Использование технологических шаблонов для определения прогнозной трудоемкости изготовления деталей на токарных станках с ЧПУ

S S Kugaevskii; A V Bogoyavlensky

doi:10.22213/2413-1172-2024-1-26-35

Authors

S. S. Kugaevskii Ural Federal University named after the first President of Russia B.N. Yeltsin
A. V. Bogoyavlensky Ural Federal University named after the first President of Russia B.N. Yeltsin

DOI:

https://doi.org/10.22213/2413-1172-2024-1-26-35

Keywords:

labor intensity forecasting, feature based manufacturing, technological templates

Abstract

The article considers the use of technological templates for calculating the predictive labor intensity of machining. The processing of parts of the “sleeve” type on CNC lathes is considered. The process of determining the predictive labor intensity of structural and technological elements (features) of a part is implemented as an applied CAD module. At the same time, the contour of previously recognized features in the form of an electronic 2D model and a table of processed surface parameters are fed to the module input. The use of technological algorithms becomes possible due to the preliminary automatic feature recognition, which is implemented as a module of the considered CAD. At the recognition stage, various types of features are classified (flat end, open area, semi-open area, closed area, and thread). The result of recognition is the contour of individual features, consisting of individual segments of straight lines and arcs of circles and specified in the form of standard G-codes. The article describes the principle of developing new mathematical models of technological templates for feature data processing. Technological templates include automatic selection of cutting tools from the user base, selection of a toolpath strategy and selection of processing modes. This takes into account the location of the contours relative to the axis of the part (internal and external), and for closed areas, their geometric type is taken into account (undercut, groove, groove for thread exit, end undercut, and etc.). Such decision-making algorithm detailing is necessary because the choice of tool and toolpath depends on it. In order to take into account the part properties, the coefficient of labor intensity of materials is introduced. Further, technological templates include algorithms that use feature contours described in the form of G-codes to generate a control program (NC) for a CNC machine. To determine the labor intensity, a standard NC-simulation module is used. The results of model adaptation for the current production type are obtained.

Author Biographies

S. S. Kugaevskii, Ural Federal University named after the first President of Russia B.N. Yeltsin

PhD in Engineering, Associate Professor

A. V. Bogoyavlensky, Ural Federal University named after the first President of Russia B.N. Yeltsin

PhD in Engineering, Associate Professor

References

Завьялов А. В., Замураев О. Е., Орлов Ю. А. Методика повышения производительности растачивания отверстий на станках с ЧПУ // Научно-технический вестник Поволжья. 2019. № 4. С. 56-58.

Жмурин В. В., Хрячкова В. В. Управление технологическим процессом обработки нержавеющих сталей и промышленная апробация методики назначения режимов резания // Известия Тульского государственного университета. Технические науки. 2021. № 11. С. 580-587. DOI: 10.24412/2071-6168-2021-11-580-587

Ракунов Ю. П., Абрамов В. В., Ракунов А. Ю. Исследование режущих свойств отечественных твердых сплавов для унифицированного инструмента и выбор пары материалов при точении жаропрочных сплавов // Прогрессивные технологии и системы машиностроения. 2022. № 2(77). С. 74-85.

Калинин А. Л., Попов А. П. Специфика эксплуатационных параметров режущих инструментов при обработке машиностроительных деталей // Наукосфера. 2023. № 10-2. С. 138-142.

Ракунов Ю. П., Абрамов В. В., Ракунов А. Ю. Критерии обрабатываемости труднообрабатываемых материалов, оптимизация инструмента и режимов резания в прецизионном групповом производстве // Станкоинструмент. 2021. № 4. С. 62-72.

Ракунов Ю. П., Абрамов В. В., Ракунов А. Ю. Теоретические и эмпирические предпосылки определения режимов оптимального резания металлов и сплавов унифицированными резцами // Прогрессивные технологии и системы машиностроения. 2019. № 3(66). С. 61-68.

Петряева И. А. Многокритериальная оптимизация режимов резания в условиях переменности действующих ограничений // Прогрессивные технологии и системы машиностроения. 2021. № 4(75). С. 81-86.

Адаптация метода управления режимами резания к промышленным условиям / Е. М. Фролов, А. В. Рогачев, В. Г. Фадеев, С. С. Семеняка // Известия Волгоградского государственного технического университета. 2021. № 1(248). С. 38-41. DOI: 10.35211/1990-5297-2021-1-248-38-41

Повышение эффективности точения титановых сплавов / С. А. Тимофеев, А. В. Савилов, А. С. Пятых, П. С. Брызгунова // Вестник современных технологий. 2022. № 2(26). С. 4-9.

Лобанов Д. В., Купцов М. В. Этапы создания автоматизированного комплекса для систематизации и выбора режущего инструмента // Вестник современных технологий. 2020. № 2(18). С. 14-18.

Кугаевский С. С., Уколов С. С. Определение прогнозной трудоемкости изготовления деталей на токарных станках с ЧПУ с помощью распознавания конструктивно-технологических элементов // Вестник ИжГТУ имени М. Т. Калашникова. 2023. Т. 26, № 2. С. 60-68. DOI: 10.22213/2413-1172-2023-2-60-68

Рычков Д. А., Смирнова Д. А. Система автоматизированной разработки технологических процессов с элементами оптимизации // Системы. Методы. Технологии. 2022. № 4(56). С. 30-35. DOI: 10.18324/2077-5415-2022-4-30-35

Лебедев А. Металлообработка на станках с ЧПУ: как начать выпускать продукцию мирового уровня // САПР и графика. 2019. № 4. С. 64-67.

Зинченко Д. Прямое редактирование импортированных моделей и проектирование ЧПУ-обработки в системе ADEM // САПР и Графика. 2019. № 1. С. 22-25.

Кугаевский С. С. Сколько стоит механообработка // САПР и графика. 2020. № 5(283). С. 20-21.

Zhang Z., Jaiswal P., Rai R. (2018) Feature Net: Machining feature recognition based on 3D Convolution Neural Network, Computer-Aided Design, 101, 12-22. https://doi.org/10.1016/j.cad.2018.03.006

Ippei Takaishi, Satoshi Kanai, Hiroaki Date and Hideyoshi Takashima (2020) Free-Form Feature Classification for Finite Element Meshing-based on Shape Descriptors and Machine Learning.Computer-Aided Design and Applications, 17(5), 1049-1066. DOI: 10.14733/cadaps.2020.1049-1066

Yang Shi, Yicha Zhang, Kaishu Xia, Ramy Harik (2020) A Critical Review of Feature Recognition Techniques.Computer-Aided Design and Applications, 17(5), 861-899. DOI: 10.14733/cadaps.2020.861-899

Юрченко В. В., Кибеко А. С. Анализ и пути совершенствования систем автоматизации нормирования производственного процесса // Universum: технические науки. 2018. № 3(48). С. 5-7.

Михалев О. Н., Янюшкин А. С. Автоматизация технологических процессов на основе нейронной сети // Автоматизация. Современные технологии. 2022. Т. 76, № 4. С. 147-152. DOI: 10.36652/0869-4931-2022-76-4-147-152