بهینه‌سازی فرآیند فرزکاری انگشتی برای رسیدن به زبری سطح مینیمم با ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک

با پیشرفت روزافزون روش های ماشین کاری، کاربرد روش های بهینه سازی در فرآیندهای ماشین کاری فلزات برای بالا بردن کیفیت قطعات سودمند به نظر می رسد. زبری سطح یکی از پارامترهای مهم کیفیت سطح قطعه ماشین کاری شده است. در این پژوهش، به مطالعه بهینه سازی پارامترهای ورودی فرآیند فرزکاری انگشتی برای رسیدن به زبری سطح مینیمم پرداخته شده است. پنج پارامتر از فرآیند فرزکاری برای مینیمم کردن زبری سطح، مورد بررسی قرار گرفته است. بدین منظور، با انجام یک سری آزمایش طرح ریزی شده با تکنیک طراحی آزمایشات، یک سری داده های ورودی و خروجی به دست آمده، از روش شبکه های عصبی مصنوعی برای مدل سازی فرآیند استفاده شده است. با روش آزمون و خطا، معماری 1-6-8-5 به عنوان بهترین معماری برای شبکه عصبی مصنوعی انتخاب شده است که کمترین خطا را داشت. مدل شبکه عصبی مصنوعی ایجادشده، به عنوان تابع هدف الگوریتم ژنتیک به کار رفته است. الگوریتم ژنتیک با بهینه کردن مقادیر پارامترهای ورودی، زبری سطح را تا 0/85 میکرومتر کاهش داده است. عملیات بهینه سازی برای سه استراتژی مسیر ابزار به صورت جداگانه اجرا شده، استراتژی چرخشی کمترین زبری را نتیجه داده است. در انتها با استفاده از روش تاگوچی سطوحی که دارای بیش ترین نسبت سیگنال به نویز هستند، به عنوان سطوح بهینه معرفی شده اند که کمترین زبری سطح را نتیجه می دهند.

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

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 5861 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.