Từ kết quả thí nghiệm rút ra được kết luận:
▪ Các thông số in đều cóảnh hưởng nhất định đến độ bền kéo của nhưng theo các chiều hướng không giống nhau.
▪ Các thông số khi tăng giá trị sẽ làm tăng lực kéo đứt: Công suất laser, bề dày vỏ, mật
độ in.
▪ Các thông số khi tăng sẽ làm giảm lực kéo đứt: tốc độ dịch chuyển và bề dày của mỗi lớp in.
▪ Trong đó, thông số bề dày mỗi lớp in cóảnh hưởng lớn nhất đến độ bền kéo của sản phẩm, lớp in càng nhỏ thì độ bền kéo của sản phẩm càng lớn
▪ Có thể giúp tăng độ bền của sản phẩm bẳng cách in với bề dày của mỗi lớp in càng nhỏ càng tốt. Tuy nhiên điều đó còn phải dựa trên những điều kiện phù hợp bởi vì lớp in càng nhỏ sẽ càng tốn nhiều thời gian.
CHƯƠNG 5:
TỐI ƯU HÓA QUÁ TRÌNH CHẾ TẠO CHI TIẾT TỪ CÔNG NGHỆ IN 3D SLS
Các thông số in 3D SLS cóảnh lớn đến độ bền kéo của sản phẩm, nhưng các thông số lại có chiều hướng tác động không giống nhau như đã trình bày ở
Chương 4, chúng mâu thuẫn lẫn nhau. Chính vì thế cần tìm ra một bộ thông số giúp tối ưu được độ bền kéo cho sản phẩm. Trong phần này, vấn đ đề ược tập trung là nghiên cứu cách tối ưu hóa độ bền kéo cho sản phẩm in 3D SLS bằng các phương pháp là: phương pháp Taguchi, Anova và Mạng Nơron, với sự hỗ trợ của phần mềm Minitab và Matlab.
5.1. Phương pháp Taguchi
5.1.1. Khái quát về phương pháp Taguchi
Trong nghiên cứu thực nghiệm, xây dựng mô hình có ý nghĩa quan trọng về kỹ thuật và kinh tế. Các quá trình thực thường phức tạp, có nhiều yếu tố (đầu vào) tác động độc lập hay đồng tác động lên kết quả (đầu ra). Các mô hình một đầu vào một đầu ra không thể hiện được sự ảnh hưởng đồng thời các yếu tố ầu ra đ của các yếutố nên mô tả các quá trình một cách phiến diện. Khắc phục điều đó cần mô hình nhiều đầu vào nhiều đầu ra. Mô hình miêu tả ảnh hưởng đồng thời của nhiều yếu tố ến các đ đầu ra được gọi là mô hình đa yếu tố (Factorial Model – FM), do Fisher đề xuất năm 1926, được Plackett và Burman (1946) góp nhiều công phát triển. Môhình Taguchi do Genichi Taguchi – một kỹ sư người Nhật đưa ra. Phương pháp Taguchi đượcứng dụng chủ yếu trong giai đoạn thiết kế tham số, dựa trên sự phân tích, đánh giá mức đ ộ ảnh hưởng của các yếu tố ến thông đ số ầu ra, đ đồng thời xác định được bộ thông số công nghệ tối ưu. Về phương pháp luận, phương pháp Taguchi cũng sử dụng mảng trực giao như mô hình đa yếu tố nhưng được thiết kế và đánh giá theo một quy trình chặt chẽ, đòi hỏi số thí nghiệm ít và cho kết quả tin cấy hơn. Tư tưởng của phương pháp Taguchi là xác định các yếu tố công nghệ sao cho đạt chỉ tiêu hiệu quả cao nhất bằng cách phát hiện và loại bỏ tối đa ảnh hưởng của nhiễu loạn (TS. Trần Văn Khiêm, 2017).
Một yếu tố (biến đầu vào) tác động đến kết quả theo 2 hướng: tín hiệu có ích (singal) và tạp (noise). Tỷ số “tín trên tạp” hay S/N đại diện cho chỉ tiêu hiệu quả, được dùng đ để ánh giá và lựa chọn tham số. Bộ tham số là tốt khi S/N lớn và tốiưukhi S/N là lớn nhất [2].
Theo dạng bài toán, có 3 phương pháp tính tỷ số S/N như sau: ▪ Bài toán cực tiểu (Smaller better):
▪Bài toán cực đại (Larger better):
▪Bài toán lấy giá trị cụ thể (Target better):
Trong đó:Y : giá trị trung bình của thí nghiệm S: phương sai của giá trị thử nghiệm
5.1.2. Kết quả phương pháp Taguchi
Như ược đ đề cập trong Chương 3 và Chương 4, các yếu tố ảnh hưởng lớn đến quá trình thêu kết, tác động đến độ bền kéo của sản phẩm sau khi in bao gồm: công suất laser, tốc độ dịch chuyển, bề dày vỏ, bề dày mỗi lớp in và mật độ in. Với mỗi yếu tố ảnh hưởng, chọn 3 mức đ độ ể tiến hành thí nghiệm.
