ترکیب تصادفی با ابزارهای دیگر

dung hoang tien * ، tran duc quy ، thoa pham thiu و nguyen duy trinh *

دانشگاه صنعت هانوی ، 298 Cau Dien ، Bac Tu Liem District ، HA NOI ، Vietnam

دریافت: 17 ژانویه 2022 پذیرفته شده: 8 مه 2022

مصرف برق در تولید مستقیم بر هزینه های تولید و محیط زیست تأثیر می گذارد. بنابراین ، فرایند ارزیابی و تحقیق در مصرف انرژی در فرآیند ماشینکاری بسیار مهم است. در حین فرز با سرعت بالا ، مصرف برق به دلیل سایش ابزار و انحراف شعاعی متنوع است. بنابراین ، بهینه سازی مصرف برق مدل جدید بر اساس فاکتورهای برش با در نظر گرفتن سایش ابزار و انحراف شعاعی ارائه شده است. در مدل های مصرف برق موجود ، مطالعات در مورد اثرات انحراف شعاعی و سایش ابزار به طور کامل مورد بررسی قرار نگرفته است. ابزار تصادفی که در طول فرز با سرعت بالا ایجاد شده است ، در ترکیب با مدل تجزیه و تحلیل نیروی برش و تجزیه و تحلیل نقطه لرزش موجک موجک ایجاد می شود. فرآیندهای غیرخطی به دلیل سایش ابزار تصادفی و هندسه برش لبه در مدل در نظر گرفته شد. برای بهینه سازی مصرف برق و ایجاد الگویی برای پیش بینی زمان واقعی مصرف برق ، یک الگوریتم جدید ترکیبی GPR-MOPSO بر اساس رگرسیون فرآیند گاوسی (GPR) و بهینه سازی ذرات چند هدف (MOPSO) تهیه شد. به منظور تأیید امکان سنجی مدل نظارت و بهینه سازی پیشنهادی ، فرآیندهای تجربی فرز با سرعت بالا برقرار شده است. نتایج نشان داد که مدل بهبود ارائه شده باعث کاهش مصرف برق با 20. 38 ٪ در مقایسه با کتابچه راهنمای تولید کننده پارامترهای فرآیند انتخاب شده خواهد شد.

کلمات کلیدی: لرزش تکینگی / GPR-MOPSO / ابزار تصادفی سایش / مصرف برق / دارنده نماینده / فرز با سرعت بالا

© D. Hoang Tien et al. ، منتشر شده توسط EDP Science 2022

این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons (https://creativeecommons. org/licenses/by/4. 0) توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت را در هر رسانه ای فراهم می کند ، مشروط بر اینکه کار اصلی باشد. به درستی استناد شده

1. معرفی

مصرف برق (PC) برای تولید کنندگان نگران کننده است زیرا تأثیر مستقیمی بر هزینه های محصول و محیط زیست دارد. مطالعات توسط ریگچی و همکاران.[1] نشان داد که در زندگی هزینه های عملیاتی ابزار بیش از 20 ٪ از رایانه های شخصی را تشکیل می دهد. Bigot و همکاران.[2] نتیجه گرفت که در ایالات متحده ، برق مورد استفاده برای ابزار ماشین تا 80 ٪ تولید شده از سوخت های فسیلی است ، این فرایند مقدار قابل توجهی از CO را تولید می کند₂بشرAggarwal و همکاران.[3] نشان داد که رایانه شخصی در فرآیند ماشینکاری تا حد زیادی تحت تأثیر پارامترهای حالت برش است. بنابراین ، کاهش PC یک مسئله فوری است که باید برای ایجاد یک فرآیند تولید پایدار و جلوگیری از مشکلات حفاظت از محیط زیست مورد توجه قرار گیرد.

بنابراین ، با قابلیت ماشینکاری انواع گسترده ای از شکل ها و مواد ، فرز یکی از متداول ترین روش های فلزکاری است. ژو و همکاران.[4] نشان داد که در سالهای اخیر ، فرز با سرعت بالا (HSM) محبوب تر و مورد استفاده گسترده تر شده است. HSM در بسیاری از صنایع مختلف از جمله خودرو ، دریایی ، هوافضا ، قالب ، صنعت دفاعی و موارد دیگر کاربرد بالایی دارد. به گفته ژنگ و همکاران.[5] در نظر می گیرد که HSM سرعت برش قابل توجهی بالاتر از ماشینکاری معمولی و در نتیجه راندمان ماشینکاری بالاتر دارد. مورفولوژی تراشه و مادی در HSM به دلیل رفتار بزرگ شکستگی و سرعت کرنش متفاوت است ، بنابراین PC تمایل به متفاوت از پارامترهای فرز معمولی دارد.

