MÔ HÌNH DỰ BÁO VÀ XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU TRÊN MÁY PHAY CNC DỰA TRÊN PHƯƠNG PHÁP TÍCH HỢP ANN-GA | Chi | TNU Journal of Science and Technology

MÔ HÌNH DỰ BÁO VÀ XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU TRÊN MÁY PHAY CNC DỰA TRÊN PHƯƠNG PHÁP TÍCH HỢP ANN-GA

Thông tin bài báo

Ngày nhận bài: 23/05/21                Ngày hoàn thiện: 22/06/21                Ngày đăng: 22/06/21

Các tác giả

1. Trần Công Chi Email to author, Trường Đại học Lâm Nghiệp
2. Nguyễn Văn Tựu, Trường Đại học Lâm Nghiệp
3. Trần Công Lưu, Trường Cao đẳng Cơ giới Ninh Bình

Tóm tắt


Độ nhám bề mặt là một trong những chỉ số quan trọng được sử dụng rộng rãi để đánh giá chất lượng bề mặt trong gia công cơ khí. Bài báo này giới thiệu mô hình dự đoán và tối ưu hóa các thông số gia công bằng cách kết hợp mô hình mạng thần kinh nhân tạo (ANN) và thuật toán di truyền (GA) khi gia công trên máy phay CNC. Để đánh giá hiệu quả của phương pháp ANN-GA trong việc dự đoán và tối ưu hóa độ nhám bề mặt, một thí nghiệm gia công thép C45 bằng dao phay thép gió đã được thực hiện trên máy phay AGMA - A8. Kết quả nghiên cứu cho thấy, mô hình ANN được phát triển với cấu trúc mạng 3-8-1 có các giá trị hệ số tương quan (R) lớn hơn 0,9. Điều này chứng minh rằng, mô hình có khả năng dự báo độ nhám bề mặt chính xác và đáng tin cậy. Ngoài ra, thuật toán GA được kết hợp với mô hình ANN đã xác định thông số gia công tối ưu. Kết quả của nghiên cứu này chứng minh rằng, phương pháp kết hợp ANN-GA có đủ độ tin cậy để dự đoán được các thông số gia công tối ưu.

Từ khóa


Chế độ cắt; Tối ưu hóa; Mô hình ANN; Thuật toán GA; Máy phay CNC

Toàn văn:

PDF

Tài liệu tham khảo


[1] N. N. Kien, "Applying artificial intelligence methods and Taguchi analysis to determine the cutting parameters when machining on CNC milling machines," Ph.D, Hanoi University of Science & Technology (HUST), Hanoi, 2014.

[2] A. T. Abbas, D. Y. Pimenov, I. N. Erdakov, T. Mikolajczyk, M. S. Soliman, and M. M. El Rayes, "Optimization of cutting conditions using artificial neural networks and the Edgeworth-Pareto method for CNC face-milling operations on high-strength grade-H steel," The International Journal of Advanced Manufacturing Technology, vol. 105, no. 5, pp. 2151-2165, 2019.

[3] B. Lela, D. Bajić, and S. Jozić, "Regression analysis, support vector machines, and Bayesian neural network approaches to modeling surface roughness in face milling," The International Journal of Advanced Manufacturing Technology, vol. 42, no. 11-12, pp. 1082-1088, 2009.

[4] P. Kovac, D. Rodic, V. Pucovsky, B. Savkovic, and M. Gostimirovic, "Application of fuzzy logic and regression analysis for modeling surface roughness in face milliing," Journal of Intelligent manufacturing, vol. 24, no. 4, pp. 755-762, 2013.

[5] D. Bajić, B. Lela, and D. Živković, "Modeling of machined surface roughness and optimization of cutting parameters in face milling," Metalurgija, vol. 47, no. 4, pp. 331-334, 2008.

[6] X. Chen, C. Li, Y. Tang, L. Li, Y. Du, and L. Li, "Integrated optimization of cutting tool and cutting parameters in face milling for minimizing energy footprint and production time," Energy, vol. 175, pp. 1021-1037, 2019.

[7] D. A. Tuan and N. H. That, "Optimizingon surface roughness and materials rate for milling SKD61 hardening steel with taguchi methods and response surface methodology," Journal of Science and Technology - Hung Yen University of Technology and Education, vol. 15, pp. 22-26, 2017.

[8] T. L. Nguyen, T. D. Hoang, and L. Hoang, Multi-objective optimization for high speed milling using PSO algorithm," Proceeding of the 5th National Conference on Mechanical Science & Technology (VCME) Hanoi, 2018, pp. 566-577.

[9] Y.-C. Lin, K.-D. Wu, W.-C. Shih, P.-K. Hsu, and J.-P. Hung, "Prediction of Surface Roughness Based on Cutting Parameters and Machining Vibration in End Milling Using Regression Method and Artificial Neural Network," Applied Sciences, vol. 10, no. 11, pp. 3941, 2020.

[10] D. L. Nguyen, "Prediction Surface Roughness Using Artificial Neural Network Application For Turning Steel C45," Science and Technology journal (Hanoi University of Industry), vol. 43, pp. 62-66, 2017.

[11] B. R. Krishnan, C. M. Sundaram, and A. Vembathurajesh, "Review of Surface Roughness Prediction in Cylindrical Grinding process by using RSM and ANN," International Journal of Recent Trends in Engineering and Research, vol. 4, no. 12, pp. 2455-1457, 2018.

[12] K. S. Sangwan, S. Saxena, and G. Kant, "Optimization of machining parameters to minimize surface roughness using integrated ANN-GA approach," Procedia Cirp, vol. 29, pp. 305-310, 2015.

[13] N. N. Kien, T. V. Dich, V. T. Thang, and N. T. Hieu, "The Artificial Neural Network Method and Artificial Evolution Method for Determining the Optimal Technology Parameter to Manufacture on CNC Milling," Vietnam Journal of Science and Technology, vol. 51, no. 2, p. 259, 2013.

[14] T. T. N. Nguyen, "Research on algorithms to find optimal solutions in the process of training neural networks to identify and control nonlinear dynamic objects," Ph.D, University of Economics - Technology for Industries, 2011.

[15] G. Zhang, B. E. Patuwo, and M. Y. Hu, "Forecasting with artificial neural networks: The state of the art," International journal of forecasting, vol. 14, no. 1, pp. 35-62, 1998.

"Times New Roman","serif";mso-fareast-font-family:Calibri;mso-fareast-theme-font:

minor-latin;mso-bidi-theme-font:minor-bidi;mso-ansi-language:PT-BR;mso-fareast-language:

EN-US;mso-bidi-language:AR-SA'>




DOI: https://doi.org/10.34238/tnu-jst.4533

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved