Ứng dụng mạng noron nhân tạo trong việc tối ưu hóa chế độ cắt khi tiện thép 9XC đã tôi

Nguyễn Văn Tùng và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 118(04): 23 - 28<br /> <br /> ỨNG DỤNG MẠNG NORON NHÂN TẠO TRONG VIỆC TỐI ƯU HÓA<br /> CHẾ ĐỘ CẮT KHI TIỆN THÉP 9XC ĐÃ TÔI<br /> <br /> 1<br /> <br /> Nguyễn Văn Tùng2, Nguyễn Quốc Tuấn1,*<br /> Nguyễn Hoài Nam2, Đặng Văn Thanh2<br /> Đại học Thái Nguyên, 2 Trường ĐH Kỹ thuật Công nghiệp – ĐH Thái Nguyên<br /> <br /> TÓM TẮT<br /> Lựa chọn chế độ cắt tối ưu là một việc làm hết sức quan trọng trong quá trình gia công, nó góp<br /> phần làm tăng năng suất, chất lượng và giảm chi phí gia công. Hiện nay, trên thế giới và trong<br /> nước đã có nhiều nghiên cứu để lựa chọn điều kiện cắt tối ưu trên máy CNC. Tuy nhiên, những<br /> nghiên cứu này thường sử dụng các phương pháp phổ biến như: phương pháp vi phân [3], phương<br /> pháp phân tích hồi quy [4], phương pháp quy hoạch tuyến tính [1, 5], phương pháp chỉ tiêu bề mặt<br /> [2, 5]. Bài báo này đưa ra một hướng nghiên cứu dụng mạng nơron nhân tạo (artificial neural<br /> networks) để tối ưu hóa đa mục tiêu. Các mục tiêu đó là: chất lượng bề mặt (Ra), chi phí sản xuất<br /> (Cp), thời gian gia công (Tp). Kết hợp nghiên cứu thực nghiệm để lựa chọn chế độ cắt tối ưu khi<br /> tiện thép hợp kim 9XC sau tôi bằng mảnh dao PCBN.<br /> Từ khóa: Tối ưu hóa, điều kiện cắt, mạng nơron nhân tạo.<br /> <br /> GIỚI THIỆU*<br /> Lựa chọn các thông số cắt hợp lý đã được<br /> nghiên cứu nhiều về mặt lý thuyết và được hỗ<br /> trợ từ các số liệu thực nghiệm của các nhà sản<br /> xuất dụng cụ. Trong thực tế nó chưa thể mang<br /> lại những phân tích cụ thể, chưa đầy đủ cho<br /> các loại vật liệu chi tiết gia công trong thực<br /> tế. Để tối ưu hóa các hoạt động của máy, các<br /> phương pháp định lượng đã được phát triển<br /> với sự xét đến tối ưu đơn mục tiêu, hoặc tối<br /> ưu hoá đa mục tiêu [1, 2] để tìm cực trị và<br /> miền tối ưu hoá theo các chỉ tiêu đã đề ra. Đã<br /> có nhiều nghiên cứu về tối ưu hóa đơn mục<br /> tiêu được nghiên cứu như: phương pháp vi<br /> phân [3], phương pháp phân tích hồi quy [4],<br /> phương pháp quy hoạch tuyến tính [1, 5],<br /> phương pháp bề mặt chỉ tiêu [2, 5] và mô<br /> phỏng máy tính. Tuy nhiên, trong thực tế ứng<br /> dụng, các nhà sản xuất thường gặp phải các<br /> vấn đề là tối ưu hóa đồng thời nhiều mục tiêu,<br /> các mục tiêu thường mâu thuẫn nhau và<br /> không thể so sánh, hoặc mất rất nhiều thời<br /> gian để cho kết quả, dẫn đến chi phí tăng vì<br /> vậy nó chỉ phù hợp với sản xuất loạt lớn,<br /> hàng khối. Mà xu hướng ngày nay đã bắt đầu<br /> quay lại thời kỳ sản suất loạt vừa và nhỏ để<br /> đáp ứng những thay đổi liên tục của nhu cầu<br /> thị trường.