Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nghiên cứu về Tối ưu hóa Đa biến trong Sản xuất Chính xác Sử dụng Hệ thống Mạng Nơ-ron Tối ưu hóa Bầy đàn Đa mục tiêu
Tóm tắt
Hợp kim nhôm 7075 đã được ứng dụng rộng rãi trong lĩnh vực hàng không và tấm kim loại hàng hải nhờ vào tính cơ học nổi bật và khả năng chống ăn mòn của nó. Trong bài báo này, vấn đề lựa chọn các thông số quy trình tối ưu để tối ưu hóa nhiều biến xử lý đã được nghiên cứu trong sản xuất chính xác. Hệ thống mạng nơ-ron tối ưu hóa bầy đàn đa mục tiêu được đưa ra nhằm xác định các điều kiện cắt tối ưu với thuật toán bầy đàn đa mục tiêu và nhiều mạng nơ-ron như các mô hình dự đoán của các biến gia công. Việc chế tạo các bộ phận chính xác bằng hợp kim nhôm 7075 sẽ trải qua hai giai đoạn: loại bỏ vật liệu và hình thành bề mặt. Trước tiên, các điều kiện cắt tối ưu được xác định để tối thiểu hóa độ mài mòn dụng cụ trong khi tối đa hóa tỷ lệ loại bỏ kim loại ở giai đoạn loại bỏ vật liệu. Thứ hai, việc lựa chọn các điều kiện cắt tối ưu tương ứng với chất lượng bề mặt tốt nhất và độ lệch căn bậc hai trung bình tối thiểu của rung động dụng cụ ở giai đoạn hình thành bề mặt là điều quan trọng và có ý nghĩa. Các thí nghiệm trực giao đã được thực hiện để quan sát mối quan hệ giữa các biến liên quan đến gia công và các thông số cắt một cách chi tiết. Nhiều mạng nơ-ron đã được đào tạo để thiết lập các mô hình dự đoán cho quá trình cắt từ dữ liệu thí nghiệm trực giao và thống kê. Lý thuyết độ lệch tối đa đã sắp xếp các giải pháp Pareto được tìm kiếm bởi quá trình tối ưu hóa của các mạng nơ-ron được điều khiển bởi thuật toán bầy đàn đa mục tiêu. Các giải pháp Pareto xếp hạng cao nhất đã được xác định là tổ hợp thông số cắt tối ưu cho các giai đoạn loại bỏ vật liệu và hình thành bề mặt, tương ứng. Cuối cùng, hệ thống tối ưu hóa đề xuất cũng có thể được sử dụng để tối ưu hóa quy trình gia công các vật liệu khó gia công khác.
Từ khóa
#hợp kim nhôm 7075 #sản xuất chính xác #tối ưu hóa bầy đàn #mạng nơ-ron #thí nghiệm trực giao #thông số cắtTài liệu tham khảo
Rai, J. K., Brand, D., Slama, M., & Xirouchakis, P. (2011). Optimal selection of cutting parameters in multi-tool milling operations using a genetic algorithm. International Journal of Production Research, 49(10), 3045–3068.
Yeganefar, A., Niknam, S. A., & Asadi, R. (2019). The use of support vector machine, neural network, and regression analysis to predict and optimize surface roughness and cutting forces in milling. International Journal of Advanced Manufacturing Technology, 105(1–4), 951–965.
Imani, L., Henzaki, A. R., Hamzeloo, R., & Davoodi, B. (2020). Modeling and optimizing of cutting force and surface roughness in milling process of Inconel 738 using hybrid ANN and GA. Proceedings of the Institution of Mechanical Engineers Part B-Journal of Engineering Manufacture, 234(5), 920–932.
Jeyakumar, S., Marimuthu, K., & Ramachandran, T. (2015). Optimization of machining parameters of A16061 composite to minimize the surface roughness—modelling using RSM and ANN. Indian Journal of Engineering and Materials Sciences, 22(1), 29–37.
Chang, W. Y., Wu, S. J., & Hsu, J. W. (2020). Investigated iterative convergences of neural network for prediction turning tool wear. International Journal of Advanced Manufacturing Technology, 106(7–8), 2939–2948.
Twardowski, P., & Wiciak-Pikula, M. (2019). Prediction of Tool wear using artificial neural networks during turning of hardened steel. Materials, 12(19), 3091.
Wu, T. Y., & Lei, K. W. (2019). Prediction of surface roughness in milling process using vibration signal analysis and artificial neural network (vol. 102, p. 305, 2019). International Journal of Advanced Manufacturing Technology, 102(1–4), 315–315.
Ramesh, K., Alwarsamy, T., & Jayabal, S. (2015). Prediction of cutting process parameters in boring operations using artificial neural networks. Journal of Vibration and Control, 21(6), 1043–1054.
Mundada, V., & Narala, K. R. S. (2018). Optimization of Milling operations using artificial neural networks (ANN) and simulated annealing algorithm (SAA). Materials Today: Proceedings, 5(2), 4971–4985.
Hu, L. K., Cai, W., Shu, L. J., Xu, K. K., Zheng, H., & Jia, S. (2020). Energy optimisation for end face turning with variable material removal rate considering the spindle speed changes. International Journal of Precision Engineering and Manufacturing-Green Technology.
Pandey, R. K., & Panda, S. S. (2015). Optimization of bone drilling using Taguchi methodology coupled with fuzzy based desirability function approach. Journal of Intelligent Manufacturing, 26(6), 1121–1129.
Vukman, J., Lukic, D., Borojevic, S., Rodic, D., & Milosevic, M. (2020). Application of fuzzy logic in the analysis of surface roughness of thin-walled aluminum parts. International Journal of Precision Engineering and Manufacturing, 21(1), 91–102.
Aamir, M., Tu, S. S., Tolouei-Rad, M., Giasin, K., & Vafadar, A. (2020). Optimization and modeling of process parameters in multi-hole simultaneous drilling using taguchi method and fuzzy logic approach. Materials, 13(3), 680.
Mia, M., Khan, M. A., & Dhar, N. R. (2017). Study of surface roughness and cutting forces using ANN, RSM, and ANOVA in turning of Ti–6Al–4V under cryogenic jets applied at flank and rake faces of coated WC tool. International Journal of Advanced Manufacturing Technology, 93(1–4), 975–991.
Cheng, D. J., Xu, F., Xu, S. H., Zhang, C. Y., Zhang, S. W., & Kim, S. J. (2020). Minimization of surface roughness and machining deformation in milling of Al alloy thin-walled parts. International Journal of Precision Engineering and Manufacturing.
He, K., Xu, Q. S., & Jia, M. P. (2015). Modeling and predicting surface roughness in hard turning using a bayesian inference-based HMM–SVM model. IEEE Transactions on Automation Science and Engineering, 12(3), 1092–1103.
Jurkovic, Z., Cukor, G., Brezocnik, M., & Brajkovic, T. (2018). A comparison of machine learning methods for cutting parameters prediction in high speed turning process. Journal of Intelligent Manufacturing, 29(8), 1683–1693.
Yang, Y. F., Guo, Y. L., Huang, Z. P., Chen, N., Li, L., Jiang, Y. F., et al. (2019). Research on the milling tool wear and life prediction by establishing an integrated predictive model. Measurement, 145, 178–189.
Kim, D. H., Kim, T. J. Y., Wang, X. L., Kim, M., Quan, Y. J., Oh, J. W., et al. (2018). Smart machining process using machine learning: A review and perspective on machining industry. International Journal of Precision Engineering and Manufacturing-Green Technology, 5(4), 555–568.
Blondet, G., Le Duigou, J., & Boudaoud, N. (2019). A knowledge-based system for numerical design of experiments processes in mechanical engineering. Expert Systems with Applications, 122, 289–302.
Deng, Z. H., Zhang, H., Fu, Y. H., Wan, L. L., & Lv, L. S. (2018). Research on intelligent expert system of green cutting process and its application. Journal of Cleaner Production, 185, 904–911.
Xiao, Q. E., Li, C. B., Tang, Y., Li, L. L., & Li, L. (2019). A knowledge-driven method of adaptively optimizing process parameters for energy efficient turning. Energy, 166, 142–156.
Mohanty, C. P., Mahapatra, S. S., & Singh, M. R. (2016). A particle swarm approach for multi-objective optimization of electrical discharge machining process. Journal of Intelligent Manufacturing, 27(6), 1171–1190.
Badiger, P. V., Desai, V., Ramesh, M. R., Prajwala, B. K., & Raveendra, K. (2019). Cutting forces, surface roughness and tool wear quality assessment using ANN and PSO approach during machining of MDN431 with TiN/AlN-coated cutting tool. Arabian Journal for Science and Engineering, 44(9), 7465–7477.
Malghan, R. L., Rao, K. M. C., Shettigar, A. K., Rao, S. S., & D'Souza, R. J. (2017). Application of particle swarm optimization and response surface methodology for machining parameters optimization of aluminium matrix composites in milling operation. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 39(9), 3541–3553.
Kumar, S. P. L. (2019). Measurement and uncertainty analysis of surface roughness and material removal rate in micro turning operation and process parameters optimization. Measurement, 140, 538–547.
Laouissi, A., Yallese, M. A., Belbah, A., Belhadi, S., & Haddad, A. (2019). Investigation, modeling, and optimization of cutting parameters in turning of gray cast iron using coated and uncoated silicon nitride ceramic tools. Based on ANN, RSM, and GA optimization. International Journal of Advanced Manufacturing Technology, 101(1–4), 523–548.
Soepangkat, B. O. P., Pramujati, B., Effendi, M. K., Norcahyo, R., & Mufarrih, A. M. (2019). Multi-objective optimization in drilling kevlar fiber reinforced polymer using grey fuzzy analysis and backpropagation neural network-genetic algorithm (BPNN-GA) approaches. International Journal of Precision Engineering and Manufacturing, 20(4), 593–607.
Klancnik, S., Hrelja, M., Balic, J., & Brezocnik, M. (2016). Multi-objective optimization of the turning process using a gravitational search algorithm (GSA) and NSGA-II approach. Advances in Production Engineering & Management, 11(4), 366–376.
Li, L., Liu, F., Chen, B., & Li, C. B. (2015). Multi-objective optimization of cutting parameters in sculptured parts machining based on neural network. Journal of Intelligent Manufacturing, 26(5), 891–898.
Younas, M., Jaffery, S. H. I., Khan, M., Khan, M. A., Ahmad, R., Mubashar, A., et al. (2019). Multi-objective optimization for sustainable turning Ti6Al4V alloy using grey relational analysis (GRA) based on analytic hierarchy process (AHP). International Journal of Advanced Manufacturing Technology, 105(1–4), 1175–1188.
Muaz, M., & Choudhury, S. K. (2019). Experimental investigations and multi-objective optimization of MQL-assisted milling process for finishing of AISI 4340 steel. Measurement, 138, 557–569.
Quan, G. Z., Zhang, Z. H., Wang, X., Li, Y. L., Mao, A., & Xia, Y. F. (2017). Parameter optimization of cooling system in U-shape hot stamping mold for high strength steel sheet based on MOPSO. International Journal of Advanced Manufacturing Technology, 90(1–4), 887–906.
Li, C. B., Xiao, Q. G., Tang, Y., & Li, L. (2016). A method integrating Taguchi, RSM and MOPSO to CNC machining parameters optimization for energy saving. Journal of Cleaner Production, 135, 263–275.
Xu, G. D., Chen, J. H., Zhou, H. C., Yang, J. Z., Hu, P. C., & Dai, W. (2019). Multi-objective feedrate optimization method of end milling using the internal data of the CNC system. International Journal of Advanced Manufacturing Technology, 101(1–4), 715–731.
Xie, Y. M., Tang, W., Zhang, F., Pan, B. B., Yue, Y. P., & Feng, M. Q. (2019). Optimization of variable blank holder force based on a sharing niching RBF neural network and an improved NSGA-II algorithm. International Journal of Precision Engineering and Manufacturing, 20(2), 285–299.
Balan, A. V., Shivasankaran, N., & Magibalan, S. (2018). Optimization of cladding parameters for resisting corrosion on low carbon steels using simulated annealing algorithm. Materials Research Express, 5(4), 046527.
Rao, R. V., Rai, D. P., & Balic, J. (2018). Multi-objective optimization of machining and micro-machining processes using non-dominated sorting teaching-learning-based optimization algorithm. Journal of Intelligent Manufacturing, 29(8), 1715–1737.
Rao, K. V., & Murthy, P. B. G. S. N. (2018). Modeling and optimization of tool vibration and surface roughness in boring of steel using RSM, ANN and SVM. Journal of Intelligent Manufacturing, 29(7), 1533–1543.
Sahin, R., & Liu, P. D. (2016). Maximizing deviation method for neutrosophic multiple attribute decision making with incomplete weight information. Neural Computing & Applications, 27(7), 2017–2029.