Các thông số chế tạo mẫu được trình bày trong chương 3, bảng 3.2. Kết quả kiểm nghiệm độ bền kéo của các mẫu thử ược trình bày trong đ chương 4, bảng 4.2. Trong phần này tập trung trình bày các kết quả thu được của việc áp dụng phương pháp Taguchi nhằm tối ưu hóa các thông số in, với sự hỗ trợ của phân mềm Minitab 18.
Với 5 yếu tố ầu vào, 3 mức đ độ cho mỗi yếu tố thì ta được bảng thí nghiệm là L27 (gồm 27 thí nghiệm).
Hình 5.1 Thiết lập yếu tố ầu vào đ
Sau khi thiết lập các yếu tố ầu vào trên phần mềm, tính tỷ số S/N. Trong đ đồ án này, yếu tố ầu ra là Lực kéo. Lực kéo càng cao thì đ độ bền kéo của mẫu thử càng
lớn. Chính vì thế cần tốiưu bộ thông số giúp tạo mẫu thử
Vạy tỷ số S/N được tính theo công thức:
có độ bền kéo lớn nhất. 1 ) yi2 Ta được kết quả tính tỷ lệ S/N như sau: Bảng 5.1 Bảng giá trị tỷ số S/N SST
Bảng thông số trên phần mềm Minitab18:
Hình 5.2 Các thông số trên Minitab
Kết quả thu được như sau:
Hình 5.3 Tỷ lệ S/N của các yếu tố ầu vào đ
Bảng 5.2 Kết quả tỷ lệ S/N
Level Laser Power
1 2 3 Delta Rank 5.1.3. Nhận xét kết quả
Dựa trên kết quả thu được từhình 5.3 và bảng 5.2 rút ra được nhận xét như sau:
▪ Các thông số ảnh hưởng đến độ bền kéo là không giống nhau, mức đ ộ ảnh hưởng của chúng được xếp theo thứ tự tăng dần như sau: công suất laser, tốc độ dịch chuyển, mật độ in, bề dày vỏ và bề dày từng lớp in.
▪ Theo kết quả S/N,ở từng thông số, mức độ nào có giá trị nhất thì độ bền sẽ cao nhấtứng với giá trị đó.
▪Với thông số công suất laser thìở mức độ 2 và 3 khi công suất có giá trị là 2,4W và 2,5W thì tỉ lệ S/N đều là 25,36. Chọn công suất là 2,5W
▪ Với thông số tốc độ dịch chuyển thìở mức độ 2 khi tốc độ dịch chuyển là 465mm/ph thì tỉ lệ S/N là lớn nhất và có giá trị là 25,46.
▪ Với thông số bề dày vỏ thìở mức độ 1 khi bề dày vỏ là 1mm thì tỉ lệ S/N đều lớn nhất và có giá trị là 26,47.
▪ Với thông số bề dày mỗi lớp in thì ở mức độ 1 khi bề dày mỗi lớp in là 0,6mm thì tỉ lệ S/N lớn nhất và có giá trị là 26,91.
▪ Với thông số mật độ in thìở mức độ 3 khi mật độ in là 60% thì tỉ lệ S/N lớn nhất và có giá trị là 25,93
▪ Vậy bộ thông số tốiưu cho quá trình in này là: công suất là 2,5W; tốc độ dịch chuyển là 465mm/ph; bề dày vỏ là 1mm; bề dày mỗi lớp in là 0,6mm; mật độ in là 60%.
5.2. Phương pháp Anova
Trong đồ án này, phân tích phương sai (ANOVA) được thực hiện để xác định các thông số inảnh hưởng đáng kể ến đ độ bền kéo của sản phẩm in 3D SLS và để tìm sự mức đ ộ ảnh hưởng tương đối của các tham số quá trình chế tạo sản phẩm.
Các số liệu dùng trong phương pháp này cũng tương tự như trong mục 5.1, bảng số liệu như hình 5.2 được sử dụng lạiở phần này. Có thể nói đây là một bước bổ trợ cho phương pháp Taguchi để thấy một cách trực quan hơn sự ảnh hưởng của các thông số in 3D đến độ bền kéo của chi tiết in. Dù thực hiện hay không thực hiện phương pháp này thì kết quả tốiưu hóaởmục 5.1 vẫn không tay đổi.