<br /> *<br /> <br /> Tel: 0913364889<br /> <br /> Mạng nơron nhân tạo có thể được ứng dụng<br /> để tối ưu hóa chế độ cắt trong những trường<br /> hợp như vậy.<br /> Cho đến nay trên thế giới đã có nhiều nghiên<br /> cứu về ứng dụng mạng nơ ron vào sản xuất<br /> tích hợp máy tính và nhất là trong ngành gia<br /> công cơ khí như: Điều khiển thích nghi quá<br /> trình cắt [6]; dự đoán độ nhám bề mặt, lực<br /> cắt, rung động, hình dạng phoi [7]; dự đoán<br /> về mòn dụng cụ và phá hủy dụng cụ; giải<br /> quyết các vấn đề tối ưu hóa. Ở Việt Nam đã có<br /> những nghiên cứu về mạng nơ roron nhân tạo.<br /> Tuy nhiên những nghiên cứu sử dụng phương<br /> pháp mạng nơ ron nhân tạo chỉ mới ứng dụng<br /> trong các nghiên cứu về dự đoán, nhận dạng,<br /> phân loại [9]; Có rất ít nghiên cứu về mạng nơ<br /> ron nhân tạo vào trong ngành cơ khí.<br /> Bài báo này trình bày việc ứng dụng mạng<br /> nơron nhân tạo để tối ưu hóa đa mục tiêu các<br /> điều kiện cắt. Các bước thực hiện được đưa ra<br /> để giải các bài toán tối ưu đa mục tiêu một<br /> cách tương đối chính xác và nhanh chóng trên<br /> máy tính. Do có tốc độ xử lý nhanh, tốn ít tài<br /> nguyên của máy tính, đảm bảo tối ưu hóa các<br /> điều kiện cắt trong thời gian ngắn; nó rất phù<br /> hợp với quá trình sản suất loạt nhỏ với các<br /> sản phẩm đa dạng và thay đổi liên tục.<br /> 23<br /> <br /> Nguyễn Văn Tùng và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> BÀI TOÁN TỐI ƯU HÓA CHẾ ĐỘ CẮT<br /> Kế hoạch thực hiện<br /> Khi lựa chọn điều kiện cắt tối ưu cho một số<br /> quá trình gia công, chúng tôi căn cứ vào quan<br /> hệ giữa tốc độ bóc tách phôi và mòn dụng cụ.<br /> Mục đích là tìm ra bộ các thông số vận tốc cắt<br /> (v), bước tiến (f) và chiều sâu cắt (t) sao cho<br /> đáp ứng được các mục đích như chi phí thấp<br /> nhất, chất lượng tốt nhất và năng suất cao nhất.<br /> Các hàm mục tiêu<br /> Bài toán tối ưu hóa chế độ cắt gồm ba mục<br /> tiêu sau: Nâng cao năng suất, giảm chi phí và<br /> nâng cao chất lượng bề mặt.<br /> Năng suất<br /> Thông thường, tốc độ sản xuất được tính<br /> trong toàn bộ thời gian để gia công một sản<br /> phẩm (Tp ). Nó là hàm phụ thuộc và tốc độ<br /> bóc tách phoi (MRR) và tuổi bền của dụng<br /> cụ (T).