طراحی سیستم هوشمند برای بهینه سازی پارامترهای ماشینکاری در مرحله پرداخت

  درماشينكاري به روش سنتي ، پارامترهاي ماشينكاري بر اساس داده هاي موجود در هندبوكها ويا تجربه فرد برنامه نويس تعيين مي شود و تغييرات انجام يافته درحين ماشينكاري مانند سايش ابزار و يا تغييرات در ابعاد قطعه كار درتعيين اين پارامترها، تاثيري ندارند. اين امر عملا باعث كاهش عملكرد فرايند ماشينكاري مي شود . هدف اين تحقيق شبيه سازي يك سيستم هوشمند براي محاسبه پارامترهاي ماشينكاري بهينه و با استفاده ازتكنيك شبكه عصبي درزمان حقيقي[1]مي باشد. مقايسه نتايج به دست آمده ازسيستم پيشنهادي با نتايج حاصل از ماشينكاري، با پارامترهاي بهينه نشده برای پارامتر نرخ حجمي براده توليد شده، نشان ميدهد كه عملكرد فرايند ماشينكاري در حدود 12 الي 25 درصد بسته به شرايط ماشينكاري افزايش مي يابد.

کلمات کليدی: ماشينکاری - بهينه سازی - سيستم کنترل تطبيقی

مقدمه:

        با توجه به كاربردهاي زياد فرايند تراشكاري در توليد محصولات صنعتي و اهميت و نقش موثر مرحله پرداخت در كيفيت محصولات، مقادير پارامترهاي ماشينكاري: سرعت برشي و نرخ پيشروي، مستقيما بر روي زمان و هزينه تمام شده محصول تاثيرگذار مي باشد [1].

     سيستمهاي كنترل تطبيقي[2]با هدف  محاسبه پارامترهاي ماشينكاري بهينه و با توجه به تغييرات صورت گرفته در حين انجام  ماشينكاري پيشنهاد  شده است. اين سيستمها به دو گروه كنترل تطبيقي با قيد[3]و كنترل تطبيقي با بهينه سازي[4]تقسيم بندي مي شوند .

     در نوع اول براي بهينه سازي وكنترل صحيح عملكرد سيستم از يك ضريب عملکرد استفاده مي شود و در نوع دوم هدف ، ماشينكاري با حداكثر توان مورد نظر مي باشد]2 [.

 پارامترهاي ماشينكاري محاسبه شده در كنترل تطبيقي با قيد با در نظرگرفتن تاثير تغييرات بوجود آمده در خروجی يا خروجيهای سيستم مانند تغيير در نرخ سايش ابزار مي باشد. در روش بهينه سازي مورد مطالعه، مقادير بهينه پارامترهاي ماشينكاري از پردازش داده هايي که از طريق سنسورهاي مختلف مانند سنسور نيرو ،  ارتعاش ، صوت جمع آوری شده اند،  و به كمك  تكنيكهايي مانند محاسبات رياضي ،شبكه هاي عصبي، الگوريتم ژني ، منطق فازي و...  به دست مي آيد [3].

بهينه سازی سيستم برش

در اين مقاله جهت انجام بهينه سازي، براي بررسی عملكرد فرايند تراشكاري، ضريبي به نام ضريب عملكرد از مراجع معتبر در نظر گرفته شده است :                 (1)                                  

    كه در آن  MRR مقدار نرخ براده برداري ، C1 هزينه ماشين و اپراتور در واحد زمان ، C2 هزينه ابزار وتيزكاري براي يك تعويض ابزار، W0 حداكثرمقدار مجاز سايش ابزار، t1 زمان تعويض ابزار، β پارامترتطبيق كه معمولا مابين 0 و 1 بوده اگرβ=1  باشد،φ معكوس هزينه براي هر واحد است و اگر β=0 باشد، φ نرخ توليد مي باشد. اگر0<β <1 باشد ، φ نرخ توليد و هزينه براي هر واحد را شامل مي شود.TWR  مقدار نرخ سايش ابزار مي باشد[2].

