ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ МОДЕЛЮВАННЯ ЯКОСТІ ТА СТАБІЛЬНОСТІ ПРОЦЕСУ ТОКАРНОЇ ОБРОБКИ
DOI:
https://doi.org/10.15588/1607-6885-2026-1-6Ключові слова:
машинне навчання, алгоритм Random Forest, шорсткість поверхні, стабільність процесу, оптимізація, токарна обробка, багатоцільовий аналіз.Анотація
Мета роботи. Розробка та валідація методики предиктивного моделювання, що дозволяє проводити багатоцільовий аналіз технологічного процесу точіння шляхом одночасного прогнозування двох ключових параметрів: середньої якості поверхні та стабільності (варіабельності) процесу.
Методи дослідження. Порівняльний аналіз моделей на основі множинної лінійної регресії (емпірична формула) та алгоритму Random Forest. Моделі навчалися на відкритому наборі експериментальних даних для сталі 42CrMo4+QT. Точність оцінено за метриками R² та MAE на тестовій вибірці. Проведено валідацію на незалежному наборі даних.
Отримані результати. Модель Random Forest продемонструвала дещо вищу прогностичну здатність для середньої шорсткості (R²=0.59 проти 0.53) та особливо для стабільності процесу (R²=0.139 проти негативних значень для формули). Встановлено домінуючий вплив подачі та радіуса інструменту на якість, а також ключову роль швидкості різання та геометрії інструменту на стабільність.
Наукова новизна. Запропоновано підхід до одночасного моделювання якості та стабільності процесу точіння. Кількісно доведено суттєву перевагу гнучких ML-моделей над класичною регресією для аналізу стохастичних аспектів процесу, таких як його варіабельність процесу токарної обробки.
Практична цінність. Розроблена методика є інструментом для багатоцільової оптимізації режимів різання. Сформульовано рекомендації для підвищення надійності процесу: збільшення глибини різання для підвищення продуктивності, уникнення низькошвидкісних режимів (v < 95 м/хв) та використання інструменту з радіусом r=0.8 мм, що знижує максимальну очікувану варіабельність процесу більш ніж на 16%.
Посилання
Chen, J., Lin, J., Zhang, M., & Lin, Q. (2024). Pre-dicting surface roughness in turning complex-structured work-pieces using vibration-signal-based Gaussian pro-cess regression. Sensors, 24(7), 2117. https://doi.org/10.3390/s24072117
Shan, X., et al. (2024). Experimental study and random forest machine learning of surface roughness for a typical laser powder bed fusion Al alloy. Metals, 14(10), 1148.
Guo, M. (2024). Prediction of surface roughness using deep learning and data-driven methods. Journal of In-telligent Manufacturing and Smart Engineering. https://doi.org/10.1108/JIMSE-10-2023-0010
Gadagi, A., et al. (2023). Machine learning ap-proach to the prediction of surface roughness. Indian Journal of Engineering & Materials Sciences. https://doi.org/10.56042/ijems.v30i6.2182
M. P. Motta et al. Machine learning models for surface roughness monitoring in machining operations (2022). Procedia CIRP. 2022, 108, 710–715. URL: https://doi.org/10.1016/j.procir.2022.03.110.
Pawanr, S., & Gupta, K. (2025). Analysis of sur-face roughness and machine-learning-based modeling in dry turning of super duplex stainless steel using textured tools. Technologies, 13(6), 243. https://doi.org/10.3390/technologies13060243
Khasawneh F. A., Munch E., Perea J. A. (2018). Chatter Classification in Turning using Machine Learning and Topological Data Analysis. IFAC-PapersOnLine. 2018. Vol. 51, no. 14. P. 195–200. URL: https://doi.org/10.1016/j.ifacol.2018.07.222
Safeer, S. S., Sadique, A., & D, N. (2025). A ma-chine learning approach for the prediction of surface roughness using the tool vibration data in turning opera-tion. SAE Technical Paper 2025-28-0152. https://doi.org/10.4271/2025-28-0152
Farzad, W. (2025). Predicting quality of surface roughness and tool wear by vibration, sound and current signals in CNC turning (Technical report, DIVA-portal). https://www.diva-portal.org/smash/get/diva2:1960908/FULLTEXT01.pdf
Zhang, W. (2021). Surface roughness prediction with machine learning. Journal of Physics: Conference Series, 1856, 012040. https://doi.org/10.1088/1742-6596/1856/1/012040
Beemaraj, R. K., Chandra Sekar, M. S., & Vi-jayan, V. (2020). Computer vision measurement and optimiza-tion of surface roughness using soft computing approaches. Transactions of the Institute of Measure-ment and Control, 42(13), 2475–2481. https://doi.org/10.1177/0142331220916056
Canal, A. D., Regone, W., & Borille, A. V. (2025). Predictive modeling of surface roughness in machining pro-cesses using random forest regressor. The Journal of Engineering and Exact Sciences, 11(1), 22798. https://doi.org/10.18540/jcecvl11iss1pp22798
Ambhore, N., Naranje, V., & Shelke, S. (2025). Machining performance evaluation in turning of hard-ened steel using machine learning. Materials and Manu-facturing Processes, 40(14), 1935–1942. https://doi.org/10.1080/10426914.2025.2559622
Díaz-Salamanca, D., Álvarez, Á., Muñiz Cal-vente, M., Ebrahimzadeh, P., Llavori, I., Zabala, A., … Papuga, J. (2024). MaRoReS (Machining, Roughness and Residual Stresses generated in turning of 42CrMo4+QT steel) (Version 1). Mendeley Data. https://doi.org/10.17632/z9w23xvhbt.1
Doniavi, A., Eskandarzade, M., & Tahmasebian, M. (2007). Empirical modeling of surface roughness in turn-ing process of 1060 steel using factorial design methodology. Journal of Applied Sciences, 7(17), 2509–2513. https://doi.org/10.3923/jas.2007.2509.2513
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.
Положення про авторські права Creative Commons
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
-
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії https://creativecommons.org/licenses/by-sa/4.0/, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
-
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
-
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
