1. Trang chủ
  2. » Luận Văn - Báo Cáo

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

121 128 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 121
Dung lượng 5,77 MB

Nội dung

ĐẠI HỌC THÁI NGUYÊN ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP NGUYỄN VĂN TÙNG 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.” 2014 LỜI CAM ĐOAN Tôi xin cam đoan số liệu kết nêu Luận văn trung thực chưa công bố cơng trình khác Trừ phần tham khảo nêu rõ Luận văn Tác giả Nguyễn Văn Tùng LỜI CẢM ƠN Trong trình học tập, làm luận văn, tác giả nhận nhiều giúp đỡ, bảo thầy cô giáo giảng dạy, hướng dẫn, giúp tác giả hồn thành tốt chương trình học cao học hồn thiện luận văn Tác giả xin cảm ơn thầy giáo hướng dẫn PGS.TS Nguyễn Quốc Tuấn, Đại học Thái Nguyên, định hướng đề tài, hướng dẫn tận tình tơi việc tiếp cận khai thác tài liệu tham khảo bảo trình tơi làm luận văn Cuối tác giả muốn bày tỏ lòng 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 .1 11 .12 .12 .12 12 12 12 Chương 13 TỔNG QUAN VỀ TỐI ƯU HÓA CHẾ ĐỘ CẮT 13 TỔNG QUAN VỀ TỐI ƯU HÓA 13 1.1 Khái niệm ý nghĩa tối ưu hóa 13 1.2 Các hình thức tối ưu hóa 14 1.2.1 Tối ưu hóa tĩnh .14 1.2.2 Tối ưu hóa động .14 BÀI TỐN TỐI ƯU 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 lượng bề mặt 19 2.2.4 Các điều kiện ràng buộc 19 2.3 Phương pháp giải toán tối ưu đa mục tiêu 20 2.4 Một số phương pháp giải toán tối ưu đa mục tiêu 21 a Phương pháp tổng trọng số 21 b Phương pháp cực tiểu cực đại trọng số (phương pháp Tchebycheff) .21 c Phương pháp tiêu chuẩn tổng thể trọng số 21 d Phương pháp thứ tự từ điển học 22 e Phương pháp hàm mục tiêu bị giới hạn 22 f Phương pháp quy hoạch đích 23 g Phương pháp giải thuật di truyền(GAs) 24 Kết luận chương 24 CHƯƠNG II 26 TỐI ƯU 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 người .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 ưu hóa sử dụng mạng nơ ron nhân tạo 46 2.1 Cấu trúc mạng nơ ron nhân tạo cho toán tối ưu .46 2.2 Các bước giải toán tối ưu 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 chương .57 Chương III 59 ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO ĐỂ TỐI ƯU 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 ưu 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 ưu 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 Chương trình học luyện mạng 70 4.4.Kết việc Sử dụng phương pháp ANN phương pháp vét cạn để giải toán tìm giá trị tối ưu (vop, fop, top) 76 4.4.1 Kết thực cho tốn tối ưu hóa đơn mục tiêu 77 4.4.2 Kết thực cho toán tối ưu đa mục tiêu (Tp, Cp, Ra) 78 Kết luận chương 78 KẾT LUẬN VÀ PHƯƠNG HƯỚNG NGHIÊN CỨU TIẾP THEO 80 Kết luận 80 Phương hướng 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 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 39 49 2.21 Chọn liệu đầu 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 trình luyện mạng 28 Hình 2.27 Vị trí lưu giữ file q trình luyện mạng 54 52 54 56 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) 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 lượng chạy dao f - Vận tốc cắt có ảnh hưởng rõ đến độ nhám bề mặt chi tiết - Việc tăng chiều sâu cắt không ảnh hưởng tới nhám bề mặt(hình 3.11a) Do vùng khảo sát chọn chiều sâu cắt lớn mà đảm bảo chất lượng bề mặt cần thiết Tuy nhiên để đánh giá hiệu