Luận văn thạc sĩ: 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

Luận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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 PCBNLuận văn thạc sĩ: 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

ĐẠI HỌC THÁI NGUYÊN ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP NGUYỄN VĂN TÙNG Sử dụng phƣơng pháp mạng noron nhân tạo để tối ƣu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng mảnh dao PCBN.” 2014 LỜI CAM ĐOAN Tôi xin cam đoan số liệu kết nêu Luận văn trung thực chƣa đƣợc công bố cơng trình khác Trừ phần tham khảo đƣợc nêu rõ Luận văn ……………………………………………… Tác giả …………………………………………… Nguyễn Văn Tùng LỜI CẢM ƠN Trong trình học tập, làm luận văn, tác giả nhận đƣợc nhiều giúp đỡ, bảo thầy cô giáo giảng dạy, hƣớng dẫn, giúp tác giả hồn thành tốt chƣơng trình học cao học hoàn thiện đƣợc luận văn Tác giả xin cảm ơn thầy giáo hƣớng dẫn PGS.TS Nguyễn Quốc Tuấn, Đại học Thái Nguyên, định hƣớng đề tài, hƣớng dẫn tận tình tơi việc tiếp cận khai thác tài liệu tham khảo nhƣ bảo q trình tơi làm luận văn Cuối tác giả muốn bày tỏ lịng cảm ơn thầy giáo, bạn đồng nghiệp gia đình ủng hộ động viên tơi suốt q trình làm luận văn …………………………………………….Tác giả …………………………………………… Nguyễn Văn Tùng Mục lục LỜI CAM ĐOAN LỜI CẢM ƠN Mục lục Danh mục hình vẽ đồ thị PHẦN MỞ ĐẦU .9 GIỚI THIỆU CHUNG ỨU 11 .11 11 .12 .12 .12 12 12 12 12 Chƣơng 13 TỔNG QUAN VỀ TỐI ƢU HÓA CHẾ ĐỘ CẮT 13 TỔNG QUAN VỀ TỐI ƢU HÓA .13 1.1 Khái niệm ý nghĩa tối ƣu hóa 13 1.2 Các hình thức tối ƣu hóa 14 1.2.1 Tối ƣu hóa tĩnh .14 1.2.2 Tối ƣu hóa động .14 BÀI TỐN TỐI ƢU HĨA CHẾ ĐỘ CẮT .16 2.1 Cơ sở lý thuyết để xây dựng toán 16 2.2 Các hàm mục tiêu 17 2.2.1 Tốc độ sản xuất (Năng suất gia công) 18 2.2.2 Chi phí sản suất .18 2.2.3 Chất lƣợng bề mặt 19 2.2.4 Các điều kiện ràng buộc 19 2.3 Phƣơng pháp giải toán tối ƣu đa mục tiêu 20 2.4 Một số phƣơng pháp giải toán tối ƣu đa mục tiêu 21 a Phƣơng pháp tổng trọng số 21 b Phƣơng pháp cực tiểu cực đại trọng số (phƣơng pháp Tchebycheff) .21 c Phƣơng pháp tiêu chuẩn tổng thể trọng số 21 d Phƣơng pháp thứ tự từ điển học 22 e Phƣơng pháp hàm mục tiêu bị giới hạn 22 f Phƣơng pháp quy hoạch đích 23 g Phƣơng pháp giải thuật di truyền(GAs) .24 Kết luận chƣơng 24 CHƢƠNG II 26 TỐI ƢU HÓA CHẾ ĐỘ CẮT BẰNG 26 CÁCH SỬ DỤNG MẠNG NORON NHÂN TẠO .26 TỔNG QUAN VỀ MẠNG NƠ RON 26 1.1 Nơ ron sinh học 26 1.1.1 Chức năng, tổ chức hoạt động não ngƣời .26 1.1.2 Mạng nơron sinh học .27 1.2 Mạng nơ ron nhân tạo 28 1.2.1 Khái niệm .28 1.2.2 Mơ hình nơron .31 1.3 Cấu trúc mạng 34 1.3.1 Mạng lớp .34 1.3.2 Mạng nhiều lớp 35 1.3.3 Phân loại mạng nơron 37 1.4 Cấu trúc liệu vào mạng 39 1.4.1 Mô tả véc tơ vào mạng tĩnh .39 1.4.2 Mô tả véc tơ vào liên tiếp mạng động 39 1.4.3 Huấn luyện mạng 40 Tối ƣu hóa sử dụng mạng nơ ron nhân tạo 46 2.1 Cấu trúc mạng nơ ron nhân tạo cho toán tối ƣu .46 2.2 Các bƣớc giải toán tối ƣu chế độ cắt 47 Tạo mạng nơ ron thông qua công cụ network neural matlab .48 3.1 Xây dựng ma trận liệu đầu vào đầu cho việc luyện mạng .48 3.2 Tạo mạng nơ ron matlab 48 Kết luận chƣơng .57 Chƣơng III 59 ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO ĐỂ TỐI ƢU HÓA CHẾ ĐỘ CẮT KHI TIỆN THÉP 9XC ĐÃ TÔI BẰNG DAO PCBN 59 Khái niệm chung tiện cứng 59 Vật liệu dụng cụ cắt PCBN .60 Thiết bị thực nghiệm 63 Sử dụng ANN để tối ƣu hóa chế độ cắt tiện thép 9XC dao PCBN 67 4.1 Xây dựng ma trận thí nghiệm 67 4.2 Học luyện mạng .69 4.2.1 Ma trận liệu vào 69 4.2.2 Ma trận liệu 69 4.2.3 Cấu trúc mạng nơ ron dùng để tối ƣu hóa 69 4.3.Tạo mạng nơ ron thông qua công cụ network neural .70 4.3.1 Tạo ma trận liệu matlab 70 4.3.2 Chƣơng trình học luyện mạng 70 4.4.Kết việc Sử dụng phƣơng pháp ANN phƣơng pháp vét cạn để giải tốn tìm giá trị tối ƣu (vop, fop, top) 76 4.4.1 Kết thực cho tốn tối ƣu hóa đơn mục tiêu 77 4.4.2 Kết thực cho toán tối ƣu đa mục tiêu (Tp, Cp, Ra) 78 Kết luận chƣơng 78 KẾT LUẬN VÀ PHƢƠNG HƢỚNG NGHIÊN CỨU TIẾP THEO 80 Kết luận 80 Phƣơng hƣớng nghiên cứu 80 Tài liệu tham khảo 81 Tài liệu tham khảo 81 Danh mục hình vẽ đồ thị TT Tên hình vẽ Trang 1.1.Sơ đồ q trình tối ưu hóa động 14 2.1 Mơ hình hai nơ ron sinh học 27 2.2: Mơ hình nơ ron đơn giản 29 2.3 Mạng nơ ron lớp 29 2.4 Cấu trúc huấn luyện mạng nơ ron 30 2.5a,b Mơ hình nơ ron đơn giản 31 2.6 Một số hàm truyền mạng nơ ron 32 2.7 Nơ ron với R đầu vào 32 2.8 Ký hiệu nơ ron với R đầu vào 33 10 2.9 Một số hàm truyền thông dụng 33 11 2.10 Cấu trúc mạng nơ ron lớp 34 12 2.11 Ký hiệu mạng R đầu vào S nơ ron 35 13 2.12 Ký hiệu lớp mạng 35 14 2.13 Cấu trúc mạng nơ ron lớp 37 15 2.14 Ký hiệu tắt mạng nơ ron lớp 37 16 Hình 2.15 Một số loại cấu trúc mạng nơ ron 17 2.16 Một nơ ron với đầu vào 38 18 Hình 2.17 Nơ ron có chứa khâu trễ 19 Hình 2.18 Giới thiệu vè mạng nơ ron 39 20 Hình 2.19 Chọn liệu input output cho mạng 21 2.20 Chọn liệu đầu vào 50 22 51 2.21 Chọn liệu đầu 39 49 50 23 Hình 2.22 Lựa chọn số nơ ron lớp ẩn 24 Hình2.23 Thực việc Luyện mạng (Training) 52 25 Hình2.24 Thực luyện mạng lại 26 Hình 2.25.Lưu kết luyện mạng 53 27 Hình 2.26 File q trình luyện mạng 28 Hình 2.27 Vị trí lưu giữ file trình luyện mạng 54 52 54 56 29 Hình 2.28 File lưu hàm tốn học thể quan hệ đầu vào 30 3.1 Cấu trúc tế vi vật liệu PCBN 57 31 3.2 Các dạng mảnh PCBN 3.3 Máy tiện Quick turn smat 200 trung tâm thí nghiệm 32 trường ĐH KTCN 33 3.4 Thân dao tiện hãng Sandvik 34 3.5 Mảnh dao PCBN hãng Sandvik 63 35 Hình 3.6 Thiết bị đo nhám bề mặt 36 3.7 Sơ đồ thí nghiệm tối ưu hóa tiện 66 37 Hình 3.8 Cấu trúc mạng nơ ron truyền thẳng 38 3.9 Kết đầu trình luyện mạng 68 39 71 3.10: Đồ thị thể trình luyện mạng 3.11 Đồ thị độ nhám Ra với thông số chế độ cắt: Vận 40 tốc cắt với lượng chạy dao (a), chiều sâu cắt với vận tốc cắt (b), lượng chạy dao chiều sâu cắt (c) 3.12 Đồ thị diện tích gia công Sc với thông số chế độ 41 cắt: Vận tốc cắt với lượng chạy dao (a), chiều sâu cắt với vận tốc cắt (b), lượng chạy dao chiều sâu cắt (c) 3.13 Đồ thị thể mối mối quan hệ hàm đa mục tiêu z 42 với thông số chế độ cắt 60 64 65 65 66 71 72 74 75 Danh mục bảng biểu TT Tên bảng biểu Trang Bảng 3.1 Các đặc trưng lý hóa vật liệu CBN[35 ] 61 Bảng 3.2 So sánh tính chất lý PCBN với vài vật liệu dụng cụ có tính cắt cao [59] 62 Bảng 3.3 Thông số kỹ thuật máy tiện CNC 64 Bảng 3.4 Thành phần hóa học phơi thép 9XC[100 ] 65 Bảng3.5 Giá trị nhám bề mặt diện tích bề mặt gia cơng điểm thí nghiệm Bảng 3.6 Dữ liệu điểm thí nghiệm giá trị kết hàm mục tiêu 67 Bảng 3.7: So sánh kết giá trị hàm mục tiêu chung z hàm y tìm ANN Bảng 3.8: Kết tính ANN hàm (y) phương pháp toán học (z) 71 8 68 78 PHẦN MỞ ĐẦU GIỚI THIỆU CHUNG Tối ƣu hóa chế độ cắt phƣơng pháp xác định chế độ cắt tối ƣu thông qua việc xây dựng mối quan hệ toán học hàm mục tiêu kinh tế kỹ thuật q trình gia cơng với thông số chế độ cắt tƣơng ứng hệ thống công nghệ xác định[1], nhằm đạt đƣợc mục tiêu kinh tế kỹ thuật q trình gia cơng Đây việc lập kế hoạch gia cơng, giúp phần làm tăng suất hiệu gia công nhƣ chất lƣợng sản phẩm Tuy nhiên, sâu vào phân tích q trình cắt bao gồm chi phí xác định, đặc biệt sản suất loạt nhỏ hay trƣờng hợp gia cơng đơn cần thiết để rút ngắn đến mức bƣớc xác định chế độ cắt tối ƣu Nếu khơng chi phí phân tích vƣợt hiệu kinh tế mà đạt đƣợc làm việc điều kiện tối ƣu Vì lí mà q trình tối ƣu đƣợc đƣa vào công tác chuẩn bị để tiết kiệm thời gian giảm chi phí sản xuất Nhƣ biến đầu q trình gia cơng phụ thuộc vào điều kiện cắt, định liên quan đến lựa chọn thơng số cắt có ảnh hƣởng quan trọng đến mức độ sản xuất, chi phí sản xuất chất lƣợng sản xuất Với việc sử dụng máy CNC ngày tăng, tầm quan trọng tối ƣu hóa xác thơng số điều kiện cắt cần thiết Lựa chọn thơng số cắt tối ƣu đƣợc nghiên cứu nhiều mặt lý thuyết đƣợc hỗ trợ từ số liệu thực nghiệm nhà sản xuất dụng cụ, nhƣng với việc thực tế chƣa thể mang lại phân tích chi tiết thơng số tối ƣu lý tƣởng Để tối ƣu hóa hoạt động máy, phƣơng pháp định lƣợng đƣợc phát triển với xét đến mục tiêu, chẳng hạn nhƣ giảm thiểu chi phí sản suất tối đa hóa lợi nhuận, vv hàm mục tiêu là: chất lƣợng bề mặt (Ra), Chi phí sản xuất (Cp), thời gian gia cơng (Tp) Hoặc tối ƣu hoá đa mục tiêu phƣơng pháp thực nghiệm [2,13] để tìm cực trị miền tối ƣu hố theo tiêu đề Đã có nhiều nghiên cứu tối ƣu hóa đơn mục tiêu đƣợc nghiên cứu nhƣ: phƣơng pháp vi phân[19], phƣơng pháp phân tích hồi quy[16], phƣơng pháp quy hoạch tuyến tính[19], phƣơng pháp bề mặt tiêu [2,18] mô máy tính Trong hầu hết nghiên cứu tối ƣu hóa đơn mục tiêu có nghiên cứu tối ƣu hóa đa mục tiêu Tuy nhiên, thực tế ứng dụng, nhà sản xuất thƣờng gặp phải vấn đề tối ƣu hóa đồng thời nhiều mục tiêu, mục tiêu thƣờng mâu thuẫn khơng thể so sánh Ví dụ nhƣ gia cơng biến suất gia cơng, chi phí sản suất, chất lƣợng sản phẩm đƣợc đề cập Chúng ta muốn giảm nhỏ cho chi phí sản xuất, nhƣng đồng thời tăng tối đa suất chất lƣợng sản phẩm Việc tăng tốc độ cắt làm tăng suất nhƣng đồng thời làm tăng lƣợng mịn dụng cụ dẫn đến tăng chi phí sản xuất làm giảm chất lƣợng bề mặt độ nhám cao Hơn với phƣơng pháp tối ƣu hóa để tìm đƣợc thơng số cắt tối ƣu nhiều thời gian, dẫn đến chi phí cho việc phân tích tìm thơng số tối ƣu tăng cao phù hợp với sản xuất loạt lớn, hàng khối Mà xu hƣớng ngày bắt đầu quay lại thời kỳ sản suất loạt vừa nhỏ để đáp ứng thay đổi liên tục nhu cầu thị trƣờng Mạng nơ ron nhân tạo (Artificial Neural Network: ANN) tái tạo kỹ thuật chức hệ thần kinh ngƣời với vô số nơ ron đƣợc liên kết truyền thông với qua mạng[5, 10] Giống nhƣ ngƣời, ANN đƣợc học kinh nghiệm, lƣu giữ kinh nghiệm sử dụng tình phù hợp Ngồi ANN có khả xử lý song song với tốc độ xử lý nhanh, có khả dạy học thích nghi, thích ứng trình tự điều chỉnh điều chỉnh tự động Phƣơng pháp đảm bảo việc lựa chọn nhanh chóng hiệu điều kiện cắt tối ƣu q trình xử lý liệu có sẳn[17] Do phù hợp với dạng sản xuất loạt nhỏ, đơn Tối ƣu hóa thơng số gia cơng tối ƣu hóa phi tuyến tính với buộc, khó cho thuật tốn tối ƣu hóa thơng thƣờng để giải vấn đề vấn đề tốc độ hội tụ xác Chính lí 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.” Cho đến nghiên cứu tác giả ngồi có nhiều nghiên cứu ứng dụng mạng nơ ron vào sản xuất tích hợp máy tinh nhƣ: Mơ hình hóa q trình[26]; điều khiển thích nghi q trình cắt[31]; dự đoán độ nhám bề mặt, lực cắt, rung động,hình dạng phơi[27]; dự đốn mịn dụng cụ phá hủy dụng cụ[30]; giải vấn đề tối ƣu hóa[31] Tối ƣu hóa chế độ cắt sử dụng phƣơng 10 18 19 20 164.1015 155.4545 167.1645 0.0954 0.1460 0.0728 0.1274 0.1544 0.1146 0.4717 0.5359 0.4310 0.3439 0.2506 0.4966 3284 2896 4340 0.9298 0.9379 0.9117 4.2 Học luyện mạng 4.2.1 Ma trận liệu vào Các giá trị v, f, t dùng để làm thí nghiệm X = [v; f; t] = [157.0307 163.4054 108.8891 163.9363 144.2651 106.8278 119.4949 138.2817 167.0255 167.5422 111.0329 167.9415 167.0017 133.9763 156.0196 109.9320 129.5233 164.1015 155.4545 167.1645; 0.1225 0.0729 0.1379 0.1447 0.1243 0.1306 0.1295 0.10140.1224 0.0837 0.1265 0.0725 0.0922 0.0737 0.0778 0.1359 0.1256 0.0954 0.1460 0.0728; 0.1383 0.1320 0.1742 0.1775 0.1106 0.1439 0.1390 0.1611 0.1680 0.1730 0.1204 0.1648 0.1621 0.1079 0.1031 0.1448 0.1956 0.1274 0.1544 0.1146] 4.2.2 Ma trận liệu - Ma trận liệu đích tối ƣu hóa đơn mục tiêu (số liệu đƣợc đo thí nghiệm) Ra = [0.5044 0.4503 0.4448 0.5706 0.4810 0.4596 0.4767 0.4751 0.5470 0.5109 0.4815 0.4882 0.5090 0.4328 0.4264 0.4667 0.4805 0.4717 0.5359 0.4310] Sc = [2423,6 3410,3 3883,8 1682,9 3587,9 5344,5 4341,3 3016,7 1804,7 2042,6 6185,4 2322,5 2140,0 5803,1 4878,6 4908,3 2545,9 2873,8 2048,9 4090,6] - Ma trận liệu đích tối ƣu hóa đa mục tiêu z = [z(Ra,Tp,Cp)] = [0.9353 0.9173 0.9196 0.9385 0.9268 0.9027 0.9158 0.9249 0.9380 0.9330 0.89420.9283 0.9338 0.8779 0.9030 0.90960.9318 0.9298 0.9379 0.9117] 4.2.3 Cấu trúc mạng nơ ron dùng để tối ƣu hóa Lựa chọn cấu trúc mạng số nơron lớp ẩn phụ thuộc kinh nghiệm ngƣời lập trình.Trong nghiên cứu tác giả lựa chọn cấu trúc mạng truyền thẳng gồm lớp đầu vào (ba đầu vào), lớp ẩn(có noron) lớp đầu (một đầu ra) nhƣ hình 3.8 Hình 3.8 Cấu trục mạng nơ ron truyền thẳng 69 4.3.Tạo mạng nơ ron thông qua công cụ network neural 4.3.1 Tạo ma trận liệu matlab Chạy chƣơng trình matlab/Vào “Command window” gõ dòng lệnh: X = [v; f; t](dữ liệu đầu vào làm thí nghiệm) save mydata X Trong command window nhập ma trận Ra = [0.5044 0.4503 0.4448 0.5706 0.4810 0.4596 0.4767 0.4751 0.5470 0.5109 0.4815 0.4882 0.5090 0.4328 0.4264 0.4667 0.4805 0.4717 0.5359 0.4310] Sc = [2423,6 3410,3 3883,8 1682,9 3587,9 5344,5 4341,3 3016,7 1804,7 2042,6 6185,4 2322,5 2140,0 5803,1 4878,6 4908,3 2545,9 2873,8 2048,9 4090,6] ma trận z(Ra,Tp,Cp) đƣợc tính theo cơng thức đƣợc nhập vào matlab nhƣ sau: Ts = 0.12; Tc = 0.26; Ti = 0.04; V = Sc.*t T = Sc./(3.14*62*f); MRR = 1000*v.*f.*t; Ct = 271000; C1 = 6200; C0 = 1600; Tp = Ts + V.*((1+Tc./T)./MRR) + Ti; Cp = Tp.*(Ct./T + C1 + C0); Z = 0.42*exp(-0.22*Tp) + 0.36*exp(-0.32*Cp) + 0.17*exp(-0.26*Ra) + 0.05./(1+1.22*Tp.*Cp.*Ra) sau tạo file nhƣ sau: save mytargetRa Ra save mytargetSc Sc save mytargetz Z 4.3.2 Chƣơng trình học luyện mạng 4.3.2.1 Tạo mạng nơ ron thông qua công cụ network neural Các bƣớc làm nhƣ mục chƣơng Ở phần chọn tỷ lệ liệu luyện mạng, tác giả chọn tỷ lệ học mạng nơ ron nhƣ sau: 70% số liệu cho việc luyện mạng (traning); 15% cho việc kiểm tra (testing) 15% cho việc hợp thức hóa (Validation) nhƣ hình dƣới 70 - Chọn vào file output để xem kết luyện mạng, vào file error để xem sai lệnh đầu y mạng kết hàm mục tiêu Hình thể kết luyện mạng 3.9 Kết đầu trình luyện mạng Bảng 3.7: So sánh kết giá trị hàm mục tiêu chung z hàm y tìm ANN TT 10 z(Ra, Tp,Cp) 0,9353 0,9173 0,9196 0,9385 0,9267 0,9026 0,9157 0,9249 0,9380 0,9329 Hàm y z y(Ra,Tp,Cp) 0,9347 0,9173 0,9230 0,9385 0,9267 0,9037 0,9165 0,9312 0,9378 0,9326 z-y 0,0006 -0,00003 -0,0004 0,0002 0,0054 -0,0003 0,0001 0,0004 0,0004 0,0014 TT 11 12 13 14 15 16 17 18 19 20 z(Ra,Tp,Cp) 0,8942 0,9282 0,9338 0,8778 0,9030 0,9096 0,9317 0,9297 0,9379 0,9116 Hàm y z y(Ra,Tp,Cp) 0,8942 0,9283 0,9335 0,9104 0,9101 0,9068 0,9325 0,9297 0,9375 0,9120 3.10: Đồ thị thể sai lệch trình luyện mạng 71 z-y -0,0002 0,0004 -0,0004 0,0000 0,0004 -0,0002 -0,0014 0,0002 0,0004 0,0004 Sau luyện mạng ta đƣợc trọng số W độ dốc b tối ƣu, vào môi trƣờng “command window” đánh dòng lệnh: save mytrainRa net (lưu hàm mục tiêu Ra) save mytrainSc net (lưu hàm mục tiêu Sc) save mytrainz net (lưu hàm mục tiêu chung z) Đây file lƣu hàm toán học diễn tả mối quan hệ đầu vào v, f, t đầu giá trị hàm Ra, Sc z(Ra, Tp,Cp) Hàm tốn học có dạng: 3.11 a y = lw21*(tansig(iw11*[v f t]'+b1))+b2; hay dạng tắt là: y = net([v f t ]'); đó: lw21 = net.LW{2,1}; iw11 = net.IW{1,1}; b1 = net.b{1}; b2 = net.b{2}; 3.11 b + Ta xác định đƣợc hàm trọng w, b hợp lý hàm mục tiêu Ra là: >>net.LW{2,1} ans = 0.0062 -0.9182 1.4417 0.0138 0.5730 0.0251 -0.0282 0.5589 -0.1479 >>net.IW{1,1} ans = -0.3620 -1.8175 -1.9405 0.6771 -0.2356 -0.5110 0.5993 0.0585 0.5597 3.11 c 3.11 Đồ thị độ nhám Ra với thông số chế độ cắt: Vận tốc cắt với lượng chạy dao (a), chiều sâu cắt với vận tốc cắt (b), lượng chạy dao chiều sâu cắt (c) -1.5056 2.2543 -0.3174 72 0.6554 0.2421 -1.0730 2.4225 0.7398 -0.2339 0.1556 -0.7510 -2.7422 1.0995 0.2914 -1.1857 1.4840 -0.7044 2.2731 >> b1 = net.b{1} b1 = 2.9427 -0.9144 -0.8654 0.6733 0.1986 0.9819 1.0131 1.8922 2.5938 >> b2 = net.b{2} b2 = -0.2321 Từ đồ thị hinh 3.11 cho thấy : Trong vùng khảo sát : - Nhám bề mặt tăng tăng vận tốc cắt v, chiều sâu cắt t lƣợng chạy dao f - Vận tốc cắt có ảnh hƣởng rõ đến độ nhám bề mặt chi tiết - Việc tăng chiều sâu cắt hầu nhƣ khơng ảnh hƣởng tới nhám bề mặt(hình 3.11a) Do vùng khảo sát chọn chiều sâu cắt lớn mà đảm bảo chất lƣợng bề mặt cần thiết Tuy nhiên để đánh giá hiệu trình gia công cần phải xem xét đồng thời nhân tố để vừa đạt đƣợc độ nhám cần thiết, vừa đảm bảo tuổi thọ dụng cụ lớn nhƣ suất gia công cao + Ta xác định đƣợc hàm trọng w,b hợp lý hàm mục tiêu Sc là: 73 >>net.LW{2,1} ans = -0.2685 0.0096 0.5189 -0.0402 -0.9980 -0.0298 0.2533 -3.7788 0.0145 >>net.IW{1,1} ans = -0.1524 0.6040 1.0893 1.6372 -1.4701 1.4654 -0.5406 0.4335 0.5447 1.2254 1.5413 -1.9563 0.3993 0.3143 0.6006 3.12 a -1.2342 1.9758 2.1579 -1.4176 -0.2973 0.4739 0.9715 -0.1411 0.8345 1.7324 3.7518 2.1966 >> b1 = net.b{1} b1 = -1.1634 -1.2178 3.12 b -0.4795 -2.8055 0.6415 -0.6910 -2.2709 2.5188 4.9569 >> b2 = net.b{2} 3.12 c b2 = 4.0032 Từ đồ thị hình 3.12 ta thấy : Trong vùng khảo sát : 3.12 Đồ thị diện tích gia cơng Sc với thơng số chế độ cắt: Vận tốc cắt với lượng chạy dao (a), chiều sâu cắt với vận tốc cắt (b), lượng chạy dao chiều sâu cắt (c) - Tuổi thọ dụng cụ giảm tăng vân tốc cắt v, chiều sâu cắt t lƣợng chạy dao f 74 - Vận tốc cắt có ảnh hƣởng lớn tới tuổi bền dụng cụ - Việc tăng lƣợng chạy dao ảnh hƣởng tới tuổi bền dụng cụ Thậm chí ứng với chiều sâu cắt t không thay đổi (t=0.09) việc tăng lƣợng chạy dao làm tăng tuổi thọ dụng cụ (hình 3.12a ứng với t = 0.09) Vì phạm vi lƣợng chạy dao f = 0.07 ÷ 0.15, tăng lƣợng