Nghiên cứu ứng dụng mô hình mạng thần kinh nhân tạo kết hợp thuật toán di truyền để xác định chế độ cắt tối ưu trên máy phay cnc

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ NÔNG NGHIỆP VÀ PTNT TRƯỜNG ĐẠI HỌC LÂM NGHIỆP TRẦN CÔNG LƯU NGHIÊN CỨU ỨNG DỤNG MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO KẾT HỢP THUẬT TOÁN DI TRUYỀN ĐỂ XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU TRÊN MÁY PHAY CNC CHUYÊN NGÀNH: KỸ THUẬT CƠ KHÍ MÃ SỐ: 8520103 LUẬN VĂN THẠC SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: TS TRẦN CÔNG CHI Hà Nội - 2021 i LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết trình bày luận văn trung thực chưa cơng bố cơng trình khác Tơi xin cam đoan thơng tin trích dẫn luận văn rõ nguồn gốc Hà Nội, ngày tháng năm 2021 Tác giả Trần Công Lưu ii LỜI CẢM ƠN Nhân dịp hoàn thành luận văn, cho phép gửi lời cảm ơn chân thành tới thầy giáo: TS Trần Công Chi, người trực tiếp hướng dẫn tơi hồn thành luận văn Tôi trân trọng cảm ơn Ban Giám hiệu cán giáo viên khoa Cơ điện Cơng trình, cơng nhân viên chức Trường Đại học Lâm nghiệp giúp đỡ, tạo điều kiện thuận lợi để tơi hồn thành nhiệm vụ; Chân thành cảm ơn lãnh đạo trường Cao đẳng Cơ giới Ninh Bình nơi tơi cơng tác, nhiệt tình giúp đỡ tạo điều kiện thuận lợi cho tơi đào tạo, tiến hành thí nghiệm, khảo nghiệm máy ứng dụng kết nghiên cứu vào sản xuất Qua đây, xin gửi lời cảm ơn tới toàn thể bạn bè đồng nghiệp gia đình Trong q trình tơi học tập hoàn thành luận văn động viên, giúp đỡ tạo điều kiện thuận lợi cho tơi hồn thành luận văn Tôi xin cam đoan số liệu, kết nêu luận văn trung thực chưa công bố công trình khác Những nội dung tham khảo, trích dẫn luận văn rõ nguồn gốc Xin trân trọng cảm ơn! Hà Nội, ngày tháng năm 2021 Tác giả Trần Công Lưu iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC KÍ HIỆU vi DANH MỤC CÁC BẢNG vii DANH MỤC CÁC HÌNH viii ĐẶT VẤN ĐỀ Chương TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 1.1 Tình hình nghiên cứu xác định chế độ cắt tối ưu gia công phay 1.1.1 Trên giới 1.1.2 Tại Việt Nam 1.2 Ý nghĩa khoa học thực tiễn vấn đề nghiên cứu 13 1.3 Mục tiêu nghiên cứu 13 1.4 Đối tượng phạm vi nghiên cứu 14 1.5 Nội dung nghiên cứu 14 1.6 Phương pháp nghiên cứu 15 Chương CƠ SỞ LÝ LUẬN CỦA VẤN ĐỀ NGHIÊN CỨU 16 2.1 Chế độ cắt động lực học trình phay 16 2.1.1 Các yếu tố chế độ cắt phay 17 3.1.2 Động lực học trình cắt 18 2.2 Chất lượng gia công thông số ảnh hưởng 21 2.2.1 Chất lượng bề mặt gia công 21 2.2.2 Độ nhám bề mặt gia công 23 2.2.3 Các tiêu đánh giá độ nhám bề mặt gia công 24 2.2.4 Các yếu tố ảnh hưởng đến độ nhám bề mặt gia công 25 2.3 Mơ hình mạng thần kinh nhân tạo ứng dụng [7] 30 2.3.1 Đặc điểm mạng thần kinh nhân tạo 30 iv 2.3.2 Các