автореферат диссертации по машиностроению и машиноведению, 05.02.08, диссертация на тему:Применение алгоритмов самообучения к оптимизации процесса резания на примере токарной и сверлильной обработки

ВВЕДЕНИЕ.

1. СОСТОЯНИЕ ВОПРОСА. ПОСТАНОВКА ЗАДАЧИ.

1.1 Критерии оптимальности режимов резания.

1.2 Математические модели изнашивания инструмента.

1.3 Распределение стойкости и функция надежности режущего инструмента.

1.4 Стойкостная зависимость.

1.5 Системы управления режимами резания.

1.6 Применение механизмов обучения и самообучения в автоматизированных системах.

1.7 Цель и задачи исследования.

2 ОПТИМИЗАЦИЯ СКОРОСТИ РЕЗАНИЯ НА ОСНОВЕ

ПРОЦЕССА САМООБУЧЕНИЯ.

2.1 Имитационная модель процесса резания.

2.1.1 Моделирование износа инструмента.

2.1.2 Критерий сходимости модели.

2.1.3 Область регулирования модели.

2.2 Процедура стохастической аппроксимации Роббинса-Монро.

2.2.1 Математическая модель процедуры Роббинса-Монро.

2.2.2 Применение процедуры Роббинса-Монро при назначении режимов резания.

2.2.3 Исследование зависимости скорости сходимости процедуры от начальной величины весового коэффициента.

2.2.4 Исследование зависимости скорости сходимости процедуры от погрешности назначения скорости резания.

2.2.5 Исследование зависимости скорости сходимости процедуры при наложении технических и технологических ограничений.

2.2.6 Исследование зависимости скорости сходимости процедуры от коэффициента вариации стойкости инструмента.

2.3 Процедура стохастической аппроксимации Невельсона-Хасьминского.

2.3.1 Математическая модель процедуры Невелъсона-Хасъминского.

2.3.2 Применение процедуры Невелъсона-Хасъминского при назначении режимов резания.

2.3.3 Исследование скорости сходимости процедуры Невелъсона-Хасъминского.

2.4 Самообучение с восстановленим параметров стойкостной зависимости методом наименьших квадратов.

2.4.1 Математическая модель процедуры восстановления параметров стойкостной зависимости методом наименьших квадратов.

2.4.2 Применение процедуры восстановления параметров стойкостной зависимости методом наименьших квадратов при назначении режимов резания.

2.4.3 Исследование скорости сходимости процедуры восстановления параметров стойкостной зависимости методом наименьших квадратов.

2.5 Модификации процедур стохастической аппроксимации.

2.6 Сравнительный анализ процедур самообучения.

2.7 Автоматизированное назначение скорости резания на металлорежущем оборудовании со ступенчатым регулированием скорости вращения привода главного движения.

2.7.1 Математическая модель метода "вверх и вниз ".

2.7.2 Имитационное моделирование процесса назначения скорости резания методом "вверх и вниз".

2.8 Выводы.

3 ОПТИМИЗАЦИЯ СКОРОСТИ РЕЗАНИЯ НА ОСНОВЕ ОЦЕНКИ ПАРАМЕТРОВ СТОЙКОСТНОЙ ЗАВИСИМОСТИ

ПРИ ПЕРЕМЕННЫХ УСЛОВИЯХ ОБРАБОТКИ.

3.1 Учет разброса предельного износа инструмента.

3.1.1 Эпистемологическая составляющая вероятностной модели стойкости инструмента.

3.1.2 Разброс предельного износа режущего инструмента.

3.1.3 Исследование причин износа инструмента.

3.1.4 Определение параметров распределения стойкости инструмента с учетом разброса предельного износа.

3.2 Методика оценки параметров надежности и стойкостной зависимости в условиях производства.

3.2.1 Стандартная методика планирования эксперимента. Методики сокращенных испытаний.

3.2.2 Оценка при постоянных условиях обработки.

3.2.3 Оценка при переменных условиях обработки.

3.2.4 Оценка в условиях реального производства.

3.3 Процедура самообучения на базе методики оценки параметров стойкостной зависимости в производственных условиях.

3.4 Выводы.

4 ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА АЛГОРИТМОВ САМООБУЧЕНИЯ В ПРОИЗВОДСТВЕННЫХ

УСЛОВИЯХ.

4.1 Оперативная оценка состояния инструмента.

4.1.1 Описание методики эксперимента.

4.1.2 Проверка методики на реальных производственных данных.

4.1.2.1 Восстановление параметров стойкостной зависимости

4.1.2.2 Повышение точности получаемых зависимостей.

4.1.2.S Схемы детализации исследований.

4.1.3 Анализ результатов. Выработка практических предложений 122 4.2 Экспериментальная проверка алгоритмов стохастической аппроксимации на примере сверления.

4.2.1 Описание методики эксперимента.

4.2.2 Эксперимент на станке с бесступенчатым регулированием привода главного движения.

4.2.3 Эксперимент на станке со ступенчатым регулированием привода главного движения.

4.2.4 Анализ результатов. Выработка практических предложений.

В современном машиностроении относительная доля оборудования с числовым программным управлением (ЧПУ) достаточно высока. Интенсивное использование станков и станочных систем с ЧПУ объясняется их способностью автоматизировать мелкосерийное многономенклатурное производство, сокращать потребность в рабочей силе, экономить технологическую оснастку, улучшать качество обработки деталей. В связи с этим все более актуальными становятся вопросы их эффективного использования. Производительность оборудования, себестоимость и точность обработки, расход режущего инструмента, качество поверхностного слоя и другие параметры процесса металлообработки непосредственно зависят от правильного выбора режимов резания. Следовательно, установление рациональных режимов обработки относится к числу важнейших задач машиностроения.

Традиционно в производстве режимы резания устанавливают на основе эмпирических зависимостей, полученных по результатам стойкостных испытаний. Однако, как показывает практика, достоверность этих зависимостей невысока: они справедливы лишь для тех конкретных условий (материал детали, материал инструмента, сечение среза, геометрия инструмента, наличие смазочно-охлаждающей жидкости и т.д.), в которых были проведены стойкостные испытания, и не учитывают нестабильность состояния обрабатываемого материала, качество изготовления инструмента, динамическое состояние технологической системы, влияние внешних факторов и т.д.

Колебания свойств между партия изделий

Неадекватность априорной информации

Недостаточность априорной информации

Рисунок В.1. Причины применения самообучения при оптимизации режимов резания

В реальном производстве существует практика, когда режимы резания назначаются в соответствии с нормативами. Однако, производственные условия, как правило, отличаются от нормативных сказывается влияние динамического состояния станка, колебания свойств между партиями изделия, колебания свойств между партиями инструмента и т.д.) (Рис. В.1) и учесть их на стадии проектирования технологического процесса не представляется возможным. Обычно учет реальных условий выполняется непосредственно станочником на рабочем месте, при этом оказывается неизбежным влияние субъективного фактора. Задача существенно осложняется в условиях обработки новых материалов, новыми материалами инструмента, при новых технологических процессах, т.е. когда нормативные данные отсутствуют или не полные.

