تجزيه و تحليل آماري و بهينه سازي چند هدفه فرآيند وايركات آلياژ كاربيد تنگستن با استفاده از روش هاي تاگوچي و الگوريتم ژنتيك

Statistical analysis and multi-objective optimization of tungsten carbide alloy wirecut process using Taguchi method and genetic algorithm

از جمله اهداف مهم در فرآيندهاي برش مي توان به كاهش هزينه ها، افزايش سرعت توليد و ايجاد صافي سطح مطلوب اشاره نمود. فرآيند برش توسط سيم با استفاده از تخليه الكتريكي (وايركات) (WEDM) يكي از روش هاي توليد قطعات كاربيد تنگستن ميباشد كه برش آن با روش هاي سنتي به دليل قابليت برش ضعيف آن دشوار است. نرخ براده برداري و زبري سطح از مهم ترين مشخصه هاي خروجي فرآيند وايركات مي باشند. دراين تحقيق، فرآيند برش وايركات بر روي آلياژ كاربيد تنگستن مدلسازي و بهينه سازي شده است. بمنظور ايجاد ارتباط دقيق تر بين پارامترهاي ورودي با خروجي هاي فرآيند، از مدلسازي رياضي استفاده شده است. در اين راستا، ابتدا داده هاي لازم با انجام آزمايش تجربي، طرح ريزي شده با تكنيك طراحي آزمايشات (DOE) به روش تاگوچي، جمع آوري گرديده است. سپس انواع توابع رگرسيوني شامل خطي و مرتبه دوم براي اين داده ها برازش داده شده است. در مرحله بعد، اعتبار اين مدلها به كمك آزمون هاي فرض آماري و تحليل واريانس مورد سنجش قرار گرفته است. به كمك مدل پيشنهادي مي توان پارامترهايي را كه بيشترين اثرگذاري را بر دو خروجي نرخ براده برداري و زبري سطح دارند، مشخص نمود. بعد از تعيين مدل هاي مناسب، با استفاده از الگوريتم ژنتيك مNSGA-II بهينه سازي فرآيند انجام شده و جدول بهينه ها براي تركيب پارامترهاي ورودي ارائه شده است. در نهايت يك آزمايش تأييد با يكي از تركيبات جدول بهينه هاي بدست آمده، انجام شده و نتايج حاصل از اين آزمايش با نتايج به دست آمده از طريق بهينه سازي مقايسه گرديد

Wire electrical discharge machining (WEDM) is one of the methods of producing tungsten carbide parts, which due to its poor machinability; optimal cutting with traditional methods is not possible. Material removal rate and surface roughness are the most important output indicators of the wire cut process. In this research, the Wire cut electrical discharge cutting process on tungsten carbide alloy has modeled and optimized. Mathematical modeling has used to establish an accurate relationship between input parameters and process outputs. In this regard, first, the necessary data collected by conducting an experiment, designed by the Design of experiments (DOE) by Taguchi method. Then the types of regression functions including linear and second order fitted for this data. In the next step, the validity of these models has been assessed using statistical hypothesis tests and analysis of variance. With the help of the proposed model, the parameters that have the greatest impact on the two outputs of material removal rate and surface roughness can be determined. After determining the appropriate models, the process optimization is performed using the genetic algorithm based on non-dominated sorting (NSGA-II) and the optimal combination of input parameters table is presented. Finally, a validation experiment performed with one of the compositions of the optimal table and the results of this experiment compared with the results obtained through optimization. Obtained results show good confirmation.