      بايد در نظر داشت كه بهينه سازي عمليات براده برداري مساله اي است كه درآن بين موضوعات مختلف تقابل وجود دارد. مثلا كاهش پيشروي و سرعت برشي باعث افزايش عمر ابزار شده در عين حال باعث كاهش نرخ براده برداري خواهد شد. هم چنين افزايش پيشروي زمان ماشينكاري راكم مي كند ولي ممكن است زبري سطح مورد نظر را ايجاد نكند. فلذا لازم است براي بهينه سازي و تعيين پارامترهاي ماشينكاري بهينه ، محدوديتهايي مانند حداقل و حداكثر سرعت برشي و نرخ پيشروي ، حداكثر عمر ابزار ،كيفيت زبري سطح ايجاد شده، حداكثرتوان مجاز براي ماشينكاري ، حداكثر دماي مجاز براي نوك ابزار، در نظر گرفته شود. برخي از محدوديتها بستگي به ماشين ابزار، برخي بستگي به كيفيت سطح و بعضي به خواص متالورژيكي قطعه كار و ابزار برش بستگي دارند كه بايد قبل از بهينه سازي، مقاديرآستانه مجازآنها مشخص شوند. براي اندازه گيري  مقادير محدوديتهاي فوق يا بايد از سنسورهاي مختلف  و مناسب كه قبلا اشاره شد استفاده شود و يا از مدلهاي تحليلي  - تجربي  براي پيش بيني موارد ذكرشده بهره برد   [1].

           همان طوركه از رابطه φ برداشت مي شود، محاسبه نرخ سايش ابزار براي انجام بهينه سازي مورد نياز است. در اين تحقيق ازمدلهاي تحليلي – تجربي موجود براي ابزار از جنس CBN و قطعه كار از جنسAISI H13  كه توسط طغرل اوزل و همكارانش ارايه شده اند  [4] جهت تعيين مقدار نرخ سايش ، مقدار سايش، زبري سطح ايجاد شده ، و از مرجع شماره  [5] براي تخمين دماي نوك ابزار و توان مصرفي لازم براي ماشينكاري ، استفاده شده  است:

(2)

(3)

(4)

(5)                                         

(6)                                    

بطوريكه ، Ra  مقدارزبري سطح برحسب ميکرون ،VB مقدار سايش انجام شده  بر روي ابزار برحسب ميليمتر ، TWR مقدار نرخ سايش برحسب(mm/s) ، H سختي قطعه کار بر حسب راکول C ، E شعاع لبه برنده ابزار برحسب ميليمتر ، V سرعت برشي برحسب(m/min)، f مقدار پيشروي برحسب (mm/rev) ، t زمان ماشينكاري برحسب ثانيه ، Temp دماي نوک ابزار برش برحسب درجه سانتي گراد ،P مقدار توان مصرفي برحسب (kw) وa  عمق بار برحسب (mm) مي باشد.

      استفاده ازتكنيك شبکه هاي عصبي براي مانيتورينگ شرايط ابزار و تخمين نرخ سايش ابزار جايگزين جالب و قابل اعتمادي براي روشهاي سنتي مي باشد که در آنها از سنسورها مختلفي استفاده شده است. امتياز مهم استفاده از شبکه هاي عصبي قابليت مدلسازي و ايجاد يک طرح غير خطي از جمله سايش ابزار است   [1].

      در اين تحقيق با استفاده از روابط فوق، پايگاه داده مناسبي براي شبكه عصبي از نوع back propagation ، كه داراي لايه هاي ورودي ، پنهاني و خروجي است ايجاد شده است.  قابليت اعتماد شبكه عصبي مورد نظر بعد از فرايند آموزش ، تست شده است. در فرايند بهينه سازي  در سيستم پيشنهادي ، مقادير اوليه سرعت برشي و نرخ پيشروي توسط برنامه نويس براي انجام ماشينكاري تعيين و سپس ميزان ضريب عملكرد سيستم براي اين سرعت برشي و نرخ پيشروي محاسبه خواهد شد. نرم افزار پيشنهادي مقدار سرعت برشي  را  از  مقدار -∆V تا+∆V و مقدار نرخ پيشروي  را  از -∆f تا +∆f تغيير مي دهد (∆V و ∆f  مقاديري برابر 10 درصد مقادير ورودي هستند) با اين تغييرات 9 حالت مختلف سرعت برشي و نرخ پيشروي ايجاد مي شود كه فضاي انتخاب را تشكيل ميدهند. برنامه پيشنهادي براي هر 9 حالت به وجود آمده ضريب عملكرد سيستم را محاسبه نموده و مقادير هر يك از محدوديتهاي ذكر شده را بررسي مي نمايد. حالاتي كه يك و يا چند مورد از محدوديتهاي تعيين شده را نقض نمايند ، حتي با داشتن ضريب عملكرد بالا  از فضاي انتخاب مقادير بهينه ، حذف  مي شوند  و فقط حالتي از سرعت برشي و نرخ پيشروي كه بيشترين مقدار ضريب عملكرد را داشته باشد و محدوديتهاي تعيين شده را نقض ننمايد به عنوان حالت بهينه پارامترهاي ماشينكاري انتخاب شده كه مي بايست به عنوان سيگنال فرمان توسط كنترل كننده هاي ماشين به سيستم اعمال شوند.