По известной классификации неопределенностей в задачах принятия решений [61] данная задача имеет неопределенность в виде недостаточности информации (отсутствие стойкостной зависимости) или в виде неадекватности используемой модели (имеющиеся стойкостные зависимости не адекватны реальным условиям). Разрешение неопределенности усложняется стохастической природой процесса износа режущего инструмента. Случайный характер изменения физико-механических свойств и структуры сталей и сплавов при наличии их внутренней взаимосвязи приводит к сложному влиянию на параметры процесса резания. Заготовки, поступающие на механическую обработку, отличаются нестабильностью геометрической формы и размеров. В результате припуск, удаляемый на первых операциях механической обработки, может колебаться в значительных пределах. Случайный характер изменения статической и динамической жесткости станка служит одной из основных причин возникновения вибраций в технологической системе, непредвиденного изменения стойкости инструмента, как правило, в сторону уменьшения, и увеличению вероятности его поломки.

Стохастические факторы процесса резания учитываются интуитивно путем занижения режимов обработки и, соответственно, снижения производительности станка (по разным литературным источникам от 20% до 50%) в предположении, что более низкие значения скорости резания гарантируют более стабильную работу инструмента [75]. В действительности же при заданных режимах резания с ростом периода стойкости инструмента пропорционально растет и разброс значений стойкости. Поэтому приходится уменьшать плановое значение периода стойкости, чтобы гарантировать заданное время работы инструмента без отказов. При этом создаются предпосылки нерациональной эксплуатации инструмента, недоиспользования его ресурса и, как следствие, повышенного расхода. При программировании обработки на станках с ЧПУ скорость резания назначается по так называемому "лимитирующему переходу", который определяется наиболее неблагоприятными условиями обработки (повышенные требования к шероховатости, точности, максимальный припуск, наибольший диаметр и т.п.) [90] Определение такого участка носит субъективный характер и зависит от квалификации технолога, при этом условия обработки на других переходах во внимание обычно не принимаются. Это так же приводит к неправильному выбору скорости резания, ошибкам в оценке стойкости инструмента и недоиспользованию возможностей станка и инструмента. Поэтому разработка рекомендаций по повышению эффективности, качества и надежности обработки на станках с ЧПУ приобретает большое практическое значение.

Стремление преодолеть указанные недостатки привело к появлению автоматизированных систем управления, которые позволяют оптимизировать процесс металлообработки благодаря получаемой текущей информации по параметрам, определяющим условия и качество процесса резания. Такие системы получили название адаптивных систем [1, 87]. Задачей адаптивных систем управления является такое изменение управляемых параметров процесса резания, которое в условиях действия случайных возмущающих воздействий обеспечивало бы экстремум выбранного критерия оптимизации - производительности, себестоимости и т.п. Возможны два пути решения задачи. Первый путь состоит в создании предварительной модели процесса резания, на основании которой при получении информации о возмущающих воздействиях можно рассчитывать величину и знак необходимого управляющего воздействия. Системы управления, действующие по такому принципу, называют беспоисковыми или аналитическими [1]. Подавляющее число современных адаптивных систем управления процессом резания выполнены по такому принципу. Однако, погрешности, определяемые несовершенством моделей процессов металлообработки, могут быть достаточно велики, так что фактическая эффективность таких систем управления может оказаться ниже расчетной.

Второй путь заключается в расчете фактических значений управляемого критерия в ходе процесса резания и в поиске таких изменений управляющего воздействия, которые обеспечили бы действительный экстремум критерия оптимизации. Преимуществом такого подхода является минимальное количество исходных данных, которые используется при управлении. Это уменьшает погрешности оптимизации, связанные с неадекватностью априорной информации действительности, и значительно снижет неопределенность в виде недостаточности априорной информации. Такие системы получили название поисковых систем [1], но в литературе практически отсутствуют сведения об их промышленном применении. Основной трудностью при создании подобных систем являлось определение фактической скорости износа инструмента или периода его стойкости, без чего невозможен расчет значений критерия оптимизации. Также серьезную проблему представлял выбор алгоритмов поиска, т.е. стратегии поведения системы управления после получения информации о действительном значении управляемого параметра. Современный уровень развития как методов математической статистики

12, 58, 71], так и аппаратного обеспечения технологических систем металлообработки [96, 98, 100] позволяет поставить задачу разработки, моделирования, создания и оценки эффективности систем управления поискового типа. Решению данной задачи и посвящены выполненные диссертационные исследования.

В первой главе рассмотрены основные принципы построения систем управления режимами резания при металлообработке, представлены математические модели изнашивания, стойкостные зависимости и функция надежности режущего инструмента. Приведена классификация и обзор существующих систем управления, анализ их преимуществ и недостатков. На основе этого анализа сформулированы требования к математической модели и программно-алгоритмической реализации самообучающихся систем управления режимами резания.

Вторая глава посвящена описанию самообучающейся системы управления режимами резания для случая обработки с постоянными условиями резания, основанной на использовании алгоритмов стохастической аппроксимации. Представлены математические и имитационные модели различных процедур аппроксимации. На базе имитационных моделей проведены исследования скорости сходимости различных алгоритмов и сравнительный анализ их эффективности. Рассмотрены вопросы применения самообучающихся систем для станков со ступенчатым регулированием приводов главного движения.

В третьей главе на основании реальных производственных данных уточнена вероятностная модель предельного износа однолезвийного инструмента с учетом эпистемологической составляющей технологической системы. Проведен анализ преимуществ и недостатков классической методики определения параметров надежности и стойкостной зависимости, методик сокращенных испытаний. На основании анализа представлена улучшенная методика, позволяющая автоматизировать процесс оценки параметров в производственных условиях без прерывания процесса обработки и являющаяся основой самообучающейся системы управления режимами резания.

В четвертой главе проведена проверка предложенной методики определения параметров стойкостной зависимости и функции надежности инструмента на реальных данных в производственных условиях. Представлены результаты экспериментальной проверки самообучающейся системы управления на основе алгоритмов стохастической аппроксимации применительно к процессу сверления. Проверка проводилась для станков с ЧПУ как с бесступенчатым регулированием привода главного движения, так и со ступенчатым регулированием на

ОАО "Ясногорский машиностроительный завод" (г. Ясногорск, Тульской области).

В заключении обсуждены итоги работы и сформулированы общие выводы по диссертации.

Автор защищает следующие теоретические и прикладные результаты работы:

- уточненную вероятностную модель предельного износа режущего инструмента, учитывающую эпистемологическую составляющую технологической системы;

- алгоритмы самообучающихся систем на базе процедур стохастической аппроксимации для случая обработки при постоянных условиях резания;

- методику определения параметров надежности и стойкостной зависимости режущего инструмента в производственных условиях.

Научная новизна заключается в обосновании возможности применения процедур стохастической аппроксимации для нахождения в режиме самообучения скорости резания, обеспечивающей заданную стойкость инструмента при токарной обработке и сверлении в условиях отсутствия данных о стойкостной зависимости. Разработан метод

13 нахождения в режиме самообучения параметров стойкостной зависимости определенного вида и скорости резания, обеспечивающей требуемую стойкость. Разработан метод определения параметров стойкостной зависимости и функции надежности инструмента для токарной обработки и сверления с переменными режимами резания в режиме самообучения по эпизодическим замерам приращения износа инструмента.

Автор выражает благодарность научному руководителю д.т.н., профессору Пасько Н.И., научному консультанту д.т.н., профессору Иноземцеву А.Н. за научные консультации при подготовке теоретической части, д.т.н., доценту АнцевуВ.Ю. за методическую помощь при практической реализации результатов диссертационной работы и другим сотрудникам кафедры "Автоматизированные станочные системы" Тульского государственного университета за помощь, поддержку, полезные замечания и предложения, высказанные в ходе обсуждения диссертационной работы, а также сотрудникам

ОАО "Ясногорский машиностроительный завод" (г. Ясногорск Тульской области) и ОАО "Тяжпромарматура" (г. Алексин Тульской области).