dạng mơ hình mạng thần kinh nhân tạo 35 2.3.3 Huấn luyện Mạng thần kinh nhân tạo 40 2.3.4 Ưu điểm nhược điểm mô hình mạng thần kinh nhân tạo 44 2.4 Thuật tốn di truyền ứng dụng 48 2.4.1 Đặc điểm ứng dụng 48 2.4.2 Giải thuật di truyền so với phương pháp truyền thống 52 Chương 3.MƠ HÌNH THỰC NGHIỆM VÀ XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU ỨNG DỤNG ANN VÀ GA 55 3.1 Xây dựng mơ hình xác định chế độ cắt tối ưu 55 3.2 Xác định yếu tố đầu vào thông số đầu 56 3.2.1 Chế độ cắt 57 3.2.2 Các thông số cố định 57 3.1.3 Các thông số nhiễu 57 3.2.4 Thông số đầu 58 3.3 Xây dựng bảng thí nghiệm 58 3.4 Thực nghiệm thu thập liệu 61 3.4.1 Máy phay CNC AGMA - A8 61 3.4.2 Vật liệu chi tiết gia công 64 3.4.3 Dụng cụ cắt 65 3.4.4 Thiết bị đo phương pháp đo 65 3.4.5 Mẫu thí nghiệm 65 3.4.6 Tiến hành thí nghiệm thu thập số liệu 66 3.5 Xây dựng mơ hình dự báo mơ hình mạng thần kinh nhân tạo 67 3.5.1 Lựa chọn mơ hình mạng thần kinh nhân tạo 67 3.5.2 Đánh giá chất lượng mơ hình toán học mạng 68 3.6 Xác định chế độ cắt tối ưu dựa thuật toán di truyền 69 Chương KẾT QUẢ NGHIÊN CỨU THỰC NGHIỆM VÀ MƠ HÌNH XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU 71 v 4.1 Kết thực nghiệm phay máy CNC 71 4.2 Ảnh hưởng thông số chế độ cắt đến độ nhám bề mặt 71 4.2.1 Ảnh hưởng chiều sâu cắt bước tiến dao đến độ nhám bề mặt 71 4.2.2 Ảnh hưởng vận tốc cắt bước tiến dao đến độ nhám bề mặt72 4.2.3 Ảnh hưởng vận tốc cắt chiều sâu cắt đến độ nhám bề mặt72 4.3 Mơ hình dự báo độ nhám bề mặt dựa mơ hình mạng thần kinh nhân tạo 73 4.3.1 Thiết kế mơ hình ANN 73 4.3.2 Công cụ ANN Matlab xây dựng mô hình dự báo độ nhám bề mặt 75 4.3.3 Kết mơ hình 76 4.4 Xác định chế độ cắt tối ưu dựa thuật toán di truyền 81 4.4.1 Lựa chọn hàm mục tiêu 81 4.4.2 Kết tối ưu sử dụng thuật toán GA 84 4.5 Gia công chi tiết với thông số tối ưu V, S, t 86 KẾT LUẬN VÀ KIẾN NGHỊ 88 DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ 90 TÀI LIỆU THAM KHẢO 91 PHỤ LỤC vi DANH MỤC CÁC KÍ HIỆU Ký hiệu Ra Rz V = Vn Tên gọi Sai lệch profin trung bình cộng (độ nhám bề mặt) Chiều cao nhấp nhô profin theo mười điểm Vận tốc cắt Đơn vị µm µm m/ph Sz Lượng chạy dao mm/răng Sv Lượng chạy dao vòng mm/vòng Sph Lượng chạy dao phút mm/ph Z Số dao phay ω Góc nghiêng lưỡi cắt dao phay trụ xoắn  Góc hai kề P Phản lực cắt dao Pz, Px, Py Hệ thống lực cắt dao theo hướng tiếp tuyến, pháp tuyến theo chiều trục dao độ radian kN kN vii DANH MỤC CÁC BẢNG Bảng 3.1 Bảng trực giao OA25(53) 59 Bảng 3.2 Giá trị cho phép thông số công nghệ gia công 60 Bảng 3.3 Các chế độ cắt thí nghiệm cắt bổ sung 60 Bảng 3.4 Thông số kỹ thuật máy phay CNC mã hiệu AGMA - A8 62 Bảng 3.5 Thành phần tính thép C45 64 Bảng 4.1 Kết MSE R trình huấn luyện với số lớp