eng
Выпуск #4/2024
Д. Н. Миронов, М. В. Вартанов
Применение роботизированного полирования плоских поверхностей в условиях ограниченного доступа инструмента
Применение роботизированного полирования плоских поверхностей в условиях ограниченного доступа инструмента
Просмотры: 578
DOI: 10.22184/2499-9407.2024.37.4.40.46
Проведен анализ возможностей применения роботизированного полирования плоских поверхностей при ограниченном доступе инструмента и определены рациональные режимы резания для достижения требуемого качества.
Проведен анализ возможностей применения роботизированного полирования плоских поверхностей при ограниченном доступе инструмента и определены рациональные режимы резания для достижения требуемого качества.
Теги: cutting modes force-moment sensor genetic algorithm neural networks robotic polishing генетический алгоритм нейронные сети режимы резания роботизированное полирование силомоментный датчик
Применение
роботизированного полирования плоских поверхностей
в условиях ограниченного доступа инструмента
Д. Н. Миронов, М. В. Вартанов
Проведен анализ возможностей применения роботизированного полирования плоских поверхностей при ограниченном доступе инструмента и определены рациональные режимы резания для достижения требуемого качества.
Введение
В настоящее время отсутствуют технологические инструкции на операции роботизированного полирования и рекомендации назначения режимов резания для обеспечения требуемой шероховатости. В производственных условиях назначение режимов обработки проводится на основе эмпирических знаний и результатов пробных экспериментов. Это обусловлено тем, что до настоящего времени аналитические решения для процесса роботизированного полирования отсутствуют.
Создание технологических регламентов назначения режимов резания на операции роботизированного полирования могло бы помочь технологам сократить трудоемкость определения рациональных технологических режимов и определить условия, обеспечивающие максимально возможную производительность. В связи с автоматизацией производства необходимость в регламентах на операцию роботизированного полирования очевидна. С помощью подобных рекомендаций возможно точное прогнозирование шероховатости поверхности, а также обеспечение стабильного качества поверхности детали.
Роботизированное полирование имеет ряд преимуществ в сравнении с ручной обработкой [1]. Операции отделочной обработки заготовок характеризуются большой трудоемкостью, поэтому роботизированная полировка становится все более предпочтительной благодаря ее способности обеспечивать стабильность качества поверхности при сокращении трудозатрат по сравнению со слесарными операциями [2, 3]. Режимы резания при полировании, учитывая зернистость инструмента, оказывают наибольшее влияние на формирование шероховатости [4], а наличие технологических регламентов на обработку позволило бы сократить время подготовки производства, исключив пробные эксперименты. Использование метода позиционно-силового управления для контроля силы в процессе полирования позволяет достичь высокой однородности поверхности, сводя к минимуму различные дефекты [5]. Развитие машинного обучения дало возможность использовать искусственный интеллект для повышения качества роботизированного полирования. С помощью нейронных сетей, на основе информации о факторах процесса, можно с высокой точностью прогнозировать шероховатость, что позволяет рационально назначать режимы резания [6]. Для построения модели полирования авторы используют информацию со всех датчиков робота, а количество факторов процесса резко возросло. Точность прогнозирования находится на высоком уровне при обучении нейронной сети, даже при наличии коррелирующих факторов. Эффективный подход представлен в исследовании [7]. Автор извлекает косвенную информацию с датчиков при роботизированном полировании для установления зависимостей в процессе обработки с помощью нейронной сети. Это позволило установить влияние сигналов, поступающих с датчиков, на качество поверхности, что показывает высокую обобщающую способность нейронных сетей. В работе [8] для установления рациональных режимов резания успешно применяется генетический алгоритм. В качестве метода нормализации данных перед обучением нейронной сети применяется метод максимума и минимума без проверки распределения данных. Недостаток данного метода известен – он не учитывает возможные выбросы данных, что может негативно сказаться на нормализованных данных. Основной объем исследований в области роботизированного полирования направлен на полирование наружных поверхностей. При обработке наружных поверхностей возможно применение разнообразного инструмента: т-образного, упругого (bonnet), магнитореологического, бесконечного полировального полотна и других, показанных на рис. 1 [1]. Поверхности с ограниченным доступом накладывают ограничения на используемый инструмент, что обусловлено доступом и положением инструмента относительно заготовки в процессе обработки.
