StankoinstrumentStankoinstrumentСтанкоинструмент2499-9407Technosphera JSC68368010.22184/2499-9407.2025.39.2.66.69TOOLS AND TOOL SYSTEMSИНСТРУМЕНТ И ИНСТРУМЕНТАЛЬНЫЕ СИСТЕМЫResearch ArticleApplication of neural network for diagnosing the condition of end milling cuttersПрименение нейронной сети для диагностирования состояния концевых фрезMalkovaL. D.МальковаЛ. Д.
Russian Federation

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

journal@electronics.ruPavlyuchenkovI. A.ПавлюченковИ. А.
Russian Federation

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

journal@electronics.ruМГТУ им. Н. Э. Баумана19062025266691006202510062025Copyright ©; 2025, Malkova L.D., Pavlyuchenkov I.A.Copyright ©; 2025, Малькова Л.Д., Павлюченков И.А.2025Malkova L.D., Pavlyuchenkov I.A.Малькова Л.Д., Павлюченков И.А.https://journals.eco-vector.com/2499-9407/article/view/683680

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.

Разработана методика непрерывного контроля состояния режущего инструмента по звуковому сопровождению резания с использованием искусственного интеллекта. Выполнено диагностирование состояния концевых твердосплавных фрез с помощью нейросети посредством записи и обработки аудиосигналов, сопровождающих процесс фрезерования новым и изношенным инструментами.

diagnosticsend milling cuttermillingneural networkдиагностированиеконцевая фрезафрезерованиенейросетьПостнов 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.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.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.Волотов Д. И., Маслов А. Р. Модульное устройство для измерения технических параметров технологической оснастки // СТАНКОИНСТРУМЕНТ. 2023. № 3(32). С. 68–73.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.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.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.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.Электронный ресурс: https://librosa.org/doc/latest/index.html (дата обращения 12.02.25).