Интеллектуальное планирование многопроходной электроэрозионной обработки

Интеллектуальное планирование для многоходовой электроэрозионной обработки

Генерация и оптимизация условий многоходовой электроэрозионной обработки (EDM) могут быть ускорены с помощью технологий интеллектуального планирования, что позволяет быстро составлять оптимальные графики обработки.

Проблемы многоходовой электроэрозионной обработки

Многоходовая электроэрозионная обработка — это необходимая техника, сочетающая скорость обработки и качество поверхности. Её основное преимущество заключается в том, что грубая обработка позволяет экономить время, а многоходовая EDM удаляет шероховатости и поврежденные слои, оставленные грубой обработкой, достигая высокого качества поверхности. Однако эта техника сталкивается с несколькими проблемами:

1. Разнообразие параметров
   Параметры обработки (например, ток, длительность импульса) значительно влияют на эффективность и качество обработки. Неправильный выбор параметров может привести к низкой скорости удаления материала или неудовлетворительной шероховатости поверхности.

2. Компромисс между эффективностью и качеством
   Повышение эффективности часто ухудшает качество. Например, слишком высокий ток может привести к увеличению толщины переплавленного слоя, что сокращает срок службы и снижает качество форм.

3. Необходимость измерения параметров для каждого прохода
   Требуется проводить эксперименты для записи времени обработки, зазоров, шероховатости поверхности и толщины поврежденного слоя на каждом проходе. Из-за большого разнообразия параметров количество экспериментальных комбинаций может быть чрезмерным. Методология экспериментов Тагучи помогает сократить количество комбинаций.

Механизм работы интеллектуального планирования

Интеллектуальное планирование — это метод, основанный на алгоритмах оптимизации, который строит математические модели и использует точное целочисленное программирование для быстрого нахождения оптимальных комбинаций параметров обработки. Его основа заключается в преобразовании требований к эффективности и качеству в математические целевые функции и ограничения, решаемые с помощью инструментов оптимизации. Этот метод широко применяется в производстве для оптимизации распределения задач и планирования и помогает повысить производительность и снизить затраты в условиях многоходовой обработки.

Методика исследования и экспериментальная разработка

Данное исследование сосредоточено на оптимизации обработки стали SKD11 с использованием графитового электрода. Основные этапы включают:

1. Сбор данных и построение модели
   Проведены 64 эксперимента при фиксированном напряжении 128 В для записи влияния параметров на скорость удаления материала (MRR), износ электрода (EWR), шероховатость поверхности (Ra), толщину переплавленного слоя (RL) и зазоры обработки.

2. Построение и решение модели
   Разработана программа для интеллектуального планирования на Python, в которой используется решатель Gurobi для построения линейной программной модели. Целевая функция — минимизация общего времени обработки, с учетом следующих ограничений:

   • Каждому этапу обработки должен быть назначен ровно один набор параметров.
   • Каждый параметр может быть использован только для одного этапа обработки.
   • Общая глубина обработки должна быть равна целевой глубине за вычетом зазора последнего этапа.
   • Показатель VDI предыдущего этапа должен быть выше, чем у последующего.
   • Боковой зазор на первом этапе не должен превышать одностороннее уменьшение электрода.
   • Показатель VDI последнего этапа должен соответствовать или быть лучше заданного качества поверхности.
   • Глубина обработки плюс зазор на каждом этапе должны превышать зазор на предыдущем этапе.

Целевая функция определяет минимизацию времени обработки по всем этапам.

Анализ результатов и технологические прорывы

Применение интеллектуального планирования не только улучшило эффективность многоходовой обработки, но и позволило достичь значительных успехов в качестве обработки. Основные результаты включают:

1. Баланс между скоростью удаления материала и шероховатостью поверхности
   Эксперименты показали, что увеличение тока низкого напряжения и длительности импульса приводит к росту скорости удаления материала, но в определенных условиях она может снижаться. Модель интеллектуального планирования эффективно избегает таких комбинаций параметров, обеспечивая стабильную скорость удаления материала.

2. Точный контроль толщины переплавленного слоя
   Толщина переплавленного слоя является важным фактором, влияющим на производительность продукта. В данном исследовании оптимизация позволила удержать толщину переплавленного слоя на уровне менее 10 микрон, что удовлетворяет требованиям к долговечности форм.

3. Проверка точности модели
   Прогнозируемое время обработки модели отличалось от экспериментальных результатов менее чем на 6%, что демонстрирует надежность интеллектуального планирования в прогнозировании времени обработки.

Выводы и перспективы

Интеллектуальное планирование является важным решением для преодоления проблем многоходовой электроэрозионной обработки. Благодаря математическому моделированию и алгоритмам оптимизации оно позволяет быстро находить оптимальные комбинации параметров обработки, повышая производительность и стабилизируя качество обработки. Эта технология помогает интеллектуальным производственным системам сокращать время обработки.

Перспективы на будущее: с развитием технологий интеллектуального производства оптимизация планирования может углубляться в интеллектуальные системы:

1. Расширение на другие материалы
   Распространение интеллектуального планирования на обработку высокопрочных материалов, таких как карбид вольфрама и титановые сплавы, для удовлетворения различных потребностей обработки и повышения универсальности технологии.

2. Интеграция с интеллектуальными производственными системами
   Сочетание интеллектуального планирования с MES (системами исполнения производства) и CAD/CAM-технологиями для достижения полностью автоматизированных рабочих процессов от проектирования и моделирования до реальной обработки, что создаст более эффективную и скоординированную экосистему интеллектуального производства.

(Source: Southern Taiwan University of Science and Technology, Tzu-Yao Tai, Chun Lu)