بخشی از مقاله
چکیده
ساخت قطعات با هزینه کم و کیفیت مطلوب از اولویت اصلی صنایع مربوطه می باشد و برای بدست آوردن قطعات با کیفیت سطح بالا ، انتخاب پارامترهای ماشینکاری از اهمیت ویژه ای برخوردار است . در این مقاله با استفاده از تغییر پارامتر های مؤثر در سنگ زنی از قبیل عمق برش و سرعت پیشروی ، میزان زبری سطح توسط دستگاه زبری سنج مدل TR 100 اندازه گیری شده است . سپس بااستفاده از نتایج آزمایشگاهی یک شبکه عصبی مصنوعی در نرم افزار MATLAB ایجاد و آموزش داده شد . پس از آموزش شبکه عصبی می توان زبری سطح تحت هر مقدار عمق برش و سرعت پیشروی را بدون استفاده از زبری سنج بدست آورد
مقدمه
کیفیت سطح یکی از پارامترهای مهم برای قطعات ماشینکاری شده است . بنابراین اندازه گیری و تعیین کیفیت سطح قطعه تمام شده در صنایع مربوطه مهم وحساس می باشد . اسپور و دیگر همکارانش بر روی سنگ زنی خزشی و سنگ زنی پیشانی آزمایشاتی را انجام داده اند
نتایج آزمایشات شامل مقایسه نیروی سنگ زنی ، صافی سطح و سایش شعاع چرخ در حالت با ارتعاشات و بدون آن می باشد . متیوس و همکارانش روش جدیدی برای نظارت حین کار با استفاده از شبکه عصبی نیروی برش و ارتعاشات ابزار معرفی کرده اند .
لین وهمکارانش یک مدل عصبی برای پیشگویی کیفیت سطح و نیروی برش در عملیات تراشکاری ارائه داده اند
وو و دیگر همکارانش نیز مطالعاتی بر روی سنگ زنی قطعه های استوانه ای شکل انجام داده اند و میزان دایره ای شدن مقاطع استوانه ای را به کمک ارتعاشات اولتراسونیک در سنگ زنی بدون مرکز افزایش داده اند
هیودایم و همکارانش از سیستم فازی برای پیش بینی کیفیت و سختی سطح در عملیات تراشکاری استفاده نموده اند.
در این پژوهش از شبکه های عصبی مصنوعی برای تعیین کیفیت سطح فولادهای CK45 و ST37 استفاده شده است .
روش تحقیق
در عملیات سنگ زنی تخت عمق برش و سرعت پیشروی از مهم ترین پارامترهای مؤثر بر کیفیت سطح می باشند .قطعات مورد نظر تحت شرایط :
۱ - عمق برش متغیر ، سرعت پیشروی ثابت - - 0.5
۲ - سرعت پیشروی متغیر ، عمق برش ثابت - - 0.2 سنگ زنی شده اند و بعداز بدست آوردن مقادیر زبری سطح - - Ra به تشکیل و آموزش شبکه عصبی با 2 الگوریتم آموزشی پس انتشار ارتجاعی و لونبرگ مارکوردت پرداخته شد.
مقادیر بدست آمده در آزمایشات تجربی برای Ra در جدول زیر ارائه شده است . لازم به ذکر است که نوع دستگاه Topساخت کشور چک ، حداقل مقدار پیشروی 0.1 و حداقل عمق برش 0.01 میلی متر و جنس دانه های ساینده سنگ دوار اکسید آلومینیوم می باشد.
جدول : 2 نتایج عمق برش متغیر سرعت پیشروی - CK45 - 0.5
نتایج
نتایج شبکه عصبی
خروجی حاصل از آموزش شبکه تحت 2 الگوریتم پس انتشار ارتجاعی - - RP و لونبرگ مارکوت - Lm
- نشان می دهد که شبکه عصبی مصنوعی توانایی کم نظیری در تعیین زبری سطح دارد . نتایج بدست آمده در قالب جداول و نمودارها ارائه شده اند.لازم به ذکر است در تمامی نمودارها ، نتایج شبکه عصبی با خط چین و نتایج واقعی با خط پر نمایش داده شده اند .
شکل : 1 مراحل کار با شبکه های عصبی مصنوعی
آزمایشات
شبکه عصبی مصنوعی
شبکه های عصبی مصنوعی که امروزه در کاربردهای فراوانی ارزش خود را نشان داده اند بر اساس مدل بیولوژیکی مغز انسان بوجود آمده اند که از چند هزار نرون تشکیل شده اند و اندازه آن ها به پیچیدگی مسئله بستگی دارد . از شبکه های عصبی در موارد گوناگونی از جمله ذخیره و بازبینی داده ها ، گروه بندی شکلهای مشابه و ... استفاده می شود.
در حالت کلی عملکرد این سیستم ها شامل دریافت بردار ورودی و ایجاد بردار خروجی با استفاده از توابع وزن و همچنین توابع عملکرد هر لایه می باشد. پس از آموزش یا تنظیم شبکه عصبی ، اعمال یک ورودی خاص ، منجر به دریافت پاسخ خاص می شود . از این پس نسبت های وزنی تغییر ننموده و شبکه برای شبیه سازی آماده است و می تواند خروجی های هدف را با دقت قابل قبولی پیش بینی کند . شبکه طراحی شده در هر 2 الگوریتم آموزشی شامل 3 نرون در لایه اول و یک نرون در لایه دوم یا خروجی بوده ، تابع انتقال اول tasig و تابع انتقال دوم purelin می باشد.
در شکل زیر مراحل کار با شبکه عصبی مصنوعی مشخص شده است :
نمودار های زیر مقایسه نتایج تجربی با نتایج حاصل از شبکه عصبی را نشان می دهند.
نمودار : 1 مقایسه نتایج با شبکه عصبی پس از انتشار ارتجاعی
نمودار : 2 مقایسه نتایج تجی با شبکه عصبی لونبرگ مارکوت
جدول : 3 نتایج سرعت پیشروی متغیر عمق برش ثابت - CK45 - 0.2
نمودار : 3 مقایسه نتایج تجربی با شبکه عصبی RP
نمودار : 4 مقایسه نتایج تجربی با شبکه عصبی Lm
جدول : 3 نتایج سرعت پیشروی متغیر عمق برش