5.2.1. Kết quả của phương pháp Anova
Hình 5.5 Chọn độ tin cậy là 95% Sau khi thiết lập các số liệu, thu được kết quả như sau:
Bảng 5.3 Kết quả phương pháp Anova Source Laser Power Feed Shell Layer Height Infill Density Error 61
5.2.2. Nhận xét kết quả
Như thiết lập, ta có các thông số sau:
▪ α = 0,05 do độ tin cậy được chọn là 95%
▪ k1 = 2, bậc tự do của mỗi yếu tố. Như kết quả thu được thì tất cả các yếu tố ề đ u cố bậc tự do bằng 2
▪ k2 = 26, tổng bậc tự do
▪ Tra bảng giá trị [F], thu được [F] = 3,37
▪ Từ bảng 5.3, thấy được P-Value của tất cả các yếu tố ề đ u nhỏ hơn 0,05 nên các tham số này cóảnh hưởng đáng kể về mặt thống kê đối với lực kéo đứtở mức độ tin cậy là 95%. Đồng thời tất cả các tham số ề đ u có F-Value lớn hơn [F] = 3,37nên tất cả các tham số này đềuảnh hưởng lớn đến lực kéo đứt của sản phẩm sau khi in.
5.3. Phương pháp Mạng Nơron
Việc chế tạo mẫu thử sau đó kiểm nghiệm độ bền kéo của sản phẩm sẽ mất nhiều thời gian và chi phí. Chính vì thế, không phải bộ thông số nào cũng có thể chế tạo và kiểm nghiệm. Vì lý do trên, việc có một công cụ nhằm hỗ trợ dự đoán được kết quả kiểm nghiệm ứng với một bộ thông số bất kỳ là rất cần thiết, giúp giảm thời gian, chi phí và cho thấy được kết quả dự đoán một cách rõ ràng và đáng tin cậy. Trong phần này phương pháp được sử dụng chính là phương pháp Mạng Nơron với công cụ trợ giúp là phần mềm Matlab. Kết quả sẽ cho thấy được dự đoán về thông số lực kéo đứt với 5 thông số in được chọn trong đồ án này.
5.3.1. Trình tự các bước tiến hành
Mạng Nơron là mô hình sử lý thông tin phỏng theo cách thức xử lý thông tin của hệ thống nơron sinh học. Mạng Nơron được cấu hình cho 1ứng dụng cụ thể như (nhận dạng mẫu, phân loại dữ liệu,...) thông qua một quá trình học từ tập các mẫu huấn luyện. đỞ ây, việc huấn luyện dựa trên các thông số và các kết quả có được từ thí nghiệm thử ộ bền kéo của sản phẩm in 3D SLS. Cụ thể, bộ đ dữ liệu dùng cho phần này là bộ dữ liệu đã sử dụng trong mục 5.1 và 5.2.
Các thức huấn luyện các mạng nơron được trình bày cụ thể như sau:
▪ Trước hết cần khởi động phần mềm Matlab để chuẩn bị cho quá trình huấn luyện
Hình 5.6 Khởi động Matlab
▪ Dùng lệnh New variable để thiết lập các thông số
*Lần lượt nhập thông số ầu vào và thông s đ ố ầu ra cho quá trình huấn đ luyện mạng. Các thông số ược lấy từ đ bảng 4.2.
Hình 5.8 Nhập thông số ầu vào đ
Hình 5.9 Nhập thông số ầu ra đ
▪ Sử dụng lệnh “nntool” để tạo mạng nơron
Hình 5.10 Dùng lệnh “nntool” để tạo mạng nơron
▪ Sau đã thiết lập các thông số ầ đ u vào và đầu ra, tiến hành tạo mạng nơron. Chọn New để tạo sơ ồ đ bài toán mạng nơron nhân tạo và thuật toán cho chương trình học. Sau đó, nhấn Create để tạo mạng nơron.
Hình 5.12 Tạo mạng
Trong quá trình tạo mạng nơron có một số giá trị cần lưu ý đó là số lớpẩn (Number of layer) và số nơron trong lớpẩn (Number of neurons).
▪ Đối với số lớpẩn: Không dùng lớpẩn lớn hơn 2, việc dùng số lớpẩn càng ít càng tốt: phần lớn các thuật toán luyện mạng cho các mạng nơron truyền thẳng đều dựa trên phương pháp gradient, các lớp thêm vào sẽ thêm việc phải lan truyền các lỗi làm cho vector gradient rất khôngổn định. Chính vì thế, đở ây số lớpẩn được chọn là 2.
▪ Đối với số nơron trong mỗi lớpẩn: sử dụng quá ít nơron có thể dẫn đến việc không thể nhận dạng các tín hiệu được đầy đủ trong một tập dữ liệu phức tạp. Sử dụng quá nhiều nơron sẽ làm tăng thời gian luyện mạng. Có nhiều cách để chọn số nơron trong các lớpẩn chẳng hạn như nằm giữa khoảng kích thước lớp vào, lớp ra như sau:
m m
m
m
Trong đó: m- số nơ ron trong lớpẩn t- số lớp đầu vào
z- số lớp đầu ra
Ở đây sử dụng công thức CT 5.4 nên số [t; z]
2.t
t . z
▪ Tiến hành huấn luyện cho mạng nơron vừa tạo
Hình 5.13 Tiến hành huấn luyện mạng nơron
▪ Sau khi huấn luyện cho mạng nơron thu được kết quả sau:
Hình 5.14 Kết quả huấn luyện mạng nơron
Từ kết quả của quá trình huấn luyện mạng nơron rút ra được nhận xét sau: Các giá trị kết quả ều lớn hơn 0,95 cho thấy có thể dừng quá trình huấn luyện đ mạng và có thể sử dụng mạng để dự đoán kết quả lực kéo đứt cho các thí nghiệm với bộ thông số gồm: công suất laser, tốc độ dịch chuyển, bề dày vỏ, bề dày mỗi lớp in và mật độ in bất kỳ.
▪ Dừng quá trình huấn luyện và bắt đầu sử dụng mạng
Hình 5.15 Export mạng
▪ Sử dụng mạng vừa huấn luyện và kết quả
Hình 5.16 Tạo new variable và nhập bộ thông số cần dự đoán sau đó nhập lệnh network1 (test) để dự đoán bộ thông số
Hình 5.17 Kết quả dự đoán lực kéo 5.3.2 Nhận xét kết quả phương pháp mạng Nơron
Mạng nơron vừa tạo và huấn luyện là một công cụ hữu ích và đáng tin cậy trong việc dự đoán lực kéo đứt của của các mẫu in 3D SLS mà không cần phải chế tạo và kiểm nghiệm, giúp mở rộng được quy mô của nghiên cứu hay dự đoán, thay thế cho những mẫu thử không chính xác.
Từ kết quả của phương pháp mạng nơron rút ra được nhận xét:
▪ Việc sử dụng phương pháp mạng nơron với sự hỗ trợ của phần mềm Matlab giúp cho việc triển khai nhanh chóng và hiệu quả.
▪ Các dữ liệu dùng để huấn luyện mạng là kết quả của những lần thử nghiệm, dựa trên kết quả
thử nghiệm đó mà tạo ra một bộ thông số phù hợp.
CHƯƠNG 6:
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
6.1. Kết luận
Việc nghiên cứu và tìm hiểu về sự ảnh hưởng của các thông số ến đ độ bền kéo của sản phẩm chế tạo bằng công nghệ in 3D SLS là rất quan trọng và cần thiết. Đồ án tốt nghiệp “Chế tạo mẫu và thử nghiệm độ bền kéo bằng công nghệ in 3D Laser bột” đã nghiên cứu và chỉ ra rõ được sự ảnh hưởng hưởng riêng lẻ của các thông số, mức đ ộ ảnh hưởng của chúng trong quá trình in đến độ bền kéo của sản phẩm, lập được các biểu đồ nhằm chỉ ra mức đ ộ ảnh hưởng của từng thông số. Không những thế ồ án còn chỉ rõ các thông số còn đ ảnh hưởng qua lại lẫn nhau và xác định được bộ thông số tối ưu nhất cho quá trình in, tạo được mạng Nơron giúp mô phỏng được kết quả thí nghiệm một cách tin cậy nhằm giảm bớt được thời gian chế tạo vàthử nghiệm mẫu.
Song song những kết quả ạt đ được, đồ án vẫn còn những mặt hạn chế nhất định. Vì khối lượng công việc thực hiện lớn, cùng với thời gian ngắn và kinh nghiệm chúng tôi còn hạn chế nên kết quả ồ án chưa thực sự như mong mỏi. đ
6.2. Hướng phát triển
Công nghệ in 3D SLS là một công nghệ có nhiều tiềm năng nên việc phát triển và mở rộng các đề tài liên quan là rất cần thiết. Đề tài trong đồ án này sẽ là nền tảng và có thể mở rộng phát triển nghiên cứu sâu hơn. Hướng phát triển đề tài này như sau:
- Tăng cường nghiên cứu thêm các thông số có thể ảnh hưởng đến chất lượng sản phẩm để thấy được một cách toàn diện hơn, rõ hơn về quá trình in 3D SLS.
- Không chỉ dừng lại nghiên cứu độ bền kéo mà có thể mở rông ra các chỉ số