3.4. Выводы

1. Анализ реальных производственных данных о величине износа режущего инструмента при снятии его с производства показал, что при оценке параметров стойкостной зависимости с целью уточнения модели необходимо вместо величины критического износа использовать распределение величины фактического износа инструмента.

2. Наложение требований и ограничений на классический метод планирования эксперимента при оценке параметров стойкостной зависимости делает его практически непригодным для применения в реальных производственных условиях.

3. Разработанная методика оценки параметров функции надежности и стойкостной зависимости режущего инструмента позволяет производить оптимизацию скорости резания непосредственно в производственных условиях без прерывания процесса обработки.

4. Разработанная процедура самообучения при назначении скорости резания на основе оценки параметров стойкостной зависимости и функции надежности режущего инструмента позволяет учитывать изменение случайных факторов, влияющих на интенсивность износа инструмента в режиме реального времени.

4. ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА АЛГОРИТМОВ САМООБУЧЕНИЯ В ПРОИЗВОДСТВЕННЫХ УСЛОВИЯХ

4.1. Оперативная оценка состояния инструмента

4.1.1. Описание методики эксперимента

Эксперимент проводился на базе ОАО "Тяжпромарматура" г. Алексин. Наблюдался износ режущего инструмента при токарной обработке на станках с ЧПУ. За время эксперимента под наблюдением находилось четыре станочные системы: 1П756ДФЗ инвентарный № 27535; 1П756ДФЗ инвентарный № 27536; 16А20ФЗС15 инвентарный № 27537; 16А20ФЗС15 инвентарный № 27538; Наблюдалась обработка девяти деталей, входящих в сборочные единицы запорно-промышленной арматуры (прил. 2): 0707.405748.001 патрубок левый; 0707.403481.028 корпус;

0707.403784.313 крышка;

0707.403784.314 крышка; 0707.405114.513 поршень; 0707.405362.720 втулка; 0707.405362.724 втулка; 0707.403344.731 крышка верхняя; 0707.403368.833 патрубок.

В процессе обработки перечисленных деталей наблюдалось четыре типа резцов:

Проходной ТУ2-03 5-892-82;

Расточной ТУ2-03 5-849-81;

Резец ГОСТ 24996-81;

Расточной со сменными твердосплавными пластинками марок Т5К10, Т15К6 и дополнительным покрытием МТ1.

В процессе обработки на каждой операции содержалось от 5 до 25 переходов, характеризующихся различными режимами резания. Режимы резания вычислялись на основании циклической программы системы ЧПУ станка для каждого перехода каждой операции по всем наблюдаемым изделиям. Протоколы учета параметров обработки, расчета скоростей резания и времен резания на каждый переход приведены в прил. 4.

Процесс наблюдения износа инструмента сводился к следующему. На заранее заготовленные свинцовые пластинки производился слепок задней поверхности инструмента. При этом фиксировалась наработка инструмента в штуках обработанных деталей на данный момент. Снятие слепков с инструмента проводилось как на этапе снятия его с производства, так и на этапе его работы (в моменты замены заготовки). По окончании наблюдений пластинки со слепками были изучены под микроскопом с целью замера величины линейного износа по задней поверхности. Для нейтрализации случайной ошибки измерения каждого слепка проводились от трех до пяти раз. В протокол заносилось среднее арифметическое значение замеров. Протоколы замеров приведены в прил. 2.

Для проверки предлагаемой методики оценки параметров функции надежности и стойкостной зависимости были разработаны алгоритм и программное обеспечение реализующие поиск максимума функции правдоподобия (3.51) методом перебора в области допустимых значений с постепенным сужением области поиска.

4.1.2. Проверка методики на реальных производственных данных

4.1.2.1. Восстановление параметров стойкостной зависимости

Для иллюстрации использования предлагаемой методики рассмотрим пример оценки параметров функции надежности и стойкостной зависимости по данным, полученным на ОАО "Тяжпромарматура" г. Алексин на участке токарной обработки изделий трубопроводной арматуры. Фрагменты протокола наблюдений, положенных в основу расчета, приведены в табл. 4.1.

В таблице приведены результаты наблюдений за износом инструмента в производственных условиях, где К; - наработка в штуках деталей г'-м инструментом, после чего проводился замер износа 1аь /,у -длина обработки на у'-м переходе г-м инструментом. Время резания хц рассчитывалось по формуле^- Ь/щЯу , где щ - частота вращения шпинделя на соответствующем переходе (в таблице не приведена). Всего было проведено 660 наблюдений как промежуточных реализаций износа, так и износа при снятии инструмента с производства (прил. 3) при наработке от 3 до 60 одинаковых деталей на один замер износа, для 9 различных деталей (прил. 2). Обработка деталей содержала от 5 до 20 переходов, выполненных при различных режимах резания (прил. 4). При обработке торцевых поверхностей учитывалось изменение скорости резания путем разбиения диаметра обработки на составные элементы по 10 мм и вычисления средней скорости резания на каждом поддиаметре.

ЗАКЛЮЧЕНИЕ

В работе решена актуальная научная задача оптимизации скорости резания при металлообработке для станков с ЧПУ на основе разработанного механизма самообучения, что способствует повышению эффективности и надежности обработки, сокращению инструментальных затрат и стабилизации ритмичности производственного процесса.

Основные научные и практические результаты заключаются в следующем:

1. Современные тенденции применения станков с все более мощными системами управления на базе ЭВМ делает актуальной оптимизацию режимов резания на основе алгоритмов самообучения непосредственно на рабочем месте. Для постоянных условий работы инструмента предложено использовать процедуры стохастической аппроксимации типа Роббинса-Монро, а для переменных условий (серийное и мелкосерийное производство) процедуру оценки параметров стойкостной зависимости и функции надежности инструмента по методу максимального правдоподобия.

2. Проведен анализ известных алгоритмов самообучения на основе процедур стохастической аппроксимации (Роббинса-Монро, Невельсона-Хасьминского и др.) применительно к процессу резания путем моделирования самообучения на ЭВМ. Исследовано влияние параметров процесса резания на скорость сходимости алгоритмов самообучения. Показано значительное влияние на скорость сходимости коэффициента вариации стойкости режущего инструмента и относительной погрешности выбора начального значения скорости резания.

3. Предложен алгоритм самообучения на основе метода наименьших квадратов, позволяющий наряду с ускорением сходимости восстанавливать стойкостную зависимость.

4. Проведен сравнительный анализ предложенных алгоритмов самообучения, который показал, что процедуры стохастической аппроксимации работают при минимальной априорной информации и минимуме требуемых вычислительных ресурсов ЭВМ. Алгоритм самообучения на базе метода наименьших квадратов обеспечивает более высокую скорость сходимости, но требует задания вида стойкостной зависимости с точностью до параметров и больших вычислительных ресурсов.

5. Для станков со ступенчатым регулированием частоты вращения шпинделя на основе метода "вверх и вниз" предложен и проанализирован алгоритм самообучения, основанный на использовании оценки средней стойкости инструмента, получаемой в результате попутного восстановления параметров стойкостной зависимости по методу наименьших квадратов.

6. На основе анализа реальных производственных данных о величине износа отработанного инструмента по задней поверхности показано, что эта величина не равна нормативной, а случайна и удовлетворительно аппроксимируется логарифмически нормальным законом распределения. При этом установлено, что 53,1% твердосплавных пластин было заменено до наступления нормативного износа, 10,8% пластин было заменено в связи с поломкой, и только 36,2% достигло или превысило нормативный износ.

