بهينه‌سازي فرآيند فرزكاري انگشتي براي رسيدن به زبري سطح مينيمم با تركيب شبكه عصبي مصنوعي و الگوريتم ژنتيك

Optimization of End milling process for minimizing surface roughness with combined artificial Neural Network and Genetic Algorithm

زبري سطح يكي از پارامترهاي مهم كيفيت سطح قطعه ماشين‌كاري شده است. در اين پژوهش به مطالعه بهينه‌سازي پارامترهاي ورودي فرآيند فرزكاري انگشتي براي رسيدن به زبري سطح مينيمم پرداخته شده است. پنج پارامتر از فرآيند فرزكاري براي مينيمم كردن زبري سطح مورد بررسي قرار گرفته است. بدين منظور، با انجام يك سري آزمايش طرح‌ريزي شده با تكنيك طراحي آزمايشات، يك سري داده‌هاي ورودي و خروجي به دست آمده و از روش شبكه‌هاي عصبي مصنوعي براي مدل‌سازي فرآيند استفاده شده است. با روش آزمون و خطا، معماري 1-6-8-5 به عنوان بهترين معماري براي شبكه عصبي مصنوعي كه كمترين خطا را داشت انتخاب شده است. مدل شبكه عصبي مصنوعي ايجادشده به عنوان تابع هدف الگوريتم ژنتيك به كار رفته است. الگوريتم ژنتيك با بهينه كردن مقادير پارامترهاي ورودي، زبري سطح را تا 85/0 ميكرومتر كاهش داده است. عمليات بهينه‌سازي براي سه استراتژي مسير ابزار به صورت جداگانه اجرا شده و استراتژي چرخشي كمترين زبري را نتيجه داده است. در انتها با استفاده از روش تاگوچي سطوح بهينه متغيرها شناسايي شده‌اند. همچنين مشاهده شد كه زبري سطح در صورتي كاهش مي‌يابد كه عمق برش، نرخ پيشروي و step over كم باشد و از استراتژي مسير برش يك جهته استفاده شود. علاوه بر اين مشخص شد كه عمق برش بيش‌ترين تأثير را بر زبري نهايي قطعه دارد.

Through enormous development of machining methods, applying optimization method in machining process to improve quality seems to be important. One of the most important parameter of a work piece is its surface roughness. As surface roughness decrease, the quality of work piece increase. In this study, optimization of input parameter of end mill machining to reach minimum surface roughness is investigated. Among these parameters five of them selected and Taguchi method is used for the design of experiments. The process is modeled with neural network method and using try and error test 5-8-6-1 architecture. Genetic algorithm is used for process optimizing and neural network model is selected as the target function. For three different tool path strategies, optimization has been conducted and results are discussed. Using genetic algorithm decrease surface roughness to 0.85 μm. Finally selected level of Taguchi method is analyzed and levels with maximum signal to noise ratio are introduced as optimized level that have minimum surface roughness.