Modeling and Optimization of Surface Roughness of AISI2312 Hot Worked Steel in EDM based on Mathematical Modeling and Genetic Algorithm

در اين تحقيق تاثير پارامترهاي تنظيمي ماشين‌كاري تخليه الكتريكي بر كيفيت سطح فولاد گرم‌كار 2312 مدل سازي و بهينه سازي شده است. روش ارايه شده با استناد به روش هاي آماري و بر داده هاي تجربي انجام يافته است. پارامترهاي ورودي شامل جريان الكتريسيته، ‌زمان‌هاي روشني و خاموشي پالس، فاكتور كار و ولتاژ كاري مي‌باشند. همچنين، زبري سطح به عنوان مشخصه خروجي فرايند درنظر گرفته شده است. به منظور گردآوري داده هاي مورد نياز در انجام اين تحقيق، آزمايشهاي تجربي با استفاده از طرح تاگوچي L36 انجام شده است. به منظور ايجاد ارتباط بين پارامترهاي ورودي و مشخصه‌ خروجي با به كارگيري تابع رگرسيوني، مدل‌ رياضي مبتني بر مقادير سيگنال به نويز طراحي شده است. نتايج آناليز واريانس نشان ميدهد كه زمان روشني پالس و جريان الكتريسيته به طور قابل توجهي كيفيت سطح را تحت تاثير قرار ميدهند. در بخش بعد مدل رگرسيون در الگوريتم ژنتيك گذاشته شد تا سطوح بهينه پارامترهاي تنظيمي براي هر صافي سطح دلخواه (در محدوده قابل قبول) تعيين گردد. به منظور صحهگذاري روش بهينه سازي در تعيين سطوح بهينه ماشين كاري، مجموعه اي از آزمايشهاي تجربي با استفاده از نتايج بهينهسازي انجام شد. نتايج محاسباتي نشان داد كه تكنيك مدلسازي ارايه شده و روش بهينه سازي الگوريتم ژنتيك در مدل سازي و بهينهسازي پارامترهاي ماشينكاري تخليه الكتريكي كارايي موثري دارند.

In this study the effect of input EDM parameters on the surface quality of 2312 hot worked steel parts has been modeled and optimized. The proposed approach is based on statistical analysis on the experimental data. The input parameters are peak current (I), pulse on time (Ton), pulse off time (Toff), duty factor (?) and voltage (V). The experimental data are gathered using Taguchi L36 design matrix. In order to establish the relations between input and output parameters, regression function has been fitted on the Signal to Noise ratios of the experimental data. The results of analysis of variance (ANOVA) revealed that pulse on time and peak currents significantly influence the surface quality. In the next stage, the developed model is embedded into a genetic algorithm to determine the optimal set of process parameters for any desired surface roughness (within feasible ranges). Using optimization results, a set of verification tests is performed to verify the accuracy of the optimization procedure in determining the optimal levels of machining parameters. Computational results indicate that the proposed modeling technique and genetic algorithm are quite efficient in modeling and optimization of EDM process parameters.