Tài liệu Ứng dụng phương pháp trí tuệ nhân tạo và phân tích taguchi để xác định chế độ cắt tối ưu khi gia công trên máy phay cnc (tt)

1 A. GIỚI THIỆU VỀ LUẬN ÁN 1. Tên đề tài: “Ứng dụng phƣơng pháp trí tuệ nhân tạo và phân tích Taguchi để xác định chế độ cắt tối ƣu khi gia công trên máy phay CNC” 2. Cơ sở để lựa chọn đề tài Quá trình gia công cơ khí ngày nay hướng tới gia công đạt độ chính xác cao và nâng cao hiệu quả sử dụng thiết bị. Các hệ máy gia công sử dụng hệ điều khiển số là xu hướng phát triển tất yếu trong sản xuất công nghiệp. Với ưu thế về độ chính xác gia công và năng suất gia công cao nên máy CNC được ứng dụng rất rộng dãi và phổ biến. Đối với một hệ thống công nghệ nhất định thì năng suất hay chất lượng bề mặt phụ thuộc chủ yếu vào chế độ cắt được cài đặt, vì vậy điều khiển các thông số chế độ cắt là phương pháp cơ bản và hiệu quả để kiểm soát chất lượng gia công và nâng cao hiệu quả sử dụng thiết bị. Do đó cài đặt chế độ cắt hợp lý hay tối ưu để nâng cao năng suất gia công và chất lượng gia công là điều kiện cần cho quá trình gia công cơ khí. Trong một môi trường gia công luôn tồn tại các yếu tố không điều khiển được (yếu tố nhiễu) làm giảm chất lượng gia công. Mặt khác, quá trình cài đặt các thông số công nghệ không phải lúc nào cũng cài đặt chính xác như mong muốn hay quá trình thu nhận các thông tin sau khi gia công cũng bị ảnh hưởng của các yếu tố nhiễu làm những thông tin có được gần với giá trị giá trị thực ở một mức độ tin cậy nhất định. Phương pháp phân tích thực nghiệm Taguchi được ứng dụng ngày càng phổ biến và cho phép đánh giá mức độ ảnh hưởng đó. Ngày nay, khoa học trí tuệ nhân tạo đã mô phỏng quá trình thu nhận, xử lý thông tin của bộ não người và cơ chế tối ưu trong tự nhiên và Logic mờ. Quá trình nghiên, ứng dụng khoa học trí tuệ nhân tạo trong các lĩnh vưc đạt được nhiều thành công. Từ những nghiên cứu về qui trình xác định chế độ công nghệ tối ưu hiện đang được sử dụng phổ biến và trên cơ sở phân tích, ứng dụng khoa học trí tuệ nhân tạo cũng như kỹ thuật phân tích Taguchi để đưa ra một cách tiếp cận mới xác định chế độ cắt tối ưu cho độ chính xác dự đoán cao hơn. Do vậy đề tài “Ứng dụng phƣơng pháp trí tuệ nhân tạo và phân tích Taguchi để xác định chế độ cắt tối ƣu khi gia công trên máy phay CNC” là cần thiết, thực tiễn và cấp bách. Kết quả nghiên cứu này làm phong phú cho lý thuyết qui hoạch thực nghiệm, bổ sung một công cụ tính toán cho khoa học thực nghiệm trong gia công cơ khí. Nghiên cứu còn là tiền đề phát triển, ứng dụng điều khiển quá trình công nghệ gia công trực tuyến nhằm nâng cao hiệu suất gia công trong tương lai. 3. Mục đích, đối tƣợng và phạm vi nghiên cứu 3.1 Mục đích 2 - Nghiên cứu phương pháp tiếp cận mới làm tăng khả năng dự đoán chất lượng gia công - Tăng độ chính xác khi xác định chế độ cắt tối ưu cho gia công trên máy phay CNC trên cơ sở nâng cao năng suất và chất lượng bề mặt chi tiết gia công. - Xây dựng mối quan hệ thực nghiệm giữa chế độ cắt với năng suất và chất lượng bề mặt, tính toán chế độ cắt tối ưu cho gia công một số thép hợp kim. 3.2 Đối tƣợng nghiên cứu - Nghiên cứu quá trình gia công trên máy phay CNC - Gia công một số vật liệu cứng - Ứng dụng mạng mờ nơ ron và giải thuật trí tuệ bầy đàn - Phương pháp số để tối ưu hóa - Phương pháp Taguchi xác định mức độ ảnh hưởng của các thông số công nghệ đến năng suất và chất lượng bề mặt 3.3 Phạm vi nghiên cứu Tìm phương pháp dự đoán mối quan hệ thực nghiệm và tính toán chế độ cắt hợp lý, tối ưu để đạt năng suất và chất lượng bề mặt chi tiết khi gia công trên máy phay CNC. 4. Phƣơng pháp nghiên cứu Phương pháp nghiên cứu chung là kết hợp nghiên cứu lý thuyết với nghiên cứu thực nghiệm 5. Ý nghĩa khoa học và thực tiễn của đề tài - Làm phong phú thêm lý thuyết trong qui hoạch thực nghiệm và xử lý dữ liệu thực nghiệm, quá trình tối ưu hóa các thông số công nghệ trong điều kiện tại Việt Nam - Đưa trí tuệ nhân tạo vào kỹ thuật điều khiển thông số công nghệ gia công cơ khí - Đưa phương pháp Taguchi vào trong thiết kế thực nghiệm và tính toán mức độ ảnh hưởng của thông số công nghệ đến năng suất và chất lượng bề mặt. 6. Những đóng góp mới - Ứng dụng giải pháp trí tuệ nhân tạo và phân tích Taguchi thiết lập mối quan hệ thực nghiệm giữa chế độ cắt với chất lượng bề mặt, năng suất gia công, lực cắt, độ mòn dụng cụ và xác định chế độ cắt tối ưu khi phay thép SKD11 và SKD6. - Xây dựng phần mềm BK-CTMNET dự đoán mối quan hệ thực nghiệm cho độ chính xác cao và tính toán các thông số công nghệ tối ưu phục vụ trong nghiên cứu và sản xuất. 7. Cấu trúc luận án Luận án trình bày trong 151 trang, ngoài phần mở đầu, kết luận, kiến nghị, luận án gồm 4 chương: Chương 1. Tổng quan về ảnh hưởng một số yếu