từ 1-1577 Bảng 4.2 Kết thông số đánh giá hiệu mô hình 80 Bảng 4.3 Giá trị cắt thực tế so với giá trị tối ưu hóa 86 viii DANH MỤC CÁC HÌNH Hình 1.1 Máy phay CNC mã hiệu SV-50 hãng Mori seiki Hình 1.2 Trung tâm gia công CNC mã hiệu GMU-500 với điều khiển Heidenhain Hình 2.1 Các dạng dao phay thông dụng 16 Hình 2.2 Quỹ đạo lưỡi cắt vận tốc cắt phay dao phay trụ 18 Hình 2.3 Hệ thống lực cắt phay 20 Hình 2.4 Các dạng bề mặt gia công 22 Hình 2.5 Độ nhám bề mặt 23 Hình 2.6 Ảnh hưởng thơng số hình học dụng cụ cắt đến độ nhám bề mặt26 Hình 2.7 Ảnh hưởng tốc độ cắt đến độ nhám bề mặt gia cơng thép 27 Hình 2.8 Ảnh hưởng S đến độ nhám bề mặt gia cơng thép C 28 Hình 2.9 Minh họa cấu tạo nơ-ron sinh học 31 Hình 2.10 Mơ hình nơ-ron nhân tạo 32 Hình 2.11 Mơ hình mạng thần kinh nhân tạo có hai lớp ẩn 34 Hình 2.12 Mơ hình thần kinh nhân tạo đơn giản 36 Hình 2.13 Mơ hình mạng thần kinh truyền thẳng đa lớp 37 Hình 2.14 Mơ hình mạng thần kinh nhân tạo bổ sung 38 Hình 2.15 Mơ hình Mạng thần kinh nhân tạo hồi tiếp 39 Hình 2.16 Đồ thị biểu diễn hàm truyền Heaviside 41 Hình 2.17 Đồ thị biểu diễn hàm truyền Xích ma 41 Hình 2.18 Đồ thị biểu diễn hàm Hyperbol 42 Hình 2.19 Mơ hình Mạng thần kinh nhân tạo có sử dụng thuật tốn truyền ngược 44 Hình 2.20 Sơ đồ thuật tốn phương pháp GA 49 Hình 2.21 Điểm tối ưu toàn cục 50 ix Hình 3.1 Sơ đồ xác định chế độ công nghệ tối ưu mơ hình ANN kết hợp thuật tốn di truyền 55 Hình 3.2 Sơ đồ tổng quan nghiên cứu trình phay 56 máy CNC thực nghiệm 56 Hình 3.3 Máy phay CNC mã hiệu AGMA - A8 62 Hình 3.4 Máy đo độ nhám TR200 65 Hình 3.5 Q trình thí nghiệm gia công máy 66 Hình 3.6 Một số mẫu gia cơng máy phay CNC 66 Hình 3.7 Mơ hình mạng thần kinh nhân tạo 67 Hình 4.1 Ảnh hưởng t S đến độ nhám bề mặt V = 75,36 m/phút 71 Hình 4.2 Ảnh hưởng V S đến độ nhám bề mặt t = 1mm 72 Hình 4.3 Ảnh hưởng V t đến độ nhám bề mặt S = 0,2 mm/răng 73 Hình 4.4 Cơng cụ huấn luyện mạng ANN Matlab 75 Hình 4.5 Thiết lập số lớp ẩn 76 Hình 4.6 Chạy phân tích lựa chọn mơ hình 76 Hình 4.7 Mối tương quan giá trị huấn luyện giá trị dự báo cấu trúc mạng 3-8-1 78 Hình 4.8 Sơ đồ khối mơ hình ANN xây dựng 79 Hình 4.9 So sánh giá trị thực nghiệm giá trị dự đoán tập liệu đào tạo (a), tập liệu xác nhận (b) tập liệu kiểm tra (c) 79 Hình 4.10 So sánh giá trị thực nghiệm giá trị dự đoán tập liệu xác nhận mơ hình 81 Hình 4.11 Thiết lập thông số hàm mục tiêu giới hạn biên cho thuật toán GA 84 Hình 4.12 Kết tối ưu sử dụng thuật toán GA 85 85 Hình 4.12 Kết tối ưu sử dụng thuật toán GA Quá trình tính tốn tới lần lặp 214 cho kết điểm tối ưu: V = 55,959 (m/phút), S = 0,1 (mm/răng), t = 0,635 (mm) thu Ramin = 0,267 µm (Hình 4.12) Bằng cách xử lý số liệu theo phương pháp bình phương nhỏ có kết quan hệ : Ra = f(V,S,t) dạng hàm đại số bậc Tương quan giá trị hàm f Ra điểm thực nghiệm 0,795 Khảo sát hàm f(V,S,t) (trong vùng thực nghiệm biến V,S,t) nhận giá 86 trị nhỏ độ nhám: Ra = 0,7644 μm giá trị V = 70,58 (m/phút), S = 0,1 (mm/răng), t=0,25 (mm) Vấn đề sai khác giá trị cực tiểu Ra nhận từ phương pháp nghiên cứu mà luận văn sử dụng phương pháp bình phương nhỏ nhất, lý thuật toán GA thực với hàm mục tiêu xây dựng từ mơ hình dự báo ANN với hệ số tương quan 0,942 Ngoài ra, thuật toán di truyền sử dụng luật chuyển đổi mang tính xác suất khơng phải luật chuyển đổi mang tính xác định với hàm mục tiêu xây dựng từ mơ hình dự báo ANN, lúc cho lời giải tuyệt đối xác Tuy nhiên lĩnh vực gia cơng khí, có số cơng trình nghiên cứu chứng minh phương pháp mà luận văn thực có độ tin cậy cao, phương pháp coi lời giải tiềm cho toán xác định chế độ cắt để người sử dụng lựa chọn 4.5 Gia công chi tiết với thông số tối ưu V, S, t Để kiểm tra khả dự đốn tính xác từ phương pháp, sau chuẩn bị máy, phôi tiến hành gia công mẫu chi tiết theo vẽ kỹ thuật tương tự q trình thí nghiệm với chế độ cắt tối ưu vừa dự đoán Kết gia cơng trình bày bảng 4.4 Bảng 4.3 Giá trị cắt thực tế so với giá trị tối ưu hóa Ra Sai lệch so với dự đốn (%) 0.260 2.6 0.288 7.9 0.268 0.4 0.251 6.0 0.291 9.0 STT V (m/ph) S (mm/răng) t (mm) 55.959 0.1 0.635 87 Với kết dự đốn thực tế gia cơng thấy sai lệch dự đốn thực tế dao động khơng 9% Với kết hoàn toàn chấp nhận thực tế sản xuất, khẳng định tính đắn mạng thần kinh nhân tạo để thiết lập mối quan hệ thực nghiệm cho độ xác cao thuật toán di truyền giải toán tối ưu hiệu Tóm tắt chương 4: Chương xem xét ảnh hưởng chế độ cắt (V, S, t) đến độ nhám bề mặt (Ra) Mơ hình dự báo độ nhám bề mặt ANN lựa chọn cấu trúc mạng 3-8-1 với giá trị hệ số tương quan R lớn 0,9 Dựa vào mơ hình dự báo, thuật tốn di truyền xác định giá trị tối ưu thông số ảnh hưởng tới độ nhám bề mặt với điều kiện biên mà đề tài giới hạn Đồng thời, với kết dự đốn thực tế gia cơng thấy sai lệch khơng q 9%, khẳng định tính đắn phương pháp nghiên cứu 88 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Nghiên cứu tối ưu hoá q trình gia cơng khí nâng cao hiệu kinh tế - kỹ thuật nguyên cơng mà cịn tạo liệu quan trọng phục vụ việc tự động hóa qúa trình chuẩn bị công nghệ, rút ngắn thời gian khối lượng lao động chuẩn bị sản xuất Nhằm góp phần nhỏ vào nghiên cứu nâng cao hiệu qủa sản xuất thực tiễn gia công, với khuôn khổ luận văn thạc sĩ kỹ thuật, từ nghiên cứu lý thuyết ứng dụng mơ hình mạng thần kinh nhân tạo kết hợp thuật toán di truyền để xác định chế độ cắt tối ưu máy phay CNC, nghiên cứu đạt số kết sau: Bằng phương pháp nghiên cứu khoa học cắt gọt vật liệu, luận văn phân tích, tổng hợp yếu tố tác động