<br /> Tốc độ bóc tách phoi được tính theo công<br /> thức: MRR = 1000.v.f.t. [8] (1)<br /> Tuổi bền dụng cụ: T = kT/vα1.fα2.tα3 (2)<br /> Hay được tính theo công thức:<br /> T = Sc./(3.14*D*f) (3)<br /> Trong đó: D – đường kính chi tiết gia công<br /> Sc - diện tích bề mặt chi tiết gia công được<br /> tính: Sc = π.D.L (4)<br /> L- chiều dài chi tiết gia công.<br /> Thời gian sản xuất [8]:<br /> Tp = Ts+V.(1+Tc/T)/MRR+T (5)<br /> Trong đó: α1, α2, α3 là các hệ số. Ts, Tc, Ti là<br /> thời gian cài đặt dao, thời gian thay dao và thời<br /> gian nghỉ của dao trong quá trình làm việc. V –<br /> là khối lượng vật liệu được bóc tách.<br /> V = Sc.t (6) Trong đó: t – chiều sâu cắt.<br /> Chi phí sản suất<br /> Chi phí để sản suất một sản phẩm Cp phụ<br /> thuộc vào các giá trị v,f,t thông qua T và Tp<br /> được cho theo công thức [8];<br /> Cp = Tp.((Ct/T)+C1+C0 (7)<br /> - Trong đó: Ct, C1,C0 là chi phí dụng cụ, nhân<br /> công và chi phí quản lý.<br /> 24<br /> <br /> 118(04): 23 - 28<br /> <br /> Chất lượng bề mặt<br /> Tiêu chí quan trọng nhất cho việc đánh giá<br /> chất lượng sản phẩm là nhám bề mặt (Ra) và<br /> được tính theo công thức:<br /> Ra= k.vx3.fx2.tx3 (8)<br /> - Trong đó: k, x1,x2, và x3 là các hằng số liên<br /> quan đến mối quan hệ giữa dao và phôi.<br /> Các điều kiện rằng buộc<br /> Từ những kết quả thống kê thực nghiệm, nhà<br /> sản xuất đưa ra những giới hạn cho việc lựa<br /> chọn các thông số v,f,t.<br /> vmin ≤ v ≤ vmax ; fmin ≤ f ≤ fmax ; tmin ≤ t ≤ tmax<br /> THUẬT TOÁN TỐI ƯU HÓA ĐA MỤC TIÊU<br /> DỰA VÀO MẠNG NƠ RON NHÂN TẠO<br /> Mạng nơron chuyển thẳng nhiều lớp đã được<br /> chứng minh là phù hợp trong việc xấp xỉ theo<br /> các hàm phi tuyến.<br /> Với bài toán tối ưu hóa thông số chế độ cắt,<br /> thì mạng nơron nhân tạo (ANN) cần ba đầu<br /> vào cho ba thông số là v (vận tốc cắt), f<br /> (lượng chạy dao), t (chiều sâu cắt). Đầu ra sẽ<br /> là hàm tối ưu hóa y(T,C,R). Thời gian huấn<br /> luyện mạng hay thời gian để tìm ra kết quả là<br /> rất ngắn. Sơ đồ cấu trúc mạng rơron truyền<br /> thẳng có cấu trúc như hình 1.<br /> <br /> Hình 1. Sơ đồ cấu trúc mạng mạng nơron ba lớp<br /> <br /> Luyện mạng (Training)<br /> Có hai giai đoạn khác biệt trong quá trình<br /> hoạt động của 1 mạng nơron đó là: Luyện<br /> mạng (dạy) và thu hồi (ứng dụng). Đào tạo là<br /> một quá trình lặp đi lặp lại việc điều chỉnh các<br /> trọng số trong việc kết nối để làm giảm các<br /> lỗi dự đoán trong việc huấn luyện. Các thuật<br /> toán phản hồi ngược được áp dụng cho mỗi<br /> mô hình, đầu vào và mục tiêu, cho tất cả các<br /> bộ mẫu trong tập huấn luyện. Từ quá trình<br /> <br /> Nguyễn Văn Tùng và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 118(04): 23 - 28<br /> <br /> học tập được lặp đi lặp lại, toàn bộ tập huấn<br /> luyện sẽ phải được trình lên mạng nơron cho<br /> đến khi lỗi đạt đến một giá trị tối thiểu chấp<br /> nhận được. Mục tiêu cơ bản trong đào tạo<br /> mạng nơron bất kỳ là giảm thiểu lỗi tổng thể<br /> của mạng.