Predicting the Durability Period of a Metal Cutting Tool Based on a Neural Network
DOI:
https://doi.org/10.22213/2410-9304-2020-3-95-102Keywords:
tool durability period, neural network forecasting, multi-layer perceptronAbstract
The work is aimed at forecasting the period of metal cutting tool durability at specified parameters of the cutting mode. To solve the task, it is proposed to use a neural network model. A multilayer perceptron is suggested to be used as a neural network structure. The accumulated statistical data of the “ToolCabinet” system serve as a training sample when teaching the neural network model of forecasting. Input data of the neural network are the values of the cutting mode parameters (the type of the workpiece material, the value of the cutting depth during the technological operation, the value of feed during the technological operation, the value of the cutting speed) and values of the metal cutting insert design parameters specified on the insert marking according to ISO 1832-85. Software implementation of the proposed neural network is performed using the machine learning library “DeepLearning4J”.
At training of a neural network 5 training sub-samples were formed, each containing 20 % of the quantity of samples in the training set. The method of cross-checking was used to solve the problem of neural network retraining. We used a training sample with the total number of 500 records for a set of metal cutting tools consisting of 10 inserts. The experiments have shown the operability of the proposed approach. The work presents graphs showing the dependence of the predicted durability period on one of the cutting mode parameters.
The aim of the work is to increase the efficiency of metal cutting tool procurement planning.References
Райхельсон В. А. Обработка резанием сталей, жаропрочных и титановых сплавов с учетом их физико-механических свойств : монография. М. : Техносфера, 2018. 508 с.
Бибик В. Л. Методы прогнозирования стойкости режущих инструментов // Фундаментальные исследования. 2011. № 12-1. C. 81–84.
Сидорова Е. В. Прогнозирование стойкости твердосплавной режущей пластины с PVD-покрытием // Прогрессивные технологии и системы машиностроения. 2016. № 4 (55). С. 80–85.
Дядюра К. А., Нагорный В. В. Прогнозирование фактического ресурса режущего инструмента // Вибрация машин: измерение, снижение, защита. 2011. № 2. С. 20–25.
Абдурахманов М. Р., Шапарев А. В. Некоторые вопросы планирования операций обработки резанием // Современные исследования в сфере естественных, технических и физико-математических наук : сборник трудов конференции. Киров, 2018. С. 554–558.
Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб. : Питер, 2018. 480 с.
Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge, USA: MIT Press, 2016. URL: http://www.deeplearningbook.org (дата обращения: 01.06.2020).
Хайкин С. Нейронные сети: полный курс. М. : Вильямс, 2006. 1104 c.
Чуранкин В. Г., Медведев И. Д., Малахов И. И. Перспективы применения электронных инструментальных шкафов в ОАО «Омском моторостроительном КБ» // Информационные технологии в науке и производстве : сборник трудов конференции. Омск, 2015. С. 191–196.
Deep Learning for Java. URL: http://www.DeepLearning4j.org (дата обращения: 01.06.2020).
ООО «Элин». URL: https://elin.tiu.ru (дата об-ращения: 01.06.2020).
