بهينه‌سازي پارامترهاي برشي براي كمينه كردن زبري سطح با تلفيق شبكه عصبي مصنوعي و الگوريتم رقابت استعماري

Optimization of cutting parameters to minimize surface roughness by integrating Artificial Neural Network and Imperialist Competitive Algorithm

زبري سطح يكي از رايج‌ترين معيارهاي نشان دهنده كيفيت سطح است كه كاملاً بستگي به مقادير پارامترهاي ورودي فرآيند برشي و شرايط برش دارد. هدف از اين مقاله، بهينه كردن پارامترهاي سرعت برشي، نرخ پيشروي، عمق برش شعاعي و نوع فرزكاري براي كمينه كردن زبري سطح در عمليات فرزكاري فولاد ضد زنگ 420 با استفاده از تلفيق روش شبكه عصبي مصنوعي با الگوريتم رقابت استعماري است. تركيب اين دو روش براي بهينه‌سازي يك فرآيند برش داراي سابقه نيست و براي نخستين بار، در اين مقاله ارايه مي‌شود. 54 حالت مختلف مورد آزمايش قرار گرفته و زبري سطح در آن ها اندازه‌گيري شده ‌است. مقايسه نتايج حاصل از مدل شبكه عصبي با نتايج آزمايش‌ها، نشان‌دهنده دقت مناسب شبكه عصبي در پيش‌بيني زبري سطح است. پارامترهاي بهينه براي داشتن كمترين زبري سطح، به‌كمك الگوريتم رقابت استعماري به‌دست آمده‌اند. نتايج به‌دست آمده نشان مي‌دهد كه تلفيق روش شبكه عصبي با الگوريتم رقابت استعماري روش مناسبي براي بهينه‌سازي زبري سطح در فرآيند فرزكاري است.

The surface roughness is a widely used index of surface quality which depends entirely on the input parameters and cutting conditions. This paper presents an approach for determining the optimum cutting speed, feed rate, radial depth of cut and milling type leading to minimum surface roughness in milling process of AISI 420 stainless steel by integrating Artificial Neural Network (ANN) and Imperialist Competitive Algorithm (ICA). The combination of these two methods to optimize the cutting process is provided for the first time in this article. 54 different cases were tested and surface roughness was measured in each experiment. The predicted results using ANN indicated good agreement between the predicted values and the experimental values. ICA was used to determine the optimal machining parameters leading to minimum surface roughness. The obtained results proved that the ANN-ICA approach is capable of predicting the optimum machining parameters to minimum surface roughness in milling process.