KHOA HỌC & CÔNG NGHỆ NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG CHUẨN ĐỐN MỊN DAO AN APPLICATION RESEARCH ON ARTIFICIAL NEURAL NETWORK IN TOOL WEAR PREDICTION Phạm Vũ Dũng Khoa Cơ khí, Trường Đại học Kinh tế - Kỹ thuật Cơng nghiệp Đến Tịa soạn ngày 29/03/2021, chấp nhận đăng ngày 16/05/2021 Tóm tắt: Để bảo đảm độ tin cậy hiệu trình gia công cắt gọt thiếu thông tin trạng thái dao, trạng thái trình cắt Bài báo giới thiệu mơ hình ứng dụng mạng nơron nhân tạo dự báo mòn dao tiện, nhằm nâng cao hiệu quả, độ tin cậy q trình gia cơng Từ khóa: mịn dao, mạng nơron nhân tạo (ANN)… Abstract: To ensure the reliability and efficiency of the machining process, it is indispensable to inform the state of the tool, as well as the state of the whole cutting process The paper introduces the model of artificial neural network application in tool wear prediction in turning to improve the efficiency and reliability of the machining process Keywords: tool wear, artificial neural network (ANN)… ĐẶT VẤN ĐỀ Quyết định thay dụng cụ phù hợp lúc yêu cầu cấp thiết, nhằm tránh hư hỏng chi tiết thay dụng cụ không cần thiết Dự báo mịn dao q trình gia cơng toán quan trọng việc giải vấn đề liên quan đến đảm bảo độ tin cậy, an toàn máy dao cắt, xác định trữ lượng dao cắt, vấn đề liên quan đến đảm bảo độ xác chất lượng gia công chi tiết dây chuyền sản xuất tự động hóa nhằm tiến tới giám sát trực tuyến tình trạng dụng cụ cần thiết máy cơng cụ đại Trong q trình cắt, trực tiếp quan sát miền cắt (miền tiếp xúc dao phôi), nên thông thường cần phải xây dựng mơ hình, đo vài thơng số q trình cắt, lực cắt, cơng suất cắt, TẠP CHÍ KHOA HỌC & CÔNG NGHỆ SỐ 32 - 2022 nhiệt độ, tín hiệu khí, rung động, tín hiệu điện… Cho dù đạt thành tựu to lớn lĩnh vực giám sát động trạng thái dao cắt, song vấn đề mơ tả phát triển mịn dao dựa phân tích nguyên nhân (nguyên nhân gốc) gây mòn dao vấn đề cần thiết Hình Hình ảnh mịn dao Ứng dụng mạng nơron nhân tạo vào hệ thống sản xuất tự động đem lại lợi ích hiệu kinh tế, mạng nơron có khả thực KHOA HỌC & CƠNG NGHỆ hóa phần cứng tốc độ tính tốn phụ thuộc vào máy tính số Bài báo giới thiệu phương pháp nghiên cứu ứng dụng mạng nơron nhân tạo dự báo mòn dao tiện PHÂN TÍCH Q TRÌNH MỊN DAO Phân tích kết nghiên cứu thực nghiệm mịn dao tiện [2] rằng, mòn dao thiết lập hai khuynh hướng đối lập Khuynh hướng thứ đặc trưng thích nghi bề mặt tiếp xúc, thể thiết lập trạng thái dừng (quá trình cắt ổn định) Khuynh hướng thứ hai đặc trưng phá hủy tính chất bề mặt tiếp xúc, thể tích lũy khuyết tật bề mặt tiếp xúc đưa đến mài mịn khốc liệt Như vậy, mịn dao chia làm ba giai đoạn: giai đoạn bắt đầu mài mòn, giai đoạn mài mòn ổn định giai đoạn mài mịn khốc liệt (hình 2) h, mm I II III t, phút A, Nm CÁC PHƯƠNG PHÁP ĐÁNH GIÁ MỊN DAO Hình giới thiệu phương pháp nghiên cứu chuẩn đốn mịn dao, bao gồm phương pháp đo trực tiếp phương pháp gián tiếp Các phương pháp trực tiếp cho phép đo trực tiếp tham số mòn dao (theo vết lõm tạo thành mặt trước dao) Khoảng cách từ lưỡi cắt đến tâm vết