Application of neural network for diagnosing the condition of end milling cutters

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription or Fee Access

Abstract

The technique of continuous control of cutting tool condition by cutting sound using artificial intelligence is developed. Diagnostics of the state of carbide end milling cutters with the help of neural network by means of recording and processing of audio signal accompanying the process of milling with new and worn tools is carried out.

Full Text

Restricted Access

About the authors

L. D. Malkova

МГТУ им. Н. Э. Баумана

Author for correspondence.
Email: journal@electronics.ru

кандидат технических наук, доцент, кафедра МТ2 «Инструментальная техника и технологии»

Russian Federation, Москва

I. A. Pavlyuchenkov

МГТУ им. Н. Э. Баумана

Email: journal@electronics.ru

кандидат технических наук, доцент, кафедра МТ2 «Инструментальная техника и технологии»

Russian Federation, Москва

References

  1. Постнов В. В., Усманов Б. Ф., Летягин И. Е. Диагностика состояния режущего инструмента в зоне резания по сигналам термоЭДС и вибраций // СТИН. 2011. № 11. С. 23–25.
  2. Гурин В. Д., Черкасова Н. Ю., Туманов А. А. Диагностика состояния режущего инструмента при торцевом фрезеровании на основе измерения и анализа виброакустического сигнала // СТИН. 2012. № 12. С. 28–31.
  3. Карельский А. С., Маслов А. Р. Калибровка пьезоэлектрического динамометра Kistler с помощью измерительного устройства на базе образцового динамометра сжатия // Контроль. Диагностика. 2023. Т. 26, № 10(304). С. 50–53.
  4. Волотов Д. И., Маслов А. Р. Модульное устройство для измерения технических параметров технологической оснастки // СТАНКОИНСТРУМЕНТ. 2023. № 3(32). С. 68–73.
  5. Масалимов К. А., Мунасыпов Р. А., Фецак С. И., Кудояров Р. Г. Диагностика состояния режущего инструмента металлорежущих станков с использованием двунаправленных рекуррентных нейронных сетей с долгой краткосрочной памятью // СТИН. 2020. № 12. С. 12–17.
  6. Козак Н. В., Никишечкин А. П., Никишечкина А. П. Нейросетевая подсистема адаптивного управления процессом резания для открытых систем ЧПУ типа PCNC // Вестник МГТУ «СТАНКИН». 2009. № 3(7). С. 101–105.
  7. Михалев О. Н., Янюшкин А. С. Применение сегментации для обнаружения контура детали при автоматизации технологического проектирования // Известия Тульского государственного университета. Технические науки. 2022. № 10. С. 267–274. doi: 10.24412/2071-6168-2022-10-267-274.
  8. Малькова Л. Д., Павлюченков И. А. Принципиальные подходы к диагностике состояния режущего инструмента с использованием искусственного интеллекта // От качества инструментов к инструментам качества: Сборник докладов Всероссийской научно-технической конференции, Тула, 19–20 октября 2023 года. Тула: Тульский государственный университет, 2023. С. 128–133.
  9. Электронный ресурс: https://librosa.org/doc/latest/index.html (дата обращения 12.02.25).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Screenshot of the training program report on the guaranteed accuracy of determining the condition of the cutting tool

Download (159KB)
Indexing metadata
3. Fig. 2. Spectrograms of sound accompaniment of end mills: a – new mill, b – worn mill

Download (273KB)
Indexing metadata

Copyright (c) 2025 Malkova L.D., Pavlyuchenkov I.A.