Determination of optimal coordinates for switching processing cycles on metal-cutting machines

Cover Page

Cite item

Full Text

Abstract

Introduction. One of the ways to improve the efficiency of processing on machines is to coordinate the CNC program with the changing properties of the dynamic cutting system. If this takes into account the tool wear and the associated with it changes in the parameters of the dynamic cutting system, then the cutting speed to ensure the minimum wear rate is reduced along the cutting path. The corresponding feed rate is reduced even faster, since it is necessary to ensure a constant deformation displacement of the tool relative to the workpiece. The evolution of the properties of the cutting process (for matching with which the trajectories of the operating elements of the machine are corrected) depends on the power of irreversible transformations of the energy supplied to cutting. This reduces the processing efficiency. Therefore, a new for the considered subject area problem of determining the coordinates of the tool movement relative to the workpiece is formulated, starting from which further processing is economically inexpedient. In this case, it is necessary, after processing the next part, to ensure the replacement of the tool and carry out its changeover. Subject. A metal-cutting machine of a turning group, the trajectories of the executive elements of which are controlled, for example, by a CNC system. The purpose of the work. Mathematical simulation and methods for determining the coordinates at which it is necessary to replace the tool. Method and methodology. The necessary conditions for the optimality of determining these coordinates are proved. Mathematical tools are provided that allow calculating the coordinates at which the given manufacturing costs take the minimum value according to the given trajectories. The probabilistic characteristics of evolutionary trajectories are taken into account. Results and discussions. The analysis of the efficiency of using the technique in industry depending on the cost of the machine and tool together with its replacement and readjustment is given. The proven optimality conditions and the given mathematical tools complement the knowledge about the optimization of controlled machining processes on machines. Conclusions. The results of the study show new options for the organization of tool replacement, aimed at improving the efficiency of processing by software methods using a CNC system.

About the authors

V. L. Zakovorotny

Email: vzakovorotny@dstu.edu.ru
D.Sc. (Engineering), Professor, Don State Technical University, 1 Gagarin square, Rostov-on-Don, 344000, Russian Federation, vzakovorotny@dstu.edu.ru

V. E. Gvindjiliya

Email: sinedden@yandex.ru
Don State Technical University, 1 Gagarin square, Rostov-on-Don, 344000, Russian Federation, sinedden@yandex.ru

