Quá trình tối ƣu hóa khi tiện thép 9XC qua tôi bằng dao PCBN đã xác định đƣợc chế độ cắt phù hợp với từng mục tiêu chất lƣợng Ra hay tuổi thọ dụng cụ thông qua diện tích gia công Sc, và đã tìm đƣợc ra chế độ cắt tối ƣu khi tối ƣu hóa đa mục là chi phí (Cp), Thời gian sản suất (Tp) và chất lƣợng sản phẩm Ra.
Cụ thể bài toán đã tìm đƣợc giá trị điều kiện cắt tối ƣu cho bài toán đơn mục tiêu: - Mục tiêu là chất lƣợng bề mặt thì 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, và chiều sâu cắt t = 0.15mm
- Mục tiêu là diện tích gia công thì 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,
và chiều sâu cắt t = 0.09mm
79
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 trong quá trình tối ƣu đƣợc xây dựng bằng phƣơng pháp mạng nơ ron nhân tạo. Sau khi xác định đƣợc các chế độ cắt tối ƣu đơn mục tiêu, thì tác giả ứng mạng nơron nhân tạo để tìm ra thông số chế độ cắt tối ƣu cho bài toán đa mục tiêu.
Việc giải bài toán tối ƣu bằng mạng nơ ron nhân tạo cho kết quả có độ chính xác khá cao, thời gian áp dụng nhanh, và không cần phải chuyên sâu vào việc tìm những hàm toán học mô tả mối quan hệ giữa thông số vào và mục tiêu.
Tuy nhiên để có độ chính xác cao thi cần có số điểm thí nghiệm nhiều và phụ thuộc vào việc lựa chọn cấu trúc mạng nơ ron nhân tạo.
80
KẾT LUẬN VÀ PHƢƠNG HƢỚNG NGHIÊN CỨU TIẾP THEO 1. Kết luận
Từ những nghiên cứu của luận văn có thể rút ra những kết luận sau:
- Ứng dụng ANN để tối ƣu hóa khi tiện thép 9XC qua tôi bằng dao PCBN đã xác định đƣợc chế độ cắt phù hợp với từng mục tiêu chất lƣợng Ra hay tuổi thọ dụng cụ thông qua diện tích gia công Sc, và đã tìm đƣợc ra chế độ cắt tối ƣu khi tối ƣu hóa đa mục là chi phí (Cp =2808 vnđ ), Thời gian sản suất (Tp = 0.233 phút) và chất lƣợng sản phẩm (Ra = 0.509 µm) ứng với v = 170m/phút, f = 0.148 mm/vòng, t = 0.12mm.
- Việc giải bài toán tối ƣu bằng mạng nơ ron nhân tạo cho kết quả có độ chính xác khá cao, thời gian áp dụng nhanh, và không cần phải chuyên sâu vào việc tìm những hàm toán học mô tả mối quan hệ giữa thông số vào và mục tiêu. Tuy nhiên để có độ chính xác cao thi cần có số điểm thí nghiệm nhiều và phụ thuộc vào việc lựa chọn cấu trúc mạng nơ ron nhân tạo.
2. Phƣơng hƣớng nghiên cứu tiếp theo
Phƣơng hƣớng nghiên cứu tiếp theo cần tập chung vào các nội dung sau:
- Phát triển và hoàn thiện nghiên cứu ứng dụng mạng nơ ron nhân tạo trong ngành chế tạo máy ở Việt Nam.
- Nghiên cứu lựa chọn cấu trúc mạng nơ ron tối ƣu, ứng dụng trong bài toán tối ƣu hóa quá trình gia công đối với các phƣơng pháp gia công khác nhau.
- Sử dụng mạng nơ ron nhân tạo để dự báo mô hình chất lƣợng bề mặt chi tiết gia công và lƣợng mòn của dụng cụ.
81
Tài liệu tham khảo Tài liệu tham khảo
[1]. Nguyễn Trọng Bình; Tối ƣu hoá quá trình gia công cắt gọt; NXB Giáo dục 2003.
[2]. Nguyễn Văn Dự, Nguyễn Đăng Bình; Quy hoạch thực nghiệm trong kỹ thuật; Nhà xuất bản Khoa học kỹ thuật 2011.
[3]. Nguyễn Hữu Công; Ứng dụng mạng neural trong nhận dạng hệ thống phi tuyến; Tạp chí khoa học & công nghệ số 3(43) năm 2007.
[4] Nguyễn Thị Quốc Dung (2012), Nghiên cứu quá trình tiện thép hợp kim qua tôi bằng 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 và nơ ron trong kỹ thuật điều khiển; NXB Khoa học tự nhiên và Công nghệ Hà Nội 2007.
[6]. Phạm Thị Hoàng Nhung; Sử dụng mạng Nơ ron nhân tạo trong dự báo lƣu lƣợng nƣớc đến hồ Hòa 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 trong mạng nơ ron và áp dụng cho đối tƣợng phí tuyến. Đại học kỹ thuật Công nghiệp – Đại học Thái nguyên 2006.
[9]. Lê Anh Tú, Nghiên cứu mô hình mạng nơron Kohonen và ứng dụng trong bài toán phân cụm dữ 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 và Truyền thông 2012.
[11]. KS. Dƣơng Xuân Trƣờng, TS.Nguyễn Văn Hùng; Tối ƣu hó chế độ cắt khi phay vật liệu bằng 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 và Kỹ thuật, Hà Nội.
[13]. Nguyễn Doãn Ý; Quy hoạch và xử lý số liệu thực nghiệm; Nhà xuất bản Xây dựng 2000.
82
[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. 2 (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.
83
[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. 8 (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.