7. Для переменных условий обработки разработана методика сбора и анализа статистических данных о процессе резания, состоящая в том, что фиксируются параметры всех переходов (диаметр обработки, длина обработки, скорость резания, подача, глубина резания, твердость обрабатываемого материала), выполненных конкретным инструментом до очередного замера величины износа. После чего с использованием метода максимального правдоподобия по разработанному алгоритму производится оценка параметров стойкостной зависимости и функции надежности режущего инструмента.

8. Процесс самообучения в этом случае состоит в том, что после получения отмеченных данных по выполненной работе до очередного замера износа производится оценка параметров стойкостной зависимости и функции надежности инструмента. Исходя из нормативной стойкости, по полученной уточняемой стойкостной зависимости рассчитываются новые скорости резания, которые используются для всех последующих переходов вплоть до очередного замера износа и т.д.

9. В результате производственного эксперимента получено подтверждение работоспособности алгоритмов самообучения на основе процедур стохастической аппроксимации. В частности процедура Роббинса-Монро при обработке сверлением на станке 1П375ФЗ с ЧПУ МС2101 с точностью до 2 м/мин сошлась после десятой итерации.

10. Практическая проверка алгоритма самообучения по методу "вверх и вниз" при ступенчатом регулировании со знаменателем ряда частоты вращения шпинделя ф равным 1,26 на том же станке сходится в диапазоне до трех ступеней частот вращения. Предложенный модифицированный алгоритм, как показали численные эксперименты, при тех же исходных данных сходится до наилучшей частоты вращения после третьей итерации.

11. Проверка методики оценки параметров стойкостной зависимости и функции надежности инструмента, проведенная в условиях серийного производства предприятия ОАО "Тяжпромарматура" (г. Алексин Тульской обл.), показала ее работоспособность. Получены значения констант степенной стойкостной зависимости и функции надежности инструмента распределенной по закону Вейбулла-Гнеденко с параметром формы а для различных схем детализации исследований: "инструмент-материал

134 оборудование", "инструмент-оборудование", "инструмент-материал-операция-оборудование" и др.

12. Результаты проведенного исследования приняты к использованию на ОАО "Тяжпромарматура" (г. Алексин Тульской обл.) и ОАО "Ясногорский машиностроительный завод" (г. Ясногорск Тульской обл.).

1. Адаптивное управление металлорежущими станками. Серия I, М.: НИИМаш, 1973. - 228 с.

2. Адаптивное управление станками. /Под ред. Б.С. Балакшина. М.: Машиностроение, 1973. 688 е., ил.

3. Адаптивные системы автоматического управления: Республиканский межведомственный научно-технический сборник. Выпуск 13. К.: Техшка, 1985. - 132 е., ил.

4. Акимов И.В. Самообучающаяся система экспресс-оценки трудоемкости изготовления деталей машин: Автореф. дис.канд. техн наук: 05.02.08/ Тульский гос. ун-т, 1999. 16 с.

5. Балакшин Б.С. Использование систем адаптивного управления для повышения точности и производительности обработки// Станки и инструмент. 1972. - №4.

6. Башков В.М. Методы оценки и контроля надежности режущего инструмента: Дис.канд. техн. наук/ Москва, 1962.

7. Башков В.М., Кацев П.Г. Испытания режущего инструмента на стойкость. -М.: Машиностроение, 1985. 136 е.: ил.

8. Бобров В.Ф. Основы теории резания металлов. М.: Машиностроение, 1975. -344 с.

9. Бровкова М.Б. Оперативная оптимизация процесса чистовой токарной обработки на основе учета динамического состояния оборудования: Автореф. дис.канд. техн наук: 05.03.01/ Саратов, гос. техн. ун-т, 1999. 16 с.

10. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся ВТУЗов. М.: ГИТТЛ, 1956. - 608 с.

11. Вазан М. Стохастическая аппроксимация. /Пер. с англ. Э.М. Вайсборда. М.: Мир, 1972. - 295 е.: ил.

12. Вентцель Е.С. Теория вероятностей. М.: Наука, 1969. - 576 с.

13. Вентцель Е.С., Овчаров Л.А. Теория вероятностей и ее инженерные приложения. М.: Наука, 1988. -480 с.

14. Войнов К.Н. Прогнозирование надежности механических систем. Л.: Машиностроение, 1978. -208 е., ил.

15. Волчкевич Л.И. Некоторые вопросы теории производительности в машиностроении: Автореф. дис.канд. техн наук/ МВТУ им. Баумана, 1963. 18 с.

16. Вульфсон И.А., Зусман В.Г., Ратмиров В.А. Автоматическое регулирование режима резания на фрезерных станках с ПУ //Станки и инструмент. 1965. - №9.

17. Высоковский Е.С. Влияние способов заточки на надежность режущего инструмента в автоматическом производстве// Вестник машиностроения. 1970. - №3.

18. Высоковский Е.С. Технологические исследования надежности и производительности многоинструментальных наладок автоматизированного металлорежущего оборудования: Дис. канд. техн. наук/Ростов-на-Дону, 1963

19. Гановский Т.Н., Грановский В.Г. Резание металлов: Учебник для машиностр. и приборостр. вузов. М.: Высш. шк., 1985. - 304 е., ил.

20. Герцбах И.Б., Кордонский Х.Б. Модели профилактики. М.: Советское радио, 1969. 214 е., ил.

21. Гильман A.M. и др. Оптимизация режимов обработки на металлорежущих станках. М.: Машиностроение, 1972. 188 е., ил.

22. Глебов С.Ф. Теория наивыгоднейшего резания металлов. М.: Госмашметиздат, 1933

23. Глинников М. Комплекс CuneiForm Collection// Мир ПК. 1998. -№3.-с. 58-59.

24. Городецкий М.С. и др. Числовое программное управление металлорежущими станками. М.: НИИМаш, 1970. 151 е., ил.

25. Грановский Г.И. О стойкости инструмента как исходном параметре для расчета режимов резания// Вестник машиностроения. 1965. -№8.

26. Грановский Г.И., Баклунов Е.Д., Панченко К.П. Стабильность работы режущего инструмента на автоматических линиях// Автоматизация и механизация производственных процессов в машиностроении. М.: Машиностроение, 1967. - с. 62 - 85.

27. Гришин С.А. Назначение режимов резания в условиях недостаточной априорной информации// XXIV Гагаринские чтения. Тезисы докладов молодежной научной конференции, апрель 1998 г.: Тез. докл. М., 1998. - 4.6. - с.67

28. Гумбель Э. Статистика экстремальных значений /Пер. с англ. В.Ю. Татарского М.: Мир, 1965. 450 е., ил.

29. Демаков И.П., Балагезен Ю.Г. Организация испытаний на надежность и обработка их результатов. М.: Машиностроение, 1974.

30. Демидович Б.П., Марон И.А. Основы вычислительной математики. -М.: Наука, 1966, 664 с.

31. Демьянюк Ф.С. Технологические основы поточного и автоматизированного производства. М.: Машгиз, 1958

32. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М: Статистика, 1973. 392 с.

33. Дружинин Г.В. Анализ эрготехнических систем. М.: Энергоатом издат, 1984. - 160 е., ил.

34. Дюбуа Д., Прад А. Теория возможностей. Приложение к представлению знаний в информатике: Пер. с фр. М.: Радио и связь, 1990.-288 е.: ил.

