Ứng dụng mạng Noron nhân tạo trong việc tối ưu hóa chế độ cắt khi tiện thép 9XC đã tôi - Nguyễn Văn Tùng

Nguyễn Văn Tùng và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 118(04): 23 - 28 23 ỨNG DỤNG MẠNG NORON NHÂN TẠO TRONG VIỆC TỐI ƯU HÓA CHẾ ĐỘ CẮT KHI TIỆN THÉP 9XC ĐÃ TÔI Nguyễn Văn Tùng2, Nguyễn Quốc Tuấn1,* Nguyễn Hoài Nam2, Đặng Văn Thanh2 1 Đại học Thái Nguyên, 2 Trường ĐH Kỹ thuật Công nghiệp – ĐH Thái Nguyên TÓM TẮT Lựa chọn chế độ cắt tối ưu là một việc làm hết sức quan trọng trong quá trình gia công, nó góp phần làm tăng năng suất, chất lượng và giảm chi phí gia công. Hiện nay, trên thế giới và trong nước đã có nhiều nghiên cứu để lựa chọn điều kiện cắt tối ưu trên máy CNC. Tuy nhiên, những nghiên cứu này thường sử dụng các phương pháp phổ biến như: phương pháp vi phân [3], phương pháp phân tích hồi quy [4], phương pháp quy hoạch tuyến tính [1, 5], phương pháp chỉ tiêu bề mặt [2, 5]. Bài báo này đưa ra một hướng nghiên cứu dụng mạng nơron nhân tạo (artificial neural networks) để tối ưu hóa đa mục tiêu. Các mục tiêu đó là: chất lượng bề mặt (Ra), chi phí sản xuất (Cp), thời gian gia công (Tp). Kết hợp nghiên cứu thực nghiệm để lựa chọn chế độ cắt tối ưu khi tiện thép hợp kim 9XC sau tôi bằng mảnh dao PCBN. Từ khóa: Tối ưu hóa, điều kiện cắt, mạng nơron nhân tạo. GIỚI THIỆU* Lựa chọn các thông số cắt hợp lý đã được nghiên cứu nhiều về mặt lý thuyết và được hỗ trợ từ các số liệu thực nghiệm của các nhà sản xuất dụng cụ. Trong thực tế nó chưa thể mang lại những phân tích cụ thể, chưa đầy đủ cho các loại vật liệu chi tiết gia công trong thực tế. Để tối ưu hóa các hoạt động của máy, các phương pháp định lượng đã được phát triển với sự xét đến tối ưu đơn mục tiêu, hoặc tối ưu hoá đa mục tiêu [1, 2] để tìm cực trị và miền tối ưu hoá theo các chỉ tiêu đã đề ra. Đã có nhiều nghiên cứu về tối ưu hóa đơn mục tiêu được nghiên cứu như: phương pháp vi phân [3], phương pháp phân tích hồi quy [4], phương pháp quy hoạch tuyến tính [1, 5], phương pháp bề mặt chỉ tiêu [2, 5] và mô phỏng máy tính. Tuy nhiên, trong thực tế ứng dụng, các nhà sản xuất thường gặp phải các vấn đề là tối ưu hóa đồng thời nhiều mục tiêu, các mục tiêu thường mâu thuẫn nhau và không thể so sánh, hoặc mất rất nhiều thời gian để cho kết quả, dẫn đến chi phí tăng vì vậy nó chỉ phù hợp với sản xuất loạt lớn, hàng khối. Mà xu hướng ngày nay đã bắt đầu quay lại thời kỳ sản suất loạt vừa và nhỏ để đáp ứng những thay đổi liên tục của nhu cầu thị trường. * Tel: 0913364889 Mạng nơron nhân tạo có thể được ứng dụng để tối ưu hóa chế độ cắt trong những trường hợp như vậy. Cho đến nay trên thế giới đã có nhiều nghiên cứu về ứng dụng mạng nơ ron vào sản xuất tích hợp máy tính và nhất là trong ngành gia công cơ khí như: Điều khiển thích nghi quá trình cắt [6]; dự đoán độ nhám bề mặt, lực cắt, rung động, hình dạng phoi [7]; dự đoán về mòn dụng cụ và phá hủy dụng cụ; giải quyết các vấn đề tối ưu hóa. Ở Việt Nam đã có những nghiên cứu về mạng nơ roron nhân tạo. Tuy nhiên những nghiên cứu sử dụng phương pháp mạng nơ ron nhân tạo chỉ mới ứng dụng trong các nghiên cứu về dự đoán, nhận dạng, phân loại [9]; Có rất ít nghiên cứu về mạng nơ ron nhân tạo vào trong ngành cơ khí. Bài báo này trình bày việc ứng dụng mạng nơron nhân tạo để tối ưu hóa đa mục tiêu các điều kiện cắt. Các bước thực hiện được đưa ra để giải các bài toán tối ưu đa mục tiêu một cách tương đối chính xác và nhanh chóng trên máy tính. Do có tốc độ xử lý nhanh, tốn ít tài nguyên của máy tính, đảm bảo tối ưu hóa các điều kiện cắt trong thời gian ngắn; nó rất phù hợp với quá trình sản suất loạt nhỏ với các sản phẩm đa dạng và thay đổi liên tục. Nguyễn Văn Tùng và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 118(04): 23 - 28 24 BÀI TOÁN TỐI ƯU HÓA CHẾ ĐỘ CẮT Kế hoạch thực hiện Khi lựa chọn điều kiện cắt tối ưu cho một số quá trình gia công, chúng tôi căn cứ vào quan hệ giữa tốc độ bóc tách phôi và mòn dụng cụ. Mục đích là tìm ra bộ các thông số vận tốc cắt (v), bước tiến (f) và chiều sâu cắt (t) sao cho đáp ứng được các mục đích như chi phí thấp nhất, chất lượng tốt nhất và năng suất cao nhất. Các hàm mục tiêu Bài toán tối ưu hóa chế độ cắt gồm ba mục tiêu sau: Nâng cao năng suất, giảm chi phí và nâng cao chất lượng bề mặt. Năng suất Thông thường, tốc độ sản xuất được tính trong toàn bộ thời gian để gia công một sản phẩm (Tp). Nó là hàm phụ thuộc và tốc độ bóc tách phoi (MRR) và tuổi bền của dụng cụ (T). Tốc độ bóc tách phoi được tính theo công thức: MRR = 1000.v.f.t. [8] (1) Tuổi bền dụng cụ: T = kT/vα1.fα2.tα3 (2) Hay được tính theo công thức: T = Sc./(3.14*D*f) (3) Trong đó: D – đường kính chi tiết gia công Sc - diện tích bề mặt chi tiết gia công được tính: Sc = π.D.L (4) L- chiều dài chi tiết gia công. Thời gian sản xuất [8]: Tp = Ts+V.(1+Tc/T)/MRR+T (5) Trong đó: α1, α2, α3 là các hệ số. Ts, Tc, Ti là thời gian cài đặt dao, thời gian thay dao và thời gian nghỉ của dao trong quá trình làm việc. V – là khối lượng vật liệu được bóc tách. V = Sc.t (6) Trong đó: t – chiều sâu cắt. Chi phí sản suất Chi phí để sản suất một sản phẩm Cp phụ thuộc vào các giá trị v,f,t thông qua T và Tp được cho theo công thức [8]; Cp = Tp.