بخشی از مقاله
چکیده
تاکنون تحقیقات زیادی در مورد مدلسازی فرآیند ماشینکاری به روش تخلیه الکتریکی صورت گرفته است ولی به دلیل طبیعت اتفاقی و پیچیده این فرآیند, هنوز مدل دقیقی از آن به دست نیامده است. در سالهای اخیر از شبکههای عصبی مصنوعی جهت مدلسازی سیستمهای پیچیده استفاده شده است، زیرا شبکههای عصبی دارای قابلیت عالی جهت یادگیری و عمومیت دادن به روابط پیچیده بین متغیرهای ورودی و خروجی یک سیستم بوده و از آنها جهت پیشبینی و بهینهسازی سیستمها استفاده میشود. در این مقاله، از یک شبکه عصبی با تابع پایه شعاعی - RBF - جهت پیش بینی صافیسطح و نرخ ماشینکاری و انتخاب بهینه متغیرهای ماشینکاری در فرآیند تخلیه الکتریکی - EDM - استفاده شده است.
۱- مقدمه
ماشینکاری تخلیه الکتریکی - , - EDM یک فرآیند ترموالکتریکی است که برادهبرداری در آن توسط یک سری جرقههای الکتریکی متوالی میان ابزار و قطعهکار در یک محیط مایع دیالکتریک صورت میگیرد. عامل اساسی برادهبرداری در این فرآیند تبدیل انرﮊی الکتریکی به انرﮊی حرارتی است، به طوری که گرمای بسیار بالای تولید شده سبب ذوب و تبخیر مقادیر بسیار کوچکی از قطعهکار میشود.
این ذرات از قطعهکار جدا شده و سپس توسط دیالکتریک شسته می شوند. ماشینکاری تخلیه الکتریکی , - EDM - یکی از روشهای ماشینکاری غیرسنتی است که به علت داشتن خواصی نظیر غیر تماسی بودن قطعهکار با ابزار، امکان ماشینکاری هر نوع ماده رسانا با هر مقدار سختی و همچنین ایجاد سختی سطحی روی قطعهکار، بطور گسترده در صنایع قالبسازی, صنایع هوافضا و غیره بکار میرود
در صنعت امروز، , - EDM - معروف ترین و پرکاربردترین فرآیند ماشینکاری غیرسنتی است و موارد استفاده آن به طور کلی در تولید قالبهای اکستروﮊن، برش، آهنگری - فورج - ، پرههای توربین هواپیما، نازلهای پاشش سوخت و غیره میباشد. در صنایع هوافضا به دلیل قابلیت پایین ماشینکاری سوپرآلیاﮊها و پیچیدگی هندسی اجزاء توربین هواپیما از - , - EDMبه عنوان یک روش مناسب برای تولید قطعات استفاده میشود. مثلا در ماشینکاری سوراخهای خنککاری پرههای توربین موتورهای هواپیماها که نسبت عمق به قطر آنها بزرگ است از ماشینکاری به روش تخلیه الکتریکی استفاده میشود.
پره های توربین با عبور هوای خنک از مسیرهای شعاعی - غیر موازی - خنک می شوند. از سوراخها برای احاطه کردن پرههای توربین با یک لایه هوا که دمای آن کمتر از دمای ورودی در همان مقطع پره است استفاده میشود. به این ترتیب یک لایه عایق بندی گرمایی پره را احاطه کرده و پره در دمای محیط بالاتر از نقطه ذوب جنس آن نیز می تواند کار کند. معمولا مسیر های شعاعی پره های توربین هنگام ریختهگری ایجاد می شوند و سوراخهای خنککاری برای لایه هوا ماشینکاری میشود. بنابراین برای سوراخکاری و تولید کانالهای خنک کاری در پرههای توربینی که از فلز سخت، مانند آلیاﮊهای پایه نیکل، ساخته میشود از ماشینکاری به روش , - EDM - و یا ECM استفاده می شود.