tương hỗ chúng qúa trình gia cơng phương pháp gia cơng phay, từ lựa chọn yếu tố ảnh hưởng tới độ nhám bề mặt sản phẩm gia công vận tốc cắt V, lượng chạy dao S chiều sâu cắt t Trên sở liệu thực nghiệm với số lượng mẫu lựa chọn dựa phương pháp ma trận thí nghiệm trực giao Taguchi, nghiên cứu xem xét ảnh hưởng chế độ cắt (V,S,t) đến độ nhám bề mặt (Ra) Ứng dụng ANN để xây dựng mơ hình dự báo độ nhám bề mặt lựa chọn cấu trúc mạng 3-8-1 với giá trị hệ số tương quan R lớn 0,9 (đào tạo 0,977; xác nhận 0,932; kiểm tra 0,943 toàn tập liệu 0,942) Ngoài ra, hiệu dự đốn mơ hình đánh giá thơng qua MAPE, RMSE R2 cho thấy mơ hình ANN phát triển dự báo độ nhám bề mặt cách xác đáng tin cậy Mơ hình sở cho xác lập hàm mục tiêu phục vụ giải tốn tối ưu hóa q trình gia cơng phay Ứng dụng thuật tốn di truyền dã xác định giá trị tối ưu thông số ảnh hưởng tới độ nhám bề mặt với điều kiện biên mà đề tài giới hạn nghiên cứu là: V = 55,959 (m/phút), S = 0,1 (mm/răng), t = 0,635 (mm) Với 89 thông số trên, độ nhám bề mặt gia công Ra = 0,267 µm Ngồi ra, kết dự đốn thực tế gia công mẫu với chế độ cắt tối ưu cho thấy sai lệch dự đoán thực tế dao động không 9% Với kết hoàn toàn chấp nhận thực tế sản xuất, khẳng định tính đắn mạng thần kinh nhân tạo để thiết lập mối quan hệ thực nghiệm cho độ xác cao thuật tốn di truyền giải toán tối ưu hiệu Kiến nghị Cần mở rộng phạm vi nghiên cứu ảnh hưởng yếu tố khác qúa trình gia cơng trình bày chương đến chất lượng gia cơng cần bao hàm độ xác kích thước, hình dạng để vấn đề nghiên cứu toàn diện Tiếp tục ứng dụng ANN GA để xác định thông số chế độ cắt tối ưu sở luận chứng, lựa chọn hàm mục tiêu bao hàm kinh tế, kỹ thuật xây dựng toán tối ưu dạng tối ưu hóa động, phù hợp với tự động hóa qúa trình gia cơng sở đo lường chủ động điều khiển tối ưu 90 DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ Trần Cơng Chi, Nguyễn Văn Tựu, Trần Cơng Lưu (2021) "Mơ hình dự báo xác định chế độ cắt tối ưu máy phay cnc dựa phương pháp tích hợp ANN-GA" Tạp chí Khoa học Cơng nghệ Đại học Thái Ngun 226(11): tr 20 - 29 91 TÀI LIỆU THAM KHẢO TÀI LIỆU TIẾNG VIỆT Nguyễn Trọng Bình (2003), "Tối ưu hố q trình gia cơng cắt gọt", NXB Giáo dục Bùi Cơng Cường Nguyễn Dỗn Phước (2006), "Hệ mờ mạng nơron ứng dụng, nhà xuất khoa học kỹ thuật", Hà Nội Trần Văn Địch (2009), Công nghệ chế tạo máy, chủ biên, Khoa học kỹ thuật Trần Văn Địch cộng (2006), "Công nghệ chế tạo máy, Nxb Khoa học Kỹ thuật", Hà Nội-2003 Hoàng Tiến Dũng cộng (2018), Dự đoán ảnh hưởng chế độ cắt góc xoắn dao phay ngón liền khối đến độ nhám gia công trung tâm phay CNC trục Hội nghị khoa học cơng nghệ tồn quốc khí lần thứ V - VCME 2018 Nguyễn Danh Dũng (2017), Tối ưu hóa q trình tiện thép C45 máy tiện CNC theo