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

Abstract

span dir=RTL lang=AR-SA style=font-size:11.0ptspan style=line-height:97%span calibri= style=font-family:span style=color:blackتوانایی پیشshy;shy;بینی سایش ابزار در هنگام ماشین‌کاری بخش بسیار مهمی از تشخیص است که باعث میshy;شود ابزار در زمان مربوطه جایگزین شود. ازاین‌رو، در این پژوهش از رویکرد شبکه عصبی مصنوعی برای پیشshy;بینی سایش ابزار استفاده شد. ابتدا فولاد سخت‌کاری شده 4140 با ابزار کاربید سیمانی بدون پوشش /span/span/span/spanspan style=font-size:12.0ptspan style=line-height:97%span calibri= style=font-family:span style=color:blackTCMW 16T304 H13A/span/span/span/spanspan dir=RTL style=font-size:11.0ptspan style=line-height:97%span calibri= style=font-family:span style=color:black 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 اندازهshy;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 لایهshy;های اول و دوم پنهان و 1 گره در لایه خروجی برای پیشshy;بینی سایش ابزار به دست آمد. مقادیر پیشshy;بینی مدل شبکه عصبی مصنوعی با نتایج تجربی مقایسه شد و میانگین درصد خطای دادهshy;های اعتبارسنجی برابر با 32/3/span/span/span/span span dir=RTL lang=AR-SA style=font-size:11.0ptspan style=line-height:97%span calibri= style=font-family:span style=color:blackدرصد محاسبه شد./span/span/span/span