مدل سازي و بهينه سازي فرآيند لپن كاري فولاد 440c توسط شبكه عصبي و الگوريتم بهينه سازي چندهدفه ازدحام ذرات

Modeling and optimizing lapping process of 440C steel by Neural Network and Multi-objective particle swarm optimization algorithm

مهم ترين مشكل در فرآيند لپن كاري، پايين بودن نرخ برداشت ماده است كه سبب افزايش هزينه و زمان توليد مي گردد. بنابراين در فرآيند لپنكاري، انتخاب شرايطي كه بتواند علاوه بر توليد قطعاتي با عدم تختي و زبري سطح موردنياز، نرخ برداشت ماده بالايي نيز داشته باشد بسيار مهم و ضروري است. در اين تحقيق در فرآيند لپنكاري تخت يك طرفه، اثر پارامترهاي اندازه ذرات ساينده، درصد وزني ذرات ساينده در دوغاب لپنكاري و فشار لپنكاري بر نرخ برداشت ماده، عدم تختي و زبري سطح قطعاتي از جنس فولاد 440c به روش تجربي (آزمايشگاهي) مورد بررسي قرار گرفته است. در ادامه توسط شبكه عصبي مصنوعي، اثر پارامترهاي مذكور بر نرخ برداشت ماده، عدم تختي و زبري سطح قطعات لپنكاري شده، مدلسازي شده و در نهايت با استفاده از الگوريتم بهينه سازي چندهدفه ازدحام ذرات به بهينه سازي هم زمان نرخ برداشت ماده، زبري سطح و تختي قطعات لپنكاري شده پرداخته و جبهه پارتو مربوطه، بدست آورده شده است. نتايج به دست آمده نشان مي دهند كه با استفاده از الگوريتم بهينه سازي چندهدفه ازدحام ذرات مي توان قطعاتي با زبري سطح و تختي مورد نياز را با نرخ برداشت ماده بالا توليد كرد. درنتيجه با استفاده از اين روش علاوه بر ايجاد قطعاتي باكيفيت مطلوب، هزينه و زمان توليد نيز كاهش مي يابد.

The most essential problem in lapping process is low material removal rate which leads to increase in production costs and time. Thus, in this process it is essential to select a condition that, besides producing pieces with required flatness and roughness has a high material removal rate. In this research effects of parameters such as abrasive particle size, abrasive particles concentration in slurry, and lapping pressure on material removal rate, flatness and surface roughness were studied by experimental method in single sided lapping of flat workpieces made of 440c steel. In the following, effect of the aforementioned parameters on material removal rate, flatness and surface roughness of lapped surface has been modeled using artificial neural network. Finally, by exerting multi-objective particle swarm optimization, simultaneous optimization of material removal rate, surface roughness and flatness of lapping pieces has been conducted and related Pareto front has been obtained. Obtained results show that by using Multi-objective particle swarm optimization algorithm we can produce workpieces with required surface roughness and flatness with high material removal rate. Consequently, by using this method, moreover, producing workpieces with desired quality, production cost and time would decrease.