tiêu độ nhám độ xác kích thước gia công, Trường Đại học Bách khoa Hà Nội Trường đại học kinh tế TP HCM (2011), Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội mơ hình Mạng thần kinh nhân tạo (ANN) so với mơ hình Hồi quy tuyến tính truyền thống, Cơng trình dự thi giải thƣởng nghiên cứu khoa học sinh viên “nhà kinh tế trẻ – năm 2011 Nguyễn Thái Hòa (2011), Tối ưu chế độ cắt phay lịng khn ép nhựa sản phẩm CRG-ARM-DOOR-LINK máy trung tâm gia công CNC Makino S33 đảm bảo thời gian gia công nhỏ nhất, Đại học Công nghiệp Phạm Hữu Đức Dục (2011), Mạng Nơron Và Ứng Dụng Trong Điều Khiển Tự Động, Khoa Học Và Kỹ Thuật 10 Nguyễn Văn Khiêm (2011), Nghiên cứu ảnh hưởng số yếu tố chế độ cắt đến chất lượng gia công máy phay FA3AU, Đại học Lâm Nghiệp Việt Nam 11 Nguyễn Ngọc Kiên cộng (2013), "Phương pháp mạng nơ ron nhân tạo tiến hóa nhân tạo xác định chế độ cắt tối ưu phay cnc", Vietnam Journal of Science and Technology 51(2), tr 259 12 Bành Tiến Long, Trần Thế Lục Trần Sỹ Túy (2001), "Nguyên lý gia công vật liệu", NXB Khoa học kỹ thuật, Hà Nội 13 Nguyễn Đức Luận (2017), "Ứng dụng mạng noron nhân tạo việc dự đoán độ nhám bề mặt tiện thép c45", Tạp chí Khoa học Cơng nghệ 43 14 Nguyễn Thị Thanh Nga (2011), Nghiên cứu thuật toán tìm nghiệm tối ưu tồn cục q trình luyện mạng nơ-ron-ứng dụng để nhận dạng, điều khiển đối tượng động học phi tuyến, Đại học Kỹ thuật Công nghiệp 92 15 Tuấn Linh Nguyễn, Tiến Dũng Hoàng Long Hồng (2018), "Tối ưu hóa đa mục tiêu phay cao tốc dao phay ngón liền khối sử dụng thuật tốn PSO", Đại học Cơng nghiệp Hà Nội 16 Nguyễn Như Hiền (2007), Hệ Mờ Và Nơron Trong Kỹ Thuật Điều Khiển, chủ biên, Khoa học tự nhiên công nghệ 17 Nguyễn Văn Quê (2013), Xác định chế độ cắt tối ưu gia công thép hợp kim máy phay CNC, Trường Đại học Bách Khoa Hà Nội 18 Lực Trần Thế (2009), Nguyên lý cắt dụng cụ cắt, Nhà xuất Giáo dục 19 Đỗ Anh Tuấn Nguyễn Hữu Thật (2017), "Tối ưu hóa độ nhám bề mặt bóc tách vật liệu phay thép SKD61 phương pháp taguchi mặt đáp ứng", Khoa học & Công nghệ 15 20 Phạm Thanh Tùng (2018), "Ứng dụng phương pháp trí tuệ nhân tạo để xác định chế độ cất tối ưu gia công thép hợp kim trung tâm gia công CNC trục" 21 Nguyễn Văn Tuyến (2006), Nghiên cứu tối ưu thông số công nghệ q trình mài điện hố đá mài kim cương gia công hợp kim cứng TÀI LIỆU TIẾNG ANH 22 Adel Taha Abbas cộng (2019), "Optimization of cutting conditions using artificial neural networks and the Edgeworth-Pareto method for CNC face-milling operations on high-strength grade-H steel", The International Journal of Advanced Manufacturing Technology 105(5), tr 2151-2165 23 EJA Armarego Robert Hallowes Brown (1969), "The machining of metals", PRENTICE-HALL INC, ENGLEWOOD CLIFFS, N J., 1969, 