tố 3 công nghệ đến năng suất và chất lượng bề mặt, phương pháp xác định chế độ cắt tối ưu khi gia công trên máy phay CNC; Chương 2. Giải pháp trí tuệ nhân tạo và ứng dụng; Chương 3. Phương pháp xác định chế độ cắt tối ưu khi gia công trên máy phay CNC; Chương 4. Xây dựng mô hình toán học bằng thực nghiệm giữa chế độ cắt với các thông số công nghệ và xác định chế độ cắt tối ưu trên máy phay CNC. B. NỘI DUNG LUẬN ÁN Chƣơng 1: Tổng quan về ảnh hƣởng một số yếu tố công nghệ đến năng suất và chất lƣợng bề mặt, phƣơng pháp xác định chế độ cắt tối ƣu khi gia công trên máy phay CNC 1.1 Các chỉ tiêu đánh giá chất lƣợng bề mặt. Chất lượng bề mặt gia công là tập hợp các chỉ tiêu về các yếu tố hình học, tính chất cơ lý mà nó là kết quả để lại sau tương tác giữa dụng cụ cắt với bề mặt chi tiết gia công. Các thông số chất lượng bề mặt quyết định rất lớn đến khả năng làm việc của chi tiết máy. Vì vậy các phương pháp gia công cũng nhằm đảm bảo các chỉ tiêu về chất lượng bề mặt và được quyết định nhiều bởi phương pháp gia công tinh lần cuối và chế độ công nghệ. 1.2 Năng suất gia công Năng suất cắt là một chỉ tiêu kinh tế đặc trưng cho quá trình cắt. Các phương pháp gia công đều nhằm đảm bảo năng suất cắt cao nhất trong điều kiện công nghệ cụ thể. Năng suất cắt khi phay tỷ lệ thuận diện tích cắt và vận tốc cắt do đó năng suất cắt tỷ lệ thuận với lượng tiến dao, vận tốc cắt và chiều sâu cắt Đối với hệ thống công nghệ nhất định cài đặt một chế độ cắt hợp lý đảm bảo chất lượng bề mặt và nâng cao năng suất gia công là điều kiện cần cho mọi quá trình công nghệ. Từ phân tích trên thấy rằng chất lượng bề mặt và năng suất cắt khi gia công là hai yếu tố quan trọng trong chuỗi quá trình sản xuất. Đối với một hệ thống công nghệ được đầu tư xác định, cả hai yếu tố bị quyết định rất lớn từ chế độ công nghệ được cài đặt trong đó chế độ cắt là yếu tố được điều khiển linh hoạt. Thay đổi chế độ cắt là một phương pháp cơ bản và hiệu quả nhất để kiểm soát chất lượng bề mặt và tăng năng suất gia công. 1.3 Phƣơng pháp truyền thống xác định chế độ công nghệ Gia công với chế độ hợp lý hay tối ưu là điều kiện cần cho mọi quá trình công nghệ. Hiện nay xác định chế độ cắt hợp lý cho mỗi loại vật liệu trên một hệ thống công nghệ cụ thể được thực hiện theo tiến trình trong hình 1.2 gồm 6 bước cơ bản . 4 Đối với mô hình truyền thống để nâng Bắt đầu cao độ chính xác khi xác định chế độ công nghệ tối ưu ngoài yếu tố cố định (hệ thống công nghệ, thu thập dư liệu) thì tồn tại ở 2 Xây dựng bảng qui hoạch thực khâu quyết định chính là xác định mối quan nghiệm hệ thực nghiệm và phương pháp giải bài toán tối ưu. Tuy nhiên 2 khâu này lại có tính linh hoạt và mềm dẻo nên có thể thay đổi Tiến hành thực nghiệm và thu được trong chuỗi quá trình trên và các thập các số liệu cần quan tâm: phương pháp truyền thống hiện nay đang Rz, Sn, F, hs... được sử dụng tập trung vào một số giải pháp 1.3.1 Mô hình xác định mối quan hệ thực Xác định mối quan hệ thực nghiệm nghiệm giữa chế độ cắt với đầu Hiện nay mối quan hệ thực nghiệm được ra: RZ=f(V,S,t)... xác định phổ biến bằng 2 phương pháp: bình phương cực tiểu và hồi qui thực nghiệm Thành lập bài toán tối ưu: hàm a) Phương pháp bình phương cực tiểu mục tiêu, các điều kiện biên. Phương pháp có khả năng xử lý với mọi bộ dữ liệu nên kết quả đưa ra phù hợp với thực nghiệm.Trong quá trình tính toán, do Giải bài toán tối ưu, xác định thực hiện phép tổng các giá trị thực nghiệm chế độ cắt tối ưu bậc lẻ nên có thể giản các sai số ngẫu nhiên trong quá trình thí nghiệm mà không quản lý được. Phuơng pháp bình phương cực tiểu, Thực nghiệm và kiểm tra do bản chất của nó là nội suy một đường (mặt) để đạt một chỉ tiêu nào đó, nên có sai số phương pháp. Tuy nhiên Nhược điểm lớn Kết thúc nhất của phương pháp này đòi hỏi một lượng lớn các phép tính toán. Nếu thực hiện tính Hình 1.2 Quá trình xác định chế độ cắt tối ưu thực nghiệm toán bằng tay phương pháp này còn gây ra sai số tính toán. Do đặc trưng công thức tính toán có tổng bình phương nên có thể gây nên các sai số tích lũy trong công thức tính toán cuối cùng. b) Phương pháp qui hoạch thực nghiệm Phương pháp quy hoạch thực nghiệm tốn ít thời gian nhất để nhận thông tin nhiều nhất. Do vậy phương pháp đơn giản và đòi hỏi ít số liệu thí nghiệm và ít xử lý toán học phức tạp. Do sử dụng ít tính toán nên phương pháp này hầu như loại bỏ được sai số tính toán.Tuy sử dụng ít thí nghiệm nhưng ở một giới hạn thì kết quả là chấp nhận được nếu đã biết trước hàm phụ thuộc. Tuy phương pháp đòi hỏi ít dữ liệu thí nghiệm nhưng cũng đòi hỏi tiến hành một 5 lượng không nhỏ thí nghiệm kiểm tra tính đồng nhất, sau khi tiến hành những kết quả này lại không đưa vào trong công thức cuối cùng