References

  1. Haken H. Information and self-organization: a macroscopic approach to complex systems. – Amsterdam: Elsevier, 2006. – 258 p. – ISBN 978-3-540-33021-9. – doi: 10.1007/3-540-33023-2.
  2. Prigogine I., George C. The second law as a selection principle: the microscopic theory of dissipative processes in quantum systems // Proceedings of the National Academy of Sciences of the United States of America. – 1983. – Vol. 80. – P. 4590–4594.
  3. Колесников А.А. Прикладная синергетика: основы системного синтеза. – Таганрог: ЮФУ, 2007. – 384 с.
  4. Заковоротный В.Л., Флек М.Б., Угнич Е.А. Модель управления современным предприятием на основе системно-синергетического подхода // Экономическая наука современной России. – 2016. – № 4 (75). – С. 112–128.
  5. Заковоротный В.Л., Шаповалов В.В. Динамика транспортных трибосистем // Сборка в машиностроении, приборостроении. – 2005. – № 12. – С. 19–24.
  6. Рыжкин А.А. Синергетика изнашивания инструментальных материалов при лезвийной обработке. – Ростов н/Д.: Донской гос. техн. ун-т, 2019. – 289 с. – ISBN 978-5-7890-1669-5.
  7. Мигранов М.Ш. Исследования изнашивания инструментальных материалов и покрытий с позиций термодинамики и самоорганизации // Известия вузов. Машиностроение. – 2006. – № 11. – С. 65–71.
  8. Заковоротный В.Л., Гвинджилия В.Е. Связь самоорганизации динамической системы резания с изнашиванием инструмента // Известия вузов. Прикладная нелинейная динамика. – 2020. – Т. 28, № 1. – С. 46–61. – doi: 10.18500/0869-6632-2020-28-1-46-61.
  9. Zakovorotny V.L., Gvindjiliya V.E. Еvolution of the dynamic cutting system with irreversible energy transformation in the machining zone // Russian Engineering Research. – 2019. – Vol. 39, N 5. – P. 423–430. – doi: 10.3103/S1068798X19050204.
  10. Заковоротный В.Л., Гвинджилия В.Е. Влияние динамики резания на выбор технологических режимов, обеспечивающих минимальное изнашивание режущих инструментов // Обработка металлов (технология, оборудование, инструменты). – 2020. – Т. 22, № 4. – С. 54–70. – doi: 10.17212/1994-6309-2020-22.4-54-70.
  11. Лапшин В.П., Христофорова В.В., Носачев С.В. Взаимосвязь температуры и силы резания с износом и вибрациями инструмента при токарной обработке металлов // Обработка металлов (технология, оборудование, инструменты). – 2020. – Т. 22, № 3. – C. 44–58. – doi: 10.17212/1994-6309-2020-22.3-44-58.
  12. Abdel-Aal H.A. Thermodynamic modeling of wear // Encyclopedia of Tribology. – Boston, MA: Springer, 2013. – P. 3622–3636. – doi: 10.1007/978-0-387-92897-5_1313.
  13. Duyun T.A., Grinek A.V., Rybak L.A. Methodology of manufacturing process design, providing quality parameters and minimal costs // World Applied Sciences Journal. – 2014. – Vol. 30 (8). – P. 958–963. – doi: 10.5829/idosi.wasj.2014.30.08.14120.
  14. Mukherjee I., Ray P.K. A review of optimization techniques in metal cutting processes // Computers and Industrial Engineering. – 2006. – Vol. 50, N 12. – P. 15–34. – DOI: /10.1016/j.cie.2005.10.001.
  15. Каримов И.Г. Влияние температуры резания на энергетические параметры контакта инструмента с деталью // Вестник УГАТУ. – 2012. – Т. 16, № 44 (49). – С. 85–89.
  16. Non-equilibrium work distribution for interacting colloidal particles under friction / J.R. Gomez-Solano, C. July, J. Mehl, C. Bechinger // New Journal of Physics. – 2015. – Vol. 17. – P. 045026. – doi: 10.1088/1367-2630/17/4/045026.
  17. Banjac M. Friction and wear processes-thermodynamic approach // Tribology in Industry. – 2014. – Vol. 36, N 4. – P. 341–347.
  18. Патент 2538750 Российская Федерация. Способ определения оптимальной скорости резания в процессе металлообработки / Козочкин М.П., Федоров С.В., Терешин М.В. – № 2013123625/02; заявл. 23.05.2013; опубл. 10.01.2015.
  19. Зариктуев В.Ц. Автоматизация процессов на основе положения об оптимальной температуре резания // Вестник УГАТУ. – 2009. – Т. 12, № 4. – С. 14–19.
  20. Begic-Hajdarevic D., Cekic A., Kulenovic M. Experimental study on the high speed machining of hardened steel // Procedia Engineering. – 2014. – Vol. 69. – P. 291–295. – doi: 10.1016/j.pro-eng.2014.02.234.