<br /> Kiểm tra mạng (Testing)<br /> Các sai số tuyệt đối trung bình được cho bởi<br /> hàm:<br /> <br /> Hình 2. Sơ đồ cấu trúc mạng noron truyền thẳng<br /> 1 lớp ẩn<br /> <br /> Trong đó Zm = (Xi,Yi), i = 1,m, là số mẫu đào<br /> tạo. W là các hàm trọng, và sau khi luyện<br /> mạng xong ta sẽ được hàm g(X,W) là hàm<br /> hàm mục tiêu.<br /> Các bước tối ưu hóa thông số cắt<br /> Nhập dữ liệu đầu vào<br /> - Công nghệ gia công và thời gian chuẩn bị<br /> (thời gian chuẩn bị, thời gian thay đổi dụng<br /> cụ, thời gian nghỉ của dụng cụ…)<br /> - Chi phí (chí phí dụng cụ, nhân công, ..)<br /> - Giới hạn (điều kiện cắt, công suất máy…)<br /> Tạo các điều kiện cắt ngẫu nhiên<br /> Để đảm bảo độ chính xác và số làn thí<br /> nghiệm ít trong bài báo này lấy 20 dữ liệu<br /> trong phạm vi cho phép của điều kiện cắt để<br /> huấn luyện [8].<br /> Tính các giá trị (MRR, Cp, T, Ra, Tp,<br /> z(Tp,Cp,Ra)<br /> Lập các ma trận đầu vào và đầu ra để<br /> chuẩn bị cho quá trình huấn luyện mạng và<br /> kiểm tra mạng.<br /> Sử dụng mạng nơron nhân tạo:<br /> Mục đích là để dự đoán giá trị của hàm chức<br /> năng (y) trong trường hợp lấy các điều kiện<br /> cắt ngẫu nhiên.<br /> - Lựa chọn cấu trúc mạng và tìm các giá trị<br /> tối ưu. Lựa chọn cấu trúc mạng và số nơron ở<br /> lớp ẩn phụ thuộc và kinh nghiệm của người<br /> lập trình. Trong bài báo này chúng tôi lựa<br /> chọn cấu trúc mạng gồm lớp đầu vào (ba đầu<br /> vào), một lớp ẩn (có 9 noron) và một lớp đầu<br /> ra (một đầu ra) như hình 2.<br /> <br /> - Quá trình kiểm tra mạng. Nếu kiểm tra thành<br /> công và các sai số của dự báo nằm trong<br /> khoảng cho phép, thì mô hình thực nghiệm<br /> được hoàn thành và sẵn sàng để sử dụng.<br /> Nếu quá trình huấn luyện không thành công<br /> thì phải thực hiện lặp đi lặp lại với lượng dữ<br /> liệu huấn luyện lớn hơn hoặc các thông số<br /> đào tạo phải được thay đổi.<br /> - Xử lý dữ liệu sau khi đào tạo và kiểm tra.<br /> Quá trình tối ưu hóa<br /> - Xác định được hàm mục tiêu y(Ra,Tp,Cp)<br /> thông qua việc luyện mạng, sau đó sẽ tiến<br /> hành tìm giá trị cực trị của hàm y. Cụ thể ở<br /> đây ta sẽ tìm giá trị cực đại của hàm y trong<br /> giới hạn của các điều kiện cắt. Từ đó tìm<br /> được các giá trị các điều kiện cắt tối ưu<br /> (v0,fo,t0).