سایش ابزار تصادفی (STW) همیشه در HSM وجود دارد ، با این حال ، تأثیر STW اغلب در مدلهای تحقیقاتی PC قبلی نادیده گرفته می شود. وانگ و همکاران.[6] با بررسی شرایط ابزار برش و سایش پهلو فرآیند حفاری ، مدلی را برای نظارت بر رایانه شخصی معرفی کرد. لیو و همکاران.[7] تأثیر سطوح مختلف سایش ابزار را در هنگام فرز سخت به رایانه شخصی بررسی کرد. مطالعات اخیر عمدتاً به فرآیند ارزیابی سایش ابزار غیرمستقیم با فرآیندهای فرز معمولی علاقه مند است. هونگ و همکاران.[8] یک مدل نظارت جدید بر اساس مدل مؤلفه نیروی مستقل که بر اساس پارامترهای حالت برش با روش فرز ایجاد شده است. کارشناسی ارشد و همکاران.[9] روش تخمین پارامتر را با توجه به شرایط ماشینکاری همراه با الگوریتم فیلتر ذرات در مدل پیش بینی STW پیشنهاد کرد. تاکنون ، مطالعات مربوط به STW برای HSM هنوز محدود است و نیاز به مطالعه بیشتر دارد. Jeyakumar و همکاران.[10] روشهای تجربی همراه با تجزیه و تحلیل عناصر محدود را در تجزیه و تحلیل تأثیر انواع مختلف سایش ابزار در برش نیرو ارائه داد. در حین نظارت و بهینه سازی PC ، مشکلات مربوط به HSM مورد توجه کافی قرار نگرفته است ، برخی از آثار در حال حاضر فقط برای فرآیندهای معمولی یا میکرو میل کردن بررسی می شوند.

کی و همکاران.[11] اظهار داشت که تجزیه و تحلیل تکین ها در اوایل پردازش تصویر اعمال می شود ، که در آن تغییر ناگهانی پیکسل معمولاً از طریق تغییر تکینگی بیان می شود ، بنابراین از نقطه تکینگی برای تعریف مرزها در تصاویر استفاده می شود. مطالعه توسط سو و همکاران.[12] گزارش می دهد که در حین ماشینکاری تحت نظارت سنسورها ، سایش ابزار به راحتی از طریق تجزیه و تحلیل تکینگی شناخته می شود. تجزیه و تحلیل موجک به همراه تبدیل فوریه ابزارهای متداول در تجزیه و تحلیل نقطه تکینگی از سیگنال های دریافت شده ، این ابزارها می توانند ویژگی های فرکانس محلی بهتری را در طول حوزه زمانی ارائه دهند. ژو و همکاران.[13] مدلی را برای پیش بینی سایش ابزار از توابع چگالی احتمال نقاط تکینگی ارائه داد ، در نتیجه حساسیت و رابطه مربوط به شرایط مختلف ابزار برش مانند سرعت برش ، عمق برش ، سرعت خوراک و مواد قطعه کار را ارائه داد. از طریق فرآیند آزمایش تعیین می شود. به گفته ژانگ و همکاران.[14] تحقیقات ، در سالهای اخیر ، فرایند تجزیه و تحلیل تک نقطه ای در نظارت بر ابزار برش بر تجزیه و تحلیل تجربی ارتعاش ، نیروی برشی و سیگنال های انتشار آکوستیک در هنگام فرز ، چرخش یا میکرو میلنگ متمرکز شده است. در همین حال ، تحقیقات در مورد تفاوت ها و تجزیه و تحلیل نقطه تکینگی سیستماتیک در HSM محدود است.

