تعيين دمپينگ زمان برش فرايند فرزكاري و بهينه‌سازي چند‌هدفه زبري سطح و نرخ برداشت ماده

Identifying process damping of milling process and multi objective optimization of surface roughness and material removal rate

در اين تحقيق، اثرات پارامترهاي برش در فرايند فرزكاري با بارجانبي كم، بر نرخ برداشت ماده و زبري سطح، بررسي شده و شرايط ماشين‌كاري بهينه‌سازي شده است. براي اين منظور ابتدا مدلي جامع از فرايند ماشين‌كاري با بارجانبي كم ارايه مي‌شود. در اين مدل پارامتر ميرايي فرايند براي اولين بار به روش تحليل سري‌زماني مدل‌سازي شده و شبيه‌سازي فرايند به صورت دقيق انجام ‌شده است. با توجه به اثرات پارامترهاي برش برروي فاكتورهاي نرخ برداشت ماده و زبري سطح، براي بدست آوردن شرايط مطلوب ماشين‌كاري، از بهينه‌سازي چند‌هدفه استفاده مي‌شود. قيد پايداري به عنوان محدوديت بهينه‌سازي مطرح شده و مقدار آن توسط روش المان محدود زماني محاسبه شده است. براي جستجوي پارامترهاي برش مطلوب از سه الگوريتم ژنتيك، گروه ذرات و رقابت استعماري استفاده شده است. با مقايسه نتايج حاصله از اين سه روش، مشخص شده است كه الگوريتم رقابت استعماري در غلبه به ترم‌هاي غيرخطي و مينيم‌هاي محلي مساله قدرتمندتر بوده و سرعت بيشتر همگرايي در اين الگوريتم، نسبت به دو روش ديگر در اين مساله اثبات شده است. در پايان آزمايش‌هايي براي تاييد تغييرات تابع هدف در مسير ميل به نقطه بهينه انجام شده و درصد خطاي تابع هدف در نقطه بهينه با نتايج آزمايشگاهي تعيين شده است.

In this research, the effects of cutting parameters on material removal rate and surface roughness, are investigated. Therefore, after that the comprehensive model of low-immersion milling is developed, the optimum cutting conditions has to be found for optimizing all of them. The stability criterion is considered as the optimization constraint which is calculated by TFEA. On the other hand, instead of using explicit equation for calculating surface roughness, such as previous works, surface roughness is calculated by TFEA for all of the cases that are needed. Finally, the ability of Genetic algorithm, Particle Swarm Optimization and Imperialist Competitive Algorithm for searching optimum cutting parameters are compared and the results are reported. By comparing the results of the three algorithms it is shown that the ICA is more powerful to deal with nonlinearity aspects of the problem and to tackle sticking in local minimums. Also it is demonstrated that the convergence rate of the ICA is faster than the other two methods. Finally, experiments to confirm the changes of the objective function toward optimal point are done and error percentage of objective function at obtained optimal point compared with experimental result is determined.