35. Елисеев В.А., Прытков В.Г. Система экстремального управления металлорежущим станком.// Труды МЭИ. Электромеханика, вып. 56, 1964.

36. Еремеев В.В. Исследование и разработка метода автоматизированного назначения режимов обработки для токарных станков с ЧПУ на основе измерения термоЭДС зоны резания: Автореф. дис.канд. техн наук: 05.03.01/ Волгоград, гос. техн. ун-т, 1999.-20 с.

37. Зажигаев J1.C., Кишьян A.A., Романов Ю.И. Методы планирования и обработки результатов физического эксперимента. М.: Атомиздат, 1978.-231 е., ил.

38. Заренин Ю.Г., Стоянова И.И. Определительные испытания на надежность. М.: Изд-во стандартов, 1978. 168 с.

39. Ивахненко А.Г. Самообучающиеся системы с положительным обратными связями: Справочное пособие. Киев: Изд-во АН УССР, 1963.-328 с.

40. Ивахненко А.Г. Техническая кибернетика. Киев: Гостехиздат, 1962.

41. Ивахненко Е.О. Обеспечение точности обработки на токарных станках посредством выбора рациональных режимов резания с

42. Игумнов Б.Н. Расчет оптимальных режимов обработки для станков и автоматических линий. М.: Машиностроение, 1974. - 200 е.: ил.

43. Иноземцев А.Н. Проектирование процессов и систем механообработки на основе разрешения неопределенности технологической информации: Дис.докт. техн. наук/ ТулГУ, 290 с.

44. Иноземцев А.Н. Проектирование процессов и систем механообработки на основе разрешения неопределенности технологической информации: Автореф. дис.докт. техн наук: 05.03.01/ Тульск. гос. техн. ун-т, 1998. 42 с.

45. Кацев П.Г. Статистические методы исследования режущего инструмента. Изд. 2, М., Машиностроение, 1974.

46. Козлов Б.А., Ушаков И.А., Справочник по расчету надежности. М.: Советское радио, 1975. 471с., ил.

47. Колесов И.М. Основы технологии машиностроения: Учебник для машиностроительных вузов. М.: Машиностроение, 1997. - 592 е.: ил.

48. Лоладзе Т.Н. Прочность и износостойкость режущего инструмента. М.: Машиностроение, 1982. - 320 е., ил.

49. Макаров А. Д. Оптимизация процессов резания. М.: Машиностроение, 1976. - 278 е.: ил.

50. Макаров М.В. Повышение эффективности точения инструментом из СТМ на основе назначения рациональных режимов резания с учетом ультразвуковой диагностики его свойств: Автореф. дис.канд. техн наук: 05.03.01/РГАТА, 2000. 18 с.

51. Методика расчета экономической эффективности новой техники в машиностроении. Под ред. К.М.Великанова. Л.: Машиностроение, 1967.-499 с.

52. Надежность режущего инструмента. /Под ред. Г.Л. Хаета. Киев: Вища школа, 1975. - 312 е., ил.

53. Невельсон М.Б., Хасьминский Р.З. Стохастическая аппроксимация и рекуррентное оценивание. М.: Наука, 1972. - 304 е.: ил.

54. Невельсон P.A. Вероятностный анализ процесса изнашивания сверл и законы распределения стойкости// Надежность режущего инструмента. Киев: Техника, 1972. - 258 е., ил.

55. Никин А.Д. Адаптивная система управления температурно-силовыми режимами процесса резания металлов: Автореф. дис.канд. техн наук: 05.13.07/УГАТУ, 1999. 17 с.

56. Обработка нечеткой информации в системах принятия решений /А.Н.Борисов, А.В.Алексеев, Г.В.Меркурьева и др. М.: Радио и связь, 1989. - 304 с.

57. Общемашиностроительные нормативы режимов резания: Справочник: В 2-х т.: Т1/ А.Д. Локтев, И.Ф. Гущин, В.А. Батуев и др. -М.: Машиностроение, 1991. 640 е.: ил.

58. Оптимизация режимов обработки на металлорежущих станках /Гильман A.M. и др. М.: Машиностроение, 1972. 188 с.

59. Пасько H.H. Надежность станков и автоматических линий. Тула: ЩИ, 1979.- 106 с.

60. Пасько Н.И. Некоторые вопросы статистической теории рядов скоростей и подач и оптимального управления режимом резания: Дис. канд. техн. наук/ ТПИ, 1963

61. Пасько Н.И. О средней стойкости многоинструментной наладки //Вестник машиностроения. 1969. - №2

62. Пасько Н.И., Иноземцев А.Н., Акимов И.Н. К методике вероятностного расчета времени выполнения партии деталей //Известия ТулГУ. Серия "Машиностроение", Вып. 3. Тула, 1998.

63. Попов М.А. Структура самообучающейся адаптивной технологической системы прогнозирующего типа для многопроходной токарной обработки: Автореф. дис.канд. техн наук: 05.02.08/ Тул. техн. ун-т, 1999.-23 с.

64. Садов В.А. Оптимизация процесса многопроходного нарезания резьбы резцом: Автореф. дис.канд. техн наук: 05.03.01/ ТПИ, 1983.-20 с.

65. Самонастраивающиеся станки. /Сб. под ред. Б.С. Балакшина. М.: Машиностроение, 1970.

66. Самоорганизующиеся стохастические системы управления. /Дж.Саридис /Пер. с англ./Под ред. Я.З. Цыпкина. М.: Наука, 1980. -400 с.

67. Сандлер А.С. Электропривод и автоматизация металлорежущих станков. М.: Высшая школа, 1972. 439 с.

68. Семибратова М.В. Диагностика и управление контактными процессами при резании: Автореф. дис.канд. техн наук: 05.03.01/ К.-А. гос. техн. ун-т, 2000. 19 с.

69. Смирнов Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математической статистики для технических приложений. М.: Наука, 1965.- 512 с.

70. Старков В.К. Обработка резанием. Управление стабильностью и качеством в автоматизированном производстве. М.: Машиностроение, 1989. - 296 с. ил.

71. Старков В.К. Технологические методы повышения надежности обработки на станках с ЧПУ. М.: Машиностроение, 1984. - 120 с.

72. Тверской М.М. Автоматическое управление режимами обработки деталей на станках. М.: Машиностроение, 1982. - 208 е.; ил.

73. Тейлор Ф. Искусство резать металл. Изд. 2, 1902 г.

74. Темчин Г.И. Теория и расчет многоинструментных наладок. М.: Машгиз, 1957.-557 с.

75. Терешин М.В. Повышение надежности обработки отверстий на основе диагностирования состояния осевого инструмента: Автореф. дис.канд. техн наук: 05.03.01/ Станкин, 1986. 16 с.

76. Тор Я.Б., Кузьмин Ф.И. Таблицы для анализа и контроля надежности. М.: Советское радио, 1968. - 288 с.

77. У. Росс Эшби Введение в кибернетику. М.: Изд-во иностр. литературы, 1959. - 432 е., ил.

78. Феллер Б. Введение в теорию вероятностей и ее приложения. В 2-х т. Т.1. -М.:Мир, 1984.-527 е., ил.

79. Хает Г.Л. Повышение эффективности обработки на тяжелых станках на основе исследований надежности, многокритериальной оптимизации параметров и режимов эксплуатации инструмента: Дис.докт. техн наук: 05.03.01/ Станкин, 1992.-33 с.

