An assessment of cutting abilities of boron nitride high porous wheels while pendulum grinding of elements made of titanium alloy VT20 using the artificial neural network

Cover Page

Cite item

Full Text

Abstract

The high porous wheels (HPW) made of cubic boron nitride (CBN) are used to improve the grinding efficiency of titanium alloys. The high dimensional pores in these tools allow to reduce the blunting on the HPW working surfaces and to avoid appearance of the grinding burns and cracks on the ground surfaces. In this paper the cutting ability (CA) of six HPW from CBN was carried out while grinding parts from VT20 alloy. The studied HPW have the constant grain B126, but their other characteristics were varied: by the CBN marks - from CBN30 to LCV 50, by the wheel hardness - from L (medium soft) to O (medium hard) and by the pore-forming agent - from KF25 to KF40. The CA of the tools are measured by the high-rise indicator (Ra, Rmax) and the stepping indicator of roughness (Sm) (GOST 25142-82). The analysis of the observations is leaded using statistical approaches, because the grinding process has a stochastic character. The nonparametric statistical method is used on the basis of the experimental data results of testing on the homoscedasticity and the normality of distributions. In this case, the measure of position is the medians and the measures of dispersion are the quartile latitude (QL). For the complex assessment of the HPW’s CA the simulation in the artificial neural network in «STATISTICA Neural Networks» package was carried out. By its results, it was established that the HPW LCV50 B126 100 MV K27-KF40 with a rating “very good” provides the highest surface quality in grinding flat parts of the VT20. Moreover it was found that the VT20 is ground better by the HPW made from the grain B126 with high grain strength 50, low hardness (L, M) and the most pore-forming (KF40). The «STATISTICA Neural Networks» package also has an option to predict the network sensitivity to input variables. In this case, the order of decreasing the influence on the quality assessment of the part surface are Ra, Rmax, QL(Rmax), QL(Sm), QL(Ra) and Sm.

About the authors

Ya. I Soler

Irkutsk National Research Technical University

Email: solera@istu.irk.ru
83, Lermontova st., Irkutsk, 664074, Russian Federation

D. S Mai

Irkutsk National Research Technical University

Email: mdsmm07@gmail.com
83, Lermontova st., Irkutsk, 664074, Russian Federation

V. L Nguyen

Irkutsk National Research Technical University

Email: nhatle007@gmail.com
83, Lermontova st., Irkutsk, 664074, Russian Federation

