Tối ưu hóa chế độ công nghệ lăn ép sử dụng con lăn bằng phương pháp Taguchi và phương pháp mạng nơ ron nhân tạo
93 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.88.2023.139-146Từ khóa:
Taguchi; ANN; Lăn ép sử dụng con lăn; Độ nhám bề mặt; Tối ưu hóa.Tóm tắt
Bài báo trình bày kết quả nghiên cứu tối ưu hóa quá trình lăn ép (sử dụng con lăn) bề mặt trụ trong của chi tiết ống lót trong kết cấu hàng không bằng phương pháp Taguchi và phương pháp sử dụng mạng nơ ron nhân tạo (Artificial Neural Network – ANN). Tốc độ trục chính (S), lượng chạy dao (F) và chiều sâu lăn ép (D) được chọn là các tham số đầu vào, còn độ nhám bề mặt (Ra) được chọn là mục tiêu tối ưu hóa. Kết quả phân tích dữ liệu các chế độ công nghệ được sử dụng và độ nhám đo được và tối ưu hóa bằng hai phương pháp cho thấy: 1 - Chiều sâu lăn ép ảnh có hưởng lớn nhất lên độ nhám bề mặt, theo sau là tốc độ trục chính và lượng chạy dao; 2 - Trong dải giá trị được nghiên cứu của các tham số công nghệ, độ nhám tối ưu (nhỏ nhất) đạt được khi S và D có giá trị lớn nhất, trong khi F có giá trị nhỏ nhất; 3 - giá trị độ nhám tối ưu thu được bằng cả hai phương pháp đều phù hợp với kết quả thực nghiệm. Tuy nhiên, phương pháp sử dụng ANN cho kết quả không ổn định, nguyên nhân có thể là do số lượng dữ liệu được sử dụng không lớn.
Tài liệu tham khảo
[1]. A. Aggarwal, H. Singh, P. Kumar, and M. Singh, “Optimizing power consumption for CNC turned parts using response surface methodology and Taguchi’s technique-A comparative analysis”, J. Mater. Process. Technol., vol. 200, no. 1–3, pp. 373–384, , (2008). DOI: https://doi.org/10.1016/j.jmatprotec.2007.09.041
[2]. A. Srivastava, A. Sharma, A. S. Gaur, R. Kumar, and Y. K. Modi, “Prediction of surface roughness for CNC turning of EN8 steel bar using artificial neural network model”, J. Eur. des Syst. Autom., vol. 52, no. 2, pp. 185–188, (2019), doi: 10.18280/jesa.520211. DOI: https://doi.org/10.18280/jesa.520211
[3]. S. Kumar, Meenu, and P. S. Satsangi, “A genetic algorithmic approach for optimization of surface roughness prediction model in turning using UD-GFRP composite”, Indian J. Eng. Mater. Sci., vol. 19, no. 6, pp. 386–396, (2012).
[4]. S. S. Mahapatra, “Parametric Analysis and Optimization of Cutting Parameters for Turning Operations based on Taguchi Method”, Proc. Int. Conf. Glob. Manuf. Innov., pp. 1–9, (2006).
[5]. M. Steitz, J. Scheil, C. Müller, and P. Groche, “Effect of process parameters on surface roughness in hammer peening and deep rolling”, Key Eng. Mater., vol. 554–557, pp. 1887–1901, (2013). DOI: https://doi.org/10.4028/www.scientific.net/KEM.554-557.1887
[6]. S. C. Borse, “Optimization of Turning Process Parameter in Dry Turning of SAE52100 Steel”, Int. J. Mech. Eng. Technol., vol. 5, no. 12, pp. 1–8, (2014).
[7]. N. T. Trung, L. B. Xuan, “Optimization of interior roller burnishing process for improving surface quality”, Materials and manufacturing processes, Taylor & Francis, pp. 1-8, (2018).
[8]. Nguyen, T.T., Cao, L.H., Nguyen, T.A., Dang, X.P., “Multi-response optimization of the roller burnishing process in terms of energy consumption and product quality”, J. Clean. Prod.,245/1, 119328, (2020), https://doi.org/10.1016/j.jclepro.2019.119328. DOI: https://doi.org/10.1016/j.jclepro.2019.119328
[9]. Lin, Y.C., Wang, S.W., Lai, H.Y., “The relationship between surface roughness and burnishing factor in the burnishing process”, Int. J. Adv. Manuf. Tech. 23, pp. 666-671, (2004). DOI: https://doi.org/10.1007/s00170-002-1486-9
[10]. Nguyễn Trường An, "Quy hoạch thực nghiệm và xử lý số liệu trong kỹ thuật", Nhà xuất bản Quân đội nhân dân, tr. 65-120, (2019).
[11]. Đào Văn Hiệp, “Giám sát và điều khiển thông minh quá trình gia công cơ”, Nhà xuất bản Quân đội nhân dân, tr. 57-68, (2016).
[12]. Mark Hudson Beale, Martin T. Hagan, Martin T. Hagan,“Neural Network Toolbox™ 7, User’s Guide”, The MathWorks, Inc., 3 Apple Hill Drive, Natick, MA 01760-2098, pp. 120-132, (2010).
[13]. Cosgdill, “Roll-a-finish”, ™ Internal/External Roller Burnishing Tools, www.cogsdill.co.uk
