استفاده از روشهای یادگیری ماشین به منظور پیشبینی شاخصهای توانایی ماشینکاری

چکیده مقاله

با پیشرفت دانش مهندسی در حوزه فرآیندهای تولید، مشخص شده است که ویژگی های کیفیت سطح مانند زبری سطح در قطعات فرزکاری، تحت تاثیر عوامل متعددی از جمله جهت گیری ابزار برش، پروفایل برش، پارامترهای برش مانند سرعت، نرخ تغذیه و عمق برش ، شکل و اندازه ابزار، پوشش ابزار و تعامل بین قطعه کار و ابزار قرار می گیرند از این رو، زبری سطح را نمی توان به سادگی به عنوان تابعی از پارامترهای مستقیم فرموله کرد بنابراین، پیش بینی دقیق ویژگی های کیفیت سطح و لبه در قطعات فرزکاری به یک چالش مهم تبدیل شده است در این پژوهش، برای رفع این چالش، از روش رگرسیون بردار پشتیبان SVR استفاده شده است تا مدلی دقیق برای پیشبینی زبری سطح در فرآیند فرزکاری آلیاژ آلومینیوم ۶۰۶۱ توسعه یابد این مدل با بهینه سازی پارامترهای پرپارامترها و در نظر گرفتن پیچیدگی های غیرخطی مرتبط پارامترهای کیفیت سطح، آموزش داده شده است عملکرد مدل با استفاده از معیارهای ارزیابی مانند میانگین خطای مطلق MAE ، میانگین مربعات خطا MSE و ضریب تعیین R² مورد بررسی قرار گرفت همچنین، تاثیر پارامترهای فرآیند شامل سرعت برش، نرخ تغذیه، عمق برش و نوع ابزار بر زبری سطح تحلیل شد نتایج نشان داد که مدل پیش بینی توسعه یافته، عملکرد بسیار خوبی در مواجهه با داده های دیده نشده دارد

کلیدواژه‌ها

نویسندگان

آتبین همدمی خشنودهانی

دانشجوی کارشناسی دانشکده مهندسی مکانیک دانشگاه علم و صنعت ایران

سید علی نیکنام

عضو هیات علمی دانشکده مهندسی مکانیک دانشگاه علم و صنعت ایران

همدمی خشنودهانی، آتبین و نیکنام، سید علی،1403،استفاده از روشهای یادگیری ماشین به منظور پیشبینی شاخصهای توانایی ماشینکاری،بیست و یکمین همایش ملی و دهمین کنفرانس بین المللی مهندسی ساخت و تولید ایران،تهران

ارائه‌شده در

کنفرانس مهندسی ساخت و تولید ایران6 اسفند 1403 · تهران