Проведенный обзор известных работ позволил принять решение о разработке нейронной сети и генетического алгоритма с целью обеспечения стабильного качества и формирования технологических регламентов на операцию роботизированного полирования. Создана процедура построения нейронной сети и генетического алгоритма для прогнозирования шероховатости поверхности и назначения рациональных технологических режимов.
Моделирование процесса полирования и определение рациональных режимов резания
Цель создания нейронной сети (НС) – моделирование процесса роботизированного полирования для прогнозирования качества поверхности после обработки. Нейронная сеть (рис. 2) устанавливает зависимость шероховатости от входных данных, которыми являются факторы процесса полирования:
сила резания;
скорость вращения инструмента;
подача;
зернистость инструмента.
Для сбора статистических данных, на которых обучается нейронная сеть, проведены эксперименты согласно теории планирования полнофакторного эксперимента. Общее количество экспериментов – 800.
Все данные перед обучением проходят нормализацию, предобработку, позволяющую привести все числовые признаки к общей шкале, без потери информации об их изначальном диапазоне. В качестве метода нормализации применяется нормализация средним. Отличительной особенностью данного метода является чувствительность к выбросам данных, позволяющая более равномерно заполнить финальный диапазон. Характеристиками рассеяния служат средняя величина и дисперсия.
Процесс обучения нейронной сети подразумевает определение верных коэффициентов внутри сети, которые будут описывать процесс полирования. Для оценки эффективности модели вычисляется функция потерь – средняя абсолютная ошибка, значение которой находится как разность реального значения и прогнозируемого нейронной сетью. Тестирование эффективности нейронной сети происходит на заранее отделенных данных, которые не участвовали в процессе обучения.
Цель создания генетического алгоритма (ГА) (рис. 3) – подбор рациональных режимов резания для достижения требуемого качества поверхности при роботизированной обработке, основываясь на результатах модели процесса полирования построенной НС.
Первый шаг – реализация начальной популяции, состоящей из случайных параметров режимов резания. Размер популяции составляет 50 особей.
Критерий приспособленности индивидуумов – это шероховатость Ra. Он же является главным критерием качества поверхности при полировании. Значение шероховатости поверхности, которое будет получено в результате обработки поверхности с заданными параметрами процесса полирования, будет прогнозироваться с помощью модели процесса роботизированного полирования (нейронной сетью). Величина приспособленности вычисляется как квадратичная ошибка – разность полученной шероховатости и требуемой, возведенная в квадрат. Так реализуется объектная функция (1), которую ГА необходимо минимизировать, с целью приближения фактического результата к требуемому:
F = (Raтребуемое − Raфактическое)2,
где Raтребуемое – значение шероховатости, задаваемое оператором, Raфактическое – значение шероховатости, прогнозируемое моделью на основе нейронной сети.
Далее по оценке приспособленности происходят отбор, скрещивание и мутация индивидуумов. Если полученные режимы резания обеспечивают требуемую шероховатость, то происходит остановка цикла и фиксация результата.
На рис. 4 представлена схема взаимодействия нейронной сети и генетического алгоритма. Для получения режимов резания, которые обеспечат требуемое качество поверхности, оператором задается необходимое значение шероховатости, далее генетический алгоритм создает разнообразные режимы резания и получает прогнозы шероховатости поверхности по заданным режимам с помощью модели, построенной нейронной сетью. Оценивается приспособленность индивидов с использованием полученного значения шероховатости и далее происходит отбор. Когда определено рациональное решение, алгоритм выводит рекомендуемые режимы резания.