lõm, chiều sâu vết lõm, độ rộng phần mòn theo mặt sau dao, giảm thể tích khối lượng dao, mịn kích thước lưỡi cắt, thay đổi kích thước chi tiết… [1] Các tham số chi xác định phương pháp phóng xạ, quang - truyền hình, laser, điện, khí nén siêu âm… Các phương pháp đo trực tiếp mòn dao khơng có độ tin cậy cao, khó thực Do phức tạp việc sử dụng phương pháp đo trực tiếp mòn dao điều kiện sản xuất, nhà nghiên cứu tìm phương pháp gián tiếp đánh giá trạng thái dao thông qua thơng số đo q trình diễn cắt Dựa thay đổi đặc tính tín hiệu đo q trình gia cơng, ví dụ, lực cắt, nhiệt độ, rung động, cơng suất trục chính, mơmen , nghĩa xác định tương quan phát triển mòn dao thay đổi đặc tính tín hiệu đo Hình Qui luật mịn dao theo thời gian theo mức độ thực công lực cắt: I- Giai đoạn bắt đầu mài mòn; II - Giai đoạn mài mòn ổn định; III - Giai đoạn mài mòn khốc liệt Trong báo giới thiệu mơ hình thực nghiệm phương pháp nghiên cứu mòn dao tiện Qua thực nghiệm với chế độ cắt khác nhau, liệu thực nghiệm rằng, mịn dao phụ thuộc lớn vào tốc độ cắt Ngồi ra, thành phần lực cắt phụ thuộc khác vào phát triển mịn dao Hình Các phương pháp đo mịn dao TẠP CHÍ KHOA HỌC & CÔNG NGHỆ SỐ 32 - 2022 KHOA HỌC & CÔNG NGHỆ ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG SẢN XUẤT THÔNG MINH 4.1 Tổng quan mạng nơron nhân tạo Mạng nơron nhân tạo (ANN) xuất phát từ bắt chước cấu trúc chế xử lý thông tin não người Cấu trúc ANN người xác định (thiết kế) trước, thông số thay đổi q trình học ANN xử lý nhanh, không "ngại" liệu rời rạc, phi tuyến, nhiều đầu vào, nhiều đầu thường gặp nghiên cứu q trình cơng nghệ Đặc biệt ANN có khả học để tạo bổ sung tri thức Hình Lan truyền ngược tín hiệu nhiều lớp ẩn 1 w14 w15 Hình Sự thay đổi giá trị trọng số dựa vào tín hiệu lỗi df1 (e) x1 de df (e) w ( x 2)1 1 x2 de w '( x1)1 w ( x1)1 1 Hình Mơ hình nơron nhân tạo w '( x 2)1 4.2 Ứng dụng giải thuật lan truyền ngược chuẩn đốn mịn dao Học mạng nơron trình thay đổi giá trị trọng số weights (w), để mạng đưa kết mong muốn tối ưu Sự khác giá trị thật mẫu kết dự đốn mạng gọi sai số Q trình học tìm wi* để sai số nhỏ Lan truyền ngược (backpropagation) giải thuật cốt lõi giúp cho mơ hình học sâu dễ dàng thực thi tính tốn Với mạng ANN đại, nhờ giải thuật mà thuật tốn tối ưu nhanh nhiều lần so với cách thực truyền thống Lan truyền ngược sử dụng cho học sâu, kỹ thuật để nhanh chóng tính đạo hàm TẠP CHÍ KHOA HỌC & CƠNG NGHỆ SỐ 32 - 2022 Hình Quá trình học mạng df (e) y1 de df (e) w 25 5 y2 de df (e) w 35 5 y3 de w '15 w15 w '25 w '35 NGHIÊN CỨU THỰC NGHIỆM 5.1 Mục đích Nghiên cứu thực nghiệm mòn dao KHOA HỌC & CÔNG NGHỆ dựa sở nghiên cứu thay đổi lực cắt, phát triển mòn dao q trình gia cơng Để làm điều này, trình thực nghiệm tiến hành ghi đồng tín hiệu mang thơng tin thay đổi thành phần trực giao lực cắt theo tọa độ chuyển dịch máy tiện thành phần lực cắt chính, thành phần lực pháp tuyến thành phần lực tiếp tuyến thời gian gia công thực Trong giám sát tự động hệ thống cơng nghệ, có số loại sensor hay dùng, với mức độ khác Ta thấy, lực