Sử dụng phương pháp mạng noron nhân tạo để tối ưu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng mảnh dao PCBN

Tối ưu hóa chế độ cắt là phương pháp xác định chế độ cắt tối ưu thông qua việc xây dựng mối quan hệ toán học giữa hàm mục tiêu về kinh tế hoặc kỹ thuật của quá trình gia công với các thông số của chế độ cắt tương ứng trên một hệ thống công nghệ xác định[1], nhằm đạt được các mục tiêu về kinh tế hoặc kỹ thuật của quá trình gia công. Đây là một trong những việc chính khi lập kế hoạch gia công, nó giúp phần làm tăng năng suất và hiệu quả gia công cũng như chất lượng sản phẩm. Tuy nhiên, đi sâu vào phân tích quá trình cắt nó bao gồm chi phí xác định, đặc biệt là trong sản suất loạt nhỏ hay trong trường hợp gia công đơn chiếc thì nó rất cần thiết để có thể rút ngắn nhất đến mức có thể các bước xác định chế độ cắt tối ưu. Nếu không chi phí phân tích có thể vượt quá hiệu quả kinh tế mà nó có thể đạt được khi làm việc ở các điều kiện tối ưu. Vì lí do đó mà quá trình tối ưu được đưa vào công tác chuẩn bị để tiết kiệm thời gian và giảm chi phí sản xuất. Như các biến đầu ra của quá trình gia công phụ thuộc vào các điều kiện cắt, các quyết định liên quan đến lựa chọn các thông số cắt có ảnh hưởng quan trọng đến mức độ sản xuất, chi phí sản xuất và chất lượng sản xuất. Với việc sử dụng máy CNC ngày càng tăng, tầm quan trọng của tối ưu hóa chính xác thông số điều kiện cắt thì rất cần thiết.

Lựa chọn các thông số cắt tối ưu đã được nghiên cứu nhiều ở mặt lý thuyết và được hỗ trợ từ các số liệu thực nghiệm của các nhà sản xuất dụng cụ, nhưng với những việc trong thực tế thì nó chưa thể mang lại những phân tích chi tiết và các thông số tối ưu lý tưởng. Để tối ưu hóa các hoạt động của máy, các phương pháp định lượng đã được phát triển với sự xét đến chỉ một mục tiêu, chẳng hạn như giảm

thiểu các chi phí sản suất hoặc tối đa hóa lợi nhuận, vv.... và các hàm mục tiêu đó là:

chất lượng bề mặt (Ra), Chi phí sản xuất (Cp), thời gian gia công (Tp). Hoặc tối ưu hoá đa mục tiêu bằng phương pháp thực nghiệm [2,13] để tìm cực trị và miền tối ưu hoá theo các chỉ tiêu đã đề ra.

Đã có nhiều nghiên cứu về tối ưu hóa đơn mục tiêu được nghiên cứu như: phương pháp vi phân[19], phương pháp phân tích hồi quy[16], phương pháp quy hoạch tuyến tính[19], phương pháp bề mặt chỉ tiêu [2,18] và mô phỏng máy tính. Trong khi hầu hết các nghiên cứu tối ưu hóa đơn mục tiêu thì cũng đã có những nghiên cứu về tối ưu hóa đa mục tiêu. Tuy nhiên, trong thực tế ứng dụng, các nhà sản xuất thường gặp phải các vấn đề là tối ưu hóa đồng thời nhiều mục tiêu, các mục

tiêu thường mâu thuẫn nhau và không thể so sánh. Ví dụ như khi gia công thì các biến năng suất gia công, chi phí sản suất, và chất lượng sản phẩm được đề cập.

Chúng ta muốn giảm nhỏ nhất cho chi phí sản xuất, nhưng đồng thời là tăng tối đa năng suất và chất lượng sản phẩm. Việc tăng tốc độ cắt thì sẽ làm tăng năng suất nhưng đồng thời nó cũng làm tăng lượng mòn dụng cụ dẫn đến tăng chi phí sản xuất và làm giảm chất lượng bề mặt vì độ nhám cao hơn. Hơn nữa với các phương pháp tối ưu hóa này thì để tìm ra được các thông số cắt tối ưu sẽ mất rất nhiều thời gian, dẫn đến chi phí cho việc phân tích tìm các thông số tối ưu cũng tăng cao vì vậy nó chỉ phù hợp với sản xuất loạt lớn, hàng khối. Mà xu hướng ngày nay đã bắt đầu quay lại thời kỳ sản suất loạt vừa và nhỏ để đáp ứng những thay đổi liên tục của nhu cầu thị trường.

Mạng nơ ron nhân tạo (Artifcial Neural Network: ANN) là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con người với vô số các nơ ron được liên kết truyền thông với nhau qua mạng[5, 10]. Giống như con người, ANN được học bởi kinh nghiệm, lưu giữ những kinh nghiệm đó và sử dụng trong những tình huống phù hợp. Ngoài ra ANN có khả năng xử lý song song với tốc độ xử lý nhanh, có khả năng dạy học thích nghi, nó thích ứng trong quá trình tự điều chỉnh trong điều chỉnh tự động. Phương pháp này đảm bảo việc lựa chọn nhanh chóng và hiệu quả các điều kiện cắt tối ưu và quá trình xử lý các dữ liệu có sẳn[17]. Do vậy nó rất phù hợp với dạng sản xuất loạt nhỏ, đơn chiếc. Tối ưu hóa các thông số gia công là một tối ưu hóa phi tuyến tính với các rằng buộc, vì vậy rất khó cho các thuật toán tối ưu hóa thông thường để giải quyết vấn đề này bởi vì các vấn đề về tốc độ hội tụ và chính xác.

Chính vì những lí do trên tác giả chọn đề tài nghiên cứu là: “Sử dụng phương pháp mạng noron nhân tạo để tối ưu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng mảnh dao PCBN.”

LINK DOWNLOAD

thiểu các chi phí sản suất hoặc tối đa hóa lợi nhuận, vv.... và các hàm mục tiêu đó là:

LINK DOWNLOAD