مطالعات کلی توسط باربی و همکاران.[15] نشان داد که الگوریتم بهینه سازی SWARM ذرات (PSO) یک روش بهینه سازی هوش مبتنی بر ازدحام است که رفتار ازدحام پرندگان را شبیه سازی می کند. Xu و همکاران.[16] اظهار داشت که این یک الگوریتم کارآمد برای حل مشکلات بهینه سازی تک هدف و دستیابی به نتایج رضایت بخش است. با این حال ، در مشکلات بهینه سازی عددی و برنامه های مهندسی عملی ، اهداف مختلفی باید همزمان برآورده شوند. برای رفع این مشکل ، پان و همکاران.[17] الگوریتم بهینه سازی SWARM ذرات چند هدف (MOPSO) را که با بهبود الگوریتم PSO معمولی ایجاد شده است ، معرفی کرد ، که به عنوان یک تکنیک قابل اعتماد و انعطاف پذیر برای بهینه سازی یک عملکرد هدف استفاده می شود. با این حال ، با الگوریتم های PSO یا MOPSO ، توانایی پیش بینی پارامترهای خروجی انعطاف پذیر و قدرتمند نیست. برای غلبه بر این محدودیت ، مدل رگرسیون فرآیند گاوسی (GPR) ابزاری انعطاف پذیر و قدرتمند است ، علاوه بر این این مدل فضای قابل اعتماد را برای روش پیش بینی فراهم می کند [18]. هنگامی که این دو الگوریتم با هم ترکیب می شوند ، یک مدل بهینه سازی چند هدف کارآمد با قدرت پیش بینی قوی ایجاد می کند. این هدف به طور مستقیم با مشکلات پیش بینی و بهینه سازی برای عملکرد بالا در PC در طول HSM مرتبط است. بر این اساس ، یک روش MOPSO هیبریدی و الگوریتم GPR ترکیب شده و این ترکیب الگوریتم ترکیبی GP R-MOPSO نامیده می شود. این دو الگوریتم برای غلبه بر محدودیت های یکدیگر ترکیب شده و یک مدل پیش بینی بهینه سازی قوی ارائه می دهند. Caserta و Voß [19] استدلال می کنند که این رویکرد متعلق به ریاضیات است ، یعنی به طور مؤثر نمودارهای بیش از حد شبیه سازی و برنامه های ریاضی را ترکیب می کند. با توجه به این رویکرد ، راه حل ها بر اساس نقاط شروع فرآیند جستجوی محلی به دست آمده از نتایج جستجوی جهانی تصفیه می شوند. مطالعات نگوین و همکاران.[20] نشان داد که این راه حل ها در پیش بینی و بهینه سازی دامنه های پارامتر مداوم دقت بالایی دارند.

برای پرداختن به چالش های فوق الذکر ، مطالعه حاضر یک مدل PC بهبود یافته برای HSM را معرفی می کند. مدل پیشنهادی فرآیند غیرخطی ناشی از سایش ابزار و انحراف شعاعی و مسیر برش لبه برش را در نظر می گیرد و آن را با تجزیه و تحلیل تکینگی لرزش موجک ترکیب می کند. یک الگوریتم ترکیبی جدید GPR-MOPSO برای پیش بینی و بهینه سازی PC با ترکیب الگوریتم های GPR و MOPSO ایجاد شده است. صحت بهینه سازی و پیش بینی مدل پیشنهادی PC از طریق فرآیندهای آزمایشی تأیید می شود. مدل پیشنهادی برای HSM به عنوان یک پایگاه مرجع مفید برای اپراتورها ، برنامه ریزان و تولید کنندگان خدمت می کند.

2 مدل PC در HSM هنگام در نظر گرفتن STW

2. 1 با توجه به سایش ابزار و اثر انحراف شعاعی به مدل های اجزای سازنده

در HSM ، محاسبه نیروی برش از مدل های هندسه سایش ابزار به مسیر ماشینکاری متعلق به کلاس سخت ترین مشکلات برای حل است. بر این اساس ، پیش نیاز در مدل محاسباتی اجزای نیرو ، تعیین ضخامت تراشه فوری (IUCT) به عنوان عملکرد مسیر هندسی تراشه است. طبق این خاصیت ، مدل نیروی برش در HSM از معادله میکرو هندسه سایش ابزار ایجاد می شود. توضیحات در شکل 1 نشان داده شده است که فرآیند پارامترهای هندسی HSM با نوک ابزار منشأ قرار می گیرد ، جهت محوری مربوط به z-axis ، جهت نرخ خوراک مربوط به x-axis است.