((Ct/T)+C1+C0 (7) - Trong đó: Ct, C1,C0 là chi phí dụng cụ, nhân công và chi phí quản lý. Chất lượng bề mặt Tiêu chí quan trọng nhất cho việc đánh giá chất lượng sản phẩm là nhám bề mặt (Ra) và được tính theo công thức: Ra= k.vx3.fx2.tx3 (8) - Trong đó: k, x1,x2, và x3 là các hằng số liên quan đến mối quan hệ giữa dao và phôi. Các điều kiện rằng buộc Từ những kết quả thống kê thực nghiệm, nhà sản xuất đưa ra những giới hạn cho việc lựa chọn các thông số v,f,t. vmin ≤ v ≤ vmax ; fmin ≤ f ≤ fmax ; tmin ≤ t ≤ tmax THUẬT TOÁN TỐI ƯU HÓA ĐA MỤC TIÊU DỰA VÀO MẠNG NƠ RON NHÂN TẠO Mạng nơron chuyển thẳng nhiều lớp đã được chứng minh là phù hợp trong việc xấp xỉ theo các hàm phi tuyến. Với bài toán tối ưu hóa thông số chế độ cắt, thì mạng nơron nhân tạo (ANN) cần ba đầu vào cho ba thông số là v (vận tốc cắt), f (lượng chạy dao), t (chiều sâu cắt). Đầu ra sẽ là hàm tối ưu hóa y(T,C,R). Thời gian huấn luyện mạng hay thời gian để tìm ra kết quả là rất ngắn. Sơ đồ cấu trúc mạng rơron truyền thẳng có cấu trúc như hình 1. Hình 1. Sơ đồ cấu trúc mạng mạng nơron ba lớp Luyện mạng (Training) Có hai giai đoạn khác biệt trong quá trình hoạt động của 1 mạng nơron đó là: Luyện mạng (dạy) và thu hồi (ứng dụng). Đào tạo là một quá trình lặp đi lặp lại việc điều chỉnh các trọng số trong việc kết nối để làm giảm các lỗi dự đoán trong việc huấn luyện. Các thuật toán phản hồi ngược được áp dụng cho mỗi mô hình, đầu vào và mục tiêu, cho tất cả các bộ mẫu trong tập huấn luyện. Từ quá trình Nguyễn Văn Tùng và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 118(04): 23 - 28 25 học tập được lặp đi lặp lại, toàn bộ tập huấn luyện sẽ phải được trình lên mạng nơron cho đến khi lỗi đạt đến một giá trị tối thiểu chấp nhận được. Mục tiêu cơ bản trong đào tạo mạng nơron bất kỳ là giảm thiểu lỗi tổng thể của mạng. Kiểm tra mạng (Testing) Các sai số tuyệt đối trung bình được cho bởi hàm: Trong đó Zm = (Xi,Yi), i = 1,m, là số mẫu đào tạo. W là các hàm trọng, và sau khi luyện mạng xong ta sẽ được hàm g(X,W) là hàm hàm mục tiêu. Các bước tối ưu hóa thông số cắt Nhập dữ liệu đầu vào - Công nghệ gia công và thời gian chuẩn bị (thời gian chuẩn bị, thời gian thay đổi dụng cụ, thời gian nghỉ của dụng cụ) - Chi phí (chí phí dụng cụ, nhân công, ..) - Giới hạn (điều kiện cắt, công suất máy) Tạo các điều kiện cắt ngẫu nhiên Để đảm bảo độ chính xác và số làn thí nghiệm ít trong bài báo này lấy 20 dữ liệu trong phạm vi cho phép của điều kiện cắt để huấn luyện [8]. Tính các giá trị (MRR, Cp, T, Ra, Tp, z(Tp,Cp,Ra) Lập các ma trận đầu vào và đầu ra để chuẩn bị cho quá trình huấn luyện mạng và kiểm tra mạng. Sử dụng mạng nơron nhân tạo: Mục đích là để dự đoán giá trị của hàm chức năng (y) trong trường hợp lấy các điều kiện cắt ngẫu nhiên. - Lựa chọn cấu trúc mạng và tìm các giá trị tối ưu. Lựa chọn cấu trúc mạng và số nơron ở lớp ẩn phụ thuộc và kinh nghiệm của người lập trình. Trong bài báo này chúng tôi lựa chọn cấu trúc mạng gồm lớp đầu vào (ba đầu vào), một lớp ẩn (có 9 noron) và một lớp đầu ra (một đầu ra) như hình 2. Hình 2. Sơ đồ cấu trúc mạng noron truyền thẳng 1 lớp ẩn - Quá trình kiểm tra mạng. Nếu kiểm tra thành công và các sai số của dự báo nằm