На рис. 5 (слева) представлена зависимость точности модели (НС). График отображает соответствие прогнозируемых значений реальным. График не отображает функцию модели роботизированного полирования, но наглядно показывает ее точность. На гистограмме рассеяния (справа) видно, что ошибка предсказанных значений варьируется от –0,4 до +0,25 мкм. Средняя абсолютная ошибка этой модели равна 0,149 мкм. Это значит, что в среднем при прогнозировании значения качества поверхности эта модель ошибается на 0,15 мкм. Хороший результат, учитывая, что погрешность измерения профилометра в среднем 7%, что при измерении Ra 0,63 составляет 0,05 мкм. Также стоит отметить, что точность модели при прогнозировании шероховатости в районе Ra 0,5 (область шероховатости, достигаемой на операциях полирования) выше, чем в других областях. График свидетельствует о том, что НС на достаточном уровне установила зависимости и модель качественно описывает процесс полирования.
В табл. 1 представлены рациональные режимы резания, определенные генетическим алгоритмом.
Анализ технологических возможностей полирования плоских поверхностей в условиях ограниченного доступа
В качестве объекта выбраны детали, имеющие плоские поверхности с ограниченным доступом. Съем ограничивается минимальным припуском на обработку, определяемым микронеровностями предыдущей операции. Точность взаимного расположения поверхностей не рассматривалась. Подобные поверхности встречаются в корпусах двигателей, авиационных насосов, редукторов, а также в пресс-формах.
Применение роботизированного полирования поверхностей с ограниченным доступом рассматривалось на примере корпуса авиационного насоса (рис. 6). Трудоемкость слесарных операций одного корпуса плунжерного авиационного насоса в условиях ПАО АК РУБИН составляет от 4,5 до 6 ч.
Анализ действующего технологического процесса
В данном корпусе присутствуют две плоские поверхности с затрудненным доступом инструмента (показаны зеленым цветом на рис. 6). Предшествующая операция согласно технологическому процессу – чистовая фрезерная обработка, обеспечивающая шероховатость Ra 1,25 мкм.
Согласно технологическому процессу, рабочему слесарного участка необходимо обработать поверхность А (выделена зеленым цветом), не нарушая геометрию поверхности, при этом выдерживая шероховатость Ra 0,63 мкм. Для этого необходимо жестко закрепить деталь на верстаке, после чего выбрать подходящую насадку на бормашину и провести обработку поверхности до получения требуемой шероховатости. Контроль шероховатости проводится по образцам шероховатости (ГОСТ 9378‑93) путем сравнения образца и обрабатываемой поверхности.
В качестве инструмента при выполнении операции используется вилообразная оправка, на которую наматывается шлифовальное полотно. Величина намотанного полотна позволяет варьировать диаметр инструмента для возможности обработки прилегающих радиусов скругления. Недостатки данного метода обработки заключаются в свободном крае шлифовального полотна, который задевает прилегающие поверхности. Также отсутствует жесткое закрепление инструмента, что приводит к неравномерному съему припуска и трудности поддержания постоянного усилия резания в процессе обработки.
Постановка задачи
Технологическая задача заключается в отсутствии стабильности обработки поверхности. Это вызвано человеческим фактором – невозможностью обеспечения стабильного выполнения операции при большом числе влияющих факторов:
угол наклона инструмента;
усилие в контакте;
стабильность величины подачи инструмента по поверхности.
При ручной обработке эти параметры процесса трудно выдерживать постоянными в конкретном диапазоне, что приводит к нарушению технологической надежности операции. Необходимость использования образцов шероховатости как средства контроля качества выполнения операции вызвана большим количеством деталей и отсутствием возможности контролировать шероховатость поверхности каждой детали на профилометре. Недостатки данного подхода заключаются в том, что контроль осуществляется визуально, что не обеспечивает стабильности качества поверхности.
Задача заключается в обеспечении стабильного качества при получении требуемой шероховатости на операции полирования. В связи с большой трудоемкостью операции отделочной обработки корпусов насосов, применение роботизированного полирования на данной операции сократит время производственного цикла и снизит нагрузку на рабочих слесарного участка. Быстрая переналаживаемость роботизированной установки положительно отразится при производстве большой номенклатуры изделий.
Практическое применение технологического регламента при полировании плоских поверхностей с ограниченным доступом
Предложенное решение заключается в применении роботизированного полирования на данной операции с режимами резания, выбранными генетическим алгоритмом на основе нейронной сети. Использование роботизированной установки в процессе полирования позволяет обеспечить стабильные режимы резания как в процессе обработки одной детали, так и при обработке всей партии заготовок.
