Тонкое точение: Тонкое (алмазное) точение и растачивание

Тонкое точение — Большая Энциклопедия Нефти и Газа, статья, страница 1

Cтраница 1

Тонкое точение обычно проводится с малой подачей ( 0 02 — 0 1 мм.
 [1]

Тонкое точение и растачивание закаленных сталей резцами с указанными поликристаллами, некоторые разновидности которых называются также эльбором Р, обеспечивают точность 1 — 2-го класса и шероховатость 8 — 9-го класса. В отличие от шлифования, при этом отсутствуют прижоги и другие изменения в поверхностном слое. Обработка ведется с малыми подачами ( 0 02 — 0 10 мм / об), при глубине резания 0 2 — 0 3 мм, со скоростью 40 — 60 м / мин. При обработке деталей из стали ХВГ ( Я С 62 — 64) с глубиной резания 0 2 мм при подаче 0 07 мм / об и скорости 80 м / мин для резцов с эльбором Р стойкость-оказалась равной 70 — 80 мин, а для резцов из твердых сплавов — 5 мин. Резцами с поликристаллами можно обрабатывать детали из сплавов типа ВК вместо электроэрозионной и электрохимической обработок со скоростями 20 — 30 м / мин при допустимом износе-по задней грани в 1 мм.
 [3]

Тонкое точение с высокими скоростями резания ( свыше 100 м / мин), малыми подачами ( до 0 1 мм / об) и глубинами резания ( до 0 5 мм) обеспечивает чистоту поверхности 7 — 8-го классов и точность 1 — 2-го классов.
 [4]

Тонкое точение и растачивание применяются главным образом для обработки деталей из цветных металлов и сплавов, а также для обработки чугунных и незакаленных стальных деталей, которые должны удовлетворять указанным выше требованиям к точности и чистоте поверхности и особенно — к точности направления и относительного положения оси отверстия.
 [5]

Тонкое точение производится на обычных быстроходных токарных и на специальных станках мод.
 [6]

Тонкое точение производят тщательно доведенными твердосплавными резцами двух видов: изготовляемых с радиусным переходным лезвием; зачистным лезвием, параллельным направлению продольной подачи.
 [7]

Тонкое точение может заменить шлифование, являясь, таким образом, отделочной операцией.
 [8]

Тонкое точение обеспечивает точность обработки 2-го и даже 1-го класса и шероховатость 7 — 9-го классов, а в некоторых случаях 10 — 11-го классов. Наиболее широко обработке тонким точением подвергают цветные сплавы, реже стали и чугуны. Высокая точность и шероховатость обрабатываемой поверхности при тонком точении достигается снятием стружки малого сечения при высоких скоростях резания инструментами, оснащенными пластинками из твердых сплавов или алмазами с тщательно доведенными режущими кромками. В результате таких режимов резания не появляется нарост на резцах, происходят малые усадки стружки из-за очень малых усилий резания и незначительные упругие деформации системы СПИД.
 [9]

Тонкое точение обеспечивает 2а — 3 классы точности 7 — 8 классы чистоты.
 [10]

Тонкое точение обеспечивает 2а — 3 — й классы точности и 7 — 8 — й классы чистоты.
 [11]

Тонкое точение может выполняться на специальных тонкорасточных станках и быстроходных прецизионных токарных станках.
 [12]

Тонкое точение в основном применяют при расточке отверстий и выполняют на обладающих высокой жесткостью и точностью отделочно-расточных станках.
 [13]

Тонкое точение, как правило, выполняется в два прохода. За первый проход снимают не менее 75 % припуска. В случае коротких отверстий черновые и чистовые резцы устанавливаются на одной борштанге на таком расстоянии, чтобы чистовой резец вступил в работу после выхода из отверстия черновых резцов ( фиг. В случае длинного отверстия растачивание производится на двухстороннем станке, как показано на фиг. При отверстиях L ] 5D применяют борштанги с задним направлением посредством втулки с шариковым подшипником. Детали, подлежащие тонкому точению, предварительно проходят получистовую обработку резцом, зенкером или однократным развертыванием.
 [15]

