Prediction of surface roughness in milling with a ball end tool using an artificial neural network

Cover Page

Cite item

Full Text

Abstract

Introduction. Milling stainless steel with a ball-end tool is a complex technological process that requires precise control of processing parameters to ensure high surface quality. In this regard, it is an urgent task to develop methods for predicting roughness parameters, such as Rz. The aim of this work is to develop a predictive neural network model that can estimate surface roughness when milling stainless steel using a ball-end tool. Method and methodology. The main focus is on error backpropagation and gradient descent methods, as well as hyperparameter tuning, which are necessary to prevent overfitting and underfitting of the model. Experimental studies include the analysis of both controlled variables, such as feed per tooth, angle of inclination and diameter of the tool, and uncontrolled, including coolant supply and tool wear. Results and discussions. The use of coolant for milling austenitic steel has reduced the roughness parameters Rz by an average of 14%. A strong negative correlation has been established between the dimensional wear of the tool and the parameter Rz (−0.95). At the same time, wear in the range of 2…4 μm affects an increase in the Rz parameter by 21% compared to the minimum values. The data obtained were used to train eight configurations of artificial neural networks, which were used to predict roughness using the Rz parameter. The results show that the 3-16-16-1 network configuration showed the lowest MSE (0.0313), followed by 3-20-14-1 (0.0470) and 3-64-64-1 (0.0481), respectively. In addition, these configurations also demonstrated the lowest average absolute error values, which demonstrate the average of the absolute differences between predicted and observed values (0.1014; 0.1251 and 0.1155, respectively), and the coefficient of determination, which is a statistical measure indicating the proportion of data variability explained by the model (0.9944; 0.9916; 0.9904). A comparison of the experimental data with the predictions of various models allowed us to determine the average value of the absolute differences for the models according to the parameter Ra ≈ 0.074. The study suggests approaches to training neural network models for accurate prediction of roughness parameters, which makes a significant contribution to the methods of modeling machining processes.

About the authors

M. R. Gimadeev

Email: 009063@togudv.ru
Ph.D. (Engineering), Pacific National University, 136 Tihookeanskaya St., Khabarovsk, 680035, Russian Federation, 009063@togudv.ru

V. A. Stelmakov

Email: 009062@togudv.ru
Ph.D. (Engineering), Pacific National University, 136 Tihookeanskaya St., Khabarovsk, 680035, Russian Federation, 009062@togudv.ru

A. V. Nikitenko

Email: 005392@togudv.ru
Ph.D. (Engineering), Pacific National University, 136 Tihookeanskaya St., Khabarovsk, 680035, Russian Federation, 005392@togudv.ru

M. V. Uliskov

Email: 2016104779@togudv.ru
Pacific National University, 136 Tihookeanskaya St., Khabarovsk, 680035, Russian Federation, 2016104779@togudv.ru