trong khoảng cho phép, thì mô hình thực nghiệm được hoàn thành và sẵn sàng để sử dụng. Nếu quá trình huấn luyện không thành công thì phải thực hiện lặp đi lặp lại với lượng dữ liệu huấn luyện lớn hơn hoặc các thông số đào tạo phải được thay đổi. - Xử lý dữ liệu sau khi đào tạo và kiểm tra. Quá trình tối ưu hóa - Xác định được hàm mục tiêu y(Ra,Tp,Cp) thông qua việc luyện mạng, sau đó sẽ tiến hành tìm giá trị cực trị của hàm y. Cụ thể ở đây ta sẽ tìm giá trị cực đại của hàm y trong giới hạn của các điều kiện cắt. Từ đó tìm được các giá trị các điều kiện cắt tối ưu (v0,fo,t0). Tính các giá trị của Ra, Tp, Cp theo các điều kiện cắt tối ưu. ỨNG DỤNG MẠNG ANN ĐỂ TỐI ƯU HÓA CHẾ ĐỘ CẮT KHI TIỆN THÉP 9XC SAU NHIỆT LUYỆN BẰNG DAO PCBN Thí nghiệm trên máy tiện CNC: Quick turning smat 200 của hãng Mazak, mảnh dao PCBN, và phôi thép 9XC tôi đạt độ cứng 58 - 62HRC, kích thước: φ62, chiều dài cắt, L = 300 mm. Các điều kiện ràng buộc: 100 m/phút ≤ v ≤ 170m/phút ; 0.07mm/vòng ≤ f ≤ 0.15mm/vòng ; 0.09mm ≤ t ≤ 0.5mm. Ts = 0.12phút; Tc = 0.26phút; Ti = 0.04phút; Ct = 271000VNĐ; C1 = 6200VNĐ; C0 = 1600VNĐ; Nguyễn Văn Tùng và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 118(04): 23 - 28 26 Vì đây là tiện tinh, lực cắt bé nên nó sẽ thỏa mãn các điều kiện về lực hay công suất máy. - Xây dựng dữ liệu đầu vào X = [v; f; t] và dữ liệu đầu ra z(Ra,Tp,Cp) - Làm thí nghiệm với các bộ thông số v,f,t ngẫu nhiên (được chỉ ra ở bảng 1) và đây là số liệu đầu vào cho việc dùng để luyện mạng. Các giá trị v,f,t được lấy ngẫu nhiên để tiến hành thí nghiệm, sau đó đo được các giá trị Ra, và Sc. Từ đó tính được các giá trị Tp, Cp thông qua các công thức từ (1) đến (7). Hàm mục tiêu z(Ra,Tp,Cp) được các nhà sản suất sử dụng [8]. (9) - Sau khi luyện mạng và kiểm tra mạng ta thu được kết quả (y), và kết quả so sánh giữa hàm z (Ra, Tp,Cp) và hàm (y) được chỉ ra ở bảng 2. Bằng phương pháp vét cạn ta tìm được giá trị max(y) và các điều kiện cắt tối ưu vop, fop, top và tính ra được các giá trị Ra, Tp,Cp tương ứng bảng 3. Bảng 1. Dữ liệu được lấy ngẫu nhiên để tiến hành luyện mạng TT v(m/min) f(mm/rev) t(mm) Ra(µm) Tp(phút) Cp(VNĐ) z(Ra,Tp,Cp) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 157.0307 163.4054 108.8891 163.9363 144.2651 106.8278 119.4949 138.2817 167.0255 167.5422 111.0329 167.9415 167.0017 133.9763 156.0196 109.9320 129.5233 164.1015 155.4545 167.1645 0.1225 0.0729 0.1379 0.1447 0.1243 0.1306 0.1295 0.1014 0.1224 0.0837 0.1265 0.0725 0.0922 0.0737 0.0778 0.1359 0.1256 0.0954 0.1460 0.0728 0.1383 0.1320 0.1742 0.1775 0.1106 0.1439 0.1390 0.1611 0.1680 0.1730 0.1204 0.1648 0.1621 0.1079 0.1031 0.1448 0.1956 0.1274 0.1544 0.1146 0.5044 0.4503 0.4448 0.5706 0.4810 0.4596 0.4767 0.4751 0.5470 0.5109 0.4815 0.4882 0.5090 0.4328 0.4264 0.4667 0.4805 0.4717 0.5359 0.4310 0.2864 0.4468 0.4191 0.2312 0.3604 0.5435 0.4411 0.3756 0.2486 0.3060 0.6009 0.3509 0.2994 0.7481 0.5624 0.4891 0.3169 0.3439 0.2506 0.4966 2996 3988 4054 2852 3470 4940 4134 3596 2828 3048 5336 3316 3016 6336 4860 4528 3296 3284 2896 4340 0.9353 0.9173 0.9196 0.9385 0.9268 0.9027 0.9158 0.9249 0.9380 0.9330 0.8942 0.9283 0.9338 0.8779 0.9030 0.9096 0.9318 0.9298 0.9379 0.9117 Bảng 2. Sai số giữa giá trị hàm z và kết quả luyện mạng y TT Hàm z và y Hàm z và y z(Ra, Tp,Cp) y(Ra,Tp,Cp) z-y TT z(Ra, Tp,Cp) y(Ra,Tp,Cp) z-y 1 2 3 4 5 6 7 8 9 10 0,9353 0,9173 0,9196 0,9385 0,9267 0,9026 0,9157 0,9249 0,9380 0,9329 0,9350 0,9176 0,9200 0,9383 0,9213 0,9029 0,9147 0,9245 0,9379 0,9315 0,0003 -0,0003 -0,0004 0,0002 0,0054 -0,0003 0,0001 0,0004 0,0004 0,0014 11 12 13 14 15 16 17 18 19 20 0,8942 0,9282 0,9338 0,8778 0,9030 0,9096 0,9317 0,9297 0,9379 0,9116 0,8944 0,9281 0,9339 0,8778 0,9026 0,9098 0,9331 0,9295 0,9378 0,9120 -0,0002 0,0004 -0,0004 0,0000 0,0004 -0,0002 -0,0014 0,0002 0,0004 0,0004 Nguyễn Văn Tùng và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 118(04): 23 - 28 27 Bảng 3. So sánh phương pháp ANN và phương pháp giải tích Hàm cơ sở v(m/phút) f(mm/vòng) t(mm) Ra(µm) Tp(phút) Cp(vnđ) Sc (m2) z(Ra,Tp,Cp) 169 0.148 0.12 0.5035 0.2327 2874 18724 y(Ra,Tp,Cp) 170 0.151 0.12 0.5099 0.2337 2808 18727 THẢO LUẬN VỀ KẾT QUẢ Với thí nghiệm này, chúng tôi đã sử dụng mạng nơron truyền thẳng một lớp ẩn (có 9 nơron) kết quả khá chính xác, thời gian thực hiện nhanh. Bảng 3 cho thấy kết quả lựa chọn các giá trị điều kiện cắt tối ưu và các giá trị tương ứng của các mục tiêu. * Ưu điểm của phương pháp này: Tự động tìm kiếm hàm ràng buộc phi tuyến giữa đầu vào và đầu ra nhanh chóng đơn giản và chính xác. * Nhược điểm của phương pháp này: Độ chính xác của bài toán tỉ lệ với số thí nghiệm, do đó cần phải làm nhiều thí nghiệm. KẾT LUẬN Bài báo này trình bày việc ứng dụng mạng nơron nhân tạo để tối ưu hóa đa mục tiêu các điều kiện cắt. Cấu trúc mạng được sử dụng là mạng truyền thẳng gồm ba lớp. Các bước thực hiện được đưa ra nhanh chóng để giải các bài toán tối ưu đa mục tiêu một cách tương đối chính xác trên máy tính. Do có tốc độ xử lý nhanh, tốn ít tài nguyên của máy tính, đảm bảo tối tối ưu hóa các điều kiện cắt trong thời gian nhanh. Ứng dụng trong việc tìm điều kiện cắt tối ưu khi tiện thép 9XC sau tôi bằng dao PCBN đã cho kết quả khá chính xác, kết quả được đưa ra và so sánh với phương pháp khác ở bảng 3. Những nghiên cứu có thể phát triển từ mô hình nghiên cứu ứng dụng mạng ANN như điều khiển thích nghi quá trình gia công, hoặc điều chỉnh online các tham số trong quá trình cắt thông qua các cảm biến, hay có thể dự báo về mòn dụng cụ, sai lệch kích thước trong quá trình gia công. Hình 4. Đồ thị