شکل - ۱ - نحوه ساخت پرههای توربین هواپیما و شکل - ۲ - نحوه سوراخکاری آن را نشان میدهد. ماشینکاری به روش تخلیه الکتریکی نیاز به تحقیق و مطالعه بیشتر در مورد فیزیک فرآیند دارد, زیرا برادهبرداری با روش تخلیه الکتریکی شامل پدیدههای مختلفی از قبیل هدایت حرارتی, ذوب, تبخیر, یونیزه شدن دی الکتریک, تشکیل و آزادسازی حبابهای گاز در کانال تخلیه میباشد. وجود چنین پدیدههای پیچیدهای به همراه اندرکنش میان دو تخلیه الکتریکی متوالی و حضور ذرات براده سبب پیچیدگی بسیار این فرآیند میگردد, به طوری که یک مدل کامل و دقیق از فیزیک فرآیند وجود ندارد و تاکنون رابطهای که بتواند به طور کامل نرخ برادهبرداری و صافی سطح را پیشبینی کند بدست نیامده است
سینگ]۷[ و اردن]۸[ مدلهایی را برای مکانیزم برادهبرداری در حالت تک جرقه ارایه داده اند که اصولا مبتنی بر ملاحظات ترمودینامیکی و بررسی انتقال حرارت در کانال پلاسما درحین تخلیه الکتریکی می باشند. یاداو]۹[ با استفاده از روش اجزای محدود، حالت تک جرقه را مدلسازی حرارتی نموده است. وانگ]۰۱[ و تسای]۱۱[ مدلسازی , - EDM - را با استفاده از تحلیل ابعادی پارامترهای مرتبط با آن و به کمک روشهای بهینهسازی انجام دادهاند. در پایان نیز نتیجه گیری به این صورت است که مدل پیشنهادی به دلیل تاثیر عوامل مختلفی نظیر خواص حرارتی, فیزیکی و الکتریکی ابزار و قطعهکار و نیز پارامترهای مربوط به فیزیک فرآیند در آن, جامعیت بهتری را در مقایسه با مدلهای تجربی قبلی دارد.
همچنین می توان به مدلسازی و بهینهسازی EDM با حرکت ارتعاشی و چرخشی الکترود - rotaryVibro - EDM و نیز مقایسه تجربی مشخصههای ماشینکاری با الکترود ارتعاشی, چرخشی و ترکیبی از این دو حالت توسط قریشی ]۲۱[ اشاره کرد. مهمترین پارامترهایی که بر عملکرد ماشینکاری تاثیر می گذارند با تحلیل واریانس - ANOVA - تعیین شده و متعاقب آن مدلسازی با روشهای آماری - Statistical methods - انجام گرفته است.از طرفی می توان به تحقیق در مورد بهینهسازی فرآیند EDM با در نظر گرفتن کربن منتقل شده از دی الکتریک به الکترود از جنس مس تنگستن توسط مارافونا و ویکس ]۳۱[ اشاره نمود.
این محققان دریافتند که طی دو مرحله برادهبرداری می توان به مقادیر بهینه نرخ برادهبرداری با کمترین مقدار در سایش ابزار دست یافت. دایونگ و فنگو ]۵[ نیز یک سیستم هوشمند جهت مدلسازی و بهینه سازی فرآیند EDM ارایه نموده اند. در این تحقیق، فرآیند EDM با آموزش شبکه عصبی از نوع الگوریتم پسانتشار - - BP مدلسازی شده و از الگوریتم ﮊنتیک جهت بهینهسازی فرآیند استفاده شده است. تسای و وانگ ]۴ و۴۱[ شبکههای عصبی مختلفی را جهت مدلسازی نرخ برادهبرداری و صافی سطح در EDM مورد استفاده قرار دادهاند. شش مدل شبکه عصبی به همراه یک شبکه عصبی فازی در این تحقیق مورد بررسی قرار گرفته است و آموزش آنها با دادههای حاصل از انجام آزمایشهای مختلف به روش DOE صورت گرفته است.
۲. مکانیزم پروسه EDM
براده برداری در EDM در سه مرحله انجام میگیرد:
۱. فاز شکست : در مرحله شکست فضای اندک میان الکترود و قطعه کار برای تخلیه الکتریکی آماده میشود. این مرحله با مقدار زمان تاخیر مشخص می شود که زمان مورد نیاز برای ایجاد شرایط مناسب تخلیه در فاصله میان نزدیک ترین دو نقطه از ابزار و قطعه کار می باشد.