<br /> Tính các giá trị của Ra, Tp, Cp theo các điều<br /> kiện cắt tối ưu.<br /> ỨNG DỤNG MẠNG ANN ĐỂ TỐI ƯU<br /> HÓA CHẾ ĐỘ CẮT KHI TIỆN THÉP 9XC<br /> SAU NHIỆT LUYỆN BẰNG DAO PCBN<br /> Thí nghiệm trên máy tiện CNC: Quick<br /> turning smat 200 của hãng Mazak, mảnh<br /> dao PCBN, và phôi thép 9XC tôi đạt độ<br /> cứng 58 - 62HRC, kích thước: φ62, chiều<br /> dài cắt, L = 300 mm.<br /> Các điều kiện ràng buộc:<br /> 100 m/phút ≤ v ≤ 170m/phút ;<br /> 0.07mm/vòng ≤ f ≤ 0.15mm/vòng ;<br /> 0.09mm ≤ t ≤ 0.5mm.<br /> Ts = 0.12phút; Tc = 0.26phút; Ti = 0.04phút;<br /> Ct = 271000VNĐ; C1 = 6200VNĐ;<br /> C0 = 1600VNĐ;<br /> 25<br /> <br /> Nguyễn Văn Tùng và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> Vì đây là tiện tinh, lực cắt bé nên nó sẽ thỏa<br /> mãn các điều kiện về lực hay công suất máy.<br /> <br /> 118(04): 23 - 28<br /> <br /> mục tiêu z(Ra,Tp,Cp) được các nhà sản suất<br /> sử dụng [8].<br /> <br /> - Xây dựng dữ liệu đầu vào X = [v; f; t] và dữ<br /> liệu đầu ra z(Ra,Tp,Cp)<br /> (9)<br /> - Sau khi luyện mạng và kiểm tra mạng ta thu<br /> được kết quả (y), và kết quả so sánh giữa hàm<br /> z (Ra, Tp,Cp) và hàm (y) được chỉ ra ở bảng 2.<br /> Bằng phương pháp vét cạn ta tìm được giá trị<br /> max(y) và các điều kiện cắt tối ưu vop, fop, top<br /> và tính ra được các giá trị Ra, Tp,Cp tương<br /> ứng bảng 3.<br /> <br /> - Làm thí nghiệm với các bộ thông số v,f,t<br /> ngẫu nhiên (được chỉ ra ở bảng 1) và đây là<br /> số liệu đầu vào cho việc dùng để luyện mạng.<br /> Các giá trị v,f,t được lấy ngẫu nhiên để tiến<br /> hành thí nghiệm, sau đó đo được các giá trị<br /> Ra, và Sc. Từ đó tính được các giá trị Tp, Cp<br /> thông qua các công thức từ (1) đến (7). Hàm<br /> <br /> Bảng 1. Dữ liệu được lấy ngẫu nhiên để tiến hành luyện mạng<br /> TT<br /> 1<br /> 2<br /> 3<br /> 4<br /> 5<br /> 6<br /> 7<br /> 8<br /> 9<br /> 10<br /> 11<br /> 12<br /> 13<br /> 14<br /> 15<br /> 16<br /> 17<br /> 18<br /> 19<br /> 20<br /> <br /> v(m/min)<br /> 157.0307<br /> 163.4054<br /> 108.8891<br /> 163.9363<br /> 144.2651<br /> 106.8278<br /> 119.4949<br /> 138.2817<br /> 167.0255<br /> 167.5422<br /> 111.0329<br /> 167.9415<br /> 167.0017<br /> 133.9763<br /> 156.0196<br /> 109.9320<br /> 129.5233<br /> 164.1015<br /> 155.4545<br /> 167.1645<br /> <br /> f(mm/rev)<br /> 0.1225<br /> 0.0729<br /> 0.1379<br /> 0.1447<br /> 0.1243<br /> 0.1306<br /> 0.1295<br /> 0.1014<br /> 0.1224<br /> 0.0837<br /> 0.1265<br /> 0.0725<br /> 0.0922<br /> 