chạy dao để nâng cao hiệu gia công + Ta xác định đƣợc hàm trọng w,bhợp lý hàm đa mục tiêu z là: >>net.LW{2,1} ans= [0.0300 -0.2511 -0.0760 -0.0159 -0.1224 -0.1027 0.1942 0.7451 -0.2258] >>net.IW{1,1} ans = 3.13.a -2.0756 0.3187 -2.0005 0.1663 -2.3594 -1.7095 -1.9535 -1.6463 -0.9276 2.3194 -1.5244 0.5199 -1.9118 1.7641 0.2859 0.1043 -2.4643 -0.9223 0.5713 1.8941 1.5812 Hình 3.13.b 1.7871 -0.8182 1.3091 2.0743 2.0035 0.1727 >> b1 = net.b{1} b1 = 2.7926 -2.5071 1.6915 -0.7378 0.0594 1.5823 Hình 3.13 c 3.13 Đồ thị thể mối mối quan hệ hàm đa mục tiêu z với thông số chế độ cắt 2.2720 75 2.2641 2.9776 >> b2 = net.b{2} b2 = -0.0938 Từ đồ thị hình 3.13 ta thấy, vùng khảo sát : giá trị hàm đa mục tiêu z tăng tăng vận tốc cắt, chiều sâu cắt lƣợng chạy dao 4.4.Kết việc Sử dụng phƣơng pháp ANN phƣơng pháp vét cạn để giải tốn tìm giá trị tối ƣu (vop, fop, top) Sau luyện mạng, ta đƣợc hàm tốn học mơ tả mối quan hệ thơng số đầu vào (điều kiện gia công) đầu (kết đo đƣợc thực nghiệm) Sau ta dùng phƣơng pháp vét cạnđể tìm giá trị cực đại hàm y, chƣơng trình đƣợc viết m.file nhƣ sau: - Chƣơng trình tìm điểm cực đại, cực tiểu phƣơng trình ym.file nhƣ sau: tic Vmin = 100; Vmax = 170; fmin = 0.09; fmax = 0.15; tmin = 0.09; tmax = 0.15; v = 100:1:170; f = 0.09:0.01:0.15; t = 0.09:0.01:0.15; n = length(v); m = length(f); k = length(t); i0 = 0; j0 = 0; u0 = 0; z0 = 0;(z0=1e+5) lw21 = net.LW{2,1}; iw11 = net.IW{1,1}; 76 b1 = net.b{1}; b2 = net.b{2}; for i = 1:n for j=1:m for u=1:k y = lw21*(tansig(iw11*[v f t]'+b1))+b2; if y > z0 z0 = y; i0 = i; j0 = j; u0 = u; end end end end z0 i0 j0 u0 toc 4.4.1 Kết thực cho tốn tối ƣu hóa đơn mục tiêu + Hàm đơn mục tiêu chất lƣợng bề mặt - Giá trị hàm mục tiêu tốt nhất: Ramin = 0.3935µm - Điểm tối ƣu vop(m/phút) top (mm) fop(mm/vịng) 100 0.07 + Hàm đơn mục tiêu diện tích gia cơng Sc 0.15 - Giá trị hàm mục tiêu tốt nhất: Scmax = 12201,00 cm2 - Điểm tối ƣu: vop(m/phút) fop(mm/vòng) top (mm) 100 0.15 0.09 77 4.4.2 Kết thực cho toán tối ƣu đa mục tiêu (Tp, Cp, Ra) Kết tối ưu cho bảng 3.7 Bảng 3.8: So sánh phương pháp ANN phương pháp giải tích (z) Hàm sở vop(m/phút) z(Ra,Tp,Cp) y(Ra,Tp,Cp) 169 170 MRR (mm3/ph) 3068 3068 Hàm sỏ z(Ra,Tp,Cp) y(Ra,Tp,Cp) fop (mm/vịng) top (mm) Ra(µm) Tp(phút) Cp(VNĐ) 0.15 0.148 0.12 0.12 0.503 0.509 0.232 0.233 2874 2808 Sc (cm2) 1872,4 1872,7 Từ kết tối ƣu ta thấy mục tiêu suất gia công đƣợc thể thơng qua lƣợng bóc tách phoi hay chi phí sản suất Cp ta chọn giới hạn thông số cắt, ƣu tiên tuổi thọ dụng cụ nên chọn lƣợng chạy dao lớn với chiều sâu cắt khoảng t = 0.09 ÷0.12 Vậy tùy việc ƣu tiên lựa chọn mục tiêu tối ƣu suất, chất lƣợng hay chi phí mà lựa chọn chế độ cắt cho phù hợp Kết luận chƣơng Quá trình tối ƣu hóa tiện thép 9XC qua tơi dao PCBN xác định đƣợc chế độ cắt phù hợp với mục tiêu chất lƣợng Ra hay tuổi thọ dụng cụ thơng qua diện tích gia cơng Sc, tìm đƣợc chế độ cắt tối ƣu tối ƣu hóa đa mục chi phí (Cp), Thời gian sản suất (Tp) chất lƣợng sản phẩm Ra Cụ thể tốn tìm đƣợc giá trị điều kiện cắt tối ƣu cho toán đơn mục tiêu: - Mục tiêu chất lƣợng bề mặt giá trị hàm mục tiêu tốt nhất: Ramin = 0.3935µm ứng với vận tốc cắt v=100(m/phút), lƣợng chạy dao f = 0.07mm/vòng, chiều sâu cắt t = 0.15mm - Mục tiêu diện tích gia cơng giá trị hàm mục tiêu tốt nhất: Scmax = 12201,00 cm2 ứng với vận tốc cắt v=100(m/phút), lƣợng chạy dao f = 0.15mm/vòng, chiều