kế thường sử dụng nhất, sau AE Để đo lực cắt theo hướng trực giao, sử dụng thiết bị đo lực cắt thành phần Kistler 9257-BA Thiết bị đo lực Kistler bao gồm lực kế, khuếch đại tín hiệu, đồng tín hiệu Lực kế lắp cố định bàn máy hình Hình Sơ đồ mơ hình thực nghiệm Chế độ cắt: vận tốc cắt Vc = [100,160] m/phút; lượng chạy dao dọc fc = 0.15 mm/vòng; chiều sâu cắt tc = mm Trong trình thực nghiệm, đo lực cắt sensor lực tương ứng với đo giá trị mịn dao (kết thí nghiệm bảng 1, phần phụ lục) Xây dựng sơ đồ mơ hình thực nghiệm hình Hình4.1 Các thành phần của lực cắt Hình Các thành phần lực cắt 5.2 Điều kiện thí nghiệm Mơ hình thực nghiệm sau: Trên máy tiện bố trí phơi, hình dạng phơi xử lý sơ để nghiên cứu thay đổi lực cắt Vật liệu: 9CrSi, dao cắt (cán dao Walter turn DCLNR, mảnh dao CNMG với thông số hình học: góc nghiêng chính: 95o, góc nghiêng phụ: 5o, góc trước: 6o, góc sau: 6o, đường kính mũi dao: 0,4 mm) Hình 10 Sơ đồ cấu trúc ảnh mơ hình thực nghiệm TẠP CHÍ KHOA HỌC & CÔNG NGHỆ SỐ 32 - 2022 KHOA HỌC & CÔNG NGHỆ CÁC KẾT QUẢ NGHIÊN CỨU Các thành phần lực trung bình hóa khoảng thời gian đưa hình11, 12, tương ứng với giá trị vận tốc cắt Vc 100, m / phút Vc 160, m / phút Hình 11 Sự thay đổi giá trị trung bình thành phần lực cắt nhận thực nghiệm vận tốc cắt Vc=100 m/ph Các thành phần lực trung bình hóa khoảng thời gian hình 11, 12 Trên hình 13 đường đặc trưng thay đổi giá trị mòn dao theo thời gian nhận thực nghiệm Chúng ta thấy rằng, tăng vận tốc cắt dao bị mòn nhanh Nghĩa là, mòn dao phụ thuộc lớn vào tốc độ cắt hình 13 Hình 13 Sự thay đổi giá trị mòn dao theo thời gian nhận thực nghiệm giá trị vận tốc Vc= 100 m/ph Vc = 160 m/ph XÂY DỰNG MƠ HÌNH MẠNG NƠRON NHÂN TẠO TRONG CHUẨN ĐỐN MỊN DAO 7.1.Xây dựng sở liệu huấn luyện mạng Hình 12 Sự thay đổi giá trị trung bình thành phần lực cắt nhận thực nghiệm vận tốc cắt Vc=160 m/ph Từ đặc trưng thay đổi thành phần lực cắt hình ta thấy theo mức độ mòn dao thành phần lực thay đổi khác Thành phần lực cắt Fz thay đổi lớn nhất, sau đến thành phần lực tiếp tuyến Fx, thành phần lực pháp tuyến Fy thay đổi không nhiều Như vậy, hướng lực bị thay đổi dao bị mòn Điều giải thích mịn dao ảnh hưởng đến góc hình học dao, làm thay đổi góc hình học dao, vậy, làm thay đổi góc định hướng lực TẠP CHÍ KHOA HỌC & CƠNG NGHỆ SỐ 32 - 2022 Tương ứng với giá trị vận tốc cắt Vc=100 m/phút, tiến hành 10 lần thí nghiệm xây dựng sở liệu cho mạng nơron Trong lần thí nghiệm tiến hành đo lực lượng mòn dao h (mm) 17 thời điểm khác q trình gia cơng độ mòn dao lớn 1.3 mm Đồ thị mòn dao theo thời gian dao mảnh dao CNMG (hình 14) Hình 14 Đồ thị mịn dao KHOA HỌC & CÔNG NGHỆ Tương tự, chế độ công nghệ thứ hai, vc 160 m/phút, tiến hành 10 lần thí nghiệm xây dựng sở liệu mạng nơron Hình 15 Cấu trúc mạng nơron với 30 nơron lớp ẩn Trong lần thí nghiệm tiến hành đo lực lượng mòn dao hs(mm) 10 thời điểm khác q trình gia cơng, đến độ mòn dao lớn 1.3 mm Tạo chạy m.file Matlab nhận cấu trúc mạng với input 30 liệu, đầu giá trị mịn dao (hình 15) trainInd: [1 10 11 12 13 14 15 16 17] valInd: [] testInd: [] stop:'Maximumepochreached.' num_epochs: 1000 trainMask:{[11 1 1 1 1 1 1 1 1]} valMask: {[NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN]} testMask: {[NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN]} best_epoch: 1000 goal:1.0000e-10 states:{'epoch''time''perf''vperf''tp erf''gradient''val_fail'} epoch: [1x1001 double] time: [1x1001 double] perf: [1x1001 double] vperf: [1x1001 double] tperf: [1x1001 double] gradient: [1x1001 double] val_fail: [1x1001 double] best_perf: 8.3573e-04 best_vperf: NaN best_tperf: NaN Với cấu trúc cho, thấy mạng nơron đạt tốt chu kỳ thứ 1000 (best_epoch: 1000) hình 17 Như tăng số lượng epoch cho mạng nơron thu kết tốt Tuy nhiên, điều ảnh hưởng đến thời gian thực mạng nơron Hình 16 Kết mơ mạng sau 1000 epochs Phân tích hiệu suất mạng nơron sau huấn luyện ứng dụng ta kiểm tra việc thực nhằm phát thay đổi cần thiết trình huấn luyện, cấu trúc mạng tập liệu Hiệu suất mạng nơron với cấu trúc xây dựng thu sau: trainFcn: 'traingdm' trainParam: [1x1struct] performFcn: 'mse' performParam: [1x1 struct] derivFcn: 'defaultderiv' divideFcn: 'dividetrain' divideMode: 'sample' divideParam: [1x1 struct] Hình 17 Đồ thị kết thực mạng nơron sau 1000 chu kỳ TẠP CHÍ KHOA HỌC & CƠNG NGHỆ SỐ 32 - 2022 KHOA HỌC & CÔNG NGHỆ Bảng Xây dựng sở liệu huấn luyện mạng Nhập liệu lực cắt vào mục giao diện Kích vào nút dự đốn độ mịn dao mạng nơron dự đốn mịn dao 7.3 Tối ưu hóa cấu trúc mạng nơron Hàm kích hoạt Fast Elliot Sigmoid: Một số phần cứng tính tốn đơn giản không hỗ trợ hàm số mũ điều làm cho phần mềm thực thi bị chậm chạy chương trình Hàm Elliot sigmoid có vai trị hàm sigmoid tansig đối xứng giúp chương trình mơ mạng nơron tránh hàm số mũ gọi hàm kích hoạt mạng nơron 7.2 Xây dựng giao diện chương trình chuẩn đốn mịn dao off-line Hình 20 Đồ thị hàm Elliotsigmoid Hình 18 Giao diện chương trình Giao diện chương trình dự đốn mịn dao với đầu vào thành phần lực cắt hình 18 Quá trình huấn luyện mạng Chọn liệu lưu dạng file.txt thư mục sở liệu cách kích vào nút huấn luyện mạng Hình 21 Đồ thị hàm elliotsig hàm tansig Để huấn luyện mạng nơron thay sử dụng hàm tansig làm hàm kích hoạt ta thay hàm elliotsig Khi thực huấn luyện mạng nơron hàm elliotsig thời gian thực thi nhanh nhiều lần so với tính tốn tansig Hình 19 Chọn liệu để huấn luyện mạng chuẩn đốn TẠP CHÍ KHOA HỌC & CÔNG NGHỆ SỐ 32 - 2022 n = rand (1000,1000; ... phần cứng tốc độ tính tốn phụ thuộc vào máy tính số Bài báo giới thiệu phương pháp nghiên cứu ứng dụng mạng nơron nhân tạo dự báo mòn dao tiện PHÂN TÍCH Q TRÌNH MỊN DAO Phân tích kết nghiên cứu. .. mịn dao Hình Các phương pháp đo mịn dao TẠP CHÍ KHOA HỌC & CÔNG NGHỆ SỐ 32 - 2022 KHOA HỌC & CÔNG NGHỆ ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG SẢN XUẤT THÔNG MINH 4.1 Tổng quan mạng nơron nhân tạo Mạng. .. sở liệu cho mạng nơron Trong lần thí nghiệm tiến hành đo lực lượng mòn dao h (mm) 17 thời điểm khác q trình gia cơng độ mòn dao lớn 1.3 mm Đồ thị mòn dao theo thời gian dao mảnh dao CNMG (hình