۲. فاز تخلیه:که در آن به علت شکسته شدن مقاومت گپ، جریان به طور قابل ملاحظهای زیاد افزایش مییابدکه باعث تبخیر دیالکتریک میشود و به واسطه آن کانال یونیزه ایجاد شده که توسعه مییابد و کانال پلاسما بوجود میآید.
۳. فاز برادهبرداری : در این مرحله به علت از بین رفتن کانال پلاسما فشار افت میکند که در نتیجه سطح مافوق گرم قطعهکار، بهطور انفجاری تبخیر میشود. مقداری از ماده هم به صورت مذاب از سطح قطعهکار برداشتهشده و بقیه مذاب مجددا بر روی سطح قطعهکار چسبیده و تشکیل یک لایه ریختهگری را میدهد که سخت و سفید رنگ است.
۳. انجام آزمایشها
کلیه آزمایشها با دستگاه EDM مدل چارمیلز - ROBOFORM 200 - ساخت کشور سوییس انجام شده است. در کلیه آزمایشها از الکترود مسی و قطعه کارهای فولادی از جنس SPK استفاده شده است. قطر الکترود و قطعه کار یکسان بوده و قطر آنها برابر ۲۱ میلیمتر میباشد. از این رو عملیات ماشینکاری در حالت سطح تراشی - planning - انجام می شود. جنس دی الکتریک از نوع روغن elf میباشد که به سفارش شرکت چارمیلز برای این دستگاه ساخته شده است.
با توجه به محدوده کاری پارامترهای دستگاه - از نظر تجربی - ، هر کدام از پارامترها در سه سطح انتخاب شدهاند و با توجه به ترکیب کامل سطوح مختلف ولتاﮊ، جریان، روشنی پالس و خاموشی پالس در مجموع ۱۸ آزمایش انجام گرفته است. آزمایشها به صورت اتفاقی - Random - و یک بار انجام شده است. زمان در نظر گرفته شده برای انجام آزمایشها با توجه به میزان جریان در هر آزمایش متفاوت است و زمان بیشتری برای آزمایشهای با جریان کمتر اختصاص داده شده است که این مقادیر با پیشنهاد دفترچه راهنمای دستگاه انتخاب شدهاند. برای اندازهگیری نرخ برادهبرداری، قطعهکارها قبل و بعد از عملیات ماشینکاری در هر آزمایش با ترازوی دیجیتالی با دقت ۱/۰ گرم وزن شدهاند. برای اندازه گیری صافی سطح - Ra - از دستگاه زبری سنج مدل - Perth استفاده شده است.
۴. شبکه عصبی با تابع پایه شعاعی
شبکه RBF دارای لایه ورودی، یک لایه مخفی و یک لایه خروجی است. نرونهای لایه مخفی، چند بعدی هستند و بعد این نرون ها، برابر تعداد ورودیهای شبکه است. نرونهای لایه مخفی، چند بعدی هستند و بعد این نرونها، برابر تعداد ورودیهای شبکه است. نام تابع پایه شعاعی به این دلیل است که این توابع به صورت شعاعی متقارن هستند یعنی اینکه هر نرون مخفی، خروجی یکسانی را برای ورودیهایی تولید می کند که در یک فاصله شعاعی ثابت از مرکز تابع قرار می گیرند. اگر توابع فعالیت پایه شعاعی در نرونهای لایه مخفی به صورت توابع غیرخطی با توزیع گاوسی انتخاب شوند، آنگاه پارامترهای آن عبارت خواهند بود از مرکز تابع، C j ، و عرض - پهنای - تابع، S ، که این پارامتر جهت سادگی معمولا برای تمام نرونها یکسان انتخاب میشود. پارامتر , S عاملی است که شکل تابع گاوسی را تعیین می کند و آن را ضریب گستردگی مینامند. در آمار، از این پارامتر به عنوان انحراف استاندارد تابع گاوسی نام برده میشود. هر نرون لایه مخفی، بردار ورودی X را دریافت نموده و آن را با موقعیت مرکز تابع گاوسی از نظر فاصله مقایسه می کند.