sâu cắt t = 0.09mm Với tốn đa mục tiêu giá trị hàm mục tiêu tốt là: 78 Ra = 0.509 µm,Tp = 0.233phút, Cp = 2808 VNĐ ứng với v = 170m/phút, f = 0.148 mm/vòng, t = 0.12mm Các hàm mục tiêu đƣợc sử dụng trình tối ƣu đƣợc xây dựng phƣơng pháp mạng nơ ron nhân tạo Sau xác định đƣợc chế độ cắt tối ƣu đơn mục tiêu, tác giả ứng mạng nơron nhân tạo để tìm thơng số chế độ cắt tối ƣu cho toán đa mục tiêu Việc giải toán tối ƣu mạng nơ ron nhân tạo cho kết có độ xác cao, thời gian áp dụng nhanh, không cần phải chuyên sâu vào việc tìm hàm tốn học mơ tả mối quan hệ thông số vào mục tiêu Tuy nhiên để có độ xác cao thi cần có số điểm thí nghiệm nhiều phụ thuộc vào việc lựa chọn cấu trúc mạng nơ ron nhân tạo 79 KẾT LUẬN VÀ PHƢƠNG HƢỚNG NGHIÊN CỨU TIẾP THEO Kết luận Từ nghiên cứu luận văn rút kết luận sau: - Ứng dụng ANN để tối ƣu hóa tiện thép 9XC qua dao PCBN xác định đƣợc chế độ cắt phù hợp với mục tiêu chất lƣợng Ra hay tuổi thọ dụng cụ thơng qua diện tích gia cơng Sc, tìm đƣợc chế độ cắt tối ƣu tối ƣu hóa đa mục chi phí (Cp =2808 vnđ ), Thời gian sản suất (Tp = 0.233 phút) chất lƣợng sản phẩm (Ra = 0.509 µm) ứng với v = 170m/phút, f = 0.148 mm/vịng, t = 0.12mm - Việc giải tốn tối ƣu mạng nơ ron nhân tạo cho kết có độ xác cao, thời gian áp dụng nhanh, khơng cần phải chun sâu vào việc tìm hàm tốn học mơ tả mối quan hệ thơng số vào mục tiêu Tuy nhiên để có độ xác cao thi cần có số điểm thí nghiệm nhiều phụ thuộc vào việc lựa chọn cấu trúc mạng nơ ron nhân tạo Phƣơng hƣớng nghiên cứu Phƣơng hƣớng nghiên cứu cần tập chung vào nội dung sau: - Phát triển hoàn thiện nghiên cứu ứng dụng mạng nơ ron nhân tạo ngành chế tạo máy Việt Nam - Nghiên cứu lựa chọn cấu trúc mạng nơ ron tối ƣu, ứng dụng tốn tối ƣu hóa q trình gia cơng phƣơng pháp gia công khác - Sử dụng mạng nơ ron nhân tạo để dự báo mơ hình chất lƣợng bề mặt chi tiết gia cơng lƣợng mịn dụng cụ 80 Tài liệu tham khảo Tài liệu tham khảo [1] Nguyễn Trọng Bình; Tối ƣu hố q trình gia cơng cắt gọt; NXB Giáo dục 2003 [2] Nguyễn Văn Dự, Nguyễn Đăng Bình; Quy hoạch thực nghiệm kỹ thuật; Nhà xuất Khoa học kỹ thuật 2011 [3] Nguyễn Hữu Công; Ứng dụng mạng neural nhận dạng hệ thống phi tuyến; Tạp chí khoa học & cơng nghệ số 3(43) năm 2007 [4] Nguyễn Thị Quốc Dung (2012), Nghiên cứu q trình tiện thép hợp kim qua tơi dao PCBN, Luận án tiến sĩ kỹ thuật,Trƣờng Đại học Kỹ thuật công nghiệp Thái Nguyên [5] Nguyễn Nhƣ Hiển, Lại Khắc Lãi; Hệ mờ nơ ron kỹ thuật điều khiển; NXB Khoa học tự nhiên Cơng nghệ Hà Nội 2007 [6] Phạm Thị Hồng Nhung; Sử dụng mạng Nơ ron nhân tạo dự báo lƣu lƣợng nƣớc đến hồ Hịa Bình trƣớc mƣời ngày; Đại học Thủy lợi, 2007 [7] Tô Thị Mỹ Hồng; Tối ƣu hóa chế độ cắt gọt theo phƣơng pháp tuyến tính, Trƣờng Đại học Sƣ phạm kỹ thuật Thành phố Hồ Chí Minh, 2006 [8] Lại Khắc Lãi; Điều khiển đón trƣớc mạng nơ ron áp dụng cho đối tƣợng phí tuyến Đại học kỹ thuật Cơng nghiệp – Đại học Thái nguyên 2006 [9] Lê Anh Tú, Nghiên cứu mơ hình mạng nơron Kohonen ứng dụng toán phân cụm liệu [10] Lê Anh Tú; Nghiên cứu sử dụng mạng nơ ron nhân tạo để nhận dạng ký tự; Đại học Công nghệ thông tin Truyền thông 2012 [11] KS Dƣơng Xuân Trƣờng, TS.Nguyễn Văn Hùng; Tối ƣu hó chế độ cắt phay vật liệu mảnh dao phủ PVD-TiALN; Đại học kỹ thuật công nghiệp Thái Nguyên [12] Nguyễn Minh Tuyển(2005), Quy hoạch thực nghiệm, Nxb Khoa học Kỹ thuật, Hà Nội [13] Nguyễn Doãn Ý; Quy hoạch xử lý số liệu thực nghiệm; Nhà xuất Xây dựng 2000 81 [14] Angseryd J., Elfwing M., Olsson E., Andren H O (2009), “Detailed microstructure of a CBN cutting tool material”, International journal of Refractory Metals and Hard Materials, 27(2), pp, 249-255 [15] Bossom P K., Cook M W.