cần đạt được. Như vậy làm giảm tính kinh tế và tính chính xác của phương pháp. Do tiến hành một số ít thí nghiệm nên không thể tìm ra những điểm khác biệt, những vấn đề mới mà một quá trình thí nghiệm đòi hỏi. Nếu không thực hiện nhiều thí nghiệm thì không thể tìm ra một quy luật đã đúng trong một giới hạn hẹp dữ liệu đầu vào. Phương pháp quy hoạch thực nghiệm nên áp dụng với dữ liệu cách đều nhau. 1.3.2 Mô hình xác định chế độ công nghệ tối ƣu Bài toán tối ưu được thiết lập dựa vào mục đích của người làm công nghệ. Thông thường mục đích cuối cùng cần tìm ra chế độ công nghệ tối ưu hoặc chế độ công nghệ hợp lý để mở rộng khả năng công nghệ trên thiết bị. Quá trình này thường có 2 bước bao gồm thành lập bài toán tối ưu và giải bài toán tối ưu. Bài toán tối ưu được thiết lập khi xác định rõ ràng hàm mục tiêu và định các giới hạn biên. Giải bài toán tối ưu hiện nay sử dụng các phương pháp truyền thống như: phương pháp Lagrang, Golden section, Karush-KuhnTucker (KKT), Quasi-Newton ....những phương pháp này có nhược điểm lâu hội tụ đặc biệt với những bài toán có nhiều biến đầu vào. Hiện nay các phương pháp trên được số hóa trong một số phần mềm. Mặt khác cũng có một số phương pháp sử dụng trí tuệ nhân tạo như: phương pháp GA với các dạng biến thể MOSGA, NAGAI, NAGAII.. 1.4 Đánh giá phƣơng pháp truyền thống xác định chế độ công nghệ tối ƣu Mô hình thiết lập mối quan hệ thực nghiệm truyền thống sử dụng tiêu chuẩn để xác định một hàm toán học thực nghiệm là tổng độ lệch bình phương khoảng cách giữa điểm thực nghiệm và điểm dự đoán E là nhỏ nhất. Hình 1.5 thể hiện đường quan hệ thực đo và đường quan hệ dự đoán bởi phương pháp. n 1 n yido yitt E E i2 (1.1). i .100% (1.2), tb i (1.3). trong đó ni1 yido i 1 i là sai số tương đối giữa điểm thực đo Aiđo và điểm dự đoán bởi phương pháp Aitt, ngoài ra tính đến độ phân tán sai số . Nhược điểm đối với 2 phương pháp trên sử dụn g tiêu chuẩn độ lệch E càng nhỏ cảng tốt sẽ dẫn đến sai lệch tương đối tại các điểm có thể rất lớn và độ phân tán lớn. Cách tiếp cận theo tiêu chuẩn độ lệch E chưa thể đảm bảo tìm được một mối quan hệ tốt nhất cho tập dữ liệu thực nghiệm. Vì cậy cách tiếp cận nâng cao khả năng dự đoán là thay vì sử dụng tiêu chuẩn độ lệch E thì sử dụng tiêu chuẩn sai lệch trung bình các điểm tb và độ phân tán sai số . Một hàm quan hệ thực nghiệm dự đoán chính xác cao phải đảm bảo tb và càng nhỏ càng tốt. 6 Trong quá trình gia công y hay thu thập các thông tin A1tt E1 trong và sau gia công luôn A1do tồn tại các yếu tố không kiểm Đường quan hệ thực đo soát được (yếu tố nhiễu) do vậy một phương pháp xác Đường quan hệ dự đoán định mối quan hệ thực En nghiệm mà không ước lượng Aido Antt được mức độ ảnh hưởng của Ei yido nhiễu sẽ khó xác định được yitt mối quan hệ thực nghiệm đó Ando Aitt có phản ánh được bản chất của mối quan hệ giữa các thông số công nghệ đến yếu xi x tố đầu ra hay không. Nếu ước lượng được mức độ của nhiễu Hình 1.5 Đường quan hệ thực nghiệm lên kết quả đầu ra có thể và dự đoán quyết định tiếp tục thực hiện tìm hàm hồi qui thực nghiệm hay dừng lại để tiến hành thí nghiệm lại với việc cải thiện điều kiện thí nghiệm. Các phương pháp truyền thống hiện nay ít quan tâm đến vấn đề này và do đó đã làm hạn chế khả năng dự đoán chính xác và phản ánh bản chất của mối quan hệ thực nghiệm. Thực chất đối với người làm công nghệ cơ khí không nhất thiết lúc nào cũng phải tối ưu cả 3 biến V, S, t mà các biến này phụ thuộc vào từng giai đoạn công nghệ cụ thể (gia công thô, tinh). Do vậy cần có cách tiếp cận phân tích mức độ ảnh hưởng của từng yếu tố chế độ công nghệ đến đầu ra, trên cơ sở đó quyết định nên sử dụng những yếu tố nào để thay đổi khi đó mới đưa biến vào bài toán tối ưu. Nếu một yếu tố ảnh hưởng đến đầu ra ít thì việc tham gia điều khiển yếu tố đó không có giá trị kinh tế cao trong khi cài đặt và tính toán giá trị cho yếu tố đó mất nhiều thời gian và tài chính. Từ những phân tích trên thấy rằng mô hình hiện nay thiết lập hàm quan hệ thực nghiệm và tính toán chế độ công nghệ tối ưu còn hạn chế, đặc biệt trong tương lai yêu cầu về độ chính xác ngày càng khắt khe. Do đó cần có một cách tiếp cận mới làm tăng khả năng dự đoán mối quan hệ thực nghiệm, đánh giá được ảnh hưởng của nhiễu và các yếu tố thông số công nghệ đến hàm mục tiêu làm tiền đề ra quyết định chọn biến cho bài toán tối ưu và phương pháp giải bảo toán tối ưu làm tăng độ chính xác dự đoán. 1.5 Các nghiên cứu trong nƣớc và ngoài nƣớc Bài toán tối ưu trong gia công cơ khí thực chất không phải là boài toán mới nhưng cho đến hiện tại qui trình giải cho bài toán tối ưu vẫn còn những 7 tồn tại đã được phân tích. Trí tuệ nhân tạo là ngành khoa học mới được phát triển mạnh mẽ trong những năm