Гибридное интеллектуальное моделирование RSM–ANN и оптимизация прецизионного точения стали CK45 для калибровочных устройств

Более острый металл — для более надёжных измерений

Когда проверяют точность реактивного двигателя, медицинского сканера или заводского робота, внутри испытательной установки находятся металлические валы, которые должны быть почти идеально круглыми и гладкими. В этом исследовании рассматривается, как обрабатывать один из распространённых материалов, сталь CK45, чтобы такие калибровочные валы служили дольше и давали более достоверные измерения. Исследователи объединяют продуманную статистику с искусственным интеллектом, чтобы настроить процесс резания и выжать максимальную производительность как из стали, так и из режущих инструментов.

Почему с этой сталью так трудно работать

CK45 — это сталь средней углеродистости, ценимая за прочность и простоту обработки в разных узлах, но при высоких требованиях к точности она становится проблемной. Обработка её обычными инструментами может приводить к быстрому износу резцов, грубой поверхности и малым ошибкам формы готового вала. Для калибровочных устройств даже дефекты размером в микрометры имеют значение. Команда сосредотачивается на четырёх ручках управления, доступных фрезеровщику: скорости вращения заготовки, подаче инструмента, глубине реза и радиусе закругления вершины инструмента. Вместе они определяют, как быстро снимается металл, насколько шершавой станет поверхность, насколько сохраняется круглость вала и как быстро изнашивается инструмент.

Смешение статистики и искусственного интеллекта

Чтобы справиться с этой сложной задачей, исследователи применяют гибридную стратегию «мозгов и чисел». Сначала они используют статистический подход, называемый методологией планирования эксперимента по отклику (response surface methodology), который проектирует компактный набор испытаний и аппроксимирует гладкие математические поверхности, связывающие четыре управляющих параметра с результатами, такими как скорость съёма материала, шероховатость поверхности, износ инструмента, ошибка круглости и твёрдость. Поверх этого они тренируют искусственные нейронные сети — компьютерные модели, вдохновлённые принципами обучения в мозге — чтобы уловить более запутанное, нелинейное поведение, которое простым уравнениям может ускользать. Валы точатся на числовом токарном станке с резцами из кубического нитрида бора, и каждый прогон тщательно измеряют под микроскопами и прецизионными калибрами, чтобы получить точные данные для обеих моделей.

Поиск баланса между скоростью, качеством и ресурсом инструмента

Имея эти модели, команда ищет такие режимы резания, которые одновременно уравновешивают несколько целей: эффективно снимать металл, сохранять поверхность гладкой и круглой, умеренно упрочнять поверхностный слой стали и минимизировать износ инструмента. Они выясняют, что скорость шпинделя является доминирующим рычагом: её повышение сначала улучшает скорость съёма и качество поверхности, но при чрезмерном росте происходит перегрев инструмента и заготовки, что увеличивает износ и шероховатость. Подача и глубина реза оказывают схожие тонкие эффекты — умеренные значения полезны, тогда как крайности вызывают вибрации, нестабильный отвод стружки и ошибки формы. Объединив все отклики в единый показатель «желательности», они определяют оптимальный режим: примерно 3000 оборотов в минуту, средняя подача и умеренная глубина реза с умеренно закруглённой вершиной резца.

Что происходит внутри металла и на инструменте

Исследование не ограничивается числами. При неблагоприятных режимах обработки сканы на электронном микроскопе показывают поверхность стали, усеянную нерегулярными грубыми дендритными структурами — застывшими свидетельствами неравномерного нагрева и деформации. Вершины резцов покрываются прилипшей стружкой и глубокими канавками, что говорит о быстром износе. При оптимизированных режимах, напротив, микроструктура поверхности стали становится гораздо более однородной, с мелкими, равномерно распределёнными дендритными признаками и без трещин или кратеров. Режущие пластины остаются острыми, показывая лишь крошечные, плавные следы износа. Нейронные сети прогнозируют эти улучшения с ошибками обычно ниже 6%, а статистические модели подтверждают, что обнаруженные тренды устойчивы, а не случайны.

Лучшие валы — более точные измерения

Проще говоря, авторы демонстрируют, что тщательно настроенное сочетание традиционной статистики и машинного обучения может точно подсказывать технологам, как обрабатывать сталь CK45, чтобы калибровочные валы были более гладкими, круглыми и долговечными, а режущие инструменты служили дольше. Связав внешние показатели (скорость съёма металла и внешний вид поверхности) с внутренней структурой (расположением зерен стали и эрозией инструмента), работа предлагает практическую методику изготовления высокоточных деталей, обеспечивающих более надёжные измерения в промышленности и научных исследованиях.

Цитирование: Farouk, W.M., Ahmed, A.G., Gamil, M. et al. Hybrid intelligent RSM–ANN modeling and optimization of precision turning of CK45 steel for calibration devices. Sci Rep 16, 11358 (2026). https://doi.org/10.1038/s41598-026-43388-w

Ключевые слова: прецизионное точение, сталь CK45, износ инструмента, шероховатость поверхности, оптимизация нейронной сети