Для того чтобы определить рациональные технологические режимы резания для получения требуемой шероховатости (в данном случае Ra 0,63 мкм), в работе предложено использование генетического алгоритма, который на основе модели (НС) определяет рациональные технологические режимы.
В лаборатории «Средства автоматизации и промышленные роботы» Московского Политеха была смонтирована экспериментальная установка (рис. 7). В экспериментальных исследованиях применялся робот ABB IRB‑140Т. Точность позиционирования робота составляет ±0,03 мм, грузоподъемность до 6 кг, а радиус активного действия ограничен 810 мм. Робот был дооснащен электрошпинделем, мощность которого составляет 0,8 кВт, а максимальная частота вращения шпинделя до 24 000 об. / мин. На робот был установлен шестикомпонентный силомоментный датчик Schunk axia80 zc22. Для получения значений шероховатости в ходе эксперимента использовался профилометр модели 170623 (ТУ 2.034.5748542.46-04). Обрабатываемый материал – АК6 (ГОСТ 4784‑97).
Для проведения экспериментов была разработана специальная оправка для закрепления шлифовального полотна (рис. 8). Разжимная оправка позволяет пользоваться шлифовальными втулками разной зернистости. При необходимости шлифовальное полотно закрепляется на демпфирующую клейкую основу.
В табл. 2 показаны режимы резания, рекомендуемые для обеспечения требуемой шероховатости.
Шероховатость поверхности, полученная при проведении обработки по рекомендуемым режимам резания, составила Ra 0,74 мкм. На рис. 9 представлена профилограмма обработанной поверхности.
Разница между прогнозируемым значением и фактическим составляет 0,1 мкм, что соответствует погрешности модели.
Заключение
В данной статье рассмотрена возможность применения роботизированного полирования плоскостей в условиях ограниченного доступа. Разработанные технологические рекомендации позволяют повысить эффективность обработки, снизить затраты времени и ресурсов, а также обеспечить требуемое качество поверхности.
Применение роботизированных систем в обработке труднодоступных плоскостей позволяет перейти к их автоматизации, способствует повышению производительности, снижению нагрузки на слесарные участки.
Рациональные режимы резания, назначенные на основе модели процесса полирования, имеют в среднем погрешность в 0,15 мкм, что является приемлемым результатом.
Результаты исследования могут быть полезны для практического применения на производственных предприятиях. Дальнейшие исследования в этой области будут сосредоточены на расширении количества факторов модели процесса полирования и повышении точности прогнозирования шероховатости.
Литература
Ke X. et al. Review on robot-assisted polishing: Status and future trends // Robotics and Computer-integrated manufacturing. 2023. Т. 80. С. 102482.
Wang K. et al. A Methodology to Support Robotic Polishing of Molds Integrated with CAD/CAM // Journal of Advanced Manufacturing Systems. 2023. С. 1–42.
Chen Y. T., Liu M., Cao Z. C. Effect of Robot Motion Accuracy on Surface Form during Computer-Controlled Optical Surfacing Process //Applied Sciences. 2022. Т. 12. № 23. С. 12301.
Шварц А. И., Миронов Д. Н., Вартанов М. В. Методы подавления вибраций при роботизированной обработке // СТАНКОИНСТРУМЕНТ. 2023. № 3(032). С. 34–41.
Mahamed H., Duan J., Dai Z. An automatic control of robotic polishing for a compound surface composed of a plane and curved parts. 2023.
Schneckenburger M. et al. Material removal predictions in the robot glass polishing process using machine learning //SN Applied Sciences. 2022. Т. 4. № 1. С. 33.
Segreto T., Karam S., Teti R. Signal processing and pattern recognition for surface roughness assessment in multiple sensor monitoring of robot-assisted polishing //The International Journal of Advanced Manufacturing Technology. 2017. Т. 90. № 1. С. 1023–1033.
