MATHEMATICAL MODELING AND OPTIMIZATION OF SURFACE ROUGHNESS IN TURNING OF POLYAMIDE BASED ON ARTIFICIAL NEURAL NETWORK

Straipsnyje pristatoma tekinamo poliamido pavirsiaus siurkstumo matematinio modeliavimo metodologija, paremta dirbtinio neuroninio tinklo naudojimu. Pavirsiaus siurkstumo modelis yra sukurtas naudojant pagrindinius pjovimo parametrus: pastūmos greitį, pjovimo greitį, pjovimo gylį ir įrankio virsūnės suapvalinimo spindulį. Modeliavimo duomenys buvo parinkti eksperimentiskai, naudojant „Taguchi L 27 “ ortogonaliąją tvarką. Papildant modeliavimą, taikytas simpleksinis optimizavimo metodas ir nustatyti optimalūs pjovimo parametrai, minimizuojantys pavirsiaus siurkstumą. Is modelio analizės, atliktos naudojant 3D charakteristikų grafikus, buvo padarytos isvados. Pastūmos greitis yra pagrindinis veiksnys, lemiantis pavirsiaus siurkstumą, po įrankio virsūnės spindulio ir pjovimo gylio. Pjovimo greicio efektas yra labai nedidelis. Minimalus pavirsiaus siurkstumas gaunamas derinant nedidelį pastūmos greitį, nedidelį pjovimo greitį ir didelį įrankio virsūnės spindulį. DOI: http://dx.doi.org/10.5755/j01.mech.18.5.2701

[1]  S. R. Karnik,et al.  Study on Some Aspects of Machinability in Unreinforced and Reinforced Polyamides , 2009 .

[2]  Francisco Mata,et al.  Modeling and Analysis of Machinability Characteristics in PA6 and PA66 GF30 Polyamides through Artificial Neural Network , 2010 .

[3]  S. Sumathi,et al.  Computational Intelligence Paradigms: Theory & Applications using MATLAB , 2010 .

[4]  Parag Vichare,et al.  An intelligent approach for the prediction of surface roughness in ball-end machining of polypropylene , 2008 .

[5]  Johann Gasteiger,et al.  Neural networks in chemistry and drug design , 1999 .

[6]  A. A. Safavi,et al.  Real-time parameter identification for highly coupled nonlinear systems using adaptive particle swarm optimization , 2010 .

[7]  Miloš Madić,et al.  METHODOLOGY OF NEURAL NETWORK BASED MODELING OF MACHINING PROCESSES , 2010 .

[8]  V. N. Gaitonde,et al.  Taguchi Approach for Achieving Better Machinability in Unreinforced and Reinforced Polyamides , 2008 .

[9]  C. J. Luis Pérez,et al.  Surface roughness prediction by factorial design of experiments in turning processes , 2003 .

[10]  Serhat Yilmaz,et al.  Surface roughness prediction in machining of cast polyamide using neural network , 2011, Neural Computing and Applications.

[11]  Madhan Shridhar Phadke,et al.  Quality Engineering Using Robust Design , 1989 .

[12]  Mohammad Reza Razfar,et al.  The selection of milling parameters by the PSO-based neural network modeling method , 2011 .

[13]  Parag Vichare,et al.  Surface roughness prediction model for CNC machining of polypropylene , 2008 .

[14]  Imtiaz Ahmed Choudhury,et al.  Surface roughness prediction in the turning of high-strength steel by factorial design of experiments , 1997 .

[15]  J. Paulo Davim,et al.  A note on the determination of optimal cutting conditions for surface finish obtained in turning using design of experiments , 2001 .