437 P 24 Roy C Brewer R Rueda (1963), A simplified approach to the optimum selection of machining parameters, Engineers' Digest 25 Xingzheng Chen cộng (2019), "Integrated optimization of cutting tool and cutting parameters in face milling for minimizing energy footprint and production time", Energy 175, tr 1021-1037 26 WW Gilbert (1950), "Economics of machining", Machining-Theory and Practice, tr 465-485 27 Girish Kant Kuldip Singh Sangwan (2014), "Prediction and optimization of machining parameters for minimizing power consumption and surface roughness in machining", Journal of cleaner production 83, tr 151-164 93 28 Jaydeep Karandikar Thomas Kurfess (2015), "Cost optimization and experimental design in milling using surrogate models and value of information", Journal of Manufacturing Systems 37, tr 479-486 29 Nguyen Ngoc Kien (2014), Application of Artificial Intelligence Methods And Taguchi Analysis to Determinate the Optimal Cutting Mode When Maching On CNC Milling Machine, Hanoi University of Science & Technology (HUST), Hanoi 30 B Radha Krishnan, C Mathalai Sundaram A Vembathurajesh (2018), "Review of Surface Roughness Prediction in Cylindrical Grinding process by using RSM and ANN", International Journal of Recent Trends in Engineering and Research 4(12), tr 2455-1457 31 Yubin Lee cộng (2020), "The Optimization of Machining Parameters for Milling Operations by Using the Nelder–Mead Simplex Method", Journal of Manufacturing and Materials Processing 4(3), tr 66 32 Wen Li cộng (2012), "Eco-efficiency of manufacturing processes: A grinding case", CIRP annals 61(1), tr 59-62 33 Yung-Chih Lin cộng (2020), "Prediction of Surface Roughness Based on Cutting Parameters and Machining Vibration in End Milling Using Regression Method and Artificial Neural Network", Applied Sciences 10(11), tr 3941 34 AVSRK Prasad, PN Rao URK Rao (1997), "Optimal selection of process parameters for turning operations in a CAPP system", International Journal of Production Research 35(6), tr 1495-1522 35 Kantheti Venkata Murali Krishnam Raju cộng (2011), "Optimization of cutting conditions for surface roughness in CNC end milling", International journal of precision engineering and manufacturing 12(3), tr 383-391 36 Kuldip Singh Sangwan, Sachin Saxena Girish Kant (2015), "Optimization of machining parameters to minimize surface roughness using integrated ANN-GA approach", Procedia Cirp 29, tr 305-310 37 Jeffrey T Spooner cộng (2004), Stable adaptive control and estimation for nonlinear systems: neural and fuzzy approximator techniques, Vol 43, John Wiley & Sons 38 Frederick W Taylor (1907), "On the art of metal cutting", Trans ASME 28, tr 31-35 39 Guoqiang Zhang, B Eddy Patuwo