Набор данных на основе датчиков для оценки шероховатости поверхности на основе данных

Почему важно качество поверхности металла

От авиационных двигателей до электростанций многие критически важные машины зависят от металлических деталей, поверхности которых должны быть достаточно гладкими, чтобы противостоять износу, коррозии и растрескиванию. При этом проверка этой гладкости обычно проводится только после завершения обработки, что чревато потерей материала, времени и денег, если результат окажется неудовлетворительным. В этой работе представлен новый богатый набор данных, который помогает исследователям и инженерам обучать компьютеры оценивать гладкость поверхности в реальном времени во время резания, особенно для упорного сплава Inconel-625, широко используемого в аэрокосмической отрасли.

Труднообрабатываемый сплав

Inconel-625 — никелевый сплав, ценимый за прочность и сопротивляемость нагреву и коррозии, что делает его востребованным для ответственных авиационных и инженерных применений. Те же свойства затрудняют его точную обработку на токарном станке. По мере того как режущий инструмент срезает металл в процессе точения, могут возникать вибрации, перегрев и износ инструмента, оставляющие на заготовке неровную поверхность. Поскольку традиционные проверки шероховатости выполняются только после обработки, любая деталь, не соответствующая требованиям, подлежит браку или доработке. Для дорогих материалов, таких как Inconel, это обходится очень дорого.

Прослушивание процесса резания с помощью датчиков

Авторы установили обычный, некомпьютеризированный токарный станок и добавили два ключевых датчика вблизи зоны резания. Трехосевой акселерометр регистрировал, как вибрировали инструмент и окружающие элементы в процессе вращения металла. Динамометр, установленный под держателем инструмента, измерял силы и моменты кручения по трём направлениям. После каждого прохода отдельный ручной прибор аккуратно снимал профиль поверхности и фиксировал три стандартных показателя шероховатости, отражающие средние колебания высоты и разницу между пиками и впадинами на готовом цилиндре. В совокупности эти измерения связывают то, что «чувствует» станок во время резания, с тем, насколько гладкой оказывается поверхность.

Создание большого и гибкого набора данных

Чтобы сделать набор данных универсально полезным, команда систематически варьировала три базовых параметра обработки: скорость вращения заготовки, подачу инструмента вдоль цилиндра и глубину резания. Для каждого параметра выбрали по три уровня, получив в сумме 27 комбинаций. Для каждой комбинации регистрировали сигналы вибрации и силы с высокой частотой — по десять тысяч отсчётов в секунду, что дало более 382 миллионов точек данных. Поскольку две системы датчиков запускались и останавливались с небольшими временными сдвигами, авторы затем выровняли записи, применив метод обнаружения изменений, который определяет, где фактически начинается и заканчивается резание, обрезая нерабочие участки сигналов.

Что сигналы рассказывают о качестве поверхности

После очистки и синхронизации записей исследователи суммировали каждый сигнал с помощью простых статистик, таких как среднее значение, разброс, асимметрия и экстремумы. Затем они проверяли, как эти суммарные признаки соотносятся с измеренной шероховатостью готовых поверхностей. Многие из этих связей оказались явно отличными от нуля: некоторые признаки увеличивались по мере ухудшения гладкости, другие — уменьшались. Эта картина согласуется с ранее полученными результатами в литературе по обработке и подтверждает, что сигналы датчиков несут реальную информацию о качестве поверхности, а не являются случайным шумом.

Зачем этот ресурс полезен для умного производства

Поскольку эксперименты проводились на обычном старом токарном станке и с использованием серийных датчиков, мастерские, не имеющие средств на современные ЧПУ-машины, всё ещё могут воспроизвести или расширить эту установку. Открытый набор данных вместе с примерным кодом для выравнивания и анализа сигналов даёт исследователям прочную основу для обучения моделей машинного обучения, оценивающих шероховатость поверхности в процессе резания. Проще говоря, работа показывает, как превратить сырые вибрации и силы от режущего инструмента в подсказки о том, насколько гладкой будет готовая металлическая поверхность, помогая продвижению производства в сторону более интеллектуальных и менее расточительных процессов.

Цитирование: Sakthivel, N.R., Harigovind, H. & Nair, B.B. A Sensor based turning dataset for data-driven surface roughness estimation. Sci Data 13, 742 (2026). https://doi.org/10.1038/s41597-026-07061-1

Ключевые слова: шероховатость поверхности, точение Inconel-625, датчики для обработки, машинное обучение, интеллектуальное производство