gần đây, hiệu quả ứng dụng trí tuệ nhân tạo trong các lĩnh vực phụ thuộc vào khả năng ứng dụng và mức độ ứng dụng của người thực hiện. Hiện nay tại Việt Nam những nghiên cứu về ứng dụng trí tuệ nhân tạo vào trong tối ưu hóa quá trình gia công cơ khí rất hạn chế, chưa được quan tâm và phát triển. Tuy nhiên ứng dụng khoa học trí tuệ nhân tạo trong lĩnh vực tối ưu quá trình gia công cơ khí đang được nghiên cứu mạnh mẽ tại các nước phát triển như đã được phân tích ký trong luận án. KẾT LUẬN CHƢƠNG 1 - Khảo sát các chỉ tiêu đánh giá chất lượng gia công và năng suất gia công. - Xác định các yếu tố công nghệ ảnh hưởng đến chất lượng bề mặt, năng suất gia công, mòn dụng cụ khi phay: vận tốc cắt, lượng tiến dao, chiều sâu cắt...trên cơ sở đó thấy rằng điều khiển các thông số chế độ cắt là phương pháp cơ bản và hiệu quả để kiểm soát chất lượng gia công, nâng cao hiệu quả sử dụng thiết bị. - Khảo sát các ưu điểm, nhược điểm của các phương pháp truyền thống xác định mối quan hệ thực nghiệm và tìm thông số chế độ cắt tối ưu trong gia công cơ khí trên cơ sở đó đề xuất phương pháp tiếp cận mới xây dựng hàm quan hệ thực nghiệm và xác định thông số chế độ cắt tối ưu chính xác hơn, đem lại hiệu quả khai thác thiết bị và đảm bảo chất lượng gia công. Chƣơng 2: GIẢI PHÁP TRÍ TUỆ NHÂN TẠO VÀ ỨNG DỤNG 2.1 Phƣơng pháp trí tuệ nhân tạo Bộ não của con người là một sản phẩm hoàn hảo trong tiến trình phát triển tiến hóa, có khả năng học và tư duy sáng tạo. Hiện nay, trong lĩnh vực điều khiển, con người đang cố gắng tiếp cận bộ não của mình. Trí tuệ nhân tạo là một trong những ngành nghiên cứu để tiếp cận khả năng tư duy của bộ não và khả năng học. 2.2 Mạng nơron nhân tạo 2.2.1 Mạng nơron sinh học Trên cơ sở nhận thức của con người về cấu tạo hệ thần kinh, và qui luật nhận thức thu thập, tiếp nhận và xử lý thông tin. Các nơ ron xử lý thông tin từ cấp Hình 2.1 Hoạt động một nơron sinh học thấp dần chuyển lên cấp cao hơn và cuối cung là ra quyết định. Với ưu điểm của các nơron trong bộ não người là xử lý song song, phân tán và phi tuyến. 2.2.2 Mô hình mạng nơron nhân tạo 8 2.2.2.1 Mô hình toán học Trên cơ sở cấu trúc, Lớp ẩn 1 tiếp nhận và xử lý thông Lớp ẩn 2 Lớp vào tin của mạng nơron sinh ij Wij u11 học thiết lập mô hình Lớp ra rij mạng nơron nhân tạo. X1=V u21 Hình 2.4 là một mô Rz u1i hình mạng nơron nhân X2=S tạo với 2 lớp ẩn. Đầu u2i vào có thể là một hay F u1j X3=t nhiều tín hiệu vào và đầu ra cũng có một hay u2n Bias lớp ra nhiều tín hiệu ra. Vậy u1m cần xác định các thông số hệ thống để đảm bảo Bias lớp ẩn 2 Bias lớp ẩn 1 mối quan hệ có mức độ chính xác mong muốn Hình 2.4 Mô hình mạng nơ ron nhân tạo 2.3 Logic mờ Lôgic mờ ( Fuzzy logic) được phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách xấp xỉ. Trong các bài toán kĩ thuật cũng như trong các bài toán thực tế tồn tại những biến số không thể định lượng chính xác được bởi vậy mô hình tính toán bằng logic mờ các đại lượng sẽ được mờ hóa. Tập mờ và lôgic mờ đã dựa trên các thông tin không đầy đủ về đối tượng để điều khiển đầy đủ về đối tượng một cách chính xác. 2.4 Mạng mờ nơron Logic mờ dựa trên sự suy luận của con người lên quá trình suy luận sẽ tường minh, rõ ràng giữa các dữ liệu vào và ra, nhưng nhược điểm của logic mờ là không có khả năng học. Dựa trên cơ sở ưu nhược điểm của cả mạng nơron và logic mờ để kết hợp tạo hệ mờ nơron. 2.4.1 Mô hình mạng mờ nơron Trên cơ sở mô hình toán học của hệ mờ và mạng nơron xây dựng mô hình toán học cho hệ mờ nơron với các thành phần cơ bản như hình 2.8 với cấu trúc gồm 6 lớp. 9 Hình 2.8 mô hình mạng mờ nơron 2.1 Trí tuệ nhân tạo tiến hóa Thuật toán tiến hóa thường tập trung vào việc mô phỏng quá trình tiến hóa trong tự nhiên của các sinh vật để thông qua đó tìm kiếm cơ chế hay qui trình tìm nghiệm tối ưu, còn Thuật toán trí tuệ bầy đàn thì cố gắng xem xét các hệ thống hay bầy đàn có sẵn trong tự nhiên để thu thập các tính chất tối ưu của chúng tạo phương pháp tìm kiếm tối ưu. Ở đây, tác giả quan tâm đến thuật toán “quần thể bầy ong nhân tạo” (artificial bees colony-ABC), đây là một dạng thuộc nhóm thuật toán trí tuệ bầy đàn. Sở dĩ thuật toán bầy đàn được quan tâm là vì có khả năng khảo sát được trong vùng không gian rộng lớn của không gian nghiệm mà ít khi mác tại điểm tối ưu cục bộ. KẾT LUẬN CHƢƠNG 2 - Tìm hiểu trí tuệ nhân tạo và khả năng ứng dụng làm cơ sở cho giải pháp của luận án: mạng nơ ron nhân tạo, Logic mờ, mạng mờ nơ ron. - Xác định mô hình mạng mờ nơ ron thích hợp cho bài toán tìm mối quan hệ thực nghiệm trong lĩnh vực qui hoạch thực nghiệm và phân tích giải thuật lan truyền ngược xác định mô hình toán học mạng - Phân tích giải thuật đàn ong ABC làm tiền đề kết hợp giải thuật lan truyền ngược xác định