Khalick Mohammad A. E., Hong J., Wang D. Polishing of uneven surfaces using industrial robots based on neural network and genetic algorithm // The International Journal of Advanced Manufacturing Technology. 2017. Т. 93. С. 1463–1471.
Авторы
Миронов Дмитрий Николаевич – аспирант кафедры «Технологии и оборудование машиностроения» Московского политехнического университетА
Вартанов Михаил Владимирович – доктор технических наук, профессор кафедры «Технологии и оборудование машиностроения» Московского политехнического университета
роботизированного полирования плоских поверхностей
в условиях ограниченного доступа инструмента
Д. Н. Миронов, М. В. Вартанов
Проведен анализ возможностей применения роботизированного полирования плоских поверхностей при ограниченном доступе инструмента и определены рациональные режимы резания для достижения требуемого качества.
Введение
В настоящее время отсутствуют технологические инструкции на операции роботизированного полирования и рекомендации назначения режимов резания для обеспечения требуемой шероховатости. В производственных условиях назначение режимов обработки проводится на основе эмпирических знаний и результатов пробных экспериментов. Это обусловлено тем, что до настоящего времени аналитические решения для процесса роботизированного полирования отсутствуют.
Создание технологических регламентов назначения режимов резания на операции роботизированного полирования могло бы помочь технологам сократить трудоемкость определения рациональных технологических режимов и определить условия, обеспечивающие максимально возможную производительность. В связи с автоматизацией производства необходимость в регламентах на операцию роботизированного полирования очевидна. С помощью подобных рекомендаций возможно точное прогнозирование шероховатости поверхности, а также обеспечение стабильного качества поверхности детали.
Роботизированное полирование имеет ряд преимуществ в сравнении с ручной обработкой [1]. Операции отделочной обработки заготовок характеризуются большой трудоемкостью, поэтому роботизированная полировка становится все более предпочтительной благодаря ее способности обеспечивать стабильность качества поверхности при сокращении трудозатрат по сравнению со слесарными операциями [2, 3]. Режимы резания при полировании, учитывая зернистость инструмента, оказывают наибольшее влияние на формирование шероховатости [4], а наличие технологических регламентов на обработку позволило бы сократить время подготовки производства, исключив пробные эксперименты. Использование метода позиционно-силового управления для контроля силы в процессе полирования позволяет достичь высокой однородности поверхности, сводя к минимуму различные дефекты [5]. Развитие машинного обучения дало возможность использовать искусственный интеллект для повышения качества роботизированного полирования. С помощью нейронных сетей, на основе информации о факторах процесса, можно с высокой точностью прогнозировать шероховатость, что позволяет рационально назначать режимы резания [6]. Для построения модели полирования авторы используют информацию со всех датчиков робота, а количество факторов процесса резко возросло. Точность прогнозирования находится на высоком уровне при обучении нейронной сети, даже при наличии коррелирующих факторов. Эффективный подход представлен в исследовании [7]. Автор извлекает косвенную информацию с датчиков при роботизированном полировании для установления зависимостей в процессе обработки с помощью нейронной сети. Это позволило установить влияние сигналов, поступающих с датчиков, на качество поверхности, что показывает высокую обобщающую способность нейронных сетей. В работе [8] для установления рациональных режимов резания успешно применяется генетический алгоритм. В качестве метода нормализации данных перед обучением нейронной сети применяется метод максимума и минимума без проверки распределения данных. Недостаток данного метода известен – он не учитывает возможные выбросы данных, что может негативно сказаться на нормализованных данных. Основной объем исследований в области роботизированного полирования направлен на полирование наружных поверхностей. При обработке наружных поверхностей возможно применение разнообразного инструмента: т-образного, упругого (bonnet), магнитореологического, бесконечного полировального полотна и других, показанных на рис. 1 [1]. Поверхности с ограниченным доступом накладывают ограничения на используемый инструмент, что обусловлено доступом и положением инструмента относительно заготовки в процессе обработки.
Проведенный обзор известных работ позволил принять решение о разработке нейронной сети и генетического алгоритма с целью обеспечения стабильного качества и формирования технологических регламентов на операцию роботизированного полирования. Создана процедура построения нейронной сети и генетического алгоритма для прогнозирования шероховатости поверхности и назначения рациональных технологических режимов.
