پیش بینی سایش ابزار در ماشین کاری فولاد سخت کاری شده با استفاده از مطالعات تجربی و شبکه عصبی مصنوعی

توانایی پیش بینی سایش ابزار در هنگام ماشین‌کاری بخش بسیار مهمی از تشخیص است که باعث می شود ابزار در زمان مربوطه جایگزین شود. ازاین‌رو، در این پژوهش از رویکرد شبکه عصبی مصنوعی برای پیش بینی سایش ابزار استفاده شد. ابتدا فولاد سخت‌کاری شده 4140 با ابزار کاربید سیمانی بدون پوشش tcmw 16t304 h13a و با پارامترهای ورودی شامل سرعت برشی، نرخ پیشروی و زمان ماشین‌کاری در سه سطح مختلف و با عمق برش ثابت تراشکاری شد و میزان سایش ابزار اندازه گیری شد و از نتایج آزمایش تجربی برای آموزش و اعتبارسنجی شبکه عصبی مصنوعی استفاده شد. معماری بهینه شبکه عصبی با 3 گره در لایه ورودی، دو لایه پنهان با 12 و 36 گره به ترتیب در لایه های اول و دوم پنهان و 1 گره در لایه خروجی برای پیش بینی سایش ابزار به دست آمد. مقادیر پیش بینی مدل شبکه عصبی مصنوعی با نتایج تجربی مقایسه شد و میانگین درصد خطای داده های اعتبارسنجی برابر با 3.32 درصد محاسبه شد.

prediction of tool wear using experimental studies and artificial neural network in hardened steel machining

the ability to predict tool wear during machining is a very important part of diagnosis, which makes it possible to replace the tool at the appropriate time. therefore, in this research, the artificial neural network approach was used to predict tool wear. first, hardened steel 4140 was turned with uncoated cemented carbide tool tcmw 16t304 h13a and with input parameters including cutting speed, feed rate and machining time in three different levels and with constant cutting depth, and the amount of tool wear was measured. and the experimental test results were used to train and validate the artificial neural network. the optimal neural network architecture was obtained with 3 nodes in the input layer, two hidden layers with 12 and 36 nodes in the first and second hidden layers, and 1 node in the output layer to predict tool wear. the prediction values of the artificial neural network model were compared with the experimental results and the average error percentage of the validation data was calculated as 3.32%.