q trình gia cơng cần phải xem xét đồng thời nhân tố để vừa đạt độ nhám cần thiết, vừa đảm bảo tuổi thọ dụng cụ lớn suất gia công cao + Ta xác định hàm trọng w,b hợp lý hàm mục tiêu Sc là: >>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 3.12 a 0.3993 0.3143 0.6006 -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 3.12 b -1.2178 -0.4795 -2.8055 0.6415 -0.6910 -2.2709 2.5188 4.9569 >> b2 = net.b{2} b2 = 4.0032 Từ đồ thị hình 3.12 ta thấy : Trong vùng khảo sát : - Tuổi thọ dụng cụ giảm 3.12 c 3.12 Đồ thị diện tch gia công Sc 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) tăng vân tốc cắt v, chiều sâu cắt t lượng chạy dao f - Vận tốc cắt có ảnh hưởng lớn tới tuổi bền dụng cụ - Việc tăng lượng chạy dao ảnh hưởng tới tuổi bền dụng cụ Thậm chí ứng với chiều sâu cắt t không thay đổi (t=0.09) việc tăng lượng chạy dao làm tăng tuổi thọ dụng cụ (hình 3.12a ứng với t = 0.09) Vì phạm vi lượng chạy dao f = 0.07 ÷ 0.15, tăng lượng chạy dao để nâng cao hiệu gia công + Ta xác định 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 2.2720 Hình 3.13 c 3.13 Đồ thị thể mối mối quan hệ hàm đa mục tiêu z với thông số chế độ cắt 2.2641 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 lượng chạy dao 4.4.Kết việc Sử dụng phương pháp ANN phương pháp vét cạn để giải tốn tìm giá trị tối ưu (vop, fop, top) Sau luyện mạng, ta hàm toán học mô tả mối quan hệ thông số đầu vào (điều kiện gia công) đầu (kết đo thực nghiệm) Sau ta dùng phương pháp vét cạnđể tìm giá trị cực đại hàm y, chương trình viết m.file sau: - Chương trình tìm điểm cực đại, cực tiểu phương trình ym.file 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}; 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 ưu hóa đơn mục tiêu + Hàm đơn mục tiêu chất lượng bề mặt - Giá trị hàm mục tiêu tốt nhất: Ramin = 0.3935µm - Điểm tối ưu vop(m/phút) fop(mm/vòng) top (mm) 100 0.07 0.15 + Hàm đơn mục tiêu diện tích gia cơng Sc - Giá trị hàm mục tiêu tốt nhất: Scmax = 12201,00 cm - Điểm tối ưu: vop(m/phút) fop(mm/vòng) top (mm) 100 0.15 0.09 4.4.2 Kết thực cho toán tối ưu đa mục tiêu (Tp, Cp, Ra) Kết tối ưu cho bảng 3.7 Bảng 3.8: So sánh phương pháp ANN phương pháp giải tch (z) Hàm sở vop(m/phút) z(Ra,Tp,Cp) y(Ra,Tp,Cp) 169 170 MRR (mm /ph) 3068 3068 Hàm sỏ z(Ra,Tp,Cp) y(Ra,Tp,Cp) fop (mm/vòng) 0.15 0.148 top (mm) 0.12 0.12 Ra(µm) Tp(phút) Cp(VNĐ) 0.503 0.509 0.232 0.233 2874 2808 Sc (cm ) 1872,4 1872,7 Từ kết tối ưu ta thấy mục tiêu suất gia công thể thơng qua lượng bóc tách phoi hay chi phí sản suất Cp ta chọn giới hạn thông số cắt, ưu tiên tuổi thọ dụng cụ nên chọn lượng chạy dao lớn với chiều sâu cắt khoảng t = 0.09 ÷0.12 Vậy tùy việc ưu tiên lựa chọn mục tiêu tối ưu suất, chất lượng hay chi phí mà lựa chọn chế độ cắt cho phù hợp Kết luận chương Q trình tối ưu hóa tiện thép 9XC qua dao PCBN xác định chế độ cắt phù hợp với mục tiêu chất lượng Ra hay tuổi thọ dụng cụ thơng qua diện tích gia cơng Sc, tìm chế độ cắt tối ưu tối ưu hóa đa mục chi phí (Cp), Thời gian sản suất (Tp) chất lượng sản phẩm Ra Cụ thể tốn tìm giá trị điều kiện cắt tối ưu cho toán đơn mục tiêu: - Mục tiêu chất lượng bề mặt giá trị hàm mục tiêu tốt nhất: Ramin = 0.3935µm ứng với vận tốc cắt v=100(m/phút), lượng 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 cm ứng với vận