References

  1. Система автоматизированного технологического управления износостойкостью деталей машин при обработке резанием / А.Г. Суслов, Д.М. Медведев, Д.И. Петрешин, О.Н. Федонин // Наукоемкие технологии в машиностроении. – 2018. – № 5 (83). – С. 40–44. – doi: 10.30987/article_5ad8d291cddcd8.06334386.
  2. Sensor data and information fusion to construct digital-twins virtual machine tools for cyber-physical manufacturing / Y. Cai, B. Starly, P. Cohen, Y.-S. Lee // Procedia Manufacturing. – 2017. – Vol. 10. – P. 1031–1042. – doi: 10.1016/j.promfg.2017.07.094.
  3. Zain A.M., Haron H., Sharif S. Prediction of surface roughness in the end milling machining using artificial neural network // Expert Systems with Applications. – 2010. – Vol. 37 (2). – P. 1755–1768. – doi: 10.1016/j.eswa.2009.07.033.
  4. Convolutional neural network-based tool condition monitoring in vertical milling operations using acoustic signals / C. Cooper, P. Wang, J. Zhang, R.X. Gao, T. Roney, I. Ragai, D. Shaffer // Procedia Manufacturing. – 2020. – Vol. 49. – P. 105–111. – doi: 10.1016/j.promfg.2020.07.004.
  5. Application of measurement systems in tool condition monitoring of milling: a review of measurement science approach / D.Yu. Pimenov, M. Kumar Gupta, L.R.R. da Silva, M. Kiran, N. Khanna, G.M. Krolczyk // Measurement. – 2022. – Vol. 199. – P. 111503. – doi: 10.1016/j.measurement.2022.111503.
  6. A surface quality prediction model considering the machine-tool-material interactions / M. Guo, W. Xia, C. Wu, C. Luo, Z. Lin // The International Journal of Advanced Manufacturing Technology. – 2024. – Vol. 131 (7–8). – P. 1–19. – doi: 10.1007/s00170-024-13072-2.
  7. Chen C.H., Jeng S.Y., Lin C.J. Prediction and analysis of the Surface roughness in CNC end milling using neural networks // Application Science. – 2022. – Vol. 12 (1). – P. 393. – doi: 10.3390/app12010393.
  8. Oktem H., Erzurumlu T., Erzincanli F. Prediction of minimum surface roughness in end milling mold parts using neural network and genetic algorithm // Materials & Design. – 2006. – Vol. 27 (9). – P. 735–744. – doi: 10.1016/j.matdes.2005.01.010.
  9. Bingham G., Miikkulainen R. Discovering parametric activation functions // Neural Networks. – 2022. – Vol. 148. – P. 48–65. – doi: 10.1016/j.neunet.2022.01.001.
  10. Галушкин А.И. Нейронные сети: основы теории. – М.: Горячая линия – Телеком, 2017. – 496 с. – ISBN 978-5-9912-0082-0. – URL: https://asu.tusur.ru/learning/010402/d15a/010402-d15a-book1.pdf (дата обращения: 02.04.2025).
  11. Анцев А.В., Янов Е.С., Данг Ч.Х. Оптимизация режимов резания с учетом уровня вибрации на основе применения методов искусственного интеллекта // Вестник Воронежского государственного технического университета. – 2020. – Т. 16., № 3. – С. 101–109. – doi: 10.25987/VSTU.2020.16.3.014.
  12. Ерыгин Е.В., Дуюн Т.А. Прогнозирование шероховатости поверхности при чистовом фрезеровании с использованием нейронных сетей // Вестник Белгородского государственного технологического университета им. В.Г. Шухова. – 2019. – № 10. – С. 135–141. – doi: 10.34031/article_5db3f6c82c1ea9.69942788.
  13. Некоторые вопросы совместного применения детерминированных математических моделей и нейронных сетей в цифровых двойниках процесса обработки металлов резанием на металлорежущих станках / В.П. Лапшин, И.А. Туркин, В.И. Гвинджилия, И.О. Дудинов, Д.О. Гамалеев // СТИН. – 2024. – № 10. – С. 6–11.
  14. Dropout: a simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // Journal of Machine Learning Research. – 2014. – Vol. 15 (56). – P. 1929–1958.
  15. Machine learning models for prediction and classification of tool wear in sustainable milling of additively manufactured 316 stainless steel / M. Danish, M.K. Gupta, S.A. Irfan, S.M. Ghazali, M.F. Rathore, G.M. Krolczyk, A. Alsaady // Results in Engineering. – 2024. – Vol. 22. – P. 102015. – doi: 10.1016/j.rineng.2024.102015.
  16. Chai T., Draxler R.R. Root mean square error (RMSE) or mean absolute error (MAE) arguments against avoiding RMSE in the literature // Geoscientific Model Development. – 2014. – Vol. 7 (3). – P. 1247–1250. – doi: 10.5194/gmd-7-1247-2014.
  17. A survey on data preprocessing for data stream mining: current status and future directions / S. Ramírez-Gallego, B. Krawczyk, S. García, M. Wozniak, F. Herrera // Neurocomputing. – 2017. – Vol. 239. – P. 39–57. – doi: 10.1016/j.neucom.2017.01.078.
  18. Modeling of cutter displacements during ball end milling of inclined surfaces / S. Wojciechowski, T. Chwalczuk, P. Twardowski, G.M. Krolczyk // Archives of Civil and Mechanical Engineering. – 2015. – Vol. 15. – P. 798–805. – doi: 10.1016/j.acme.2015.06.008.
  19. Кущева М.Е., Клауч Д.Н., Кобелев О.А. Принципы выбора смазочно-охлаждающих технологических сред для обработки металлов резанием // Известия МГТУ «МАМИ». – 2014. – Т. 8, № 1–2. – С. 73–76. – doi: 10.17816/2074-0530-67737.
  20. Tool wear prediction through AI-assisted digital shadow using industrial edge device / M. Chehrehzad, G. Kecibas, C. Besirova, U. Uresin, M. Irican, I. Lazoglu // Journal of Manufacturing Processes. – 2024. – Vol. 113. – P. 117–130. – doi: 10.1016/j.jmapro.2024.01.052.
  21. Формирование параметров шероховатости на основе корреляционных связей при чистовом фрезеровании пространственно-сложных поверхностей / М.Р. Гимадеев, В.М. Давыдов, А.В. Никитенко, А.В. Сарыгин // Упрочняющие технологии и покрытия. – 2019. – № 15 (6). – С. 243–249.
  22. Gimadeev M.R., Li A.A. Analysis of systems for automated provision of surface roughness parameters based on dynamic monitoring // Advanced Engineering Research (Rostov-on-Don). – 2022. – Vol. 22 (2). – P. 116–129. – doi: 10.23947/2687-1653-2022-22-2-116-129.
  23. Экспериментальное исследование динамики процесса механообработки концевыми сфероцилиндрическими фрезами / М.Р. Гимадеев, А.А. Ли, В.О. Беркун, В.А. Стельмаков // Обработка металлов (технология, оборудование, инструменты). – 2023. – Т. 25, № 1. – С. 44–56. – doi: 10.17212/1994-6309-2023-25.1-44-56.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».