of the work is to develop a neural network model of the friction process during cutting and to assess the adequacy of the proposed model. The tasks are to determine the parameters that have the greatest impact on the coefficient of friction, to make up the structure of the neural network; train the INS on the received data; compare prediction accuracy with different training methods.