Моделирование процесса полирования и определение рациональных режимов резания
Цель создания нейронной сети (НС) – моделирование процесса роботизированного полирования для прогнозирования качества поверхности после обработки. Нейронная сеть (рис. 2) устанавливает зависимость шероховатости от входных данных, которыми являются факторы процесса полирования:
сила резания;
скорость вращения инструмента;
подача;
зернистость инструмента.
Для сбора статистических данных, на которых обучается нейронная сеть, проведены эксперименты согласно теории планирования полнофакторного эксперимента. Общее количество экспериментов – 800.
Все данные перед обучением проходят нормализацию, предобработку, позволяющую привести все числовые признаки к общей шкале, без потери информации об их изначальном диапазоне. В качестве метода нормализации применяется нормализация средним. Отличительной особенностью данного метода является чувствительность к выбросам данных, позволяющая более равномерно заполнить финальный диапазон. Характеристиками рассеяния служат средняя величина и дисперсия.
Процесс обучения нейронной сети подразумевает определение верных коэффициентов внутри сети, которые будут описывать процесс полирования. Для оценки эффективности модели вычисляется функция потерь – средняя абсолютная ошибка, значение которой находится как разность реального значения и прогнозируемого нейронной сетью. Тестирование эффективности нейронной сети происходит на заранее отделенных данных, которые не участвовали в процессе обучения.
Цель создания генетического алгоритма (ГА) (рис. 3) – подбор рациональных режимов резания для достижения требуемого качества поверхности при роботизированной обработке, основываясь на результатах модели процесса полирования построенной НС.
Первый шаг – реализация начальной популяции, состоящей из случайных параметров режимов резания. Размер популяции составляет 50 особей.
Критерий приспособленности индивидуумов – это шероховатость Ra. Он же является главным критерием качества поверхности при полировании. Значение шероховатости поверхности, которое будет получено в результате обработки поверхности с заданными параметрами процесса полирования, будет прогнозироваться с помощью модели процесса роботизированного полирования (нейронной сетью). Величина приспособленности вычисляется как квадратичная ошибка – разность полученной шероховатости и требуемой, возведенная в квадрат. Так реализуется объектная функция (1), которую ГА необходимо минимизировать, с целью приближения фактического результата к требуемому:
F = (Raтребуемое − Raфактическое)2,
где Raтребуемое – значение шероховатости, задаваемое оператором, Raфактическое – значение шероховатости, прогнозируемое моделью на основе нейронной сети.
Далее по оценке приспособленности происходят отбор, скрещивание и мутация индивидуумов. Если полученные режимы резания обеспечивают требуемую шероховатость, то происходит остановка цикла и фиксация результата.
На рис. 4 представлена схема взаимодействия нейронной сети и генетического алгоритма. Для получения режимов резания, которые обеспечат требуемое качество поверхности, оператором задается необходимое значение шероховатости, далее генетический алгоритм создает разнообразные режимы резания и получает прогнозы шероховатости поверхности по заданным режимам с помощью модели, построенной нейронной сетью. Оценивается приспособленность индивидов с использованием полученного значения шероховатости и далее происходит отбор. Когда определено рациональное решение, алгоритм выводит рекомендуемые режимы резания.
На рис. 5 (слева) представлена зависимость точности модели (НС). График отображает соответствие прогнозируемых значений реальным. График не отображает функцию модели роботизированного полирования, но наглядно показывает ее точность. На гистограмме рассеяния (справа) видно, что ошибка предсказанных значений варьируется от –0,4 до +0,25 мкм. Средняя абсолютная ошибка этой модели равна 0,149 мкм. Это значит, что в среднем при прогнозировании значения качества поверхности эта модель ошибается на 0,15 мкм. Хороший результат, учитывая, что погрешность измерения профилометра в среднем 7%, что при измерении Ra 0,63 составляет 0,05 мкм. Также стоит отметить, что точность модели при прогнозировании шероховатости в районе Ra 0,5 (область шероховатости, достигаемой на операциях полирования) выше, чем в других областях. График свидетельствует о том, что НС на достаточном уровне установила зависимости и модель качественно описывает процесс полирования.