80. Хает Г.Л. Прочность режущего инструмента. М.: Машиностроение, 1975. - 168 е., ил.

81. Центер Л.С. Исследования надежности режущего инструмента металлообрабатывающего автоматизированного оборудования: Дис. .канд. техн наук/ Минск: АН БССР, ОТН, 1962

82. Цыпкин Я.3. Основы теории обучающихся систем. М.: Наука, 1970. -252 с.

83. Чавчанидзе В.В., Кумеишвилли В.А. Об определении распределения на основе малого числа наблюдений. В сб. "Применение вычислительной техники для автоматизации производства" /Под ред. Солодовникова В.В. М.: Машгиз, 1961. - 536 с.

84. Червяков JIM. Управление процессом обеспечения точности изделий машиностроения на основе когнитивных моделей принятия технологических решений: Автореф. дис.канд. техн наук: 05.02.01/Москва, 1999

85. Чернышев Н.М. Оптимизация скорости резания при изменяющихся условиях фрезерования: Автореф. дис.канд. техн наук: 05.03.01/ Горьковск. политехи, ин-т, 1979. 24 с.

86. Шаумян Г.А. Автоматы и автоматические линии. М.: Машгиз, 1961.-552 е., ил.

87. Шаумян Г.А. Основы теории проектирования станков-автоматов и автоматических линий. М.: Машгиз, 1949. - 262 с.

88. Щелкунова М.Е. Диагностика состояния режущего инструмента на основе вероятностных и информационных параметров акустической эмиссии и термоЭДС: Автореф. дис.канд. техн наук: 05.03.01/ К.-А. гос. техн. ун-т, 2000. 20 с.

89. Ямпольский JI.C., Тараненко В.А., Евдокимов В.Д. Средства и методы автоматического управления режимами обработки металлов резанием. К.: УкрНИИНТИ, 1975. 62 с.

90. Anil К., Jianchang М., Mohiuddin K.M. Введение в искусственные нейронные сети М.: Открытые системы, 1997. - №4. - С. 16-24.

91. DNC Kit// Manufacturing Engineering (USA). 1996. - 116, №6. - p.84

92. Kneppelt L.R. Planning: The Challenge in a CIM Environment // Automation, Jan. 1991, p. 34-35

93. PC-based DNC for 16 mashines.//Metalwork. Prod. 1995. - 139, №2. -p.22

94. Robbins H., Monro S. A stochastic approximation method. Ann. Math. Statist., 22, 1 (1951), 400-407

95. The Latest generation// Machine and Product Engineering. 1998. -156, №3956.-p. 64

96. Venter J.H. An extension of the Robbins Monro procedure. Ann. Math. Statist., 38, 1, 1967. p. 181 - 190.

97. Wager J.G., Barash M.M. Study of the Distribution of the Life of HSS Tools. //Journal of Engineering for Industry, January 4, 1971.

98. Wilde D. Optimal Seeking Methods. New York: Prentice-HalK 1963.interface Const

99. Размерность массива MaxArray = 100000; //Максимальная стойкость ТМах = 500;1. Type I

100. ArrayOfDouble = array 1. .MaxArray. of Extended; J1. Запись исходные данные} J

101. TRecOflnput = class (TObject) J

102. Monro: Boolean; I Nevel: Boolean;1. Regr: Boolean; I1. Diap: Boolean; J1. DipH: Extended; I

103. DipTwoPoint: Boolean; J DipDivTwo: Boolean;

104. Koef: Extended; //Весовой коэффициент для Роббинса-Монро j

105. MonOptim : Boolean; //Оптимизить Роббинса-Монро J

106. D : Extended; {Диаметр обработки} J

107. V1 : Extended; {Начальная скорость} I

108. VMin : Extended; {Минимальная скорость} 1

109. VMax : Extended;{Максимальная скорость} |

110. Те : Extended;{Экономическая стойкость} I

111. GrUp : Extended; {Верхняя граница Экономической стойкости} |

112. GrLow : Extended; {Нижняя граница Экономической стойкости} |

113. Kv : Extended; {Коэффициент вариации} Ct : Extended;{Коэффициент стойкостной зависимости} m : Extended; {Коэффициент стойкостной зависимости} NumExp : Integer; {Число экспериментов}

114. NumPeriodT : Integer;{Число моделируемых периодов стойкости} V Opt : Extended; {Оптимальная скорость резания} Eps : Extended; {Погрешность установления скорости или стойкости} Slalom : Integer; {Скольжение стойкости} end;1. Var

115. Исходные данные} InputData : TRecOflnput; MonTAll : ArrayOfDouble; MonVAll : ArrayOfDouble;

116. Procedure Veibull(T, Kv: Extended; Var r, a: Extended); Function Veibul(r, a : Extended): Extended; Function Stoikost(V: Extended; Ct, m, Kv: Extended): Extended; {Проверяем ограничения скорости}

117. Procedure LimitV(var V : Extended; VMin, VMax : Extended);1.plementation {-----------------------------------------}

118. Procedure Veibull(T, Kv :Extended; Var r,a :Extended);

119. Расчет no математическому ожиданию периода стойкости Т икоэффициенту вариации Kv параметров г, а распределения Вейбулла

120. Гнеденко F(t)=l exp(-t/r)Aa. по приближенной формуле}1. Varal, G: Extended; begin if Kv <0.2 then al := 0.79758*Kv+0.31417*Kv*Kv elseal := 1.04*v-0.04;

121. G := l-0.5748646*al+0.9512363*al*al-0.6998588*al*al*al + 0.4245549*al*al*al*al-0.1010678*al*al*al*al*al; r := T/G; a := 1/al; End;-----------------------------------------}

122. Function Veibul(r, a: Extended): Extended;

123. Моделирование случайной величины с распределением Вейбулла-Гнеденко f(t)=a*(t/r)A(a-l)*exp(-(t/r)Aa), t > = 0;га случйная величина сгенерированная функцией random} begin

124. Veibul := г* exp( 1 /a* ln(-ln(random))); I end;-----------------------------------------}

125. Function Stoikost(V: Extended; Ct, m, Kv: Extended): Extended; {Генерация случайной стойкости с распределением по Вейбуллу-Гнеденко со средним значением Ts и коэффициентом вариации Kv при заданной стойкостнойзависимости Ts= Ct/(VAm+Ct/Tp>)} Var

126. Ts: Extended; {Средняя стойкость}r, a: Extended; {Параметры распределения Вейбулла-Гнеденко} Const1. Eps = 0.001 ; Begin

127. Ts := Ct/(exp(m* ln(V))+Ct/TMax); if (Kv < Eps) then Stoikost := Ts else begin

128. Veibull(Ts, Kv, r, a); Stoikost := Veibul(r, a); end; End;-----------------------------------.„}

129. Procedure LimitV(var V : Extended; VMin, VMax : Extended);151

130. Листинг П1.2. Модуль имитационного моделирования процесса резания (продолжение)

131. Проверяем ограничения скорости}1. V поверяемая скорость

132. J function Robins(var V, T : ArrayOfDouble; Num : Integer) : Integer; //V массив скоростей; //T - массив стойкостей; //Ts - массив средних стойкостей; //Num - число итераций var I: Integer; К: Integer;

133. Flag 1, Flag2: Boolean; begin Flagl := False; Flag2 := False; try

134. Цикл моделирования периодов стойкости} for I := 1 to Num do with InputData do begin

135. Application.ProcessMessages;

136. Проверили вхождение скорости в допустимый диапазон}1.mitV(V1., VMin, VMax);