با مختصات ثابت دکارتی o_ایکسحرف_Z، مختصات ابزار در زمان ماشینکاری توسط o تعیین می شود_حرفایکس_حرفحرف_حرفZ_حرفبشرمختصات نقطه نظر P (x_P , y_P، o) روی تیغه ابزار برش توسط: (1) تعیین می شود

تحقیقات توسط Kline و Devor [21] نشان می دهد که انحراف شعاعی ابزار برش اغلب در طول HSM رخ می دهد و نیاز به کنترل دارد. انحراف شعاعی ابزار شامل شیب و جبران هایی است که در شکل 2 نشان داده شده است. فرآیند تنظیم از منطقه ماشینکاری به مدل هندسه ابزار برش از طریق سیستم مختصات اصلی o تعیین می شود_حرفایکس_حرفحرف_حرفZ_حرف، سیستم مختصات ماشینکاری o_حرفایکس_حرفحرف_حرفZ_حرفو سیستم مختصات جبران O_ایایکس_ایحرف_ایZ_ایبشرمسیر منطقه ماشینکاری توسط:

(2)

شعاع ابزار برش تحت تأثیر سایش ابزار و انحراف شعاعی توسط.(3)

جایی که, .

Krishnakumar و همکاران.[22] خاطرنشان كرد كه با استفاده از مدل های اندازه گیری در سیستم های غیرخطی هنگام در نظر گرفتن وضعیت ابزار برش ، می توان آن را طبق شرح زیر نشان داد: (4).

روابط بین لرزش ، نیروی برش و سایش ابزار در طول HSM توسط: (5) تعیین می شود

مطالعه توسط ژو و همکاران.[23] نشان داده شده است که حالت های زیر را می توان از مراحل به روزرسانی و پیش بینی های بازگشتی از الگوریتم بیزی ξ بدست آورد. پارامترهای فرآیند ξ و پارامترهای خروجی y_iعملکرد چگالی احتمال زیر P (x_i | y_i، ζ): (6)

جایی که(7) (8)

با توجه به Pulido و Van Leeuwen [24] ، مبنای روش پی در پی مونت کارلو و الگوریتم فیلتر ذرات عملکرد توزیع احتمال P (x_i | y_i، ζ) تقریب شده توسط اشیاء تصادفی و محدود کردن وزن, as determined by (9)

پارامترهای به روز شده از وزنهای پیش بینی شده توسط: (10) تعیین می شود.

در HSM ، IUCT با برش مسیر منطقه تعیین می شود. مسیر با برش دندان (J - 1) و J با سایش ابزار و انحراف شعاعی همانطور که در شکل 3 نشان داده شده است.

نقاط تقاطع در مسیر هندسی توسط (J - 1) و لبه برش J به ترتیب E و G هستند. منشأ نسبت به نقاط e و g o است_t*و o_حرفبشرهنگام بررسی سایش ابزار و انحراف شعاعی تصادفی ، IUCT توسط GE در مسیر هندسه لبه تعیین می شود.

مختصات نقطه در مسیر برش با برش لبه (J - 1) TH توسط: (11) تعیین می شود

مختصات نقطه G در مسیر منطقه برش با برش لبه j th توسط: (12) تعیین می شود

رابطه بین نقاط e ، g و o_حرفتوسط (13) نشان داده شده است

هنگامی که ضخامت تراشه ناپخته به طور فوری با در نظر گرفتن سایش ابزار و انحراف شعاعی توسط: (14) تعیین می شود

Altintaş و Le [25] نشان دادند که در منطقه ماشینکاری ، تغییر شکل الاستیک قطعه کار هنگامی اتفاق می افتد که کمتر از حداقل مقدار باشد ، سپس اجزای نیروی برش دیفرانسیل توسط: (15) تعیین می شوند

تحقیقات توسط ژانگ و همکاران.[26] نشان می دهد که a_پمنطقه گاوآهن تقاطع مواد شخم با IUCT در منطقه برش است. اجزای نیروی برش دیفرانسیل هنگامی که بیشتر از حداقل ضخامت تراشه تعیین شده توسط: (16)

از معادلات (15) و (16) اجزای نیروی برش داده می شود.

نمودار فرآیند HSM.

انحراف شعاعی ابزار در طول HSM.

مدل تعیین IUCT.

