مدل سازي سايش سطح براده ابزار و زبري سطح قطعه در ماشين كاري فولاد 4140 با استفاده از شبكه هاي عصبي مصنوعي

Modeling of the tool wear and surface roughness of workpiece in turning operation of AISI 4140 steel using artificial neural networks

پيش بيني سايش ابزار و زبري سطح، نقش مهمي در تنظيم پارامترهاي ماشين كاري و بهينه سازي آن دارد. در پژوهش حاضر سايش سطح براده ابزار و زبري سطح قطعه كار در تراش كاري فولاد 4140 برحسب پارامترهاي موثر ماشين كاري با روش شبكه عصبي مصنوعي مدل سازي شده است. عمق برش، سرعت برشي، سرعت پيشروي و مدت زمان عمليات به عنوان متغيرهاي ورودي لحاظ شده‌اند. داده هاي لازم براي آموزش شبكه عصبي با استفاده از آزمايش هاي تجربي استخراج شده است. ابتدا با استفاده از روش طراحي آزمايش عاملي بهينه، آزمايش هاي لازم طراحي شده و پس از انجام آزمايش هاي تجربي، ميزان سايش ابزار و زبري سطح نمونه ها اندازه گيري شده است. در ادامه با طراحي شبكه عصبي مصنوعي مطلوب و آموزش آن با داده‎هاي تجربي، مدل شبكه‎ عصبي براي پيش بيني توابع هدف بدست آمده است. براي مدل‎سازي از دو نوع شبكه تغذيه رو به جلو انتشار برگشتي و تغذيه رو به جلو كاسكاد انتشار برگشتي و سه نوع الگوريتم آموزش متفاوت و تعداد گره هاي مختلف براي لايه پنهان استفاده شده است. نتايج نشان مي‎دهد كه هر دو نوع شبكه با تابع آموزش گراديان مزدوج مدرج مقدار سايش ابزار و زبري سطح را با دقت خوبي پيش بيني مي كنند.

Prediction of the tool wear and surface roughness has important role in adjustment of the machining parameters and their optimization. In this research, tool wear and workpiece surface roughness in turning process of 4140 steel have been modeled using the artificial neural networks. Cutting depth, cutting speed, feed rate and operation time were considered as input parameters. Required data for training the neural network were obtained using the experimental tests. First, the experiments were designed using the optimal factorial design method and implemented. Then, the tool wear and surface roughness of the test pieces were measured. In the next stage, artificial neural network was designed and trained by the experimental data. Two types of neural networks that were used are Feed Forward Back Propagation and Feed Cascade Forward Back Propagation. Three types of turning algorithm and different node numbers for the hidden layer were used. Results showed that the both type of the networks with the scaled conjugate gradient training algorithm predict the tool wear and surface roughness, precisely.