Страницы:  

   1

   2

   3

   4

Тонкое (алмазное) точение

ТОКАРНОЕ ДЕЛО

Сущность тонкого точения заключает­ся в срезании с поверхности заготовки тончайших стружек, что обеспечивает высокую точность (2а, 2 и 1 классы) и высокую чистоту поверхности (до VII). Припуск под тонкое точение составляет 0,1—0,2 мм. Тонкое точение иногда на­зывают алмазным, потому что наиболь­ший эффект по производительности, стойкости инструмента и качеству об­работки дают резцы, оснащенные кри­сталлами естественного алмаза (рис. 229, а). Для этой цели используют кри­сталлы массой до 0,6 карата (1 карат = 0,2 г), которые крепят в державке ме­ханическим способом (прижим план­кой) (рис. 229, б) или впаивают в дер­жавку. Кристалл алмаза проходит ог-

229. алмазные резцы:

А — со вставным кристаллом алмаза, б — с механическим креплением кристалла ал­маза; I — державка, 2 — подкладка, 3 — алмаз, 4 — прижимная планка, 5 — винт, 6 — опора

Ранку (шлифование плоскостей алмаз­ным порошком) для достижения требуемой геометрии (углы: <р = =304-90°; у=0-М0°; а = 5°). Алмазными резцами обрабатывают главным образом цветные металлы (медь, алюминий), легкие сплавы (сплавы алюминия, латунь, баббит) и пластмассы. Возможно алмазное то­чение отливок из качественных чугу- нов (без раковин). Для тонкого точе­ния стали алмазы не применяют, так как высокая температура в зоне реза­ния приводит к потере алмазом режу­щих свойств. Рекомендуемые режимы резания при алмазном точении приве­дены в табл. 17.

Для тонкого точения применяют также кристаллы кубического нитрида бора, которые по твердости не уступают ал­мазу, но выдерживают более высокую температуру (пригодны для обработ­ки стали).

Тонкое точение выполняют также резцами, оснащенными пластинками из твердых сплавов ВК2, ВКЗ, ВКЗМ (по чугуну), Т30К4 (по стали) и мине — ралокерамическими.

Геометрия резца для обработки ста­ли 40Х: <р=45°, <pi = 10°, у=6°, а= = 5°, г— 1 мм. Геометрия резца и режим резания в зависимости от обрабаты­ваемого материала и условий обра­ботки принимаются по справочнику. Твердосплавный резец для тонкого то­чения должен быть тщательно доведен на алмазном доводочном круге, каче­ство доводки контролируют при помо­щи лупы пятикратного увеличения. Станки для алмазной обработки (на­ружного точения или расточки) долж­ны отличаться высокой жесткостью, быстроходностью и точностью подшип­никового узла (допуск на радиальное биение шпинделя до 0,005 мм). Этим требованиям удовлетворяют токарные станки повышенной точности (напри­мер, 1И611П) и специальные алмазно — расточные станки с быстроходными силовыми головками. Патроны и оп­равки этих станков должны быть хо­рошо отбалансированы. Алмазы и твердые сплавы с низким содержанием кобальта особенно чув­ствительны к ударам и вибрациям, поэтому при тонком точении резец подводят к заготовке через 15— 20 сек после начала вращения шпинде­ля, когда шпиндель как бы «всплыл» в подшипниках и положение его ста­билизировалось.

Фрезерная обработка на 4-осевом обрабатывающем центре от мастеров ООО «ДИС-ГРУПП»

При производстве объемных деталей важно обеспечить их точность в 3- и 4-осевых проекциях. Для этого применяются 4-координатные фрезерные станки. Обработка металлических деталей в Украине на таком оборудовании доступна в нашей …

Идеи как заработать на фрезерном станке с ЧПУ

Системная разработка, изготовление и последующая реализация — главные задачи компании RAYMARK. Производитель создаёт качественное многофункциональное лазерное и фрезерное оборудование, использование которого актуально в различных сферах, от бытовых работ до масштабных …