2. 2 تجزیه و تحلیل نقطه ارتعاش تکینگی را در نظارت بر ابزار برش اعمال کنید

شرایط ابزار به طور مستقیم با تغییر موجک لرزش همانطور که در شکل 4 نشان داده شده است مرتبط است. هنگامی که ابزار برش در مرحله سایش پایدار قرار دارد ، شکل های موج پایدار و کمتری به دست می آید. این فرایند نشان می دهد که ابزار نسبت به سایر پدیده های لرزش پیچیده برای شکل موج های مختلف می پوشد. مطالعه توسط ژو و همکاران.[23] نشان داد که از نماینده دارنده می توان برای شناسایی نقاط تکینگی و شکل موج های بی نظم استفاده کرد. در تعیین نقطه تکینگی ، معمولاً از طریق پارامتر Holder Exponent تعیین می شود ، هنگامی که این پارامتر از ارزش بالایی برخوردار است ، نقطه نظرسنجی عادی را نشان می دهد ، و هنگامی که نماینده دارنده دارای ارزش کم است ، نشان دهنده نقطه تکینگی برای دریافت خواهد بودسیگنال ها

The exponential function f ( t ) with A> 0 when t = v and ( α ≥ 0) if A>0 ؛پ_حرفهایدرجه چند جمله ای M با(17) (18)

جایی که A: ثابت. معادله (18) دارای یک حد بالایی است که توسط نماینده α ، که نمایانگر عملکرد F (t) است ، تعیین می شود.

نماینده نگهدارنده از طریق بزرگترین مدول تبدیل موجک مربوطه در حوزه زمان تعیین می شود. مقدار مقیاس اول دریافت شده توسط WTF (U ، S) Transform Wavelet F (t) با موقعیت U = 0 (19) تعیین می شود

ضرایب موجک در مجاورت حداکثر مقدار جریان توسط: (20) تعیین می شود

Where Alpha: Holder Exponent. ضریب موجک با مقیاس گسسته S = 2 J در حداکثر ماژول ها به شرح زیر بیان می شود: (21)

رابطه بین مدول تبدیل موجک حداکثر و j-scale توسط معادله (21) نشان داده شده است. پارامترهای با مقدار α بالا نشان می دهد که عملکرد F (t) با ثبات تر و اغلب کار می کند. مطالعه توسط وانگ و لیانگ [27] نشان می دهد که فرآیند تعیین نماینده دارنده با ماژول های تبدیل موجک برای دستگاه تشخیص ، ابزار و نظارت بر وضعیت تجهیزات استفاده می شود.

از آنجا که نویز مقادیر منفی او را ایجاد می کند ، این فرایند با در نظر گرفتن توسعه مقادیر آنها به همراه مقیاس ، می تواند با حداکثر ماژول تبدیل موجک متمایز شود. این حداکثر ماژول های تبدیل موجک در درجه اول تحت سلطه نویز قرار دارند ، بنابراین نیاز به حذف آنها دارند. نتایج تجزیه و تحلیل شده توسط شکل 5a و b سیگنال خام اصلی به دست آمده از فرآیند ماشینکاری تحت تأثیر نویز را نشان می دهد. هنگام ماشینکاری در 12000 دور در دقیقه (سرعت دوک نخ ریسی) ، سی چرخش دوک نخ ریسی تعداد نمونه برداری 11،580 امتیاز است. طبق گفته ملات و هوانگ [28] اظهار داشتند كه سیگنال های پر سر و صدا مربوط به فرکانسهای زیاد دریافت می شود در حالی كه سیگنال های مؤثر با فرکانس های پایین به دست می آیند. با هدف استفاده از ویژگی های کاهش نویز ، محققان و کارشناسان اغلب از فیلترهای موجک ، فیلترهای پاس پایین و غیره استفاده می کنند. از شکل 5B و C ، می توان دریافت که حداکثر الگوریتم کاهش نویز ماژول تبدیل موجک می تواند تا حد زیادی اثر کاهش نویز را بهبود بخشدو به منحنی های نرم تر دست یابید. از شکل 5C و D می توان دریافت که سیگنال کاهش نویز توسط موجک بسیار نرم تر است. این فرآیند نقاط واقعی سیگنال را حفظ می کند و سر و صدای بیشتری را برای منحنی های نرم تر از بین می برد. برای ارزیابی بیشتر اثر کاهش نویز ، یک فرآیند تجزیه و تحلیل طیف فرکانس برای سیگنال انجام شد. انرژی سیگنال ارتعاش باید در چند عدد صحیح فرکانس عبور دندان توزیع شود (F_دندان).

تنوع موجک در شرایط مختلف ماشینکاری ابزار برش.

روش DENOING برای تجزیه و تحلیل لرزش.