В табл. 1 представлены рациональные режимы резания, определенные генетическим алгоритмом.
Анализ технологических возможностей полирования плоских поверхностей в условиях ограниченного доступа
В качестве объекта выбраны детали, имеющие плоские поверхности с ограниченным доступом. Съем ограничивается минимальным припуском на обработку, определяемым микронеровностями предыдущей операции. Точность взаимного расположения поверхностей не рассматривалась. Подобные поверхности встречаются в корпусах двигателей, авиационных насосов, редукторов, а также в пресс-формах.
Применение роботизированного полирования поверхностей с ограниченным доступом рассматривалось на примере корпуса авиационного насоса (рис. 6). Трудоемкость слесарных операций одного корпуса плунжерного авиационного насоса в условиях ПАО АК РУБИН составляет от 4,5 до 6 ч.
Анализ действующего технологического процесса
В данном корпусе присутствуют две плоские поверхности с затрудненным доступом инструмента (показаны зеленым цветом на рис. 6). Предшествующая операция согласно технологическому процессу – чистовая фрезерная обработка, обеспечивающая шероховатость Ra 1,25 мкм.
Согласно технологическому процессу, рабочему слесарного участка необходимо обработать поверхность А (выделена зеленым цветом), не нарушая геометрию поверхности, при этом выдерживая шероховатость Ra 0,63 мкм. Для этого необходимо жестко закрепить деталь на верстаке, после чего выбрать подходящую насадку на бормашину и провести обработку поверхности до получения требуемой шероховатости. Контроль шероховатости проводится по образцам шероховатости (ГОСТ 9378‑93) путем сравнения образца и обрабатываемой поверхности.
В качестве инструмента при выполнении операции используется вилообразная оправка, на которую наматывается шлифовальное полотно. Величина намотанного полотна позволяет варьировать диаметр инструмента для возможности обработки прилегающих радиусов скругления. Недостатки данного метода обработки заключаются в свободном крае шлифовального полотна, который задевает прилегающие поверхности. Также отсутствует жесткое закрепление инструмента, что приводит к неравномерному съему припуска и трудности поддержания постоянного усилия резания в процессе обработки.
Постановка задачи
Технологическая задача заключается в отсутствии стабильности обработки поверхности. Это вызвано человеческим фактором – невозможностью обеспечения стабильного выполнения операции при большом числе влияющих факторов:
угол наклона инструмента;
усилие в контакте;
стабильность величины подачи инструмента по поверхности.
При ручной обработке эти параметры процесса трудно выдерживать постоянными в конкретном диапазоне, что приводит к нарушению технологической надежности операции. Необходимость использования образцов шероховатости как средства контроля качества выполнения операции вызвана большим количеством деталей и отсутствием возможности контролировать шероховатость поверхности каждой детали на профилометре. Недостатки данного подхода заключаются в том, что контроль осуществляется визуально, что не обеспечивает стабильности качества поверхности.
Задача заключается в обеспечении стабильного качества при получении требуемой шероховатости на операции полирования. В связи с большой трудоемкостью операции отделочной обработки корпусов насосов, применение роботизированного полирования на данной операции сократит время производственного цикла и снизит нагрузку на рабочих слесарного участка. Быстрая переналаживаемость роботизированной установки положительно отразится при производстве большой номенклатуры изделий.
Практическое применение технологического регламента при полировании плоских поверхностей с ограниченным доступом
Предложенное решение заключается в применении роботизированного полирования на данной операции с режимами резания, выбранными генетическим алгоритмом на основе нейронной сети. Использование роботизированной установки в процессе полирования позволяет обеспечить стабильные режимы резания как в процессе обработки одной детали, так и при обработке всей партии заготовок.
Для того чтобы определить рациональные технологические режимы резания для получения требуемой шероховатости (в данном случае Ra 0,63 мкм), в работе предложено использование генетического алгоритма, который на основе модели (НС) определяет рациональные технологические режимы.