Особенности и преимущества сменных токарных пластин

Для повышения производительности, технического оснащения и улучшения оборудования, на промышленных предприятиях используются запасные резцы. Сменные токарные пластины являются элементами токарного оборудования и при необходимости подлежат замене. Они имеют простой механизм …

Параметр-эффективная тонкая настройка с использованием 🤗 PEFT

Вернуться к блогу

Опубликовано
10 февраля 2023 г.
Обновление на GitHub

smangrul
Сураб Мангрулкар

саякпаул
Саяк Пол

Мотивация

Модели больших языков (LLM), основанные на архитектуре преобразователя, такие как GPT, T5 и BERT, достигли самых современных результатов в различных задачах обработки естественного языка (NLP). Они также начали осваивать другие области, такие как компьютерное зрение (CV) (VIT, Stable Diffusion, LayoutLM) и аудио (Whisper, XLS-R). Традиционная парадигма представляет собой крупномасштабную предварительную подготовку на общих веб-данных с последующей точной настройкой для последующих задач. Точная настройка этих предварительно обученных LLM на нисходящих наборах данных приводит к огромному приросту производительности по сравнению с использованием готовых предварительно обученных LLM (например, вывод с нулевым выстрелом).

Однако по мере того, как модели становятся все больше и больше, полная точная настройка становится невозможной для обучения на потребительском оборудовании. Кроме того, хранение и развертывание точно настроенных моделей независимо для каждой последующей задачи становится очень дорогим, поскольку точно настроенные модели имеют тот же размер, что и исходная предварительно обученная модель. Подходы Parameter-Efficient Fine-tuning (PEFT) предназначены для решения обеих проблем!

PEFT подходит только для точной настройки небольшого числа (дополнительных) параметров модели, при этом замораживая большинство параметров предварительно обученных LLM, тем самым значительно снижая затраты на вычисления и хранение. Это также устраняет проблемы катастрофического забывания, поведения, наблюдаемого во время полной тонкой настройки LLM. Подходы PEFT также показали себя лучше, чем точная настройка в режимах с низким объемом данных, и лучше обобщают сценарии вне домена. Его можно применять к различным модальностям, например, к классификации изображений и будке снов со стабильной диффузией.

Это также помогает в переносимости, поскольку пользователи могут настраивать модели с помощью методов PEFT, чтобы получить крошечные контрольные точки стоимостью в несколько МБ по сравнению с большими контрольными точками полной тонкой настройки, например, bigscience/mt0-xxl занимает 40 ГБ памяти и полный тонкая настройка приведет к 40 ГБ контрольных точек для каждого нисходящего набора данных, тогда как при использовании методов PEFT для каждого нисходящего набора данных потребуется всего несколько МБ, при этом достигается производительность, сравнимая с полной тонкой настройкой. Небольшие тренировочные веса из подходов PEFT добавляются поверх предварительно обученного LLM. Таким образом, один и тот же LLM можно использовать для нескольких задач, добавляя небольшие веса без замены всей модели.

Короче говоря, подходы PEFT позволяют получить производительность, сравнимую с полной тонкой настройкой, при наличии лишь небольшого количества обучаемых параметров.

Сегодня мы рады представить библиотеку 🤗 PEFT, которая предоставляет новейшие методы параметрической эффективной тонкой настройки, полностью интегрированные с 🤗 Transformers и 🤗 Accelerate. Это позволяет использовать самые популярные и производительные модели Transformers в сочетании с простотой и масштабируемостью Accelerate. Ниже приведены поддерживаемые в настоящее время методы PEFT, и скоро появятся новые:

1. LoRA: LORA: НИЗКОРАНГОВАЯ АДАПТАЦИЯ МОДЕЛЕЙ БОЛЬШОГО ЯЗЫКА
2. Настройка префикса: P-Tuning v2: оперативная настройка может быть сопоставима с универсальной точной настройкой для разных масштабов и задач
3. Настройка подсказок: сила масштаба для эффективной настройки подсказок
4. P-Tuning: GPT тоже понимает

Случаи использования

Здесь мы рассмотрим множество интересных вариантов использования. Вот некоторые из самых интересных:

1. Использование 🤗 PEFT LoRA для настройки модели bigscience/T0_3B (3 миллиарда параметров) на потребительском оборудовании с 11 ГБ ОЗУ, таком как Nvidia GeForce RTX 2080 Ti, Nvidia GeForce RTX 3080 и т. д., с использованием интеграции 🤗 Accelerate с DeepSpeed: peft_lora_seq2seq_accelerate_ ds_zero3_offload.py. Это означает, что вы можете настраивать такие большие LLM в Google Colab.