2. 3 الگوی PC در HSM هنگامی که انحراف شعاعی ابزار را در نظر می گیرد و می پوشد

مطالعه کونپنگ و همکاران.[29] نشان داد که کل PC در HSM می تواند توسط: (22) تعیین شود

در HSM ، P_مناز طریق سرعت p تعیین می شود_من= g (n) ، در حالی که p_آمی توان به عنوان یک عملکرد خطی از p فکر کرد_جف.

قدرت برش در HSM به توانایی حذف باقی مانده قطعه کار تولید شده توسط سرعت دوک و جهت خوراک مربوط می شود. مؤلفه قدرت برش دیفرانسیل در جهت خوراک توسط مؤلفه شعاعی DP ایجاد می شود_خطو DP مماس_فوتتعیین شده توسط(23) (24)

اجزای قدرت برش دیفرانسیل نسبت به جهت خوراک توسط (25) تعیین می شود

اجزای قدرت برش دیفرانسیل مربوط به سرعت دوک نخ ریسی شامل نیروهای برش دیفرانسیل DF شعاعی است_حرفو DF مماس_حرفتعریف شده توسط (26)

از معادلات (25) و (26) قدرت برش توسط (27) تعیین می شود

قدرت برش کل در HSM توسط (28) تعیین می شود

3 مدل نظارت و بهینه سازی PC

روند نظارت و بهینه سازی PC متعلق به کلاس مشکلات تجربی است ، بنابراین یک رویکرد تجربی مورد نیاز است. این رویکرد در آینده نیازهای فنی دقیق را برآورده می کند. ناشی از این ویژگی ، با فرآیندهای آزمایشی بر روی تجهیزات ، مواد و سیستم های فناوری خاص انجام می شود و الگوریتم GP R-MOPSO ترکیبی برای ارائه پارامترهای بهینه ماشینکاری برای HSM در حالی که پیش بینی دقیق شرایط ابزار را همانطور که در شکل 6 توضیح داده شده است ، تهیه شده است. می تواند در زمینه های مشابه اعمال شود.

• مرحله 1 طرح آزمایشی تأسیس. این آزمایش ها بر اساس اصل عوامل ظاهری مشابه طراحی شده اند و به هر عامل در سطح ارزیابی می شوند.
• مرحله 2 اجرای آزمایشات و جمع آوری داده ها. فرآیندهای آزمایشی بر روی دستگاه های HSM انجام می شود و داده های مربوطه از جمله سایش پهلو ، نیروی برش ، لرزش ، کیفیت سطح ماشینکاری و سطح PC جمع آوری می شود.
• مرحله 3-1 ارزش نظری را محاسبه کرده و رابطه تجربی را برقرار کنید. مقدار سایش ابزار نظری محاسبه می شود ، رابطه تجربی مربوط به نیروی برش برقرار می شود ، توپولوژی شبکه تعیین می شود و جمعیت ازدحام با سرعت و موقعیت تصادفی با استفاده از GPR و MOPSO آغاز می شود.
• مرحله 3-2 تجزیه و تحلیل پارامترهای تجربی. هدف از این فرایند ارزیابی توانایی پیش بینی تأثیر عوامل حالت برش و زمان ماشینکاری بر سایش ابزار ، نیروهای برش ، رایانه شخصی و سر و صدا است. تصمیم به تکرار آزمایش در شرایط بهبود یافته یا ادامه آزمایش می تواند با استفاده از نتایج آزمون تحت تأثیر نویز ارزیابی شود.
• مرحله 4-1 مشکل پیش بینی سایش پهلو ، نیروی برش و PC برای کمک به فرآیند تصمیم گیری برای تکنسین ها معرفی شده است. سپس عملکرد هدف تحت شرایط فنی مورد نیاز برای تولید پارامترهای بهینه مطابق با شرایط ماشینکاری بهینه می شود.
• مرحله 4-2 بزرگترین و کوچکترین عوامل تأثیرگذار مشکل بهینه سازی قدرت از طریق تجزیه و تحلیل تجربی تعیین می شود. متغیر ورودی برای مشکل بهینه سازی قدرت HSM در بین این عوامل انتخاب شده است. این فرآیند با هدف نشان دادن اقتصاد شرکت در کنترل پارامترهای فناوری انجام شده است.
• مرحله 5 سایش ابزار شناسایی و رایانه شخصی. از الگوریتم GPR به گونه ای استفاده می شود که فرآیند پیش بینی سایش پهلو ، نیروی برش و رایانه شخصی نزدیک به آزمایش باشد.
• مرحله 6 سایش پهلو ، نیروی برش ، PC و فواصل اطمینان از طریق GPR پیش بینی می شود.
• مرحله 7 PC پیش بینی و بهینه سازی و سپس در برابر حداکثر مقدار در مقایسه با حداکثر مقدار (مقدار آستانه). اگر پارامتر پیش بینی شده کمتر از مقدار محدود باشد ، اعدام به مرحله 3 باز خواهد گشت. در غیر این صورت ، مرحله 8 اجرا می شود.
• مرحله 8 هنگامی که مقادیر پیش بینی شده نزدیک به مقدار آستانه باشد ، هشدار داده می شود. دستگاه متوقف می شود که پارامترها برابر یا بزرگتر از پارامترهای آستانه باشند.

