عنوان مقاله :
بهينه‌سازي سايش ابزار و زبري سطح در ماشين‌كاري با ابزار عمليات تبريدي شده با استفاده از الگوريتم ژنتيك
عنوان به زبان ديگر :
Optimization of Tool Wear and Surface Roughness in Machining with Cryogenic Treated Tool Using Genetic Algorithm
پديد آورندگان :
پناهي زاده، ولي اله دانشگاه تربيت دبير شهيد رجايي - دانشكده مهندسي مكانيك، تهران، ايران , ابوترابي، محمدمهدي دانشگاه يزد - دانشكده مهندسي مكانيك، يزد، ايران , سليمي نيا، عارف دانشگاه تربيت دبير شهيد رجايي - دانشكده مهندسي مكانيك، تهران، ايران
كليدواژه :
عمليات تبريدي , بهينه‌سازي , الگوريتم ژنتيك , سايش ابزار , زبري سطح
چكيده فارسي :
سيالات برشي براي دست‌يابي به اهداف مختلفي به‌كار مي‌روند. از سيالات برشي براي رسيدن به كيفيت سطح بهتر، سايش ابزار كمتر و كاهش نيروي برشي استفاده مي‌شود. در اين مقاله، تأثير عمليات تبريدي ابزار برشي بر سايش ابزار و زبري سطح قطعه‌كار در مقايسه با تراشكاري خشك و معمولي فولاد AISI 304 بررسي شده است. روش به‌كاررفته براي طراحي آزمايش‌ها، روش تاگوچي مي‌باشد. به‌منظور تجزيه و تحليل نتايج حاصل از آزمايش‌ها روش نسبت سيگنال به نويز به‌كار رفته است. از الگوريتم ژنتيك و رگرسيون به‌ترتيب براي بهينه‌سازي و مدل‌سازي سايش ابزار و زبري سطح قطعه‌كار استفاده شده است. از رگرسيون براي تعيين رابطه سرعت برشي، نرخ پيشروي، عمق برش و شرايط ماشين‌كاري به‌عنوان متغيرهاي مستقل با سايش ابزار و زبري سطح به‌عنوان متغير پاسخ استفاده شده است. نتايج به‌دست‌آمده نشان مي‌دهد كه تراشكاري فولاد زنگ‌نزن AISI 304 با ابزار عمليات تبريدي‌شده در مقايسه با تراشكاري خشك و معمولي، زبري سطح قطعه‌كار را كاهش مي‌دهد. افزايش مقدار فاز اِتا يكي از دلايل كاهش سايش و افزايش سختي ابزار عمليات تبريدي‌شده مي‌باشد. مقادير بهينه براي سايش ابزار و زبري سطح قطعه‌كار به‌ترتيب 4/0 ميلي‌متر و 8/2 ميكرون‌متر ارائه شده است.
چكيده لاتين :
Cutting fluids are used to achieve various purposes such as better surface quality, less tool wear, and reduced cutting force. In this paper, the effect of cutting tool cryogenic treatment on tool wear and workpiece surface roughness in comparison with dry and conventional turning of AISI 304 steel was investigated. The Taguchi method was used to design the experiments. The signal-to-noise ratio method was used to analyze the results of the experiments. Genetic algorithm and regression were used to optimize and model tool wear and workpiece surface roughness, respectively. Regression was used to determine the relationship between cutting speed, feed rate, depth of cut, and machining conditions as independent variables with tool wear and surface roughness as the response variables. The results demonstrated that machining AISI 304 stainless steel with cryogenic treated tool reduced the surface roughness of the workpiece compared to dry and conventional turning. Increasing the amount of ETA phase was one of the reasons for reducing wear and increasing the hardness of the cryogenic treated tool. Optimal values for tool wear and workpiece surface roughness were 0.4 mm and 2.8 microns, respectively.
