Металлообработка и ЧПУ · Научный обзор
ЧПУ-фрезерование: как мультисенсорные данные и глубокое обучение прогнозируют износ режущего инструмента
На фрезерных и токарных операциях с числовым программным управлением (ЧПУ) износ режущего инструмента — не второстепенный параметр, а фактор, непосредственно влияющий на точность размеров, шероховатости и стабильности цикла. Износ по задней поверхности пластины или фрезы увеличивает силы резания и вибрации; в худшем случае растёт риск брака, поломки оснастки и незапланированного простоя. Классический контроль — остановка, снятие инструмента и осмотр под микроскопом — даёт достоверную картину, но сокращает полезное время работы станка. За последние полтора–два года исследовательские группы и производители инструмента всё активнее переносят прогноз износа непосредственно в процесс обработки: с датчиков силы, вибрации и акустической эмиссии (AE) снимают потоки данных, а модели машинного обучения оценивают остаточный ресурс до того, как деталь уйдёт из допуска. Ниже — связный обзор нескольких подходов, которые хорошо иллюстрируют текущий уровень науки и то, что постепенно доходит до цеха.
Зачем цеху нужна система PHM, а не только «режимы из таблицы»
Традиционные таблицы режимов резания (скорость, подача, глубина) задают компромисс между производительностью и ресурсом, но не учитывают реальный износ конкретной пластины, люфт в патроне, состояние СОЖ и разброс твёрдости заготовки. Прогнозирование и управление состоянием оборудования (PHM, prognostics and health management) как раз пытается связать динамику процесса с физическим состоянием инструмента. Физико-механические модели (фильтры Калмана, скрытые марковские модели) требуют глубокого знания системы; подходы на основе данных, наоборот, обучаются на истории сигналов и измерений износа. На практике всё чаще комбинируют оба пути, но для мелкосерийного производства, где IPM Lab ведёт ЧПУ-обработку алюминия, стали и инженерных пластиков, уже сегодня полезны именно мультисенсорные схемы с понятными метриками качества прогноза (R², RMSE, MAPE).
Трёхуровневое слияние данных на учебном трёхосевом станке
В открытой статье Jones и Cao (2025) в International Journal of Advanced Manufacturing Technology описана архитектура прогноза износа задней поверхности (износа по задней поверхности) при фрезеровании на трёхосевом ЧПУ EMCO Concept Mill 55. Авторы установили трёхкомпонентный тензометрический датчик силы между столом и тисками, трёхосевой акселерометр на головке и датчик AE у зоны резания; семь каналов записывались с частотой 50 кГц в LabVIEW. После каждого прохода износ усредняли по четырём режущим кромкам HSS-фрезы 3/8″ под микроскопом — это целевая переменная для обучения.
Ключевая идея — не просто «склеить» сырые сигналы, а провести слияние на трёх уровнях, как классифицировали Hall и Llinas: (1) объединение сырых данных с нескольких датчиков; (2) извлечение 28 статистических признаков и их объединение; (3) объединение решений через ансамбль моделей на основе стекинга из Random Forest, искусственной нейросети (ANN) и XGBoost. На тестовой выборке стекинг дал R² ≈ 0,955 и RMSE ≈ 58,2 мкм по величине износа по задней поверхности. Для сравнения: отдельные базовые модели на тех же признаках проигрывали ансамблю, что подтверждает типичный для PHM эффект — разнородные алгоритмы лучше компенсируют шум и нелинейность, чем один «любимый» метод.
Для инженера на производстве вывод практичный: даже без промышленной IoT-платформы цепочка «силы + вибрация + AE → признаки → ансамбль» реализуема на типовой системе сбора данных (DAQ); узкое место — разметка (регулярные измерения вне процесса обработки износа для обучения) и перенос модели на другой станок или материал. Jones и Cao прямо указывают на перспективу мониторинга в реальном времени с непрерывным потоком данных из цеха — но это следующий шаг после лабораторной калибровки.
Спектры, CNN и Vision Transformer: модель PSD-CVT
Если ансамбли классического ML хорошо работают на табличных признаках, то для длинных временных рядов всё чаще применяют глубокие сети. В Scientific Reports (2024) Si, Mu и Si предложили модель PSD-CVT: многоканальные сигналы (сила, AE, вибрация с набора PHM2010) преобразуют в карты спектральной плотности мощности (PSD), после чего локальные рисунки заполнения извлекает свёрточная сеть (CNN), а глобальные зависимости — Vision Transformer (ViT) с механизмом внимания. Полносвязные слои выдают прогноз износа; на публичном датасете PHM2010 (высокоскоростное фрезерование трёхзаходной твердосплавной фрезой со сферическим концом на станке Roders RFM760) авторы показывают преимущество гибрида над отдельными CNN или ViT и над рядом ранее опубликованных методов.