رویکرد پیش بینی و بهینه سازی الگوریتم ترکیبی GP R-MOPSO ، به همراه تجزیه و تحلیل تجربی در پردازش مکانیکی ، بر مضرات مدل سنتی غلبه می کند و مرحله جدیدی را اضافه می کند.

غلبه بر معایب: ایجاد یک رابطه تجربی هنگامی که برنامه GP R-MOPSO مشکل پیش بینی را حل می کند و فرآیند ماشینکاری را بهینه می کند که الگوریتم GPR باعث افزایش دقت و انعطاف پذیری پیش بینی می شود.

یک مرحله جدید اضافه کنید: از طرح آزمایشی استفاده کنید تا تأثیر پارامترهای ماشینکاری را بر پارامترهای خروجی و سطح سر و صدا نشان دهید ، فواصل اطمینان را برای آزمایش تأیید کنید و داده های فرآیند را جمع آوری کنید.

نمودار الگوریتم ترکیبی GP R-MOPSO.

4 تنظیم آزمایشی هنگامی که HSM در نظارت بر رایانه شخصی و بهینه سازی

فرآیندهای آزمایش بر روی فولاد AISI 1043 توسط مرکز ماشینکاری CNC MC500 همانطور که در شکل 7 نشان داده شده است انجام شده است. محدودیت ها و محدوده محدود برای مرکز ماشینکاری CNC MC500 مانند جدول 1 شرح داده شده است. ساخته شده توسط Sandvik Coromant. پارامترهای ابزار در جدول 2 ذکر شده است. PC با یک متر AC سه فاز پاناسونیک KW9M اندازه گیری شد. اندازه گیری نیروی برش و لرزش در طول آزمایش به ترتیب بر روی تجهیزات Kisler 9257B و Bruel & Kjaer انجام شد. سایش پهلو با یک سنج دیجیتال Nikon V12B اندازه گیری شد.

از پارامترهای فن آوری تعیین شده ، فرآیندهای آزمایش در سه مجموعه داده انجام می شود ، دو مورد برای آموزش استفاده می شود و یکی در سایش ابزار پیش بینی نیروی برش ، PC و تأیید روش پیش بینی استفاده می شود. که در آن ، سایش ابزار پس از هر آزمایش آزمایش اندازه گیری و با یک ابزار جدید جایگزین می شود.

در طول HSM ، عوامل زیادی وجود دارد که بر کیفیت سطح ، رایانه شخصی ، عمر ابزار و سایش تأثیر می گذارد. در این مطالعه ، فقط عوامل قابل کنترل مورد بررسی قرار می گیرند ، سایر عوامل به عنوان شرایط مرزی یا نویز سیگنال در نظر گرفته می شوند. به منظور ایجاد یک بانک اطلاعاتی برای نظارت و بهینه سازی رایانه های شخصی ، دو مرحله آزمایشی ایجاد شد. آزمایش اول با هدف تأیید توانایی نظارت بر سایش ابزار با پارامترهای تکنولوژیکی نشان داده شده در جدول 3 است. دومین فرآیند تجربی با پارامترها و توالی های شرح داده شده در جدول 4 ، این آزمایش ها با هدف نشان دادن رابطه بین پارامترهای خروجی از پارامترهای حالت برش ، از این طریقتأیید توانایی پیش بینی مدل های پیشنهادی.

تصویر دستگاه آزمایشی.

محدودیت ها و محدوده محدود برای مرکز ماشینکاری CNC MC500.