Інтеграція магнітно-резонансної обробки (МРО) у процеси виготовлення відповідальних деталей машин
DOI:
https://doi.org/10.37142/2076-2151/2025-1(54)147Ключові слова:
магнітно-резонансна обробка, обробка тиском, математичне моделювання, адаптивне виробництво, інтелектуальні системи керування; Індустрія 4.0.Анотація
Ковалевський С. В., Семічаснова Н. С. Інтеграція магнітно-резонансної обробки (МРО) у процеси виготовлення відповідальних деталей машин
У статті запропоновано комплексний підхід до інтеграції магнітно-резонансної обробки (МРО) у процеси гарячого та холодного штампування відповідальних деталей машин. Розроблено дванадцять аналітичних моделей, кожна з яких описує окремий етап взаємодії змінного магнітного поля з матеріалом та оснасткою: від ініціації центрів кристалізації й модифікації доменної структури до релаксації залишкових напружень, зниження густини дислокацій і мінімізації ймовірності мікроруйнувань. Показано, що безконтактне фізичне впливання МРО забезпечує локальне кероване формування дислокаційних скупчень, усунення тензорної анізотропії твердості та вирівнювання фазових неоднорідностей без необхідності додаткового термічного відпалу. Експериментальні та аналітичні результати свідчать про суттєве підвищення стабільності технологічних параметрів різання: зменшення динамічних навантажень на ріжучий інструмент, підвищення повторюваності розмірно‑геометричних характеристик готових виробів і продовження ресурсу оснастки за рахунок уповільнення накопичення втомних пошкоджень між циклами роботи. Завдяки дії МРО до або після штампування досягається оптимальний баланс між наклепом і його релаксацією, що дозволяє підвищити пластичність матеріалу без традиційного термічного відпалу та знизити витрати на енергію. Наукова новизна полягає у поєднанні аналітичних моделей із концепцією кіберфізичних виробничих систем Індустрії 4.0. Показано, що МРО може стати ключовим елементом адаптивного виробництва: використання сенсорних даних дозволяє здійснювати кероване мікромодифікування властивостей матеріалу в реальному часі, а цифрові моделі забезпечують прогнозування їхнього розвитку під технологічними навантаженнями. Це відкриває можливості для побудови саморегульованих технологічних ланцюгів із зворотним зв’язком, що поєднують пластичну деформацію, структурне моделювання та цифрове управління. Практична значущість роботи підтверджена можливістю значного зниження загальних виробничих витрат та енергоспоживання за рахунок скорочення термічних циклів, а також підвищення екологічної безпеки процесу. Запропонований підхід створює міцну основу для подальшої розробки інтелектуальних виробничих систем і перспективних технологій формування робочих поверхонь у машинобудуванні.
Посилання
He X., Welo T., Ma J. In-process monitoring strategies and methods in metal forming: A selective review. Journal of Manufacturing Processes. 2025. 138, pp. 100–128. DOI: https://doi.org/10.1016/j.jmapro.2025.02.011.
La Monaca A., Murray J.W., Liao Z., Speidel A., Robles-Linares J.A., Axinte D. A., Hardy M. C., Clare A. T. Surface integrity in metal machining. Part II: Functional performance. International Journal of Machine Tools and Manufacture. 2021. 164. Article 103718. DOI: https://doi.org/10.1016/j.ijmachtools.2021.103718.
Ma J., Tang X., Hou Y., Li H., Lin J., Fu M. W. Defects in metal-forming: formation mechanism, prediction and avoidance // International Journal of Machine Tools and Manufacture. 2025. 207. Article 104268. DOI: https://doi.org/10.1016/j.ijmachtools.2025.104268.
Zhao J., Jiang Z. Thermomechanical processing of advanced high strength steels. Progress in Materials Science. 2018. 94, pp. 174–242. DOI: https://doi.org/10.1016/j.pmatsci.2018.01.006.
Kovalevskyy S. V., Kovalevska O. S., Sidyuk D. M. Modeling the effects of magnetic resonance processing of materials and its experimental validation. Bulletin of the National Technical University “KhPI,” Series: Technologies in Mechanical Engineering: 2024. 2 (10), pp. 9–14. DOI: https://doi.org/10.20998/2079-004X.2024.2(10).02. (in Ukrainian).
Mourtzis D., Angelopoulos J., Panopoulos N. 3.02 – Industry 4.0 and smart manufacturing. Comprehensive Materials Processing. 2nd ed. / ed. by Saleem Hashmi. Elsevier. 2024, pp. 14–38. DOI: https://doi.org/10.1016/B978-0-323-96020-5.00010-8.
Chen J., Zhang Z., Wang L., Tang D., Cai Q., Chen K. Self-adaptive production scheduling for discrete manufacturing workshop using multi-agent cyber physical system. Engineering Applications of Artificial Intelligence. 2025. 150. Article 110638. DOI: https://doi.org/10.1016/j.engappai.2025.110638.
Kosse S., Betker V., Hagedorn P., König M., Schmidt T. A semantic digital twin for the dynamic scheduling of Industry 4.0-based production of precast concrete elements. Advanced Engineering Informatics. 2024. 62. Part B. Article 102677. DOI: https://doi.org/10.1016/j.aei.2024.102677.
Nourizadeh H., Setayesh Nazar M. Optimal day-ahead scheduling and reconfiguration of active distribution systems considering energy hubs, residential demand response aggregators, and electric vehicle parking lot aggregators. Computers and Electrical Engineering. 2025. 123, Part C. Article 110227. DOI: https://doi.org/10.1016/j.compeleceng.2025.110227 .
Heik D., Bahrpeyma F., Reichelt D. Study on the application of single-agent and multi-agent reinforcement learning to dynamic scheduling in manufacturing environments with growing complexity: Case study on the synthesis of an industrial IoT Test Bed. Journal of Manufacturing Systems. 2024. 77, pp. 525–557. DOI: https://doi.org/10.1016/j.jmsy.2024.09.019.