(2000), “Trends and recent developments in the material manufacture and cutting tool application of polycrystalline diamond and polycrystalline cubic boron nitride”, International journal of Refractory Metals and Hard Materials, 18(2-3), pp, 115-121 [16] F Cus, J Balic, Selection of cutting conditions and tool flow in flexible manufacturing system, Int J Manuf Sci Technol (2000) 101–106 [17] Franci Cus, Uros Zuper, Approach to optimization of cutting conditions by using artificial neural networks, Journal of Materials Processing Technology 173 (2006) 281–290 [18] D.T Phillips, C.S Beightler, Optimization in tool engineering using geometric programming, AIIE Trans (1970) 355–360 [19] R.H Philipson, A Ravindram, Application of mathematical programming to metal cutting, Math Program Study (1979) 116–134 [20] Jasbir S Aora Introduction to Optimum Design.Elsevier Inc Publisher, USA 2004 [21] Luo S.Y., Liao Y., Tsai Y.Y, (1999), “Wear characteristics in turning high hardness alloy steel by ceramic and CBN tools”, Journal of Material Processing Technology, 88, pp 114-121 [22] Laurence Vel, Genard Demazeau, Jean Etourneau Cubic boron nitried : synthesis, physicochemical properties and application materials Science and Engineering, BIO (1991) [23] Mitsuo Gen and Runwei Cheng.Genetic Algorithms and Engineering Optimization.John & Sons Inc Publisher, USA 2000 [24] Maria Joao Alves, Marla Almeida MOTGA: A multiobjective Tchebycheff based genetic algorithm for the multidimentional knapsack problem Computers & Operations Reseach 34 (2007) 3458-3470 82 [25] Ramón Quiza Sardinas, Pedro Reis, J Paulo Davim (2006), “Multi-objective optimization of cutting parameters for drilling laminate composite materials by using genetic algorithms”, Composites Science and Technology, 66, pp, 3083-3088 [26] T.J Ko, D.W Cho, Adaptive modelling of the milling process and application of a neural network for tool wear monitoring, Int J Adv ManufTechnol 12 (1996) 5-3 [27] V Karri, Performance in oblique cutting using conventional methods and neural networks, Neural Comput Appl (1999) 196–205 [28] Volkmar Richter, Michael Fripan., Demand for greater efficiency is good news for PCBN Metal-power.net.MPR December 2006 [29] Viktoria Bana, “ Manufacturing of high preciseion bores”, Doctoral thesis 2006, Delft University of Technology, Holand [30] X Li, S Dong, P.K Venuvinod, Hybrid learning for tool wear monitoring, Int J Adv Manuf Technol 16 (2000) 303–307 [31] Y Liu, C Wang, Neural network based adaptive control and optimization in the milling process, Int J Adv Manuf Technol 15 (1999) 791–795 83 ... chứng lại kết phƣơng pháp 4.1 Phƣơ Nghiên cứu lý thuyết nghiên cứu thực nghiệm ? ?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. ”... tốn tối ƣu hóa thơng thƣờng để giải vấn đề vấn đề tốc độ hội tụ xác Chính lí 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. .. [17]; tối ƣu hóa sử dụng thuật toán Grey, mạng noron nhân tạo Ở nƣớc có nghiên cứu tối ƣu hóa chế độ cắt sử dụng phƣơng pháp tuyến tính [7]; Tối ƣu hóa chế độ cắt phay vật liệu SKD61 mảnh dao phủ