CHƯƠNG 3. PHƯƠNG PHÁP XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU KHI GIA
B. NỘI DUNG LUẬN ÁN Chương 1: Tổng quan về ảnh hưởng một số yếu tố công nghệ đến năng
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 Phương 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
.
Đối với mô hình truyền thống để nâng 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 khâu quyết định chính là xác định mối quan 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 được trong chuỗi quá trình trên và các phương pháp truyền thống hiện nay đang được sử dụng tập trung vào một số giải pháp 1.3.1 Mô hình xác định mối quan hệ thực
nghiệm
Hiện nay mối quan hệ thực nghiệm được xác định phổ biến bằng 2 phương pháp: bình phương cực tiểu và hồi qui thực nghiệm a) Phương pháp bình phương cực tiểu
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 thực hiện phép tổng các giá trị thực nghiệm 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, 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 nhất của phương pháp này đòi hỏi một lượng lớn các phép tính toán. Nếu thực hiện tính 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 Hình 1.2 Quá trình xác định chế
độ cắt tối ưu thực nghiệm Giải bài toán tối ưu, xác định chế độ cắt tối ưu
Bắt đầu
Xây dựng bảng qui hoạch thực nghiệm
Tiến hành thực nghiệm và thu thập các số liệu cần quan tâm:
Rz, Sn, F, hs...
Xác định mối quan hệ thực nghiệm giữa chế độ cắt với đầu ra: RZ=f(V,S,t)...
Thành lập bài toán tối ưu: hàm mục tiêu, các điều kiện biên.
Kết thúc Thực nghiệm và kiểm tra
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-Kuhn- Tucker (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 phương pháp truyền thống xác định chế độ công nghệ tối ưu 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
i
Ei
E
1
2(1.1). .100%
ido itt ido
i y
y
y (1.2),
n
i i
tb n 1
1 (1.3). trong đó 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.
Trong quá trình gia công hay thu thập các thông tin trong và sau gia công luôn tồn tại các yếu tố không kiểm soát được (yếu tố nhiễu) do vậy một phương pháp xác định mối quan hệ thực nghiệm mà không ước lượng được mức độ ảnh hưởng của nhiễu sẽ khó xác định được mối quan hệ thực nghiệm đó có phản ánh được bản chất của mối quan hệ giữa các thông số công nghệ đến yếu tố đầu ra hay không. Nếu ước lượng được mức độ của nhiễu lên kết quả đầu ra có thể 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 nước và ngoài nước
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
Hình 1.5 Đường quan hệ thực nghiệm và dự đoán
En Ei
Đường quan hệ thực đo Đường quan hệ dự đoán E1
y
A1do
x
Aido
Ando A1tt
Antt Aitt
yitt yido
xi
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 CHƯƠNG 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.
Chương 2: GIẢI PHÁP TRÍ TUỆ NHÂN TẠO VÀ ỨNG DỤNG 2.1 Phương 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 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
Hình 2.1 Hoạt động một nơron sinh học
2.2.2.1 Mô hình toán học Trên cơ sở cấu trúc, tiếp nhận và xử lý thông tin của mạng nơron sinh học thiết lập mô hình mạng nơron nhân tạo.
Hình 2.4 là một mô hình mạng nơron nhân tạo với 2 lớp ẩn. Đầu vào có thể là một hay nhiều tín hiệu vào và đầu ra cũng có một hay nhiều tín hiệu ra. Vậy cần xác định các thông số hệ thống để đảm bảo mối quan hệ có mức độ chính xác mong muốn 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.
X1=V
X2=S
X3=t Lớp vào
Lớp ẩn 1 u11
u1i
u1j
u1m
Lớp ẩn 2
u2n
u2i
u21
Lớp ra Rz
F
Wij ij
rij
Bias lớp ẩn 1 Bias lớp ẩn 2
Bias lớp ra
Hình 2.4 Mô hình mạng nơ ron nhân tạo
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 CHƯƠNG 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.
-
Chương 3: PHƯƠNG PHÁP XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU 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
Hình 2.8 mô hình mạng mờ nơron