2. Взяв предыдущий пример на ступень выше, включив настройку INT8 модели OPT-6.7b (6,7 миллиарда параметров) в Google Colab с использованием 🤗 PEFT LoRA и bitsandbytes:

3. Stable Diffusion Обучение Dreambooth с использованием 🤗 PEFT на потребительском оборудовании с 11 ГБ ОЗУ, таком как Nvidia GeForce RTX 2080 Ti, Nvidia GeForce RTX 3080 и т. д. Попробуйте демонстрацию Space, которая должна без проблем работать на инстансе T4 (16 ГБ GPU) : smangrul/peft-lora-sd-dreambooth.

PEFT LoRA Dreambooth Gradio Space

Обучение вашей модели с помощью 🤗 PEFT

Рассмотрим случай тонкой настройки bigscience/mt0-large с использованием LoRA.

1. Соберем необходимый импорт

 из импорта трансформаторов AutoModelForSeq2SeqLM
+ импорт из пефта get_peft_model, LoraConfig, TaskType
  model_name_or_path = "bigscience/mt0-большой"
  tokenizer_name_or_path = "bigscience/mt0-большой"
 

2. Создание конфига, соответствующего методу PEFT

 peft_config = LoraConfig(
    task_type=TaskType.SEQ_2_SEQ_LM, inference_mode=False, r=8, lora_alpha=32, lora_dropout=0,1
)
 

3. Оберточная основа 🤗 Модель трансформеров по телефону get_peft_model

 модель = AutoModelForSeq2SeqLM.from_pretrained (имя_модели_или_путь)
+ модель = get_peft_model(модель, peft_config)
+ модель.print_trainable_parameters()
# вывод: обучаемые параметры: 2359296 || все параметры: 1231940608 || обучаемый%: 0,19151053100118282
 

Вот оно! В остальном тренировочный цикл остается прежним. Пожалуйста, обратитесь к примеру peft_lora_seq2seq.ipynb для сквозного примера.

4. Когда вы будете готовы сохранить модель для вывода, просто сделайте следующее.

 model.save_pretrained("output_dir")
# model.push_to_hub("my_awesome_peft_model") также работает
 

При этом будут сохранены только добавочные веса PEFT, которые были обучены. Например, вы можете найти bigscience/T0_3B , настроенный с использованием LoRA, в наборе данных twitter_complaints raft здесь: smangrul/twitter_complaints_bigscience_T0_3B_LORA_SEQ_2_SEQ_LM. Обратите внимание, что он содержит только 2 файла: adapter_config.json и adapter_model.bin, причем последний содержит всего 19 файлов.МБ.

5. Чтобы загрузить его для вывода, следуйте фрагменту кода ниже:

 из импорта трансформаторов AutoModelForSeq2SeqLM
+ импортировать из пефта PeftModel, PeftConfig
  peft_model_id = "smangrul/twitter_complaints_bigscience_T0_3B_LORA_SEQ_2_SEQ_LM"
  config = PeftConfig.from_pretrained(peft_model_id)
  модель = AutoModelForSeq2SeqLM. from_pretrained(config.base_model_name_or_path)
+ модель = PeftModel.from_pretrained (модель, peft_model_id)
  tokenizer = AutoTokenizer.from_pretrained(config.base_model_name_or_path)
  модель = модель.к(устройство)
  модель.eval()
  inputs = tokenizer("Текст твита: @HondaCustSvc Ваше обслуживание клиентов было ужасным во время процесса отзыва. Я никогда больше не куплю Honda. Label:", return_tensors="pt")
  с факелом.no_grad():
      выходы = model.generate(input_ids=inputs["input_ids"].to("cuda"), max_new_tokens=10)
      print(tokenizer.batch_decode(outputs.detach().cpu().numpy(), skip_special_tokens=True)[0])
# 'жалоба'
 

