بهینه‌سازی فرآیند فرزکاری انگشتی برای رسیدن به زبری سطح مینیمم با ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک

نوع مقاله : مقاله مستقل

نویسندگان

1 کارشناس ارشد، گروه مکانیک، دانشگاه فردوسی مشهد، مشهد

2 استاد، گروه مکانیک، مرکز پژوهشی مهندسی تولید ناب، دانشگاه فردوسی مشهد، مشهد

چکیده

زبری سطح یکی از پارامترهای مهم کیفیت سطح قطعه ماشین‌کاری شده است. در این پژوهش به مطالعه بهینه‌سازی پارامترهای ورودی فرآیند فرزکاری انگشتی برای رسیدن به زبری سطح مینیمم پرداخته شده است. پنج پارامتر از فرآیند فرزکاری برای مینیمم کردن زبری سطح مورد بررسی قرار گرفته است. بدین منظور، با انجام یک سری آزمایش طرح‌ریزی شده با تکنیک طراحی آزمایشات، یک سری داده‌های ورودی و خروجی به دست آمده و از روش شبکه‌های عصبی مصنوعی برای مدل‌سازی فرآیند استفاده شده است. با روش آزمون و خطا، معماری 1-6-8-5 به عنوان بهترین معماری برای شبکه عصبی مصنوعی که کمترین خطا را داشت انتخاب شده است. مدل شبکه عصبی مصنوعی ایجادشده به عنوان تابع هدف الگوریتم ژنتیک به کار رفته است. الگوریتم ژنتیک با بهینه کردن مقادیر پارامترهای ورودی، زبری سطح را تا 85/0 میکرومتر کاهش داده است. عملیات بهینه‌سازی برای سه استراتژی مسیر ابزار به صورت جداگانه اجرا شده و استراتژی چرخشی کمترین زبری را نتیجه داده است. در انتها با استفاده از روش تاگوچی سطوح بهینه متغیرها شناسایی شده‌اند. همچنین مشاهده شد که زبری سطح در صورتی کاهش می‌یابد که عمق برش، نرخ پیشروی و step over کم باشد و از استراتژی مسیر برش یک جهته استفاده شود. علاوه بر این مشخص شد که عمق برش بیش‌ترین تأثیر را بر زبری نهایی قطعه دارد.

کلیدواژه‌ها

موضوعات


[1] Stephenson DA, Agapiou JS (2005) Metal cutting theory and practice. 68.CRC press.
[2] Zain AM, Haron H, Sharif S (2008) An overview of GA technique for surface roughness optimization in milling process. ITSim 2008. International Symposium. Kuala Lumpur, Malaysia.
[3] Oktem H, Erzurumlu T, Erzincanli F (2006) Prediction of minimum surface roughness in end milling mold parts using neural network and genetic algorithm. Mater Design 27(9): 735-744.
[4] Zain AM, Haron H, Sharif S (2010) Application of GA to optimize cutting conditions for minimizing surface roughness in end milling machining process. Expert Syst Appl 37(6): 4650-4659.
[5] Suresh P, Rao PV, Deshmukh S (2002) A genetic algorithmic approach for optimization of surface roughness prediction model. Int J Mach Tool Manu 42(6): 675-680.
[6] Brezocnik M, Kovacic M, Ficko M (2004) Prediction of surface roughness with genetic programming. J Mater Process Tech 157: 28-36.
[7] Çolak O, Kurbanoğlu C, Kayacan MC (2007) Milling surface roughness prediction using evolutionary programming methods. Mater Design 28(2): 657-666.
[8] Tanse IN (2006) Selection of optimal cutting conditions by using GONNS. Int J Mach Tool Manu 46(1): 26-35.
[9] Palanisamy P, Rajendran I, Shanmugasundaram S (2007) Optimization of machining parameters using genetic algorithm and experimental validation for end-milling operations. Int J Adv Manuf Tech 32(7-8): 644-655.
[10] Gologlu C, Sakarya N (2008) The effects of cutter path strategies on surface roughness of pocket milling of 1.2738 steel based on Taguchi method. J Mater Process Tech 206(1): 7-15.
[11] Holland JH (1975) Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. U Michigan Press.
[12] Golberg DE (1989) Genetic algorithms in search, optimization, and machine learning. Addison-Wesley Longman Publishing Co Inc. Boston, MA, USA.