  21. Flushing strategies for high performance, efficient and environmentally friendly cutting / P. Blau, K. Busch, M. Dix, C. Hochmuth, A. Stoll, R. Wertheim // Procedia CIRP. – 2015. – Vol. 26. – P. 361–366. – doi: 10.1016/j.procir.2014.07.058.
  22. Chin C.-H., Wang Y.-C., Lee B.-Y. The effect of surface roughness of end-mills on optimal cutting performance for high-speed machining // Strojniski Vestnik = Journal of Mechanical Engineering. – 2013. – Vol. 52 (2). – P. 124–134. – doi: 10.5545/sv-jme.2012.677.
  23. Kant G., Sangwan K.S. Prediction and optimization of machining parameters for minimization power consumption and surface roughness in machining // Journal of Cleaner Production. – 2014. – Vol. 83. – P. 151–164. – doi: 10.1016/j.jclepro.2014.07.073.
  24. Рыжкин А.А. Синергетические аспекты управления износостойкостью инструментальных режущих материалов // Динамика технических систем: XII международная научно-техническая конференция: сборник трудов. – Ростов н/Д., 2016. – С. 9–10.
  25. Соломенцев Ю.М., Митрофанов В.Г., Тимирязев В.А. Адаптивное управление технологическими процессами на металлорежущих станках. – М.: Машиностроение, 1980. – 536 с.
  26. Базров Б.М. Повышение эффективности механической обработки деталей с помощью систем адаптивного управления. – М.: ЦНИИТЕИлегпищемаш, 1976. – 67 с.
  27. Сосонкин В.Л., Мартинов Г.М. Новейшие тенденции в области архитектурных решений систем ЧПУ // Автоматизация в промышленности. – 2005. – № 4. – С. 3–9.
  28. Brzhozovsky B.M., Yankin I.N., Brovkova M.B. Сontrolling the oscillatory process composition in machining by correcting the exciting force structure in the cutting zone // Procedia Engineering. – 2016. – Vol. 150. – P. 241–246. – doi: 10.1016/j.proeng.2016.06.755.
  29. Neural network approach for automatic image analysis of cutting edge wear / T. Mikolajczyk, K. Nowicki, A. Klodowski, D.Y. Pimenov // Mechanical Systems and Signal Processing. – 2017. – Vol. 88. – P. 100–110. – doi: 10.1016/j.ymssp.2016.11.026.
  30. Martinov G.M., Pushkov R.L., Evstafieva S.V. Collecting diagnostic operational data from CNC machines during operation process // IOP Conference Series: Materials Science and Engineering. – 2020. – Vol. 709, N 3. – P. 033051. – doi: 10.1088/1757-899X/709/3/033051.
  31. Martinov G., Martinova L., Ljubimov A. From classic CNC systems to cloud-based technology and back // Robotics and Computer-Integrated Manufacturing. – 2020. – Vol. 63. – doi: 10.1016/j.rcim.2019.101927.
  32. Martinov G., Kozak N., Nezhmetdinov R. Approach in implementing of logical task for numerical control on basis of concept "Industry 4.0" // 2018 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). – Moscow, Russia, 2018. – P. 1–6. – doi: 10.1109/ICIEAM.2018.8728584.
  33. Kozlov A.M., Malyutin G.E., Handozhko A.V. Performance increase of precision volumetric milling on machines based on frame-accurate control // Procedia Engineering. – 2017. – Vol. 206. – P. 1111–1119. – doi: 10.1016/j.proeng.2017.10.603.
  34. Tool condition monitoring in turning using statistical parameters of vibration signal / H. Arslan, A.O. Er, S. Orhan, E. Aslan // International Journal of Acoustics and Vibration. – 2016. – Vol. 21, N 4. – P. 371–378. – doi: 10.20855/ijav.2016.21.4432.
  35. Математическая теория оптимальных процессов / Л.С. Понтрягин, В.Г. Болтянский, Р.В. Гамкрелидзе, Е.Ф. Мищенко. – М.: Наука, 1969. – 384 с.
  36. Болтянский В.Г. Моделирование линейных оптимальных быстродействий при помощи релейных схем // Доклады Академии наук СССР. – 1961. – Т. 139, № 2. – С. 275–278.
  37. Zakovorotny V.L., Bordatchev E.V., Sankar T.S. Variational formulation for optimal multi-cycle deep drilling of small holes // Journal of Dynamic Systems, Measurement and Control, Transactions of the ASME. – 1997. – Vol. 119, N 3. – P. 553–560. – doi: 10.1115/1.2801293.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».