tham số mô hình toán học mạng mờ nơ ron và giải bài toán tối ưu xác định chế độ cắt. Chƣơng 3: PHƢƠNG PHÁP XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƢU KHI GIA CÔNG TRÊN MÁY PHAY CNC 3.1 Xây dựng mô hình xác định chế độ cắt tối ƣu khi phay CNC Giải các bài toán tối ưu trong công nghệ gia công cơ khí là lớp các bài toán thực nghiệm, để giải quyết vấn đề triệt để nên các hàm mục tiêu và giới hạn biên phải tiếp cận đến các hàm thực nghiệm. Cách tiếp cận như vậy mới đáp ứng được yêu cầu công nghệ ngày càng chính xác và khắt khe hiện tại và trong thời gian tới. Trên cơ sở thực hiện cho một loại vật liệu và hệ thống 10 công nghệ cụ thể sẽ mở rộng cho lớp các dạng tương tự. Với cách tiếp cận ứng dụng giải pháp trí tuệ nhân tạo và qui hoạch thực nghiệm Taguchi đưa ra qui trình xác định chế độ cắt tối ưu như hình 3.1 bao gồm các bước. Bắt đầu Thiết kế ma trận thí nghiệm trực giao Taguchi Thực nghiệm và thu thập dữ liệu Thiết lập quan hệ thực nghiệm: mạng mờ nơ ron, giải thuật lan truyền ngược kết hợp ABC Phân tích thực nghiệm Taguchi: đánh giá mức độ ảnh hưởng của chế độ cắt đến đầu ra và nhiễu Thành lập bài toán tối ưu Xác định biến giải bài toán tối ưu Giải bài toán tối ưu: sử dụng giải thuật trí tuệ bầy đàn ABC In và lưu kết quả tối ưu Kết thúc Hình 3.1 Sơ đồ tiến trình xác định chế độ công nghệ tối ưu 3.2 Ứng dụng mạng mờ nơron và giải thuật ABC xác định mối quan hệ thực nghiệm giữa chế độ cắt và thông số đầu ra 3.2.1 Các chỉ tiêu đánh giá chất lượng mô hình toán học mạng Một mô hình mạng có các tham số mạng tốt thì giá trị sai số trung bình tb và độ phân tán sai số càng nhỏ càng tốt ( tb, ), hay giá trị E càng nhỏ càng tốt. Vì vậy có thể so sánh độ tốt hay xấu của các bộ tham số mạng qua một trong 2 tiêu chuẩn sau: - So sánh bộ giá trị ( tb, ) của mỗi bộ tham số mạng - So sánh độ lệch trung bình bình phương E 11 Nếu sử dụng chỉ số E làm tiêu chuẩn so sánh, đánh giá độ tốt xấu của mỗi bộ tham số mạng như một điều kiện dừng cho bài toán tìm tham số mạng thì có thể xảy ra tại một số điểm nào đó trong bộ dữ liệu sẽ có sai lệch giữa giá trị kết xuất ra bởi mạng và giá trị thực là lớn. Nó không phản ánh được độ tập trung của sai số hay phân tán của sai số. Mong muốn sai lệch cho các điểm dữ liệu phải nhỏ và các sai lệch đó không được phân tán quá rộng. Nếu phân tán quá rộng thì độ chênh lệch giữa sai số lớn nhất và nhỏ nhất rất lớn gây ra độ chính xác dự đoán mối quan hệ cũng không cao. Ngược lại ưu điểm khi dùng tiêu chuẩn E làm tiêu chuẩn dừng thì quá trình tính toán sẽ đơn giản hơn, nhanh hơn. Nếu sử dụng giá trị sai số trung bình và độ phân tán sai số làm tiêu chuẩn dừng cho bài toán, qúa trình tính toán nhiều hơn nhưng lại cho khả năng điều chỉnh mô hình mạng chính xác với mô hình thực tế hơn. Trong luận án sử dụng sai lệch E làm công cụ giảm sai số toàn bộ mẫu và dùng sai số trung bình, phương sai của sai số làm tiêu chuẩn dừng cho bài toán. 3.2.2 Giải thuật ABC, lan truyền ngược xác định tham số hệ thống mạng Các giá trị sai i, tb, , E cũng là những hàm quan hệ phụ thuộc vào bộ tham số mạng, để xác định bộ tham số w sao cho giá trị đầu ra của mạng bám sát được giá trị thực di, sử dụng hai giải thuật là lan truyền ngược và giải thuật w w w ; E Ew . i tb ABC. i ; tb ; Giải thuật lan truyền ngược sử dụng phương pháp giảm dốc Gradient điều chỉnh các tham số hệ thống mạng, qua mỗi vòng lặp giá trị sai lệch E được giảm đi. Nhược điểm lớn nhất của giải thuật lan truyền ngược là khả năng làm giảm sai lệch E phụ thuộc nhiều vào điểm khởi tạo ban đầu w0 và hệ số học nhưng ưu điểm là tốc độ hội tụ nhanh. Nếu có điểm khởi tạo nghiệm ban đầu tốt cho đầu vào thuật toán lan truyền ngược thì quá trình hội tụ về các tiêu chuẩn dừng sẽ nhanh hơn. Giải thuật bầy ong nhân tạo dựa trên quan sát tự nhiên của bầy ong khi tìm mật hoa. Đàn ong với các cá thể được chia làm 3 nhóm ong khác nhau: ong thợ, ong tìm kiếm, ong giám sát.Ong thợ được điều đi khắp nơi để tìm kiếm nguồn mật hoa, một nguồn mật hoa là đại diện cho một nghiệm w của bài toán và do một ong thợ đảm nhiệm. Số lượng ong thợ trong quần thể bầy ong cũng chính là số lượng nghiệm sử dụng để khám phá nghiệm tối ưu. Ong giám sát tại trung tâm trao đổi thông tin đón nhận thông tin từ ong thợ đưa về, so sánh lượng mật hoa tại các nguồn thức ăn và sẽ ra quyết định chọn nguồn mật để khai thác tiếp theo căn cứ độ giàu có của nguồn mật. Nguồn mật càng giàu có thì càng có cơ hội được chọn để khai thác. Ong tìm kiếm là ong sẽ đi theo một hướng bất kỳ để tìm nguồn thức ăn mới, và khi tìm thấy nguồn thức ăn mới thì con ong này sẽ biến thành ong thợ. 12 Qui trình tìm mật hoa được sử dụng để tìm nghiệm tối ưu cho bài toán tối ưu. Với lý thuyết qui trình tìm kiếm mật hoa của đàn ong nhưng ứng dụng nó để thành giải thuật thì tùy vào mục đích và mức độ phức tạp của bài toán để thiết lập gải thuật cho tối ưu về chiến lược thời gian thực khi thực hiện thuật toán. Thuật toán ABC có khả năng làm hội tụ chính xác và không bị chết tại các điểm cục bộ địa phương. Do vậy để đảm bảo chiến lược thời gian và độ chính xác khi xác định mô hình toán học mạng kết hợp hai giải thuật. Giải thuật ABC sẽ tìm tham số hệ thống ban đầu cho giải thuật lan truyền ngược. Quá trình kết hợp này sử dụng ưu điểm của cả 2 giải thuật. 