137. Получение стойкости при заданной скорости}

138. T1. := Stoikost(VI., Ct, m, Kv);проверить на Т предельное if T1. > ТМах then Т1. := ТМах; {Оптимизация} if MonOptim then J begin1. Flag2 := Flagl;

139. Flagl := (T1. > Те); if (I > 2) then beginif (Flagl <> Flag2) then К := К + 1; end elseI1. К := I;1.endj else К := I;1.{Расчет скорости по Роббинсу-Монро}I1. J if I <> Num then

140. VI+1. := V1. + 1/(K* Koef) * (T[I] Те); end; exceptfmModel.BitBtn4.Enabled := True;

141. Ts массив средних стойкостей;1. Num число итерацийvar1. W: Extended;с: Extended; {Параметры итераций} I: Integer; Z: Extended; Z: Extended; VMidl: Extended; T Midl: Extended; Tmp: Extended; K: Integer;

142. Flagl, Flag2: Boolean; begin try

143. V Midl := Vl.; Z := 0; W := 1; //основной цикл

144. Листинг П1.4. Модуль реализации процедуры Невельсона-Хосьминского (продолжение) for I := 1 to Round(Num/2) do with InputData do begin

145. Application.ProcessMessages; {Получение шага измерения скорости} с:= DipH/exp(l/3*ln(I));

146. Получение стойкости при заданной скорости} J VI*2-1. := VMidl с;1.mitV(VI*2-l., VMin, VMax);I

147. TI*2-1. := Stoikost(V[I*2-l], Ct, m, Kv); if T[I*2-1] > TMax then T[I*2-1] := TMax; V[I*2] := VMidl + c; LimitV(V[I*2], VMin, VMax); T[I*2] := Stoikost(V[I*2], Ct, m, Kv); if T[I*2] > TMax then T[I*2] := TMax;I

148. J Z := ((TI*2. T[I*2-l])/(2*c)); | if Z - 0 then Z := Z + 1 ! else1 Z := Z + Z;j TMidl := (TI*2. + T[I*2-l])/2; J {Оптимизация} if MonOptim then begin Flag2 := Flagl; Flagl := (T1. > Те); if (I >2) then begin156

149. Листинг П1.4. Модуль реализации процедуры Невельсона-Хосьминского (продолжение)else К := I;

150. Расчет скорости по регрессионной модели} W := Z /1;if W = 0 then W := 1; I VMidl := VMidl (1/(W*K)) * (TMidl - Те); LimitV(VMidl, VMin, VMax); end; exceptfmModel.BitBtn4.Enabled := True;

151. Raise Exception.Сгеа1е('Ошибка в методе Невельсона-Хосьминского')end elseif (Flagl <> Flag2) then К := K + 1;1. K:=I; endend; end; end.1. Unit uRegres; Interface1. Uses uData, uUtils ;

152. Procedure Regres(var V, T: АггауОЮоиЫе; Num : Integer);1.plementation1. Uses fmModel;

153. Procedure Regres(var V, T: АггауОЮоиЫе; Num : Integer); //V массив скоростей; //T - массив стойкостей; //Rand - массив случайных чисел //Num - число итераций Var I: Integer; Ct: Extended; m: Extended; b, D: Extended;

154. Промежуточные переменные для регрессии} RX , RXX , RY, RYY, RXY: Extended; Begin Try

155. RX:=0; RXX:=0; RY:=0; RYY:=0; RXY:=0; {Основной цикл} For I := 1 to Num do Begin

156. Application.ProcessMessages; {Расчет скорости по регрессионной модели} if (I> 2) then Beginm := (RX * RY RXY) / (RXX - RX * RXJ; —b RY + m * RX;

157. D:=RYY + m * m * RXX + sqr(b) + 2 * m * RXY 2 * b * (RY+m* RXJ;

158. Ct := exp(b J * exp(D / 2); V1. := exp(l/m * ln(Ct/InputDataTe)); End;

159. Raise Exception.Create('Ошибка в методе восстановления регрессии'); End; End; End.1.terface1. Uses uData, uUtils ;

160. Procedure UpLow(var V, T, Rand : ArrayOfDouble; Num : Integer); I Implementation

161. Procedure UpLow(var V, T: ArrayOfDouble; Num : Integer); I //V массив скоростей; I //T - массив стойкостей;1. Num число итераций I Var

162. I, J: Integer; I Begin Try

163. J {Подобрали ближайшую скорость и узнали ее номер}I

164. J := GetOptiVel(V 1 ., ArrayV, InputData.NumStupen); {Цикл по моделированию периодов стойкости} for I := 1 to Num do Begin

165. MaxNumVib = 1000; Bsk=1.0e30; E = 1E-15; typepArrayOfDouble = ATArrayOfDouble; TArrayOfDouble = array 1.MaxNumVib 1. of Double; pArrayOflnt = ATArrayOfInt;

166. TArrayOflnt = array1.MaxNumVib 1. of Integer; pArrayOfTwoDouble = ATArrayOfTwoDouble;

167. TArrayOfTwoDouble = array1.MaxNumVib 1, 1.MaxNumVib - 1. of Double; TRecStoikost = record a : Double; LnC : Double; m : Double; x : Double; y : Double; L : Double; Kv : Double; end;

168. PArrayStoikost = ATArrayStoikost;

169. TArrayStoikost = array 1.MaxNumVib. of TRecStoikost;1. PVostReg = ATVostReg;1. TVostReg = class(TObject)protected 1private

170. Общее число замеров износа—}

171. RowCountlznos : Integer; |1. Общее число переходов—} I

172. RowCountRegim : Integer; I

173. Максимальное число переходов на один замер износа—} I

174. MaxRowCountRegim : Integer; J

175. Числа переходов на i-ю реализацию износа—} RowCountRegimI: pArrayOflnt; {—Выборка—}

176. Таи : pArrayOfTwoDouble; {—Время—} |

177. Vel : pArrayOfTwoDouble; {—Скорость—} Snap : pArrayOfTwoDouble;!—Подача—}

178. Prip : pArrayOfTwoDouble;!—Глубина—} j1.nos : pArrayOfDouble;{—Износ инструмента—} |

179. Интенсивность и ее логарифм—} j1. W,TnW : pArrayOfDouble; j

180. Коэффициенты стойкостной зависимости} |

181. Stoikost: pArrayStoikost; jг I

182. Число итераций по сжатию области поиска—} NumArea : Integer;

183. Result := Sqrt(GetGammaFunc(2/a)/Power(GetGammaFunc(l/a), 2) 1); end;function TVostReg.GetGammaFunc(x : Double): Double; {Гамма-функция Г(1+х) с точностью 5.0е-5} Var a,G:real; i,n:integer; begin a := frac(x); n := trunc(x);

184. G := 1 -0.5748646 * a +0.9512363 * a * a 0.6998588 * a* a* a + 0.4245549 * a * a * a * a - 0.1010678 *a*a*a*a*a; i:=l;while i<=n do begin

185. GetMem(Tau, SizeOf(TArrayOfTwoDouble)); Ij if Vel — Nil then |

186. GetMem(Vel, SizeOf(TArrayOfTwoDouble)); |if Snap = Nil then |

187. GetMem(Snap, SizeOf(TArrayOfrwoDouble)); {if Prip = Nil then J

188. GetMem(Prip, SizeOf(TArrayOfTwoDouble)); Jif RowCountRegim l = Nil then j

189. GetMem(RowCountRegimI, SizeOf(TArrayOfInt)); !1 Iif Iznos = Nil then j1.i

190. GetMem(Iznos, SizeOf(TArrayOfDouble)); |Iif W = Nil then |

191. WfffV^ W / //////# ///////////// s / "W ¥ //////#/// / ¿r //////// ///// /ШЖ/ у/ / // r™«w ///////Ш///^////// // //////s/J/A/tf/ /// //////Ш/ / / / / /// ///// / аг/ s ж»