Следующие шаги

Мы выпустили PEFT как эффективный способ настройки больших LLM для подчиненных задач и доменов, позволяющий сэкономить много вычислительных ресурсов и ресурсов хранения при достижении производительности, сравнимой с полной тонкой настройкой. В ближайшие месяцы мы будем изучать другие методы PEFT, такие как (IA)3 и адаптеры узкого места. Кроме того, мы сосредоточимся на новых вариантах использования, таких как обучение INT8 модели шепотом в Google Colab и настройке компонентов RLHF, таких как политика и ранжировщик, с использованием подходов PEFT.

А пока мы рады видеть, как практикующие специалисты отрасли применяют PEFT в своих сценариях использования. Если у вас есть какие-либо вопросы или отзывы, откройте вопрос в нашем репозитории GitHub 🤗.

Удачной настройки с эффективным использованием параметров!

Время поворота. Художественная фотография Питера Лика.

7 300 долл. США

Размер

Размер: 100 см

Размер: 150 см

Размер: 200 см

Отделка рамы

Рама: Акриловое крепление

Каркас: матовый черный

Рамка: Сигарный лист

Каркас: темный ясень

Лайнер

Лайнер: Нет

Подкладка: жемчужная коническая огранка

Подкладка: черный скошенный срез

Варианты продукта

Размер: 100 см / Каркас: Акриловое крепление / Подкладка: Нет

Размер: 100 см / Каркас: матовый черный / Подкладка: жемчужная, скошенная

Размер: 100 см / Каркас: матовый черный / Подкладка: черная, скошенная

Размер: 100 см / Каркас: матовый черный / Подкладка: нет

Размер: 100 см / Каркас: сигарный лист / Подкладка: скошенная жемчужина

Размер: 100 см / Каркас: сигарный лист / Подкладка: черный скошенный срез

Размер: 100 см / рама: сигарный лист / подкладка: нет

Размер: 100 см / Каркас: темный ясень / Подкладка: жемчужный скошенный срез

Размер: 100 см / Каркас: темный ясень / Подкладка: черный скошенный крой

Размер: 100 см / Каркас: темный ясень / Подкладка: нет

Размер: 150 см / Каркас: Акриловое крепление / Подкладка: Нет

Размер: 150 см / Каркас: матовый черный / Подкладка: жемчужный скошенный срез

Размер: 150 см / Каркас: матовый черный / Подкладка: черная, скошенная

Размер: 150 см / Каркас: матовый черный / Подкладка: нет

Размер: 150 см / Каркас: сигарный лист / Подкладка: скошенная жемчужина

Размер: 150 см / Каркас: сигарный лист / Подкладка: черный скошенный срез

Размер: 150 см / рама: сигарный лист / подкладка: нет

Размер: 150 см / Каркас: темный ясень / Подкладка: жемчужная фаска

Размер: 150 см / Каркас: темный ясень / Подкладка: черный скошенный крой

Размер: 150 см / Каркас: темный ясень / Подкладка: нет

Размер: 200 см / Каркас: Акриловое крепление / Подкладка: Нет

Размер: 200 см / Каркас: сигарный лист / Подкладка: скошенная жемчужина

Размер: 200 см / Каркас: сигарный лист / Подкладка: черный скошенный срез

Размер: 200 см / рама: сигарный лист / вкладыш: нет

Размер: 200 см / Каркас: темный ясень / Подкладка: жемчужная фаска

Размер: 200 см / Каркас: темный ясень / Подкладка: черный скошенный крой

Размер: 200 см / Каркас: темный ясень / Подкладка: нет
Количество

Для получения подробных размеров, включая размеры рамы и вкладыша, нажмите на ссылку ниже.