Московский государственный технический университет имени Н. Э. Баумана, Москва, Россия

Е. Н. Малышев, заведующий кафедрой, канд. техн. наук, доцент, эл. почта: malen@bmstu.ru

Калужский государственный университет имени К. Э. Циолковского, Калуга, Россия

Е. А. Лошкарева, доцент, канд. техн. наук

Приведен статистический анализ наработки между отказами дисковых фрез с металлокерамическими зубьями при разделке проката из стали 45. Показано, что фактическая наработка инструмента между отказами зависит от параметров элементов технологической системы, а разброс значений наработки является характеристикой вариативности значений этих параметров и процесса резания в целом. Для анализа фактической наработки инструмента предложен накопительный подход к сбору и обработке данных, который позволяет оперативно сделать адекватные выводы о характере и параметрах распределений значений этих данных, не дожидаясь окончательного формирования выборок заранее назначенных объемов. Предложенный подход основан на явлении статистической устойчивости, когда значения статистик становятся предсказуемыми по мере и в ходе испытаний, многократно воспроизводимых при неизменных условиях. Статистическая обработка практических данных о фактической наработке фрез между отказами выполнена на основе распределений Гаусса и Вейбулла. Показано, что значения различных характеристик распределений приобретают устойчивость с разной интенсивностью. На примере показано, что модели, построенные на основе распределения Вейбулла, позволяют адекватно описывать вариативность наработки между отказами металлорежущего инструмента при почти в 2 раза меньшем объеме данных, чем модели, построенные на основе распределения Гаусса, даже если априори известна нормальность характера распределения генеральной совокупности анализируемых данных. Указано, что при таком подходе максимально быстрое получение адекватной информации о фактической наработке инструмента позволяет оперативно принимать организационно-технологические меры по предотвращению и/или снижению возможных ошибок и потерь.

1. Анцев А. В., Пасько Н. И., Анцева Н. В. Оптимизация скорости резания и замены инструмента при обработке черных металлов с учетом разброса периода стойкости // Черные металлы. 2019. № 5. С. 41–46.
2. Yang Z., Changfu L., Xinli Y., Yu Q. Tool wear mechanism, monitoring and remaining useful life (RUL) technology based on big data: a review // SN Applied Sciences. 2022. Vol. 4. P. 1–24.
3. Equeter L., Ducobu F., Dehombreux P. Cutting tools replacement: toward a holistic framework // IFAC-PapersOnLine. 2020. Vol. 53. P. 227–232.
4. Lu B., Luo Y. A dynamic condition-based maintenance policy for heterogeneouswearing tools with considering product quality deterioration // International Journal of Production Research. 2024. Vol. 62, Iss. 19. P. 7096–7113.
5. Протасьев В. Б., Плахотникова Е. В., Литвинова И. В. Методика оценки состояния производственных систем по критерию «сигнал/шум» на примере технологических процессов изготовления продукции из прутковых заготовок // Черные металлы. 2018. № 6. С. 20–25.
6. Муратов К. Р. Влияние жесткой и фрикционной кинематической связи в контакте инструмент-деталь на равномерность износа инструмента // СТИН. 2015. № 9. С. 23–26.

7. Уткин Е. Ф. Оценка влияния деформационных процессов в контактируемых зонах обрабатываемого и инструментального материалов на износ режущего инструмента // Известия Волгоградского государственного технического университета. 2007. № 3. Т. 1. С. 132–134.
8. Кушнер В. С., Жавнеров А. Н., Удодова А. В. Повышение режущих свойств инструмента при обработке резанием жаропрочных сплавов // Омский научный вестник. 2011. № 2. С. 20–23.
9. Макаренко К. В., Толстяков А. Н. Исследование стойкости многогранных неперетачиваемых пластин при токарной обработке термически упрочненной стали 40Х2Н2МА // Вестник Брянского государственного технического университета. 2018. № 6. С. 11–15.
10. Верещака А. А., Хожаев О. Повышение эксплуатационных характеристик инструмента из безвольфрамовых твердых сплавов с помощью наноструктурированных многослойно-композиционных покрытий // Вестник Брянского государственного технического университета. 2014. № 3. С. 20–25.
11. Лесков А. В., Власов В. В. Математическая статистика в технологии производства машиностроительной продукции : учебное пособие. — Чита : ЗабГУ, 2023. — 119 с.
12. Пасько Н. И., Анцев А. В., Анцева Н. В., Сальников С. В. Комплексная модель износа режущего инструмента и пример ее применения для оптимизации режима профилактики // Известия ТулГУ. Технические науки. 2015. № 11-1. С. 192–202.
13. Баранов А. Н., Баранова Е. М. Методика учета физического износа оборудования в процессе контроля качества изделий на стадии их производства // Известия Тульского государственного университета. Технические науки. 2017. № 10. С. 118–126.
14. Said C., Xi K., Kircalial A., Hari R. et al. The application of statistical quality control methods in predictive maintenance 4.0: an unconventional use of statistical process control (SPC) charts in health monitoring and predictive analytics // Advances in Asset Management and Condition Monitoring. Smart Innovation, Systems and Technologies. 2020. Vol. 166. P. 1–13.
15. Lara de Leon M. A., Kolarik J., Byrtus R. Tool condition monitoring methods applicable in the metalworking process // Archives of Computational Methods in Engineering. 2023. Vol. 31. P. 221–242.
16. Умеров Э. Д. Статистические исследования стойкости режущего инструмента при сверлении конструкционных сталей // Вестник современных технологий. 2023. № 3. С. 8–16.
17. Colantonio L., Equeter L., Dehombreux P., Ducobu F. A systematic literature review of cutting tool wear monitoring in turning by using artificial intelligence techniques // Machines. 2021.Vol. 9. P. 1–54.
18. Korn G. A., Korn T. M. Mathematical handbook for scientists and engineers: definitions, theorems, and formulas for reference and review. — Mineola, New York : Dover Publications, Inc., 2000. — 1130 p.
19. Zaretalab A., Sharifi M., Taghipour S. Machining condition-based stochastic modeling of cutting tool’s life // The International Journal of Advanced Manufacturing Technology. 2020. Vol. 111. P. 1–15.
20. Zaretalab A., Haghighi S., Mansour S., Sajadieh M. An integrated stochastic model to optimize the machining condition and tool maintenance policy in the multi-pass and multi-stage machining // International Journal of Computer Integrated Manufacturing. 2020. Vol. 33. P. 1–18.
21. ГОСТ Р 50779.27–2017. Статистические методы. Распределение Вейбулла. Анализ данных. — Введ. 01.12.2018.
22. Albassam M., Ahsan-ul-Haq M., Aslam M. Weibull distribution under indeterminacy with applications // AIMS Mathematics. 2023. Vol. 8, Iss. 5. P. 10745–10757.