В лаборатории «Средства автоматизации и промышленные роботы» Московского Политеха была смонтирована экспериментальная установка (рис. 7). В экспериментальных исследованиях применялся робот ABB IRB‑140Т. Точность позиционирования робота составляет ±0,03 мм, грузоподъемность до 6 кг, а радиус активного действия ограничен 810 мм. Робот был дооснащен электрошпинделем, мощность которого составляет 0,8 кВт, а максимальная частота вращения шпинделя до 24 000 об. / мин. На робот был установлен шестикомпонентный силомоментный датчик Schunk axia80 zc22. Для получения значений шероховатости в ходе эксперимента использовался профилометр модели 170623 (ТУ 2.034.5748542.46-04). Обрабатываемый материал – АК6 (ГОСТ 4784‑97).
Для проведения экспериментов была разработана специальная оправка для закрепления шлифовального полотна (рис. 8). Разжимная оправка позволяет пользоваться шлифовальными втулками разной зернистости. При необходимости шлифовальное полотно закрепляется на демпфирующую клейкую основу.
В табл. 2 показаны режимы резания, рекомендуемые для обеспечения требуемой шероховатости.
Шероховатость поверхности, полученная при проведении обработки по рекомендуемым режимам резания, составила Ra 0,74 мкм. На рис. 9 представлена профилограмма обработанной поверхности.
Разница между прогнозируемым значением и фактическим составляет 0,1 мкм, что соответствует погрешности модели.
Заключение
В данной статье рассмотрена возможность применения роботизированного полирования плоскостей в условиях ограниченного доступа. Разработанные технологические рекомендации позволяют повысить эффективность обработки, снизить затраты времени и ресурсов, а также обеспечить требуемое качество поверхности.
Применение роботизированных систем в обработке труднодоступных плоскостей позволяет перейти к их автоматизации, способствует повышению производительности, снижению нагрузки на слесарные участки.
Рациональные режимы резания, назначенные на основе модели процесса полирования, имеют в среднем погрешность в 0,15 мкм, что является приемлемым результатом.
Результаты исследования могут быть полезны для практического применения на производственных предприятиях. Дальнейшие исследования в этой области будут сосредоточены на расширении количества факторов модели процесса полирования и повышении точности прогнозирования шероховатости.
Литература
Ke X. et al. Review on robot-assisted polishing: Status and future trends // Robotics and Computer-integrated manufacturing. 2023. Т. 80. С. 102482.
Wang K. et al. A Methodology to Support Robotic Polishing of Molds Integrated with CAD/CAM // Journal of Advanced Manufacturing Systems. 2023. С. 1–42.
Chen Y. T., Liu M., Cao Z. C. Effect of Robot Motion Accuracy on Surface Form during Computer-Controlled Optical Surfacing Process //Applied Sciences. 2022. Т. 12. № 23. С. 12301.
Шварц А. И., Миронов Д. Н., Вартанов М. В. Методы подавления вибраций при роботизированной обработке // СТАНКОИНСТРУМЕНТ. 2023. № 3(032). С. 34–41.
Mahamed H., Duan J., Dai Z. An automatic control of robotic polishing for a compound surface composed of a plane and curved parts. 2023.
Schneckenburger M. et al. Material removal predictions in the robot glass polishing process using machine learning //SN Applied Sciences. 2022. Т. 4. № 1. С. 33.
Segreto T., Karam S., Teti R. Signal processing and pattern recognition for surface roughness assessment in multiple sensor monitoring of robot-assisted polishing //The International Journal of Advanced Manufacturing Technology. 2017. Т. 90. № 1. С. 1023–1033.
Khalick Mohammad A. E., Hong J., Wang D. Polishing of uneven surfaces using industrial robots based on neural network and genetic algorithm // The International Journal of Advanced Manufacturing Technology. 2017. Т. 93. С. 1463–1471.
Авторы
Миронов Дмитрий Николаевич – аспирант кафедры «Технологии и оборудование машиностроения» Московского политехнического университетА
Вартанов Михаил Владимирович – доктор технических наук, профессор кафедры «Технологии и оборудование машиностроения» Московского политехнического университета
Отзывы читателей