3.2.3 Qui trình xác định mối quan hệ thực nghiệm Hình 3.11 thể hiện sơ đồ thuật toán xác định mối quan hệ thực nghiệm. Tham số hệ thống mô hình toán học mạng xác định mối quan hệ giữa chế độ cắt và các đầu ra quan tâm là các giá trị trọng số w bao gồm các tham số của hàm liên thuộc và các giá trị tham số đánh giá mức độ tác động của các biến vào. Quá trình luyện mạng là quá trình thực hiện hai thuật toán ABC và lan truyền ngược điều chỉnh các giá trị trọng số để giá trị kết xuất ra khỏi mạng bám được giá trị thực đưa vào từ bộ dữ liệu. 3.3 Đánh giá mức độ ảnh hƣởng của chế độ cắt đến các thông số đầu ra bằng phƣơng pháp Taguchi Bắt đầu Đọc dữ liệu vào Chuẩn hóa dữ liệu Tách dữ liệu luyện mạng và dữ liệu kiểm tra Nạp dữ liệu vào luyện mạng mờ nơron Huấn luyện mạng tìm bộ tham số tốt nhât Thực hiện giải thuật bầy ong ABC Thực hiện giải thuật lan truyền ngược In và lưu trữ bộ tham số tốt nhất Kết thúc Hình 3.11 Sơ đồ giải thuật xác định mối quan hệ thực nghiệm 13 Tần suất Phương pháp Taguchi thiết kế MSD2 đánh giá mức độ ảnh hưởng của các MSD1 MSD1 > MSD2 yếu tố chính trong quá trình làm việc (S/N)2 (S/N)1 <( S/N)2 và các yếu tố nhiễu tác động làm sai (S/N)1 lệch kết quả mong muốn đầu ra. Bản chất của quá trình thu nhận được các giá trị đầu ra quan tâm bị ảnh hưởng bời nhiễu nên giá trị đầu ra thực yi y0 Giá trị đầu ra phân bố xung quanh giá trị trung bình y y tb1 tb2 ytb với một độ phân tán . Đối với Hình 3.13 ảnh hưởng của độ nhiễu phương pháp Taguchi giá trị tính toán lên kết quả ra tính theo tỷ số S/N cho thông số đầu ra quan tâm được thay thế bằng tỷ số S/N (Signal to Noise ratio) và được tính công thức: S/N 10 log 10 ( MSD) (dB) (3.19) Trong đó: MSD là độ lệch trung bình bình phương và tính cho các trường hợp khác nhau. Trong phân tích Taguchi tỷ số S/N sử dụng thay cho giá trị trung bình trong các công thức tính toán. 3.4 Xác định chế độ cắt tối ƣu cho hàm mục tiêu về năng suất gia công đáp ứng chất lƣợng bề mặt 3.4.1 Hàm mục tiêu và các giới hạn biên Mục đích của những người làm công nghệ là khai thác những yếu tố cố định đã có của hệ thống công nghệ sao cho hiệu quả nhất do đó những hàm mục tiêu và điều kiện biên phải có tính thực tế và có khả năng ứng dụng vào sản xuất. Năng suất cắt khi gia công là một chỉ tiêu kinh tế của quá trình cắt nên mong muốn càng lớn càng tốt và là hàm mục tiêu cho quá trình cắt. Giới hạn biên bao gồm các giới hạn của các hàm chất lượng bề mặt và đảm bảo yếu tố cố định của hệ thống công nghệ bao gồm: giới hạn về độ nhám bề mặt, công suất cắt, lượng mòn dụng cụ, vận tốc cắt lớn nhất, lượng tiến dao lớn nhất, chiều sâu cắt. Các giới hạn biên xác định một không gia giới hạn cho các tham biến và phương trình giới hạn cũng được xác định bằng mạng mờ nơ ron. 3.4.2 Xác định các thông số công nghệ cho bài toán tối ưu kết hợp với phân tích Taguchi Phân tích Taguchi đã xác định được mức độ ảnh hưởng của từng thông số chế độ cắt đến đầu ra. Những yếu tố ảnh hưởng nhiều và trên mức ý nghĩa được chọn để điều khiển, như vậy quá trình điều khiển sẽ hiệu quả hơn và kinh tế hơn. 3.4.3 Giải thuật ABC giải bài toán tối ưu năng suất gia công 14 Hình 3.14 thể hiện sơ đồ thuật toán tính chế độ cắt tối ưu. Với dạng bài toán đơn mục tiêu tối ưu năng suất gia công lớn nhất trên cơ sở đáp ứng các giới hạn biên, sử dụng giải thuật trí tuệ bầy đàn ABC cho quá trình tìm nghiệm tối ưu Bắt đầu Khởi tạo quần thể nghiệm ban đầu ngẫu nhiên gồm m vector nghiệm: X0=(x1, x2,…xj,…xm)0; vector xj=(Sj, tj, Vj); Sj=Smin+rsj.(Smax-Smin); tương tự với tj, Vj; Smin≤Sj≤Smax; tmin≤tj≤tmax; Vmin≤Vj≤Vmax; Kiểm tra các điều kiện biên gi Tạo nghiệm mới do ong thợ: xj‟=(Sj‟, tj‟, Vj‟), trong đó Sj‟=Sj+rsj.(Sj-Sk), rsj= Random[-1,1]; Smin≤ Sj‟≤Smax. Kiểm tra 9 điều kiện biên gi, kiểm tra hàm mục tiêu Q(xj)≤Q(xj„) lấy xj‟, ngược lại dữ nguyên xj Đánh giá độ tốt-xấu của nghiệm: tính Q(xj); tính K(Q(xj)) Tạo nghiệm mới do ong giám sát (qui trình tạo nghiệm) Chuyển ong thợ thành ong tìm kiếm (qui trình tạo nghiệm) Xét điều kiện dừng: n≤[n] Sai Đúng Kết quả tối ưu Kết thúc Hình 3.14 Sơ đồ thuật toán ABC bài toán tối ưu năng suất gia công KẾT LUẬN CHƢƠNG 3 - Sử dụng giải pháp mạng mờ nơ ron xác định mối quan hệ thực nghiệm giữa chế độ cắt với độ nhám bề mặt gia công, năng suất cắt, lực cắt, lượng mòn dụng cụ. - Xây dựng giải thuật lan truyền ngược kết hợp với giải thuật trí tuệ bầy đàn ABC xác định các thông số hệ thống hệ thống mạng mờ nơ ron 15 - Sử dụng phân tích Taguchi xác định mức độ ảnh hưởng của chế độ cắt đến độ nhám bề mặt, năng suất gia công, lực cắt, lượng mòn dụng cụ. - Thiết lập bài toán tối ưu với hàm mục tiêu năng suất gia công với 9 hàm điều kiện biên, xây dựng sơ đồ giải thuật giải bài toán tối ưu. Chƣơng 4: XÂY DỰNG MÔ HÌNH TOÁN HỌC BẰNG THỰC NGHIỆM GIỮA CHẾ ĐỘ CẮT VỚI CÁC THÔNG SỐ CÔNG NGHỆ VÀ XÁC ĐỊNH CHẾ ĐỘ CẮT TRÊN MÁY PHAY CNC 4.1 Mô hình thí nghiệm Nghiên cứu quá trình gia công phay CNC bằng thực nghiệm nhằm xây dựng các mô hình toán học mô tả mối quan hệ giữa các đại lượng đầu ra với các đại lượng đầu vào của quá trình, trên cơ sở đó xác định được bộ thông số chế độ cắt tối ưu 4.1.1 Sơ đồ thí nghiệm . Các đại lượng nhiễu Các đại đầu vào: - Vận tốc cắt: V - Lượng tiến dao răng: Sz - Chiều sâu cắt: t Quá trình phay CNC Các đại cố định: - Thiết bị gia công - Vật liệu làm dao - Vật liệu gia công - Dung dịch trơn lạnh - Chương trình điều khiển Các đại đầu ra: - Năng suất gia công - Chất lượng bề mặt - Lực cắt - Lượng mòn dao Hình 4.1 Sơ đồ nghiên cứu quá trình phay bằng thực nghiệm 4.2 Xây dựng qui hoạch thí nghiệm 4.2.1 Xây dựng bảng thí nghiệm Trực giao Taguchi Các dữ liệu cần thí nghiệm theo Tagichi được sắp xếp vào một bảng dưới dạng một ma trận trực giao gọi là bảng trực giao (Orthogonal array: OA). Bảng OA thiết kế số lượng thí nghiệm ít nhất nhưng đạt được lượng thông tin nhiều nhất với miền giá trị khảo sát sử dụng bảng trực giao OA25(65) với 25 thí nghiệm cần thực hiện. 4.3 Xây dựng phần mềm làm công cụ xử lý dữ liệu 4.3.1 Xây dựng phần mềm BK-CTMNET 16 Phần mềm được xây dựng với thuật toán xác định trong chương 3. Ngôn ngữ lập trình được chọn là C Sharp. Giao diện gần gũi với người dùng bao gồm 7 tab thể hiện như trong hình 4.4: Tab dữ liệu, học mạng, kết quả, đồ thị, tối ưu chế độ cắt, Taguchi phân tích. Phần mềm vừa thiết lập các mối quan hệ thực nghiệm với phương pháp mạng mờ nơ ron sử dụng giải thuật ABC kết hợp lan truyền ngược xác định tham số hệ thống mạng. Giải thuật ABC để Hình 4.4 Các thông số Tab dữ liệu xác định chế độ cắt tối ưu cũng như các phân tích thực nghiệm Taguchi. 4.4 Xác định mối quan hệ thực nghiệm bằng mạng mờ nơ ron 4.4.1 Xác định mối quan hệ giữa chế độ cắt và các thông số đầu ra khi cắt thép SKD11 4.4.1.1 Xác định quan hệ thực nghiệm giữa chế độ cắt và độ nhám a) Quan hệ giữa chế độ cắt và độ nhám bề mặt Rz Sử dụng phần mềm BKCTMNET thiết lập mối quan Hình 4.12 Đồ thị giá trị kết xuất bởi mạng và giá trị thực hệ thực nghiệm giữa chế độ cắt và độ nhám bề mặt Rz. Đồ thị hình 4.13 thể hiện giá trị kết xuất bởi mạng luôn bám sát giá trị đầu ra thực đo. Sai số trung bình 65 bộ dữ là tb=1.405% và độ phân tán sai số =1.72. Giá trị sai số trung bình của 65 bộ dữ liệu sau mỗi vòng lặp được thể hiện như trong hình 4.14. Từ Hình 4.13 Đồ thị giá trị sai số trung bình 17 đồ thì sai số thấy rằng quá trình dự đoán của mạng liên tục làm giảm sai số trung bình của toàn bộ dữ liệu nghĩa là các giá trị kết xuất của mạng ngày càng bám sát các giá trị thực từ đầu vào. Từ đồ thị phân tán sai số hình 4.15 thấy rằng có đến gần 90% số bộ dữ liệu được dự đoán với sai lệch dưới 2%. Như vậy với Hình 4.14 Đồ thị phân tán sai số thông số mạng đã xác định mô hình cho sai số nhỏ và độ phân tán sai số nhỏ, mô hình này hoàn toàn phù hợp với dữ liệu thực nghiệm. Sử dụng phần mềm Minitab là phần mềm tính toán hàm hồi qui thực nghiệm phổ biến theo phương pháp truyền thống thu được hàm quan hệ như công thức (4.1) Sai số trung bình 65 bộ dự đoán theo phương pháp truyền thống là tb=7.18% độ phân tán sai số là =3.7. Các giá trị dự đoán bởi mạng và theo phương pháp truyền thống cũng như giá trị thực đo được thể hiện trong hình 4.15. Như vậy mô hình mạng mờ nơ ron cho độ chính xác dự đoán cao hơn, sai số trung bình và độ phân tán sai số đều nhỏ hơn. Thông số mạng biểu diễn mối quan hệ toán học giữa chế độ cắt với Rz phụ lục 21 (4.1) Rz 20.2886 .V -0.251907.S 0.0342276 .t 0.0722877 Hình 4.15 Đồ thị giá trị Rz bởi mạng mờ hồi qui thực nghiệm Phân tích Taguchi về ảnh hưởng của chế độ cắt đến độ nhám Quá trình thu thập dữ liệu Rz được đo lặp lại 4 lần, mỗi mẫu cắt đo 2 lần. Do vậy dữ liệu thu thập được khi đo Rz với bộ thí nghiệm Taguchi gồn 25 bộ chế độ cắt. Sử dụng tỷ số S/N cho quá trình phân tích. b) 18 Đối với Rz là chỉ tiêu chất lượng bề mặt nên Rz càng nhỏ thì càng tốt tỷ số S/N được tính: 1 4 (dB) (4.2) (S / N ) i yi 10 . log 10 ( ( Rz ji ) 2 ) 4 j 1 Tỷ số S/N được thay thế cho giá trị trung bình trong tính toán phân tích phương sai. Bảng 4.16 Bảng thông số tính toán phân tích Taguchi Phân tích cho thấy ảnh hưởng của lượng tiến dao là lớn nhất đến 54% vì vậy nên tập trung điều khiển vào yếu tố lượng tiến dao trong dải cắt đã lập thì hiệu quả đem lại sẽ rất cao. Còn đối với vận tốc cắt hay chiều sâu cắt hiệu quả đem lại có thể nói chênh lệch không nhiều do đó tùy vào điều kiện cắt thô hay tinh mà điều chỉnh vận tốc cắt hay chiều sâu cắt để phù hợp. Ngoài ra yếu tố nhiễu cũng phải được quan tâm vì mức độ ảnh hưởng là 14.47% đặc biệt trong nguyên công gia công tinh. 4.4.1.2 Quan hệ giữa chế độ cắt và lực cắt F. a) Quan hệ giữa chế độ cắt và lực cắt F. Hình 4.16 Đồ thị giá trị dự đoán lực cắt F bởi mạng mờ nơ ron và hàm hồi qui thực nghiệm 19 Tương tự như với cách xác định mối quan hệ bởi mạng của Rz. Quá trình thiết lập được giá trị thể hiện như hình hình 4.16 giá trị dự đoán kết xuất bởi mạng và giá trị thực đo với phương pháp hồi qui truyền thống. Giá trị sai số trung bình kết xuất từ mạng tb=4.89 và độ phân tán sai số =4.832. Thông số mạng biểu diễn mối quan hệ toán học giữa chế độ cắt với lực cắt F thể hiện trong phụ lục 22 b) Phân tích Taguchi về ảnh hưởng của chế độ cắt đến lực cắt. Quá trình phân tích Taguchi có kể đến tác động ảnh hưởng lẫn. Bảng 4.20 Bảng phân tich Taguchi kể tác động lẫn cho lực cắt F Thông số F V Pv) - S(Ps) 9.35 t (Pt) VxS Vxt Sxt Nhiễu (Pvs) (Pvt) (Pst) Pe 5.77 5.38 12.32 61.91 5.28 Tổng 100 Phân tích cho thấy ảnh hưởng của chiều sâu cắt t là lớn nhất 61.91%. Chiều sâu cắt ảnh hưởng lớn vì lượng biến đổi của chiều sâu cắt là lớn nhất (10 lần). Lực cắt tỷ lệ thuận với diện tích cắt vì vậy chiều sâu cắt thay đổi lớn làm diện tích cắt thay đổi làm thay đổi rất lớn lực cắt. Để giảm lực cắt thì hiệu quả nhất là tập trung vào điều khiển yếu tố chiều sâu cắt t, ngoài ra thì nên quan tâm vào điều khiển kết hợp với vận tốc cắt và lượng tiến dao. Các yếu tố nhiễu cũng ảnh hưởng đáng kể khoảng 12% do vậy cần giảm tác động của nhiễu trong nguyên công gia công tinh. 4.4.1.3 Xác định quan hệ giữa chế độ cắt và năng suất cắt Q. a) Quan hệ giữa chế độ cắt và năng suất cắt Q. Hình 4.19 Đồ thị giá trị Q bởi mạng và hàm hồi qui thực Đồ thị giá trị cho giá trị dự đoán bởi mạng luôn bám sát giá trị thực đo với sai số trung bình tb=2.18% và độ phân tán sai số =2.22. Phương trình toán học mạng được thể hiện trong phụ lục 22 b) Phân tích Taguchi ảnh hưởng của chế độ cắt đến năng suất cắt Q. 20 Quá trình phân tích Taguchi cho ảnh hưởng của các yếu tố chế độ cắt đến năng suất cắt cũng tương tự như đối với độ nhám bề mặt và lực cắt. Bảng 4.22 Bảng thông số tính toán phân tich Taguchi khi không kể tác động lẫn cho năng suất cắt Q 1 2 Thông số V S Bậc tự do 4 4 Tổng bình phương S 71.96052 258.9864 Phần trăm ảnh hưởng P (%) 4.91 17.65 3 t 4 1135.482 77.40 4 5 e tổng 12 24 0.572708 34.42812 0.04 100.00 STT Từ phân tích thấy rằng chiều sâu cắt t ảnh hưởng nhiều nhất đến 77.4% và lượng tiến dao ảnh hưởng 17.65%. Với mức độ ảnh hưởng như vậy để tăng năng suất nên tập trung điều khiển yếu tố t nhiều hơn là lượng tiến dao và vận tốc cắt. Tuy các yếu tố đều ảnh hưởng chênh lệch nhau đến năng suất cắt mà chiều sâu cắt t là ảnh hưởng nhiều nhất vì vậy khi điều khiển chế độ cắt để đạt năng suất cắt cao thì nên điều khiển cả 3 yếu tố và tập trung cho điều khiển yếu tố t nhiều hơn. 4.4.1.4 Quan hệ thực nghiệm giữa chế độ cắt, thời gian gia công và lượng mòn dao hs. Quá trình mòn của dao diễn ra rất phức tạp, chế độ cắt và thời gian cắt ảnh hưởng rất lớn đến độ mòn của dao. Việc xác định qui luật mòn đòi hỏi rất nhiều thí nghiệm và chi phí rất lớn. Vì vậy trong khuôn khổ luận án tác giả chỉ nghiên cứu độ mòn dao của cặp vật liệu gia công là SKD11 và SKD61 với dao cắt là SEMT13T3AGSN-JM VP15TF phục vụ cho quá trình tính toán tối ưu thông số công nghệ. Sai số trung bình dự đoán bởi mạng mờ nơ ron tb=0.55% và độ phân tán sai số =0.6. Mô hình toán học mạng thể hiện trong phụ lục 24 Đối với thép SKD61 thì quá trình thiết lập quan hệ thực nghiệm cũng tương tự như với thép SKD11. 4.4.2 Xác định chế độ cắt tối ưu. Với các điều kiện biên và hàm mục tiêu đã xây dựng được từ thực nghiệm bằng phương pháp mạng mờ nơ ron đưa vào phần mềm đã xây dựng để giải bài toán tối ưu. Sử dụng phương pháp trí tuệ bầy đàn ABC để xác định chế độ công nghệ tối ưu. Phân tích Taguchi để phân tích vai trò ảnh hưởng của mỗi yếu tố. Trên cơ sở đó để quyết định chọn, khoanh vùng yếu tố điều khiển và quan tâm tới yếu tố nhiễu. Từ phân tích cho thấy cả 3 thông số V, S, t đều ảnh hưởng có ý nghĩa đến năng suất cắt (phần trăm ảnh hưởng trên 2%). Do vậy trong bài toán tối