| بهینهسازی پارامترهای فرآیند فرزکاری با استفاده از الگوریتم ژنتیک و مدلهای پیشبینی مبتنی بر شبکه عصبی |
| کد مقاله : 1144-ICME (R1) |
| نویسندگان |
|
مهدی شعبانی گل *1، علیرضا شیخی دارانی2، علی بادسار3 1دانشجوی کارشناسی ارشد دانشکده مکانیک دانشگاه صنعتی شریف 2دانشکده مهندسی مکانیک دانشگاه صنعتی شریف 3مدیر کل، کیان پترو سرویس |
| چکیده مقاله |
| این مطالعه به نیاز حیاتی برای بهینهسازی پارامترهای فرزکاری کنترل عددی کامپیوتری به منظور افزایش کارایی تولید و دقت محصول، به ویژه در زمینه سایش ابزار برادهبرداری، میپردازد. با تکیه بر تحقیقات پیشین، این مقاله یک روش بهینهسازی جایگزین را پیشنهاد میکند. دو شبکه عصبی پسانتشار جداگانه توسعه داده شده و جهت پیشبینی شاخصهای کلیدی زمان پردازش و افزایش نرخ سایش ساینده آموزش دیدند. این مدلها از پنج پارامتر ورودی (قطر ابزار، سرعت اسپیندل، سرعت پیشروی، عمق برش محوری و عمق برش شعاعی) استفاده میکنند که از دادههای تجربی یک آزمایش متعامد پنج عاملی و چهار سطحی به دست آمدهاند. عملکرد مدلهای شبکه عصبی با استفاده از اعتبارسنجی متقابل K-فولد و با معیارهایی از جمله ریشه میانگین مربع خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب تعیین (R²) ارزیابی شد. مقادیر R² مشاهده شده، اگرچه نشاندهنده توانایی مدل در ثبت روندها است، اما تأثیر محدودیت مجموعه داده (16 نمونه) بر آنها اذعان میشود. شبکههای عصبی آموزش دیده با یک لایه نهان و 9 نورون با تابع انتقال سیگموید انتقال سیگموئید لگاریتمی برای نورونها به عنوان توابع هدف برای الگوریتم ژنتیک به کار گرفته شد تا پارامترهای بهینه فرزکاری در راستای کاهش زمان پردازش نرخ سایش یافت گردند. مشاهده گردید که در شرایط بهینه زمان پردازش 153.4 ثانیه و افزایش نرخ سایش ساینده×10^(-11)6.5 میلیمتر میباشد. |
| کلیدواژه ها |
| افزایش نرخ سایش ساینده، الگوریتم ژنتیک، شبکه عصبی BP، بهینهسازی پارامتر، پیشبینی نموی |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