thể hiện mối quan hệ giữa vận tốc cắt (v), lượng chạy dao (f),và giá trị hàm tối ưu tổng quát y Hình 3 Đồ thị thể hiện kết quả quá trình luyện mạng, và kiểm tra mạng, Nguyễn Văn Tùng và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 118(04): 23 - 28 28 TÀI LIỆU THAM KHẢO [1]. Nguyễn Doãn Ý; Quy hoạch và xử lý số liệu thực nghiệm; Nhà xuất bản Xây dựng 2000. [2]. Nguyễn Văn Dự, Nguyễn Đăng Bình; Quy hoạch thực nghiệm trong kỹ thuật; Nhà xuất bản Khoa học Kỹ thuật 2011. [3]. R.H. Philipson, A. Ravindram, Application of mathematical programming to metal cutting, Math. Program. Study (1979) 116–134. [4]. F. Cus, J. Balic, Selection of cutting conditions and tool flow in flexible manufacturing system, Int. J. Manuf. Sci. Technol. 2 (2000) 101–106. [5]. D.T. Phillips, C.S. Beightler, Optimization in tool engineering using geometric programming, AIIE Trans. (1970) 355–360. [6]. Y. Liu, C. Wang, Neural network based adaptive control and optimization in the milling process, Int. J. Adv. Manuf. Technol. 15 (1999) 791–795. [7]. T.J. Ko, D.W. Cho, Adaptive modelling of the milling process and application of a neural network for tool wear monitoring, Int. J. Adv. ManufTechnol. 12 (1996) 5-13. [8]. Franci Cus, Uros Zuper, “Approach to optimization of cutting conditions by using artificial neural networks”, Journal of Materials Processing Technology 173 (2006) 281–290. [9]. Nguyễn Như Hiển, Lại Khắc Lãi; Hệ mờ và nơ ron trong kỹ thuật điều khiển; Nxb Khoa học tự nhiên và Công nghệ Hà Nội 2007. SUMMARY APPLICATION ARTIFICIAL NEURAL NETWORK TO OPTIMIZE CUTTING CONDITIONS, APPLICATION FOR TURNING HARDENED STEEL 9XC Nguyen Van Tung2, Nguyen Quoc Tuan1,*, Nguyen Hoai Nam2, Dang Van Thanh2 1Thai Nguyen University, 2College of Technology – TNU Optimum selection of cutting conditions importantly contribute to the increase of productivity, quality and the reduction of costs. Currently, in countries around the world and has a lot of research to select the optimal cutting conditions on CNC machines. However, these studies often use the popular methods such as differential method [3], regression analysis [4], linear programming method [1, 5], the method of surface targets surface [2,5]. This paper gives a research using artificial neural network (artificial neural networks) for multi-objective optimization. which is the surface quality (Ra), production costs (Cp) or processing time (Tp). Combining empirical research to select the optimal cutting when machining hardned 9XC alloy steel with PCBN indexable inserts. Key words: Optimum, cutting conditions, Artificial Neural Network. Ngày nhận bài: 13/3/2014; Ngày phản biện: 15/3/2014; Ngày duyệt đăng: 25/3/2014 Phản biện khoa học: PGS.TS. Nguyễn Đăng Hòe – Đại học Thái Nguyên * Tel: 0913364889