tốc cắt v=100(m/phút), lượng chạy dao f = 0.15mm/vòng, chiều sâu cắt t = 0.09mm Với tốn đa mục tiêu giá trị hàm mục tiêu tốt là: 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 sử dụng trình tối ưu xây dựng phương pháp mạng nơ ron nhân tạo Sau xác định chế độ cắt tối ưu đơn mục tiêu, tác giả ứng mạng nơron nhân tạo để tìm thơng số chế độ cắt tối ưu cho toán đa mục tiêu Việc giải toán tối ưu 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 đểđộ xác cao thi cần có số điểm thí nghiệm nhiều phụ thuộc vào việc lựa chọn cấu trúc mạng nơ ron nhân tạo KẾT LUẬN VÀ PHƯƠNG HƯỚNG NGHIÊN CỨU TIẾP THEO Kết luận Từ nghiên cứu luận văn rút kết luận sau: - Ứng dụng ANN để tối ưu hóa tiện thép 9XC qua dao PCBN xác định chế độ cắt phù hợp với mục tiêu chất lượng Ra hay tuổi thọ dụng cụ thơng qua diện tích gia cơng Sc, tìm chế độ cắt tối ưu tối ưu hóa đa mục chi phí (Cp =2808 vnđ ), Thời gian sản suất (Tp = 0.233 phút) chất lượng sản phẩm (Ra = 0.509 µm) ứng với v = 170m/phút, f = 0.148 mm/vòng, t = 0.12mm - Việc giải tốn tối ưu 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 đểđộ xác cao thi cần có số điểm thí nghiệm nhiều phụ thuộc vào việc lựa chọn cấu trúc mạng nơ ron nhân tạo Phương hướng nghiên cứu Phương hướng 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 ưu, ứng dụng toán tối ưu hóa q trình gia cơng phương pháp gia công khác - Sử dụng mạng nơ ron nhân tạo để dự báo mơ hình chất lượng bề mặt chi tiết gia cơng lượng mòn dụng cụ Tài liệu tham khảo Tài liệu tham khảo [1] Nguyễn Trọng Bình; Tối ưu hố q trình gia công 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 trình tiện thép hợp kim qua dao PCBN, Luận án tiến sĩ kỹ thuật,Trường Đại học Kỹ thuật công nghiệp Thái Nguyên [5] Nguyễn Như 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 lưu lượng nước đến hồ Hòa Bình trước mười ngày; Đại học Thủy lợi, 2007 [7] Tô Thị Mỹ Hồng; Tối ưu hóa chế độ cắt gọt theo phương pháp tuyến tính, Trường Đại học phạm kỹ thuật Thành phố Hồ Chí Minh, 2006 [8] Lại Khắc Lãi; Điều khiển đón trước mạng nơ ron áp dụng cho đối tượng phí tuyến Đại học kỹ thuật Công 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 Dương Xuân Trường, TS.Nguyễn Văn Hùng; Tối ưuchế 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 [14] Angseryd J., Elfwing M., Olsson E., Andren H O (2009), “Detailed microstructure of a CBN cuting 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 cuting 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 cuting 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 artifcial 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 cuting, 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 [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 cuting 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, Delf 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 ... lại kết phương pháp 4.1 Phươ 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. ”... 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... thức tối ưu hóa Có hai phương pháp tối ưu hóa q trình cắt gọt tối ưu hóa tĩnh tối ưu hóa động 1.2.1 Tối ưu hóa tnh Tối ưu hóa tĩnh hay gọi tối ưu hóa trước q trình nghiên cứu giải toán tối ưu dựa

Ngày đăng: 27/02/2019, 12:39

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w