Michael Y Hu (1998), "Forecasting with artificial neural networks:: The state of the art", International journal of forecasting 14(1), tr 35-62 PHỤ LỤC PHỤ BIỂU 01: Tập liệu thực nghiệm huấn luyện mơ hình ANN kết dự báo (chữ thường: đào tạo; chữ đậm: xác nhận; chữ nghiêng: kiểm tra) Ra (μm) STT V S t Thực nghiệm Dự báo 50.240 0.300 1.500 1.896 1.998 62.800 0.100 0.250 0.830 0.848 62.800 0.150 0.500 1.161 0.842 75.360 0.200 1.000 1.918 1.790 75.360 0.250 1.250 1.893 2.120 75.360 0.300 1.500 2.211 2.343 100.480 0.100 0.250 0.904 0.741 100.480 0.150 0.500 1.297 1.368 100.480 0.200 1.000 2.010 1.971 10 50.240 0.250 0.500 2.168 2.167 11 50.240 0.200 0.250 1.153 1.276 12 50.240 0.100 1.000 1.162 0.841 13 50.240 0.150 0.500 1.154 1.248 14 50.240 0.200 1.000 1.144 1.138 15 62.800 0.200 0.250 1.296 1.312 16 62.800 0.100 1.000 0.807 0.969 17 62.800 0.200 1.500 1.889 2.020 18 75.360 0.150 1.500 0.698 1.153 Ra (μm) STT V S t Thực nghiệm Dự báo 19 87.920 0.100 1.500 2.005 1.132 20 87.920 0.300 0.250 2.075 1.970 21 100.480 0.250 0.500 1.839 1.768 22 100.480 0.200 0.250 1.893 1.760 23 100.480 0.100 1.000 0.897 1.050 24 87.920 0.150 0.500 1.154 1.219 25 87.920 0.200 1.000 2.144 2.021 26 100.480 0.300 0.250 1.822 1.781 27 87.920 0.250 1.000 1.889 2.038 28 87.920 0.250 0.250 1.275 1.395 29 87.920 0.300 0.500 1.144 1.279 30 75.360 0.100 1.500 0.989 1.131 31 75.360 0.300 0.250 2.334 2.298 32 75.360 0.250 0.500 2.085 1.454 33 50.240 0.300 1.000 2.176 2.188 34 62.800 0.100 1.500 0.811 1.173 35 75.360 0.100 0.500 1.132 0.944 36 75.360 0.300 1.000 1.876 1.735 37 100.480 0.300 1.500 2.139 2.183 38 50.240 0.100 1.500 1.889 1.762 39 100.480 0.300 1.000 2.030 1.892 Ra (μm) STT V S t Thực nghiệm Dự báo 40 100.480 0.150 1.500 1.292 1.382 41 87.920 0.100 1.000 1.026 1.127 42 87.920 0.200 1.500 2.107 1.964 43 62.800 0.250 1.250 2.085 2.324 44 62.800 0.300 1.500 2.105 2.146 45 62.800 0.150 1.500 1.144 1.414 46 50.240 0.100 0.250 1.161 1.246 47 62.800 0.200 1.000 1.908 1.730 48 50.240 0.300 0.250 2.211 2.157 49 50.240 0.150 1.250 1.897 1.806 50 62.800 0.150 1.250 1.154 1.314 51 75.360 0.200 0.250 1.896 1.834 52 62.800 0.250 0.500 2.075 2.483 PHỤ BIỂU 02: Kết liệu xác nhận mơ hình Ra (μm) STT V S t Thực nghiệm Dự báo 75.360 0.150 0.500 1.210 1.3580 100.480 0.150 1.250 1.287 1.2579 87.920 0.300 1.500 1.287 1.3110 50.240 0.250 1.250 1.908 2.0128 75.360 0.100 0.250 0.853 0.8770 87.920 0.100 0.250 1.161 1.3182 87.920 0.250 1.250 1.297 1.1618 100.480 0.250 1.250 2.006 2.3129 50.240 0.200 1.500 1.706 1.9661 10 62.800 0.300 1.000 2.275 2.0255 11 75.360 0.200 1.250 2.075 2.3198 12 87.920 0.150 1.250 1.996 1.7804 13 100.480 0.200 1.500 2.076 2.1198 PHỤ LỤC 3: Một số hình ảnh trình thực nghiệm