0.0737<br /> 0.0778<br /> 0.1359<br /> 0.1256<br /> 0.0954<br /> 0.1460<br /> 0.0728<br /> <br /> t(mm)<br /> 0.1383<br /> 0.1320<br /> 0.1742<br /> 0.1775<br /> 0.1106<br /> 0.1439<br /> 0.1390<br /> 0.1611<br /> 0.1680<br /> 0.1730<br /> 0.1204<br /> 0.1648<br /> 0.1621<br /> 0.1079<br /> 0.1031<br /> 0.1448<br /> 0.1956<br /> 0.1274<br /> 0.1544<br /> 0.1146<br /> <br /> Ra(µm)<br /> 0.5044<br /> 0.4503<br /> 0.4448<br /> 0.5706<br /> 0.4810<br /> 0.4596<br /> 0.4767<br /> 0.4751<br /> 0.5470<br /> 0.5109<br /> 0.4815<br /> 0.4882<br /> 0.5090<br /> 0.4328<br /> 0.4264<br /> 0.4667<br /> 0.4805<br /> 0.4717<br /> 0.5359<br /> 0.4310<br /> <br /> Tp(phút)<br /> 0.2864<br /> 0.4468<br /> 0.4191<br /> 0.2312<br /> 0.3604<br /> 0.5435<br /> 0.4411<br /> 0.3756<br /> 0.2486<br /> 0.3060<br /> 0.6009<br /> 0.3509<br /> 0.2994<br /> 0.7481<br /> 0.5624<br /> 0.4891<br /> 0.3169<br /> 0.3439<br /> 0.2506<br /> 0.4966<br /> <br /> Cp(VNĐ)<br /> 2996<br /> 3988<br /> 4054<br /> 2852<br /> 3470<br /> 4940<br /> 4134<br /> 3596<br /> 2828<br /> 3048<br /> 5336<br /> 3316<br /> 3016<br /> 6336<br /> 4860<br /> 4528<br /> 3296<br /> 3284<br /> 2896<br /> 4340<br /> <br /> z(Ra,Tp,Cp)<br /> 0.9353<br /> 0.9173<br /> 0.9196<br /> 0.9385<br /> 0.9268<br /> 0.9027<br /> 0.9158<br /> 0.9249<br /> 0.9380<br /> 0.9330<br /> 0.8942<br /> 0.9283<br /> 0.9338<br /> 0.8779<br /> 0.9030<br /> 0.9096<br /> 0.9318<br /> 0.9298<br /> 0.9379<br /> 0.9117<br /> <br /> Bảng 2. Sai số giữa giá trị hàm z và kết quả luyện mạng y<br /> TT<br /> 1<br /> 2<br /> 3<br /> 4<br /> 5<br /> 6<br /> 7<br /> 8<br /> 9<br /> 10<br /> <br /> 26<br /> <br /> z(Ra, Tp,Cp)<br /> 0,9353<br /> 0,9173<br /> 0,9196<br /> 0,9385<br /> 0,9267<br /> 0,9026<br /> 0,9157<br /> 0,9249<br /> 0,9380<br /> 0,9329<br /> <br /> Hàm z và y<br /> y(Ra,Tp,Cp)<br /> 0,9350<br /> 0,9176<br /> 0,9200<br /> 0,9383<br /> 0,9213<br /> 0,9029<br /> 0,9147<br /> 0,9245<br /> 0,9379<br /> 0,9315<br /> <br /> z-y<br /> 0,0003<br /> -0,0003<br /> -0,0004<br /> 0,0002<br /> 0,0054<br /> -0,0003<br /> 0,0001<br /> 0,0004<br /> 0,0004<br /> 0,0014<br /> <br /> TT<br /> 11<br /> 12<br /> 13<br /> 14<br /> 15<br /> 16<br /> 17<br /> 18<br /> 19<br /> 20<br /> <br /> z(Ra, Tp,Cp)<br /> 0,8942<br /> 0,9282<br /> 0,9338<br /> 0,8778<br /> 0,9030<br /> 0,9096<br /> 0,9317<br /> 0,9297<br /> 0,9379<br /> 0,9116<br /> <br /> Hàm z và y<br /> y(Ra,Tp,Cp)<br /> 0,8944<br /> 0,9281<br /> 0,9339<br /> 0,8778<br /> 0,9026<br /> 0,9098<br /> 0,9331<br /> 0,9295<br /> 0,9378<br /> 0,9120<br /> <br /> z-y<br /> -0,0002<br /> 0,0004<br /> -0,0004<br /> 0,0000<br /> 0,0004<br /> -0,0002<br /> -0,0014<br /> 0,0002<br /> 0,0004<br /> 0,0004<br /> <br /> Nguyễn Văn Tùng và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 118(04): 23 - 28<br /> <br /> Bảng 3. So sánh phương pháp ANN và phương pháp giải tích<br /> Hàm cơ sở<br /> z(Ra,Tp,Cp)<br /> y(Ra,Tp,Cp)<br /> <br /> v(m/phút)<br /> 169<br /> 170<br /> <br /> f(mm/vòng)<br /> 0.148<br /> 0.151<br /> <br /> t(mm)<br /> 0.12<br /> 0.12<br /> <br /> Hình 3 Đồ thị thể hiện kết quả quá trình luyện<br /> mạng, và kiểm tra mạng,<br /> <br /> THẢO LUẬN VỀ KẾT QUẢ<br /> Với thí nghiệm này, chúng tôi đã sử dụng<br /> mạng nơron truyền thẳng một lớp ẩn (có 9<br /> nơron) kết quả khá chính xác, thời gian thực<br /> hiện nhanh. Bảng 3 cho thấy kết quả lựa chọn<br /> các giá trị điều kiện cắt tối ưu và các giá trị<br /> tương ứng của các mục tiêu.<br /> * Ưu điểm của phương pháp này: Tự động tìm<br /> kiếm hàm ràng buộc phi tuyến giữa đầu vào và<br /> đầu ra nhanh chóng đơn giản và chính xác.<br /> * Nhược điểm của phương pháp này: Độ<br /> chính xác của bài toán tỉ lệ với số thí nghiệm,<br /> do đó cần phải làm nhiều thí nghiệm.<br /> KẾT LUẬN<br /> Bài báo này trình bày việc ứng dụng mạng<br /> nơron nhân tạo để tối ưu hóa đa mục tiêu các<br /> điều kiện cắt. Cấu trúc mạng được sử dụng là<br /> mạng truyền thẳng gồm ba lớp. Các bước<br /> <br /> Ra(µm)<br /> 0.5035<br /> 0.5099<br /> <br /> Tp(phút)<br /> 0.2327<br /> 0.2337<br /> <br /> Cp(vnđ)<br /> 2874<br /> 2808<br /> <br /> Sc (m2)<br /> 18724<br /> 18727<br /> <br /> Hình 4. Đồ thị thể hiện mối quan hệ giữa vận tốc cắt<br /> (v), lượng chạy dao (f),và giá trị hàm tối ưu tổng quát<br /> y<br /> <br /> thực hiện được đưa ra nhanh chóng để giải<br /> các bài toán tối ưu đa mục tiêu một cách<br /> tương đối chính xác trên máy tính. Do có tốc<br /> độ xử lý nhanh, tốn ít tài nguyên của máy<br /> tính, đảm bảo tối tối ưu hóa các điều kiện cắt<br /> trong thời gian nhanh.<br /> Ứng dụng trong việc tìm điều kiện cắt tối ưu<br /> khi tiện thép 9XC sau tôi bằng dao PCBN đã<br /> cho kết quả khá chính xác, kết quả được đưa<br /> ra và so sánh với phương pháp khác ở bảng 3.<br /> Những nghiên cứu có thể phát triển từ mô<br /> hình nghiên cứu ứng dụng mạng ANN như<br /> điều khiển thích nghi quá trình gia công, hoặc<br /> điều chỉnh online các tham số trong quá trình<br /> cắt thông qua các cảm biến, hay có thể dự báo<br /> về mòn dụng cụ, sai lệch kích thước trong quá<br /> trình gia công.<br /> <br /> 27<br /> <br />