References

  1. Носенко В.А., Носенко С.В. Технология шлифования металлов: монография. - Старый Оскол: ТНТ, 2013. - 616 с. - ISBN 978-5-94178-373-1.
  2. Саютин Г.И., Татаринов И.П. Выбор материала круга при шлифовании титановых сплавов // Станки и инструмент. - 1985. - № 7. - С. 21-22.
  3. Кремень З.И., Зубарев Ю.М., Лебедев А.И. Высокопористые круги из эльбора и их применение при шлифовании высокопластичных сплавов // Металлообработка. - 2009. - № 3 (51). - С. 2-5.
  4. Ильин А.А., Колачев Б.А., Полькин И.С. Титановые сплавы: состав, структура, свойства: справочник. - М.: ВИЛС-МАТИ, 2009. - 520 с.
  5. Нгуен Д.М. Комплексное исследование задачи классификации с применением нечетких моделей и распределенных вычислений: дис. … канд. техн. наук: 05.13.18. - Иркутск, 2014. - 142 с.
  6. Солер Я.И., Нгуен М.Т. Поиск оптимальной зернистости нитридборовых кругов при плоском шлифовании деталей из стали 06Х14Н6Д2МВТ-Ш по микрорельефу поверхности в условиях моделирования нечеткой логики // Вестник МГТУ им. Н.Э. Баумана. Серия «Машиностроение». - 2015. - № 6. - C. 96-111. - doi: 10.18698/0236-3941-2015-6-96-111.
  7. Koushal K., Gour S. Mitra T. Advanced applications of neural networks and artificial intelligence: a review // International Journal of Information Technology and Computer Science. - 2012. - N 6. - P. 57-68. - doi: 10.5815/ijitcs.2012.06.08.
  8. Oludele A., Olawale J. Neural networks and its application in engineering // Proceedings of Informing Science & IT Education Conference (InSITE), Macon, GA, USA. - 2009. - P. 83-95.
  9. Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT / М.S. Nasr, М.A.E. Moustafa, H.E.S. Seif, G.E. Kobrosy // Alexandria Engineering Journal. - 2012. - Vol. 51, iss. 1. - P. 37-43. - doi: 10.1016/j.aej.2012.07.005.
  10. Dadvandipour S. Experimental applications of artificial neural networks in engineering processing system // Analecta. - 2014. - Vol. 8, N 2. - P. 28-33.
  11. Quintana G., Garcia-Romeu M.L., Ciurana J. Surface roughness monitoring application based on artificial neural networks for ball-end milling operations // Journal of Intelligent Manufacturing. - 2011. - Vol. 22, iss. 4. - P. 607-617. - doi: 10.1007/s10845-009-0323-5.
  12. Sick B. On-line and indirect tool wear monitoring in turning with artificial neural networks: a review of more than a decade of research // Mechanical Systems And Signal Processing. - 2002. - Vol. 16, iss. 4. - P. 487-546. - doi: 10.1006/mssp.2001.1460.
  13. Caydas U., Hascalik A. A study on surface roughness in abrasive waterjet machining process using artificial neural networks and regression analysis method // Journal of Materials Processing Technology. - 2008. - Vol. 202, iss. 1-3. - P. 574-582. - doi: 10.1016/j.jmatprotec.2007.10.024.
  14. Назарьева В.А. Сетевая модель выбора зернистости шлифовальных кругов с элементами использования систем искусственного интеллекта // СТИН. - 2016. - № 2. - С. 37-40.
  15. ГОСТ 53923-2010. Круги алмазные и из кубического нитрида бора (эльбора) шлифовальные. Технические условия. - Введ. 2010-12-11. - М.: Стандартинформ, 2010. - 32 с.
  16. ГОСТ 53922-2010. Порошки алмазные и из кубического нитрида бора (эльбора). Зернистость и зерновой состав шлифпорошков. Контроль зернового состава. - Введ. 2010-12-11. - М.: Стандартинформ, 2011. - 7 с.
  17. ГОСТ 25142-82. Шероховатость поверхности. Термины и определения. - Введ. 01.01.1983. - М.: Изд-во стандартов, 1982. - 22 с.
  18. Hollander M., Wolfe D.A. Nonparametric statistical methods. - 2nd ed. - New York: Wiley-Interscience, 1999. - 816 p. - ISBN 0-4711-9045-4. - ISBN 978-0471190455.
  19. Уилер Д., Чамберс Д. Статистическое управление процессами: оптимизация бизнеса с использованием контрольных карт Шухарта: пер. с англ. - М.: Альпина Бизнес Букс, 2009. - 409 с. - ISBN 978-5-9614-0832-4.
  20. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. - 2007. - № 1. - С. 20-29.
  21. Рудой Г.И. Выбор функции активации при прогнозировании нейронными сетями // Машинное обучение и анализ данных. - 2011. - Т. 1, № 1. - С. 16-39.
  22. Чижков А.В. Обучение искусственных нейронных сетей [Электронный ресурс] // Информатика, вычислительная техника и инженерное образование. - 2010. - № 1. - С. 3-7. - URL: http://digital-mag.tti.sfedu.ru/lib/1/2-2010-1.pdf (дата обращения: 20.05.2016).
  23. Шарстнев В.Л., Вардомацкая Е.Ю. Анализ возможностей нейронных сетей для прогнозирования задач легкой промышленности [Электронный ресурс] // Управление экономическими системами: электронный научный журнал. - 2007. - № 09. - С. 3-7. - URL: http://uecs.ru/uecs-09-92006/item/68-2011-03-21-07-11-44 (дата обращения: 20.05.2016).
  24. ГОСТ 2789-73. Шероховатость поверхности. Параметры, характеристики и обозначения. - Взамен ГОСТ 2789-1959; введ. 1975-11-01. - М.: Изд-во стандартов, 1973. - 10 с.

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

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).