192. GetMem(W, SizeOf(TArrayOfDouble)); if LnW = Nil then

193. FreeMem(RowCountRegiml); 1if Iznos <> nil then FreeMem(Iznos); if W <> nil then FreeMem(W);if LnW о nil then J1. FreeMem(LnW);if Stoikost <> nil then I1. FreeMem(Stoikost); |end;procedure

194. TVostReg.GetInputData(Num,M,X,Y,A:Integer;Ml ,М2,Х1 ,X2,Y1 ,Y2,A1 ,А2: Double);1.begin

195. Число итераций по сжатию области поиска—} 1 NumArea := Num;

196. Число интервалов перебора по ш,х,у,а—} MArea := т; XArea := X; YArea := Y; ААгеа := А; | {—Диапазоны по М, X, Y, А—} I MUp := М2; | MLow := Ml; | XUp := X2; I X Low := XI; YUp:=Y2; YJLow := Yl; AUp := A2; I ALow:=Al; j end;

197. J procedure TVostReg.CountRecToSelect(qrWor, qrlzn, qrReg : TQuery); var L, J: Integer;label Lbl; begin RowCountlznos := 0; RowCountRegim := 0; MaxRowCountRegim := 0; {Цикл no qrWor} qrWor.First;for I := 1 to qrWor.RecordCount do begin

198. J NarabStr, IznosStr : String;ilabel Lbl; beginif fmSQL.CheckBoxl .Checked then begin

199. NarabStr := 'Narab'; IznosStr := 'Iznos'; end | else J begin

200. TauAI, J. := qrReg.FieldByName('TSek').AsFloat * qrIzn.FieldByName(NarabStr).AsFloat; {—Скорость—}

201. VelAI, J. := qrReg.FieldByName('V').AsFloat; {—Подача—}

202. SnapAI, J. := qrReg.FieldByName('S').AsFloat; {—Глубина—}

203. Листинг П1.7. Модуль реализации процедуры оценки максимума функции правдоподобия методом прямого перебора (продолжение) Г PripAI, J. := qrReg.FieldByName('TMm').AsFloat;IqrReg.Next;1.if fmMain.CloseFlag then GoTo Lb 1;end; qrlzn.Next; I Inc(I);

204. Данные из таблицы в массивы} fmVvod.ProgressBarl.Position := 0; 1 fmVvod.Label 1 .Caption := 'Сортировка данных'; J fmVvod.Update;I

205. Оценка параметров распределения Вейбуллаf(t)=a/r*(t/r)A(a-1 )*exp(-(t/r)Aa) и стойкостной зависимости r(x,v,s,t)=cx/(vAm* sAy*tAx) методом максимального правдоподобия с поиском максимума перебором в сужающейся области.

206. Износ Hi i-ro инструмента измеряется после смены инструмента. Известны времена Tauij и режимы резания Vij,Sij,Pripij для всех NumPeri переходов, выполненных i-ым инструментом} var

207. Правдоподобие текущее и максимальное—} L i, L : Double; RezStr : String; SpaceStr : String;

208. Запомненное значение правдоподобия} PriorJL : Double; Progr : Double; label Lbl; begin

209. Prior L := 0; {Вывод строки запроса} fmVvod.OutSelectStr; L := -Bsk;

210. RowCountRezult := 0; with VostReg do begin

211. Цикл по итерациям сужения области—} for NumArea l :=1 to NumArea do BeginfmVvod.ProgressBarl.Position := 0; Progr := 0;

212. Application.ProcessMessages;

213. Размеры областей} dM: =MUp-MLo w; dX :=XUp-XLow;dY:=YUp-YLow; dA:=AUp-ALow; {Шаги}hm := dM/MArea; hx := dX/XArea; hy := dy/YArea; ha := da/AArea; for MAreaI := 1 to MArea+l do begin

214. Application.ProcessMessages; mi:=mLow + (MAreaI 1) * hm; for XAreaI := 1 to XArea+l do begin

215. Application.ProcessMessages; xi := xJLoW + (XAreaI 1) * hx; for YAreaI := 1 to YArea+l do begin

216. Application.ProcessMessages; yi := ylow + (YAreaI 1) * hy; Slnw := 0;for I := 1 to RowCountlznos do begin

217. Application.ProcessMessages; WA1. := 0;for J := 1 to RowCountRegimIA1. do begin

218. Application.ProcessMessages;1. AU.));if fmMain.CloseFlag then GoTo Lbl; end; {J} WA1. :=WAI./IznosA[I]; LnWA[I]:=Ro wCountRegimIA [I] * ln( WA [I]); SLnW:=SLnW+LnWA[I]; if fmMain.CloseFlag then GoTo Lbl; end; {1}

219. SLnW:=SLnW/RowCountRegim; for AAreaI := 1 to AArea+l do beginai := aLow + (AAreaI 1) * ha; Swa:=0;for I := 1 to RowCountlznos do begin

220. Application.ProcessMessages;

221. Swa := SWa + RowCountRegimIA1. * exp(ai *ln(WA1.));if fmMain.CloseFlag then GoTo Lb 1; end;{I}

222. Kv-+FloatToStrF(GetKv(ai),ffGeneral,5,0)+ ' lnC='+FloatToStrF(lnci,ffGeneral,7,0)+' m-+FloatToStrF(mi,ffGeneral,6,0)+x-+FloatToStrF(xi,ffGeneral,5,0)+' y='+FloatToStrF(yi,ffGeneral,6,0)+

223. L-+FloatToStrF(Li,ffGeneral,{9} 18,0); fmVvod.memRez.Lines.Add(RezStr); end; Progr := Progr + (100/((MArea+1) * (X Area+1) * (YArea+1 )*(AArea+l)));fmVvod.ProgressBarl.Position := Round(Progr); { Round(( 10 0 *MAreaI * XAreaI * YAreaI * AAreaI)/

224. RezStr := 'Максимум '+SpaceStr+' a='+FloatToStrF(a,ffGeneral,5,0)+ | ' К v-+F 1 oatToStrF(Kv,ffGeneral,5,0)+lnC-+FloatToStrF(lnc,ffGeneral,7,0)+'m='+FloatToStrF(m,ffGeneral,6,0)+x='+FloatToStrF(x,ffGeneral,5,0)+' y='+FloatToStrF(y,ffGeneral,6,0)+

225. J ' L='+FloatToStrF(L,ffGeneral,{9} 18,0);1 fmVvod.memRez.Lines.Add(RezStr); 1 fmVvod.memRez.Lines.Add(''); M Low := StoikostARowCountRezult.m (dM/5}hm;

226. MUp := StoikostARowCountRezult.m + {dM/5}hm;I

227. Листинг П1.7. Модуль реализации процедуры оценки максимума функции правдоподобия методом прямого перебора (продолжение)1 end; {with VostReg} j1. J Lb 1: I1.enc^ IbeginI

228. VostReg := TVostReg.Create; end. i0707. 405748. 001 Патрубок левый Сталь 09Г2С ГОСТ 19281-890707.403481.028