Смысл для цеха: виброакустический «отпечаток» процесса несёт информацию об износе раньше, чем её успевает заметить оператор; перевод времени в частотную область делает признаки нагляднее для нейросети. Ограничение — потребность в GPU-обучении и достаточном объёме размеченных циклов; перенос с PHM2010 на вашу фрезу и алюминий 6061 без дообучения обычно невозможен. Зато подход задаёт стандарт: при закладке эксперимента на своём ЧПУ имеет смысл сразу записывать те же типы сигналов, что и в эталонном наборе данных, чтобы потом не переделывать стенд.
Временные ряды и параллельные CNN–RNN: ParaCRN-AMResNet
Отдельная ветка — явный учёт накопления ошибки при пошаговом прогнозе износа во времени. В работе Guo и Wang (2024) в журнале Machines представлена гибридная сеть ParaCRN-AMResNet: параллельно работают свёрточные сети с расширенной свёрткой и двунаправленные рекуррентные блоки с управляемыми затворами (BiGRU), блок внимания и остаточное обучение усиливают извлечение признаков из вибросигналов при фрезеровании. На экспериментальных данных авторы сообщают R² ≈ 0,99, MAE ≈ 2,6 и MAPE порядка 2,8 % — цифры впечатляют, но относятся к конкретной установке и типу фрезы; для заказчика важнее сам принцип: последовательные модели без параллельной архитектуры на длинных рядах часто «раздувают» ошибку, а комбинация свёртки и рекуррентности стабилизирует тренд износа.
Сменные пластины и сравнение RF, градиентного бустинга и LSTM
Большая часть серийного фрезерования на ЧПУ идёт со сменными многогранными пластинами, а не монолитными фрезами. В работе Val и соавт. (2024) в Applied Sciences на данных NUAA (ортогональное фрезерование, карбидные пластины, титан TC4) сравнивают Random Forest, Gradient Boosting и LSTM для прогноза износа по задней поверхности. Помимо точности, авторы подчёркивают учёт неопределённости в прогнозах модели — это реже встречается в прикладных статьях, но критично для диспетчера: не «износ 120 мкм», а интервал доверия помогает решить, менять пластину сейчас или выполнить ещё один проход. Методология переносима на другие типы пластин, если пересобрать обучающую выборку под свой материал и режимы.
От статей к станку: цифровой мониторинг производителей
Научные группы публикуют модели на открытых датасетах; производители инструмента продают готовые контуры мониторинга. Sandvik Coromant, например, развивает линейку CoroPlus: CoroPlus Connected интегрируется в ЧПУ и по данным с сенсоризированного инструмента может инициировать остановку и отвод инструмента при превышении нагрузки, вибрации или отклонения; облачный Machining Insights агрегирует OEE и причины простоев. В корпоративном релизе Sandvik (май 2024) описан Productivity Analyzer с расчётом энергии и CO₂ на деталь — логическое продолжение тех же потоков данных, что и в исследованиях диагностики и прогнозирования состояния оборудования. Отраслевые новости, вроде автоматической смены инструмента для токарных MACU (февраль 2025), показывают, что экономика износа решается не только алгоритмами, но и сокращением ручных вмешательств — автоматизация смены оснастки повышает долю времени, когда станок «режет металл», а не простаивает.
Связь с академическими работами прямая: ансамбль моделей Джонса и Цао и PSD-CVT отвечают на вопрос «когда менять»; CoroPlus и аналоги других брендов — «как безопасно остановить и что записать в журнал». Для небольшой лаборатории полный комплект инструмента со встроенными датчиками может быть избыточен, но логирование сил/вибраций на ключевых операциях и периодическая калибровка модели по микроскопу — реалистичный первый шаг.
Что учесть при заказе ЧПУ-детали в IPM Lab
Исследования 2024–2025 сходятся в нескольких тезисах, полезных и для заказчика, и для технолога. Во-первых, прогноз износа без датчиков возможен только по косвенным признакам (мощность шпинделя, звук), но точность резко растёт при объединении данных нескольких датчиков — особенно если объединять не только сырые каналы, но и решения нескольких моделей. Во-вторых, глубокое обучение оправдано там, где много однотипных циклов и есть разметка; для единичных сложных пятиосевых деталей классический ансамбль на признаках часто дешевле в сопровождении. В-третьих, перенос модели между материалами (сталь ↔ алюминий ↔ титан) без переобучения не стоит обещать — в статьях явно разные заготовки (4140, TC4, PHM2010). В-четвёртых, промышленный мониторинг уже продаётся как сервис, но его ценность максимальна, когда в УП уже заложены стабильные режимы и понятные критерии остановки.
При постановке задачи на фрезерование или токарную обработку имеет смысл заранее обозначить критичность ресурса инструмента (серия из 500 одинаковых карманов или один уникальный корпус) и допустимость корректировки траектории или смены пластины «на лету». Свежая литература показывает: износ на ЧПУ перестаёт быть «чёрным ящиком» оператора и превращается в измеримую величину с прогнозом износа в микрометрах — при условии, что цех готов один раз инвестировать в датчики, разметку и дисциплину данных так же серьёзно, как в настройку CAM.