عنوان

طراحی سیستم هوشمند برای بهینه سازی پارامترهای ماشینکاری مرحله پرداخت کاری فرآیند تراشکاری

شماره

‭۳۰۱۹پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

طراحی سیستم هوشمند برای بهینه سازی پارامترهای ماشینکاری مرحله پرداخت کاری فرآیند تراشکاری

نام نخستين پديدآور

/حسن حیدری

نام ناشر، پخش کننده و غيره

تبریز: دانشگاه تبریز، دانشکده فنی مهندسی مکانیک، گروه مهندسی ساخت و تولید

نام خاص و کميت اثر

‮‭۱۲۰‬ص‬

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مکانیک-ساخت وتولید

زمان اعطا مدرک

‮‭۱۳۸۵/۱۰/۲۰‬

کسي که مدرک را اعطا کرده

تبریز: دانشگاه تبریز، دانشکده فنی مهندسی مکانیک، گروه مهندسی ساخت و تولید

متن يادداشت

با توجه به کاربردهای متنوع فرایند تراشکاری در تولید محصولات صنعتی و اهمیت و نقش موثر مرحله پرداخت در کیفیت محصولات ، بهینه سازی پارامترهای ماشینکاری در فرایندهای تولید و به صورت بهنگام‮‭line )- (on‬یکی از موضوعات مهم در سیستمهای تولید انعطاف پذیر ‮‭(FMS)‬میباشد .با توجه به اینکه انتخاب مقادیرپارامترهای ماشینکاری مانند سرعت برشی و نرخ پیشروی مستقیما بر روی زمان و هزینه تمام شده محصول تاثیر گذار است، انتخاب بهینه این پارامترها در کاهش هزینه تولید و افزایش بهره‌وری می‌تواند موثر واقع شود. هدف اصلی این پایان‌نامه طراحی یک سیستم هوشمند می باشد که با استفاده از سیستم کنترل‌تطبیقی و تکنیک شبکه‌های‌عصبی ، پارامترهای ماشینکاری بهینه را به صورت بهنگام و با در نظر گرفتن شرایط واقعی فرایند برش تعیین نماید. مطالب در این پایان نامه در سه فصل تنظیم شده است . به طوری که در سه بخش فصل اول در مورد فرایند ماشینکاری ، مکانیزم سایش ، تاثیر اقتصادی استفاده از سیستمهای کنترل‌تطبیقی در کاهش هزینه و زمان تولید ، ضریب عملکرد سیستم و نحوه کار سیستم های کنترل‌تطبیقی با بهینه‌سازی توضیح داده شده است. درفصل دوم روش اجرای سیستم کنترل‌تطبیقی به کمک شبکه عصبی پیشنهادی که در این پایان‌نامه مد نظر می‌باشد بیان شده است . در ادامه مدل تجربی که بیانگر تاثیر پارامترهای مرتبط با جنس قطعه کار) سختی (، هندسه ابزار)شعاع نوک (با مقادیر سرعت برشی و نرخ پیشروی می‌باشد ، روی خروجی های سیستم برش از جمله نرخ سایش ، زبری سطح ماشینکاری شده ، توان مصرفی ، درجه حرارت نوک ابزار بررسی و صحت این مدل‌ها بعد از مقایسه با نتایج داده شده در مراجع معتبر مورد تایید قرار گرفته‌است ، و روش گرادیان به عنوان روش بهینه‌سازی فرایند پیشنهادی مورد مطالعه قرارگرفته ، الگوریتم جستجوی مقادیر بهینه پارامترها که شامل سرعت برشی و نرخ پیشروی است با ذکر مثال توضیح داده شده‌است .نتایج حاصله نشان دهنده افزایش حجم براده تولید شده به مقدار ‮‭۳۱‬ با شرایط اولیه‮‭( v=۱۲۰ m/min‬ و ‮‭f=۰.۲۵mm/rev)‬ به ازای طول عمر ابزار ثابت و در مقایسه با شرایط بدون بهینه سازی شده می‌باشد .نتایج به دست آمده نشان دهنده موثر بودن استفاده از تکنیک بهینه سازی به روش کنترل تطبیقی در شرایط پرداختکاری است. در قسمت پایانی نتایج به دست آمده از شبکه عصبی پیشنهادی ارایه شده است .این شبکه از نوع ‮‭BP‬ می باشد که از سه لایه تشکیل شده و ورودی آن سختی قطعه کار ، شعاع لبه ابزار، سرعت برشی ، نرخ پیشروی و زمان ماشینکاری و خروجی آن نرخ سایش ابزار می باشد .برای آموزش شبکه از تعدادی داده‌های تجربی که توسط محققین در سایر مراجع برای جنس قطعه کار ‮‭AISI H۱۳‬ و جنس ابزار ‮‭CBN‬ داده شده استفاده گردیده است . جهت اطمینان از عملکرد صحیح شبکه طراحی شده ابتدا نتایج به دست آمده برای تخمین دمای نوک ابزار و توان مصرفی حین ماشینکاری در دو حالت‮‭۱‬ - با استفاده از مدلهای تجربی و‮‭۲‬ - با استفاده از شبکه عصبی مقایسه شده است .نتایج نشان دهنده قابلیت جایگزینی شبکه عصبی پیشنهادی با مدلهای تجربی است .به عبارت دیگر شبکه عصبی پیشنهاد شده می تواند به صورت‮‭line - on‬جهت تخمین نرخ سایش ابزار ، محاسبه ضریب عملکرد سیستم ماشینکاری و نهایتا بهینه سازی دو پارامتر ماشینکاری ، سرعت برشی و نرخ پیشروی ، مورد استفاده قرار گیرد

متن يادداشت

On line optimization of the machining process is one of the most important object in flexible manufacuring systems. The machining parameters such as cutting speed and feed rate that directly effect the total production costs and time.With selecting the optimal machining parameters the production costs decrease and the productivity increase. Main idea in this research is design an on line intelligent system using adaptive control and neural network techniques. This research were presented in 3 chapter. The main subject were discussed in the first chapter are machining processes , tool wear mechanisms , adaptive control with optimization thechnique and its economic effect on cost and time reduction. In the second chapter we present , the adaptive control with optimization matching with neural network and experimental models that needed for our system, such as tool wear rate , cutting power , cutting tool edge temperature , surface roughness.Also the proposed optimization studied and optimum parameters selection algorithm were explained with two practical examples. A comparision between the machining with optimized parameters and non optimized one obtained from handbook show that the metal removed could be increase up to 30 . The neural network used in this research is back-propagation and has three layers; that is, input, hidden, and output layers. The input variables are work piece hardness, tool edge radius, cutting speed, feed rate and machining time.The outputs variables are tool wear rate and work piece surface roughness. The experimental data when machining the work piece AISI H13 steel with CBN cutting tool used for learning neural network. The relaibility of network proposed in this study validated by experimental model results. The results obtained show the effectiveness of the system proposed and it's utility for on-line tool wear rate estimation in machining

موضوع مستند نشده

Optimization

موضوع مستند نشده

Adaptive Control

موضوع مستند نشده

Neural Network

موضوع مستند نشده

Performance Index

مستند نام اشخاص تاييد نشده

حیدری، حسن

مستند نام اشخاص تاييد نشده

زادشکویان، محمد، استاد راهنما

مستند نام اشخاص تاييد نشده

دادوندی پور، صمد، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی