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

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI





NGUYỄN NGỌC KIÊN







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





LUẬN ÁN TIẾN SĨ KỸ THUẬT CƠ KHÍ

Hà Nội – 2014


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI





NGUYỄN NGỌC KIÊN

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


Chuyên ngành: Kỹ thuật Cơ khí
Mã số: 62520103




LUẬN ÁN TIẾN SĨ KỸ THUẬT CƠ KHÍ



NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. GS. TS Trần Văn Địch
2. PGS.TS Vũ Toàn Thắng

Hà Nội – 2014
LỜI CẢM ƠN
Trong quá trình học tập và hoàn thành luận án tốt nghiệp, tác giả luôn nhận được sự
giúp đỡ, động viên của gia đình, người thân và sự dạy bảo của các thầy cô giáo Trường Đại
học Bách khoa Hà nội.
Tác giả xin chân thành cảm ơn các thầy cô giáo trong Viện Cơ khí, Viện Đào tạo Sau
đại học - Trường Đại học Bách khoa Hà Nội đã tận tình dạy bảo trong suốt khoá học. Đặc
biệt, tác giả xin chân thành cảm ơn sâu sắc tới thầy giáo GS.TS. Trần Văn Địch và PGS.
TS Vũ Toàn Thắng đã hướng dẫn và giúp đỡ tác giả hoàn thành luận án.
Cuối cùng, tác giả xin cảm ơn những người thân trong gia đình, bạn bè và đồng nghiệp
đã động viên, hỗ trợ và giúp đỡ tác giả trong suốt khoá học.

2

MỞ ĐẦU
Cơ sở để lựa chọn đề tài
Ngày nay, gia công đạt độ chính xác cao là quá trình công nghệ phổ biến và xu thế phát
triển tất yếu trong kỹ thuật gia công cơ khí. Tìm hiểu qui luật phân bố ảnh hưởng của các
thông số công nghệ đến năng suất và chất lượng gia công là phương pháp cơ bản để điều
khiển quá trình công nghệ. Mặt khác, ứng dụng kỹ thuật điều khiển số (NC) là xu hướng
phát triển mạnh mẽ trong công nghiệp từ thiết bị đến qui trình công nghệ với các ưu thế về
độ chính xác và khả năng linh hoạt [1], [2]. Tính linh hoạt của thiết bị trong hệ thống công
nghệ tỷ lệ thuận với chi phí và giá thành, do vậy sử dụng hiệu quả thiết bị là điều kiện cần
thiết với mọi quá trình công nghệ.
Kỹ thuật gia công cơ khí trên các máy điều khiển số (CNC) đang được nghiên cứu, ứng
dụng và phát triển lớn mạnh tại Việt Nam cũng như các nước trên thế giới. Ngành công

nghệ gia công, chế tạo thiết bị có những bước phát triển vượt bậc với những máy CNC có
khả năng gia công đạt độ chính xác rất cao đáp ứng nhu cầu gia tăng độ chính xác. Với một
hệ thống công nghệ nhất định, năng suất hay chất lượng bề mặt phụ thuộc chủ yếu vào chế
độ cắt được cài đặt [2], [7], 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 cũng như nâng cao hiệu quả sử dụng
thiết bị. Do đó cài đặt chế độ cắt hợp lý hay tối ưu là điều kiện cần cho quá trình gia công
cơ khí [3], [5].
Thực tế 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. 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 trong và sau khi gia công cũng bị ảnh hưởng bởi các yếu tố nhiễu làm những
thông tin có được gần với giá trị thực ở một mức độ tin cậy nhất định [4], [16], [17]. Mặt
khác mô hình cơ bản và phổ biến hiện nay đang sử dụng xác định các thông số công nghệ
hợp lý càng bị hạn chế bởi nhu cầu gia tăng độ chính xác và sử dụng hiệu quả thiết bị [20],
[21], [22]. Do vậy cần thiết phải có một phương pháp tiếp cận dự đoán mối quan hệ thực
nghiệm mới, đánh giá mức độ ảnh hưởng của các yếu tố vào và nhiễu đến kết quả đầu ra
cũng như giải bài toán tối ưu cho độ chính xác cao hơn và tiến dần đến kỹ thuật điều khiển
chất lượng trực tuyến trong tương lai.
Ngày nay, ứng dụng phát triển khoa học máy tính, con người đã tiếp cận và mô phỏng
quá trình thu nhận và xử lý thông tin trong bộ não của mình và tìm hiểu các cơ chế tối ưu
trong tự nhiên. Khoa học trí tuệ nhân tạo là một ngành nghiên cứu để tiếp cận khả năng tư
duy và học của bộ não [8], [9], [10], [11], [15], [27]. Ứng dụng khoa học trí tuệ nhân tạo
trong lĩnh vực điều khiển tối ưu là xu hướng và tất yếu trong tương lai.
Từ những phân tích trên làm tiền đề cho tác giả nghiên cứu và chọn lĩnh vực tối ưu quá
trình công nghệ gia công cơ khí làm đề tài luận án. Bài toán tối ưu trong gia công không
phải là bài toán mới nhưng cần tìm ra một phương pháp tiếp cận mới để giải quyết lớp các
bài toán tối ưu trong công nghệ gia công cơ khí là cần thiết, thực tiễn và tất yếu để giải
quyết yêu cầu công nghệ ngày càng chính xác và khắt khe trong tương lai.

3

Mục đích, đối tượng và phạm vi nghiên cứu
Mục đích
- 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.
Đối tượng 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 (trí tuệ nhân tạo tính toán)
- 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
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.
Phương pháp nghiên cứu
Phương pháp nghiên cứu chung là kết hợp nghiên cứu lý thuyết với nghiên cứu thực
nghiệm
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.

4

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 SKD61.
- 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.
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 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.








5

Chương 1: TỔNG QUAN ẢNH HƯỞNG MỘT SỐ YẾU TỐ
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
1.1 Các chỉ tiêu chất lượng bề mặt khi gia công [1]
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.
1.1.1 Các yếu tố hình học
1.1.1.1 Độ nhấp nhô tế vi
Trong quá trình cắt, lưỡi cắt của dụng cụ tương tác với bề mặt chi tiết gia công hình
thành phoi đồng thời để lại những vết xước cực nhỏ trên bề mặt gia công là những nhấp
nhô tế vi (độ nhám). Đặc trưng cho tính chất nhấp nhô bề mặt khi gia công được đo bằng
chiều cao nhấp nhô tế vi (Rz) và sai lệch profin trung bình cộng (Ra) của lớp bề mặt. Sai
lệch profin trung bình cộng (R
a
) là thông số
được công nhận phổ biến nhất, được sử dụng
nhiều nhất là thông số quốc tế về độ nhám.
Độ nhấp nhô tế vi (độ nhám bề mặt) là cơ sở
để đánh giá độ nhẵn bề mặt trong phạm vi
chiều dài chuẩn rất ngắn là một đặc trưng
quan trọng của chất lượng bề mặt chi tiết
máy.
Độ nhám bề mặt ảnh hưởng rất lớn đến các
tính chất làm việc của chi tiết máy: tính chống
mòn, chống mỏi, chống ăn mòn hóa học và độ
ổn định mối ghép. Việc khống chế độ nhám
bề mặt ở các mức độ nhất định có vai trò rất
quan trọng trong quá trình gia công, chế tạo
sản phẩm. Các quá trình gia công bề mặt khác
nhau sẽ tạo nên độ nhám bề mặt khác nhau và
giá thành sản phẩm cũng khác nhau. Hình 1.1
thể hiện mối quan hệ giữa độ nhám bề mặt và
giá thành của một số phương pháp gia công,

qua đồ thị thấy rằng giá thành sản phẩm sẽ
0,025
0,05
0,1
0,2
0,4
0,8
1,6
3,2 6,3
12,5
25
50
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

19
20
21
22
23
24
Mài tròn
Mài ph?ng
Doa
Phay m?t d?u
Phay ngoài
Ti?n
Bào
Khoan
Hình 1.1 Quan hệ giữa phương
pháp gia công và độ nhám bề mặt

Mài phẳng
Phay mặt đầu
Doa
Tiện

6

tăng lên nhanh chóng khi muốn giảm độ nhám bề mặt tới một giá trị nào đó theo yêu cầu.
Do đó, người thiết kế cần phải quan tâm tới giá thành sản phẩm bên cạnh chất lượng bề
mặt. Lưu ý trên đồ thị này đơn vị theo trục y là bất kỳ nên nó không dùng để so sánh giá
thành của các quá trình gia công khác nhau.
1.1.1.2 Độ sóng bề mặt

Độ sóng bề mặt là chu kỳ không bằng phẳng của bề mặt chi tiết máy được quan sát
trong phạm vi lớn hơn độ nhám bề mặt. Ngoài ra bước nhấp nhô tế vi S
m
(R
Sm
) được đo
với trung bình các khoảng cách của các đỉnh nhấp nhô liên tiếp trên phạm vi chiều dài
chuẩn đo. Bước nhấp nhô tế vi phản ánh tần suất xuất hiện những mô nhám trên một đơn
vị diện tích. Khi bước nhám nhỏ thì số đỉnh nhám sẽ nhiều hơn trên một đơn vị diện tích
nó sẽ làm tăng số điểm tiếp xúc trên bề mặt và như vậy sẽ làm tăng các tính chất sử dụng
cho chi tiết máy.
1.1.1.3 Các yếu tố ảnh hưởng đến tính chất hình học của bề mặt khi gia công

Từ bản chất quá trình cắt gọt hình thành bề mặt gia công có thể thấy rằng các yếu tố ảnh
hưởng tới độ nhám cũng như độ sóng và bước nhám bề mặt bao gồm:
- Các thông số hình học của dụng cụ cắt như bán kính mũi dao và các góc độ dao khi
cắt.
- Các yếu tố rung động của hệ thống công nghệ: máy, dụng cụ cắt, đồ gá, chi tiết gia
công.
- Vật liệu gia công mà chủ yếu là khả năng biến dạng dẻo của vật liệu
- Các thông số chế độ cắt bao gồm: vận tốc cắt, chiều sâu cắt, lượng tiến dao. Thông
thường vận tốc cắt cao, chiều sâu cắt nhỏ, lượng tiến dao bé sẽ làm giảm chiều cao
nhấp nhô tế vi và ngược lại. Ngoài ra còn một số các yếu tố khác như dung dịch trơn
lạnh hay những yếu tố không điều khiển được (yếu tố nhiễu) cũng gây ảnh hưởng tới
tính chất hình học bề mặt.
Trong một hệ thống công nghệ xác định, tính chất hình học của bề mặt gia công sẽ
phụ thuộc chủ yếu vào chế độ cắt được cài đặt vì vậy điều khiển các thông số chế độ cắt
hợp lý là cách tiếp cận cơ bản và hiệu quả để kiểm soát tính chất hình học bề mặt theo
yêu cầu. Với các hệ máy sử dụng công nghệ điều khiển số (CNC) việc cài đặt chế độ cắt
mềm dẻo là thuộc tính cơ bản của máy nên ứng dụng các máy CNC trong kỹ thuật gia

công cơ khí là một xu thế phổ biến và tất yếu.
1.1.2 Tính chất cơ lý
Quá trình tương tác giữa dụng cụ cắt và vật liệu gia công ngoài những yếu tố hình học
để lại còn tạo ra lớp biến cứng và ứng suất dư trên bề mặt. Lưỡi cắt như một chêm cắt
chêm vào bề mặt gây xô lệch mạng tinh thể bề mặt, quá trình nội ma sát giữa các phân tử
chuyển động trong lớp vật liệu với nhau và quá trình ma sát ngoài khốc liệt giữa mặt trước
của dao và bề mặt phoi, giữa bề mặt sau của dao với bề mặt đã gia công sinh nhiệt từ biến
dạng dẻo đến phá hủy vật liệu hình thành bề mặt. Kết quả của quá trình đã tạo nên lớp biến
cứng và ứng suất dư trên lớp bề mặt mà nó phụ thuộc vào phương pháp gia công và các
thông số hình học của dao cũng như chế độ cắt.

7

Tính chất cơ lý lớp bề mặt ảnh hưởng đáng kể đến tính chất làm việc của chi tiết máy và
phụ thuộc vào từng điều kiện làm việc cụ thể.
1.2 Năng suất khi gia công [7]
Năng xuất cắt khi phay được thể hiện bằng thể tích kim loại (hay khối lượng kim loại)
cắt được trong một đơn vị thời gian là W (mm
3
/phút). 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. Thông thường trong gia công thô
luôn mong muốn năng suất cắt càng cao càng tốt với chất lượng bề mặt giới hạn, trong gia
công tinh cần đảm bảo yêu cầu kỹ thuật chất lượng bề mặt là chủ yếu. Nhưng cho dù trong
gia công thô hay tinh cũng đều phải đảm bảo năng suất cắt cao nhất trên cơ sở đảm bảo
chất lượng bề mặt. 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 những 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 [4], [6]
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.
- Bước 1: xây dựng bảng qui hoạch thực nghiệm. Bước này đưa ra một ma trận thí
nghiệm xây dựng theo các phương pháp khác nhau. Hiện nay thường sử dụng
phương pháp đáp ứng bề mặt (CCI hoặc CCF), phương pháp qui hoạch thực nghiệm
trực giao, phương pháp qui hoạch hợp Box-willson [3].
- Bước 2: thực nghiệm và thu thập số liệu. Tiến hành thực nghiệm theo số liệu vạch ra
từ bước 1 và đo đạc các số liệu đầu ra cần quan tâm: độ nhám bề mặt Rz, bước nhám
Sn, lực cắt F, độ mòn dụng cụ hs, tần số rung động f, nhiệt cắt
- Bước 3: xác định mối quan hệ thực nghiệm. Từ bộ dữ liệu đầu vào trong bước một
và dữ liệu đo đạc đầu ra trong bước 2 lập được bảng thực nghiệm sau đó dựa vào
phương pháp bình phương cực tiểu hay hồi qui thực nghiệm xác định được hàm quan
hệ toán học. Hàm quan hệ toán học thu được hoàn toàn dưới dạng hàm tường minh,
rõ ràng.
- Bước 4: thành lập bài toán tối ưu. Xác định hàm mục tiêu mà thông thường là hàm
năng suất gia công hay thời gian gia công. Các điều kiện biên bao gồm các giới hạn
về chất lượng bề mặt, giới hạn công suất cắt lớn nhất, giới hạn độ mòn dao, giới hạn
không gian các thông số chế độ cắt
- Bước 5: giải bài toán tối ưu. Sử dụng các phương pháp truyền thống hay lặp số xác
định chế độ tối ưu

8

- Bước 6: cài đặt chế độ tìm được trên máy thực hiện gia công và so sánh kiểm
nghiệm.

Đối với mô hình trên 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. Mô hình được thể hiện như hình 1.3
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: R
Z
=f(V,S,t)


Thành lập bài toán tối ưu: hàm mục tiêu,
các điều kiện biên.

Giải bài toán tối ưu, xác định chế độ cắt
tối ưu

Bắt đầu

Thực nghiệm và kiểm tra

Kết thúc

Hình 1.2 Quá trình xác định chế độ cắt tối ưu thực nghiệm


9


Các thông số đầu vào x=[x
1
,x
2
, x
n
] qua mô hình quan hệ f(x) biến đổi đến đầu ra d
i
.
Một mô hình toán học f(x) được chọn nếu tổng bình phương sai lệch giữa các điểm dự
đoán và điểm thực là nhỏ nhất. Độ chính xác mô hình phụ thuộc nhiều vào kinh nghiệm
chọn dạng mô hình quan hệ.
1.3.1.1 Phương pháp bình phương cực tiểu
Sử dụng để xác định mối quan hệ toán học của những đại lượng có mối quan hệ với
nhau ở một dạng nào đó đã biết qui luật: tuyến tính, tuần hoàn, hàm mũ, hàm logarít…các
dạng hàm này đều chưa biết các giá trị cụ thể của các tham số, để xác định các tham số đó
sử dụng thí nghiệm, đo đạc…các cặp giá trị tương ứng và chọn một mô hình toán học cụ
thể để tính toán tổng giá trị sai lệch bình phương các điểm. Tổng sai lệch này là hàm của
các giá trị hệ số cần xác định. Các hệ số phù hợp với mô hình là giá trị của nghiệm để giá

trị hàm sai lệch nhỏ nhất.
* Đánh giá phương pháp
 Ưu điểm :
- Phương pháp này có khả năng xử lý với mọi bộ dữ liệu (kích thước và tính chất bộ
dữ liệu là tùy ý) 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.
 Nhược điểm
- Nhược điểm lớn nhất của phương pháp này (làm cho nó không thông dụng trước
đây) là đòi hỏi một lượng lớn các phép tính toán ( điều này càng đúng khi bộ số thí
nghiệm càng nhiều và có nhiều đại lượng đầu vào). Nếu thực hiện tính toán bằng tay
thì 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.
1.3.1.2 Phương pháp qui hoạch thực nghiệm
Mục đích của quy hoạch thực nghiệm là xây dựng mô hình toán học (phương trình hồi
quy) biểu thị mối quan hệ giữa thông số đầu ra và các thông số đầu vào. Phương pháp này
cần phải thực hiện kiểm tra tính đồng nhất của các thí nghiệm, nếu chủ động được thí
nghiệm thì có thể sử dụng qui hoạch thực nghiệm trực giao.
* Đánh giá
 Ưu điểm:
Đầu vào

Mô hình
Quan hệ f(x)?
x
1
(i)

x
2
(i)
x
m
(i)
.
.
.
Đầu ra
d(i)

Hình 1.3 Sơ đồ xác định mối quan hệ thực nghiệm

10

 Nguyên tắc cơ bản của quy hoạch thực nghiệm là tốn ít thời gian nhất để nhận thông
tin nhiều nhất. Do vậy có thể nhận thấy rằng phương pháp quy hoạch thực nghiệm là
phương pháp đơn giản và đòi hỏi ít số liệu thí nghiệm và ít xử lý toán học phức tạp
(Chẳng hạn chỉ có hai yếu tố đầu vào thì chỉ cần thí nghiệm 4 mẫu). 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.
 Phương pháp quy hoạch thực nghiệm sử dụng chính xác dữ liệu thí nghiệm vào trong
công thức mong muốn, nên phương pháp này sẽ tránh được sai số phương pháp.
 Nhược điểm:
 Tuy đòi hỏi ít dữ liệu thí nghiệm nhưng phương pháp này cũng đòi hỏi tiến hành một
lượng không nhỏ thí nghiệm để kiểm tra tính đồng nhất của nó, sau khi tiến hành
nhiều thí nghiệm như vậy những kết quả này lại không đưa vào trong công thức cuối
cùng cần đạt được. Như vậy vừa mất công mà lại làm giảm tính chính xác của

phương pháp. Chẳng hạn chỉ với 4 thí nghiệm với 4 bộ số liệu đã kết luận một công
thức có hai biến phụ thuộc như vậy sẽ khó đạt độ chính xác dự đoán.
 Do chỉ tiến hành một số thí nghiệm, nên không thể tìm ra những điểm khác biệt
những vấn đề mới mà một quá trình thí nghiệm đòi hỏi. Vì với một thông số đầu vào
thì chỉ thí nghiệm với hai số liệu tương ứng với (-1) và (+1), 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 ưu
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. Mô hình tìm các thông số công nghệ tối ưu
được thể hiện trong hình 1.4

1.3.2.1 Thành lập 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.
- Hàm mục tiêu được thiết lập thường để đảm bảo tính kinh tế của quá trình gia công.
Thông thường hàm mục tiêu gia công là thời gian gia công hay năng suất gia công.
Điều kiện
biên vào


Hàm mục tiêu
f(x)

g
1
(x)

g
2
(x)

g
m
(x)

.
.
.

Đầu ra tối
ưu x
*

Hình 1.4 Sơ đồ xác định chế độ cắt tối ưu

Phương pháp giải


11

- Giới hạn biên được thành lập để đảm bảo các chỉ tiêu về chất lượng gia công (độ
nhám bề mặt, bước nhám, ), các giới hạn do các yếu tố cố định (công suất cắt, độ
uốn trục dao, độ bền răng dao ), các giới hạn dẫn xuất khác (nhiệt cắt, độ mòn
dụng cụ, rung động ). Các giới hạn biên xác định vùng không gian giới hạn cho các
biến.
- Phát biểu bài toán tối ưu: viết bài toán dưới dạng các ký hiệu toán học và cũng để

làm rõ mục đích của người làm công nghệ (tìm giá trị lớn nhất hay nhỏ nhất cho
hàm mục tiêu).
1.3.2.2 Giải bài toán tối ưu [19]
Các phương pháp truyền thống thường được sử dụng 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
Với các phương pháp hiện có cũng đã giải quyết được bài toán tối ưu nhưng nhìn chung
khả năng hội tụ và tìm được nghiệm tối ưu thực sự còn hạn chế.
1.4 Đánh giá phương pháp truyền thống xác định chế độ công
nghệ tối ưu
Trên cơ sở phân tích của hai
phương pháp để thiết lập mối
quan hệ thực nghiệm là bình
phương cực tiểu và hồi qui thực
nghiệm thấy rằng cả hai phương
pháp đều xử lý được các loại dữ
liệu trong giới hạn thí nghiệm.
Phương pháp qui hoạch thực
nghiệm tuy thực hiện thí nghiệm ít
nhưng khai thác được nhiều các
thông tin, mô hình toán học có thể
đơn giản và là các hàm toán học
tường minh. Nhưng cả hai phương
pháp đều tính toán dựa vào một
mô hình toán học giả định trước
và sử dụng thí nghiệm để tìm các
hệ số. Tuy nhiên cũng do sử dụng

một số mô hình toán học xác định
trước nên sẽ mất nhiều thời gian
cho việc tính toán, lựa chọn mô hình thích hợp cho bộ dữ liệu. Với mỗi mô hình đều xác
định các hệ số tính toán nên có tính cứng nhắc khi thay đổi một mô hình nào đó, do vậy sẽ
khó đạt độ chính xác dự đoán mối quan hệ thực nghiệm cao. Mặt khác tiêu chuẩn để xác
định một hàm toán học quan hệ thực nghiệm theo hai phương pháp trên 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.
Hình 1.5 Đường quan hệ thực nghiệm và dự đoán

y
A1do
x
Aido
Ando
A1tt
Antt
Aitt
yitt
yido
xi
E
1


E
i


E

n


Đường quan hệ thực đo

Đường quan hệ dự đoán


12




n
i
i
EE
1
2
(1.1)
Trong đó E
i
là khoảng cách giữa điểm thực đo A
iđo
và điểm tính toán dự đoán bởi
phương pháp A
itt
.
Gọi độ sai lệch tương đối giữa điểm thực đo A
iđo

và điểm dự đoán bởi phương pháp A
itt

là 
i
:
%100.
ido
ittido
i
y
yy 


(1.2)
Trong đó y
ido
và y
itt
là các giá trị tương ứng của điểm A
i
ứng với giá trị thực đo và giá trị
tính toán bởi phương pháp. Gọi giá trị trung bình sai số dự đoán bởi phương pháp là 
tb
và
độ phân tán sai số dự đoán là :






n
i
itb
n
1
1

(1.3)
 
1
1
2





n
n
i
tbi


(1.4)

Một hàm quan hệ thực nghiệm có chất lượng dự đoán chính xác cao nghĩa là sai lệch tại
từng điểm dự đoán  càng nhỏ càng tốt hay nói cách khác là sai số trung bình của toàn bộ
sai số dự đoán 
tb

và độ phân tán của các sai số  càng nhỏ càng tốt.
Nhược điểm đối với 2 phương pháp trên sử dụng 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 trong khi vẫn
đảm bảo tiêu chuẩn lệch E. 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 vậy cách tiếp cận để nâng
cao khả năng dự đoán chính xác mối quan hệ thực nghiệm là thay vì sử dụng tiêu chuẩn độ
lệch E thì sử dụng tiêu chuẩn sai lệch trung bình tại các điểm 
tb
và độ phân tán các sai số
. Một hàm quan hệ thực nghiệm dự đoán chính xác cao phải đảm bảo 
tb
và  càng nhỏ
càng tốt.
Mặt khác 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 thì 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.
Quá trình giải bài toán tối ưu hiện nay với các phương pháp cải tiến về cơ bản cũng đã
đáp ứng nhưng xét về chiến lược thời gian thì còn hạn chế. Qúa trình xác định chế độ công
nghệ tối ưu là đưa ra được bộ thông số công nghệ cụ thể với đầy đủ các biến. 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). Nếu
biết mức độ ảnh hưởng của từng thông số đó đến yếu tố đầu ra: V, S, t ảnh hưởng như thế
nào đến Rz và mức độ ảnh hưởng bao nhiêu điều này rất quan trọng với người làm công
nghệ. Cách tiếp cận hiện nay kế thừa kinh nghiệm thực tế: gia công tinh thì nên đặt chế độ

cắt V lớn, S và t nhỏ như vậy quá trình cũng chỉ định tính chưa có tính định lượng. Do
vậy cần có cách tiếp cận phân tích mức độ ảnh hưởng của từng yếu tố chế độ công nghệ

13

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 bài toán tối ưu làm tăng độ chính xác dự đoán.
Ngày nay với sự phát triển của khoa học máy tính, công nghệ thông tin, con người đã
mô phỏng quá trình nhận thức của mình trên các mô hình toán học để đưa vào ứng dụng
trong thực tế. Trong kỹ thuật điều khiển con người đang tiếp cận với bộ não của mình và
tìm kiếm các cơ chế tối ưu trong tự nhiên để giải quyết lớp các bài toán đó. Trí tuệ nhân
tạo là một trong những kỹ thuật mô phỏng của khoa học máy tính được ứng dụng ngày
càng phổ biến trong kỹ thuật và có thể thay thế các phương pháp truyền thống trong lĩnh
vực qui hoạch thực nghiệm và tính toán tối ưu.

1.5 Các nghiên cứu trong nước và ngoài nước
Bài toán tối ưu trong gia công cơ khí thực chất không phải là bài toán mới nhưng cho
đến hiện tại qui trình giải cho bài toán tối ưu vẫn còn những 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. Tác giả
M.F.F. Ab. Rashid and M.R. Abdul Lani [29] đã sử dụng mạng nơ ron nhân tạo (ANN) để
thiết lập mối quan hệ thực nghiệm giữa chế độ cắt và độ nhám bề mặt khi phay. Tác giả
Chakguy Prakasvudhisarn, Siwaporn Kunnapapdeelert và Pisal Yenradee [30] đã sử dụng
phương pháp ANN và cải tiến khi tìm chế độ cắt tối ưu để đáp ứng độ nhám bề mặt khi
phay với dao phay ngón. Tác giả Hazim El-Mounayri, Zakir Dugla, and Haiyan Deng [31]
sử dụng trí tuệ nhân tạo bầy đàn dự đoán độ nhám bề mặt khi phay. Tác giả H. AI-Wedyan
K. Demirli R. Bhat [32] và tác giả M. Hanna [33] sử dụng mô hình Logic mờ để dự đoán
mối quan hệ giữa chế độ cắt với độ nhám bề mặt trên trung tâm gia công. Các tác giả trên
sử dụng mạng nơ ron nhân tạo và trí tuệ bầy đàn hay kỹ thuật Logic mờ để thiết lập mối
quan hệ thực nghiệm, các giải pháp này đã cho kết qủa dự đoán tốt hơn các phương pháp
truyền thống nhưng vẫn dựa trên tiêu chuẩn dừng độ lệch E nên hạn chế khả năng tăng độ
chính xác dự đoán. Ngoài ra tác giả Sanjit Moshat, Saurav Datta, Asish Bandyopadhyay và
Pradip Kumar Pal [34] sử dụng phân tích Taguchi kết hợp với phân tích PCA xác định chế
độ cắt tối ưu cho quá trình phay CNC. Qua những phân trên thấy rằng với cách tiếp cận
ứng dụng trí tuệ nhân tạo thiết lập mối quan hệ thực nghiệm sẽ cho độ chính xác dự đoán
cao hơn nhưng các tác giả vẫn tiếp cận hàm thực nghiệm từ góc độ tiêu chuẩn độ lệch bình
phương E do đó sẽ làm hạn chế khả năng nâng cao độ chính xác dự đoán quan hệ thực
nghiệm. Một số tác giả đã sử dụng phân tích Taguchi xác định mức độ ảnh hưởng của các
yếu tố chế độ cắt đến hàm mục tiêu nhưng các hàm mục tiêu và hàm biên lại được xây

14

dựng bằng các phương pháp truyền thống. Nhược điểm khi sử dụng phương pháp trí tuệ
nhân tạo thiết lập hàm quan hệ thực nghiệm là sự không tường minh trong quan hệ toán
học nên khó giải thích cơ chế tác động của chế độ cắt với đầu ra (tỷ lệ thuận hay tỷ lệ
nghịch ). Mặt khác các giải thuật trí tuệ nhân tạo tiến hóa hay bầy đàn được các tác giả sử
dụng giải bài toán tối ưu có tính ưu việt tìm chính xác nghiệm tối ưu nhưng lại dựa trên các
hàm mục tiêu và hàm biên tường minh do vậy chưa có sự kết nối tính ưu việt của trí tuệ

nhân tạo trong thiết lập quan hệ thực nghiệm và gải bài toán tối ưu triệt để.
Xuất phát từ những phân tích trên, luận án mong muốn và giải quyết bài toán tối ưu
trong kỹ thuật gia công với hướng ứng dụng trí tuệ nhân tạo và phân tích Taguchi nhằm
nâng cao độ chính xác dự đoán chất lượng gia công, đáp ứng nhu cầu gia tăng độ chính xác
trong tương lai.

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.




15
Chương 2: GIẢI PHÁP TRÍ TUỆ NHÂN TẠO VÀ ỨNG
DỤNG
2.1 Phương pháp trí tuệ nhân tạo [8], [9]
Bộ não 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, tiếp cận
khả năng tư duy của bộ não và khả năng học. Trí tuệ nhân tạo bao gồm trí tuệ nhân tạo

truyền thống và trí tuệ nhân tạo tính toán.
Trí tuệ nhân tạo truyền thống bao gồm các phương pháp hiện được phân loại là các
phương pháp học máy (machine learning), hệ hình thức (formalism) và phân tích thống kê.
Các phương pháp gồm có:
- Hệ chuyên gia: áp dụng các khả năng suy luận để đạt tới một kết luận. Một hệ
chuyên gia có thể xử lý các lượng lớn thông tin đã biết và đưa ra các kết luận dựa
trên các thông tin đó.
- Lập luận theo tình huống.
- Mạng Bayes.
Trí tuệ nhân tạo tính toán là một trong những hướng nghiên cứu, tiếp cận của trí tuệ
nhân tạo mà chủ yếu là nghiên cứu việc học và phát triển lặp. Việc học dựa trên dữ liệu
kinh nghiệm và có quan hệ với trí tuệ nhân tạo phi ký hiệu, có nhiều trường phái khác
nhau. Các phương pháp chính gồm có:
- Mạng neuron (Neural network): các hệ thống mạnh về nhận dạng mẫu
- Hệ mờ (Fuzzy system): các kỹ thuật suy luận không chắc chắn, đã được sử dụng
rộng rãi trong các hệ thống công nghiệp hiện đại và các hệ thống quản lý sản phẩm
tiêu dùng.
- Tính toán tiến hóa (Evolutionary computation): ứng dụng các khái niệm sinh học như
quần thể, biến dị và đấu tranh sinh tồn để sinh các lời giải ngày càng tốt hơn cho bài
toán. Các phương pháp này thường được chia thành các thuật toán tiến hóa (thuật
toán gen) và trí tuệ bầy đàn (swarm intelligence).
- Trí tuệ nhân tạo dựa hành vi (Behavior based AI): phương pháp mô-đun để xây dựng
các hệ thống trí tuệ nhân tạo bằng tay.
Ngoài ra hiện nay còn phát triển các hệ thống trí tuệ nhân tạo lai (hybrid intelligent
system), trong đó kết hợp hai trường phái này. Các luật suy diễn của hệ chuyên gia có thể
được sinh ra bởi mạng nơron hoặc các luật dẫn xuất từ việc học.
Các phương pháp trí tuệ nhân tạo thường được dùng trong các công trình nghiên cứu
khoa học nhận thức, mô phỏng, dự đoán…
16
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 cùng là ra quyết định. Với ưu điểm
của các nơron trong bộ não người là xử lý song
song, phân tán và phi tuyến.
Phần tử xử lý cơ bản của một mạng nơron
sinh học là một nơron, phần tử này có thể chia
làm bốn thành phần cơ bản như trong hình 2.1:
dendrites, soma, axon, và synapses.
- Dendrites: là phần nhận tín hiệu đầu vào.
- Soma: là hạt nhân.
- Axon: là phần dẫn ra tín hiệu xử lý.
- Synapses: là đường tín hiệu điện hóa giao
tiếp giữa các nơron.
Kiến trúc cơ sở này của bộ não con người có một
vài đặc tính chung. Một nơron sinh học hoạt động
dựa trên nguyên tắc là: nhận tín hiệu đầu vào, kết
hợp các thông tin và thực thi tổ hợp phi tuyến các
tín hiệu sau đó cho ra một tín hiệu cuối cùng ở
đầu ra.
Do đặc tính xử lý thông tin như vậy nên khả
năng xử lý thông tin của một nơron là rất yếu.
nhưng với cấu trúc tầng lớp và phân vùng, các
nơron liên kết với nhau để thực hiện quá trình xử
lý thông tin liên tục và song song phát huy sức
mạnh của khối nơron liên kết, nên bộ não người
có thể xử lý các thông tin nhanh và chính xác đây cũng là ưu điểm của cấu trúc liên kết

trong bộ não người. Hình 2.2 thể hiện sự liên kết trong xử lý thông tin giữa 2 nơron. Thông
tin sau khi kết xuất tại đầu ra của nơron này sẽ được chuyển lên nơron cao hơn để xử lý.
Dựa trên cơ sở tiếp nhận thông tin, xử lý thông tin và cấu trúc mạng nơron sinh học
thiết lập mạng nơron nhân tạo nhằm có được cách tiếp cận xử lý thông tin của mạng nơron
sinh học.
2.2.2 Mô hình mạng nơron nhân tạo [8]
2.2.1.1 Mô hình toán học
Với bài toán thực nghiệm cần dự đoán một mối quan hệ giữa các yếu tố đầu vào và yếu
tố đầu ra như hình 2.3. Trong đó, đầu vào có thể là một hay nhiều tín hiệu vào và đầu ra
Hình 2.1 Hoạt động một nơron
sinh học
Hình 2.2 Liên kết giữa các nơron
17
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.

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

Trong đó:
- Lớp vào gồm một hay nhiều tín hiệu vào, trong đó mỗi tín hiệu đặc trưng cho một
loại tín hiệu chứa đựng một loạt các thông tin về một đại lượng vào: tốc độ cắt V,
lượng tiến dao S, chiều sâu cắt t, tần số rung động bên ngoài f,…Các tín hiệu vào
được thể hiện bởi một vector đầu vào x gồm nhiều thành phần, mỗi thành phần là
một loại tín hiệu đặc trưng. Tại thời điểm i vector đầu vào được thể hiện:
T
m
ixixixix )](), (),([)(
21


(2.1)
- Lớp ẩn gồm một lớp hay nhiều lớp, mỗi lớp gồm một hay nhiều nơron. Tùy mức độ
phức tạp và yêu cầu của bài toán mà lớp ẩn có thể là một lớp hay nhiều lớp, mỗi lớp
chứa đựng nhiều nơron. Số lượng nơron trong mỗi lớp được điều chỉnh mềm dẻo tùy
thuộc vào yêu cầu mức độ phức tạp của bài toán. Tuy nhiên nếu số lớp quá nhiều hay
số nơron trong một lớp quá lớn sẽ làm gia tăng thời gian xử lý và tính hiệu quả của
mô hình bị giảm. Do vậy không nên chọn quá lớn hay quá nhỏ, việc lựa chọn phụ
thuộc vào mức độ phức tạp và yêu cầu độ chính xác dự đoán trong bài toán.
- Lớp ra gồm một hay nhiều đầu ra: độ nhấp nhô tế vi R
z
, bước nhám R
sm
, năng suất
gia công Q, lượng mòn dao hs, lực cắt F…tại thời điểm i vector đầu ra được thể hiện:

X
1
=V


X
2
=S


X
3
=t

Lớp vào


Lớp ẩn 1


u
11


u
1i


u
1j


u
1m


Lớp ẩn 2


u
2n


u

2i


u
21


Lớp ra


R
z


F



W
ij



ij


r
ij

Bias lớp ẩn 1


Bias lớp ẩn 2


Bias lớp ra


Hình 2.4 Mô hình mạng nơ ron nhân tạo


Đầu vào



Thông số
hệ thống?



x
1
(i)


x
2
(i)

x
m
(i)


.
.
.


Đầu ra
d(i)



Hình 2.3 Mô hình toán học hệ thống


18
T
m
idididid )](), (),([)(
21

(2.2)
- Trọng số w
ij
sử dụng để đánh giá mức độ ảnh hưởng của mỗi yếu tố đầu vào với mỗi
nơron. Trên mỗi lớp nơron của lớp ẩn 1 thì các biến đầu vào là lớp vào, giá trị kết

xuất của mỗi nơron này lại là đầu vào cho lớp nơron tiếp theo…tại thời điểm i vector
trọng số được thể hiện:
T
m
iwiwiwiw )](), (),([)(
21

(2.3)
- Trên mỗi nơron đặt một bias đánh giá mức độ ảnh hưởng của tổng tất cả các yếu tố
vào. Hàm tác động vào mỗi nơron là f(u). Hàm tác động ở mỗi lớp có thể giống nhau
hoặc khác nhau.

Giá trị u
1i
tại lớp ẩn 1 là:
1 ij 1
1
11
w.
()
m
i j i
j
ii
ux
y f u











(2.4)
Giá trị u
2i
tại lớp ẩn 2 là:
2 ij 1 2
1
22
v.
()
n
i j i
j
ii
uy
y f u











(2.5)
Giá trị kết xuất tại đầu ra của lớp ra y:









)(
.
1
2
d
n
j
djijd
ufdy
yru

(2.6)
Khi có n bộ dữ liệu đầu vào x
i
và tương ứng có n giá trị ra mong muốn y
i
. Vì vậy cần
phải xác định các bộ trọng số w

ij
sao giá trị đầu ra kết xuất bởi mạng nơron phải bám sát
được giá trị đầu ra tương ứng từ tập giá trị thực nghiệm. Với những bài toán qui hoạch thực
nghiệm thì có thể chỉ cần một lớp nơron là có thể thiết lập được qui luật quan hệ giữa các
yếu tố đầu vào và đầu ra chính xác. Nếu cần thiết thì có thể tăng thêm số nơron trong lớp
ẩn lên thay vì tăng số lớp.
Gọi e là giá trị sai lệch giữa giá trị cần d
i
và giá trị kết xuất ra bởi mạng y
i
tại vòng lặp
thứ n là:
)()()( nyndne
iii

(2.7)
Tổng trung bình bình phương các sai lệch cho các nơron đầu ra tại vòng lặp thứa n là:
2
11
2
))()((
2
1
)(
2
1
)(




m
i
ii
m
i
i
nyndnenE
(2.8)
Tổng trung bình bình phương của N mẫu đưa vào học tại vòng lặp thứ n sẽ là:



U
i


W
1j



f(u)


y
j


W
2j

W
3j



i


Hình 2.5 Giá trị kết xuất của mỗi nơ ron


19



N
i
N
nE
N
nE
1
)(
1
)(
(2.9)
Khi một mô hình mạng nơron đã xác định số lớp, số nơron cho mỗi lớp thì giá trị hàm
sai lệch E(n) phụ thuộc vào giá trị của các trọng số w

ij
. Vì vậy các giá trị trọng số w chính
là các tham số động của mô hình mạng. Cần thay đổi các giá trị trọng số để giảm giá trị
cho hàm sai lệch nghĩa là để giá trị kết xuất tại đầu ra của mạng luôn bám sát được giá trị
đầu vào cần. Hình 2.6 thể hiện mối quan hệ cho sự thay đổi trọng số để giảm giá trị sai
lệch.

Cần tìm trong không gian các lời giải một bộ trọng số w* để hàm sai lệch E đạt giá trị
nhỏ nhất có thể vì vậy giá trị hàm sai lệch e
i
là cơ sở để điều chỉnh cho giá trị trọng số. Bản
chất của quá trình giải tìm bộ trọng số cũng là bài toán tối ưu. Hiện nay có nhiều phương
pháp tìm kiếm nhưng phổ biến là phương pháp phương pháp giảm dốc Gradient
Quá trình điều chỉnh trọng số nhằm mục đích để giá trị ra kết xuất bởi mạng nơron y(i)
luôn bám theo giá trị cần mong muốn d(i) tương ứng với mỗi cặp đầu vào x(i). Nghĩa là
trong không gian các lời giải của các vector trọng số w(1), w(2),…,w(n) tìm ra bộ trọng số
tốt nhất w* để giá trị hàm sai lệch nhỏ nhất (giá trị đầu ra kết xuất bởi mạng bám theo
được giá trị đầu ra mong muốn)
)()(
*
wEwE 
(2.10)
Quá trình thí nghiệm thu được các cặp mẫu tín hiệu vào-ra là:
 
))(),( idix
với k=1,2…n (2.11)
Trong đó:
x là bộ giá trị đầu vào:
 
T

m
ixixixix )(), ,(),()(
21


d là bộ giá trị đầu ra tương ứng với x(i):
 
T
m
idididid )(), ,(),()(
21


Quá trình học điều chỉnh giá trị trọng số qua hai bước:
- Bước 1: Các bộ mẫu dữ liệu đầu vào x(i) lan truyền theo chiều thuận từ lớp vào qua
các lớp ẩn đến lớp ra để tạo tín hiệu ra y(i). quá trình này nhằm mục đích tính toán
giá trị dự đoán y kết xuất của mạng tương ứng với bộ trọng số w(i) là một lời giải
cho bài toán.
- Bước 2: Giá trị sai lệch e=d-y được sử dụng để lan truyền theo hướng ngược lại từ
lớp ra qua các lớp ẩn để trở về lớp vào, quá trình này nhiệm vụ để điều chỉnh lại các
giá trị trọng số giữa các lớp sao cho tín hiệu ra y luôn bám theo được tín hiệu đầu ra
d.
Mô hình mạng nơron cho phép điều chỉnh mềm dẻo mô hình toán học thể hiện mối
quan hệ của các yếu tố đầu vào với yếu tố đầu ra. Mỗi bộ trọng số trong quá trình điều
chỉnh thể hiện một qui luật chi phối cho mối quan hệ này. Tuy nhiên mạng nơron không
thể hiện rõ mối quan hệ tường minh, khó giải thích sự quan hệ của các yếu tố. Do mạng
x
2
(i)

x
1
(i)


w
1
(i)


.
.


x
n
(i)


w
2
(i)


w
n
(i)

e(i)


d(i)


y(i)


Hình 2.6 Mô hình điều chỉnh trọng số


20
nơron có khả năng học nên cần một số lượng mẫu nhất định cho quá trình huấn luyện
mạng, đồng nghĩa với việc phải thí nghiệm một số lượng mẫu, do đó sẽ làm tăng chi phí
khi thí nghiệm thực nghiệm. Mặt khác khi dữ liệu thu thập được: độ nhấp nhô tế vi, bước
nhám, lực cắt cũng chỉ thu thập được giá trị đo với một mức độ chính xác nhất định nghĩa
là giá trị thu thập được cũng là những giá trị mờ xung quanh một giá trị thực. Các thông số
cài đặt như chế độ cắt trên máy (vận tốc cắt V, lượng tiến dao S, chiều sâu cắt t) cũng có
giá trị thực tế là những giá trị mờ xung quang giá trị thực đưa vào. Vì vậy mỗi giá trị thu
thập được hay giá trị cài đặt là những giá trị mờ có thể đặc trưng bằng giá trị chính nó và
một mức độ tin cậy nhất định. Do đó cần sử dụng phương pháp kể đến sự không chắc chắn
trong các dữ liệu như vậy.
2.3 Logic mờ [4]
Lôgic mờ ( Fuzzy logic) được phát triển từ lý thuyết tập mờ để thực hiện lập luận một
cách xấp xỉ thay vì lập luận chính xác theo logic vị từ cổ điển. Lôgic mờ có thể được coi là
mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán
phức tạp. Trong các bài toán kĩ thuật cũng như trong các bài toán thực tế tồn tại những biến
số mà không thể định lượng chính xác được. Bởi vậy, sự ra đời của logic mờ đã giúp giải
quyết rất nhiều các bài toán điều khiển trong kĩ thuật cũng như bài toán thực tế. Trong mô

hình tính toán bằng logic mờ các đại lượng sẽ được mờ hóa, việc tính toán dựa trên các
hàm liên thuộc và đươc xác định dựa trên kinh nghiệm của người điều khiển. 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.
Lôgic mờ và xác xuất thông kê đều nói về sự không chắn chắn. Tuy nhiên mỗi lĩnh vực
định nghĩa một khái niệm khác nhau về đối tượng. Trong xác suất thống kê sự không chắc
chắn liên quan đến sự xuất hiện của một sự kiện chắc chắn nào đó. Sự không chắc chắn
trong ngữ nghĩa, liên quan đến ngôn ngữ của con người, đó là sự không chính xác trong
các từ ngữ mà con người dùng để ước lượng vấn đề và rút ra kết luận. Mặc dù các khái
niệm không được định nghĩa chính xác nhưng con người vẫn có thể sử dụng chúng cho các
ước lượng và quyết định phức tạp. Bằng sự trừu tượng và óc suy nghĩ, con người có thể
giải quyết câu nói mang ngữ cảnh phức tạp mà rất khó có thể mô hình bởi toán học chính
xác. Sự không chắc chắn theo ngữ vựng như đã nói trên, mặc dù dùng những phát biểu
không mang tính định lượng nhưng con người vẫn có thể thành công trong các ước lượng
phức tạp. Trong nhiều trường hợp, con người dùng sự không chắc chắn này để tăng thêm
độ linh hoạt.
Trong thực tế, không định nghĩa một luật cho một trường hợp mà định nghĩa một số luật
cho các trường hợp nhất định. Khi đó những luật này là những điểm rời rạc của một tập
các trường hợp liên tục và con người xấp xỉ chúng. Gặp một tình huống cụ thể, con người
sẽ kết hợp những luật mô tả các tình huống tương tự. Sự xấp xỉ này dựa trên sự linh hoạt
của các từ ngữ cấu tạo nên luật, cũng như sự trừu tượng và sự suy nghĩ dựa trên sự linh
hoạt trong Lôgic của con người. Để thực thi lôgic của con người trong kỹ thuật cần phải có
một mô hình toán học của nó. Từ đó lôgic mờ ra đời như một mô hình toán học cho phép
mô tả các quá trình quyết định và ước lượng của con người theo dạng giải thuật. Dĩ nhiên
cũng có giới hạn, đó là lôgic mờ không thể bắt trước trí tưởng tượng và khả năng sáng tạo
của con người. Tuy nhiên, lôgic mờ cho phép rút ra kết luận khi gặp những tình huống
không có mô tả trong luật nhưng có sự tương đương. Vì vậy, nếu mô tả những mong muốn
của mình đối với hệ thống trong những trường hợp cụ thể vào luật thì lôgic mờ sẽ tạo ra
giải pháp dựa trên tất cả những mong muốn đó.
21

2.3.1 Mô hình toán học của Logic mờ
Trên cơ sở suy luận mờ thiết lập mô hình toán học cho logic mờ thể hiện trong hình 2.7
với 4 lớp.

- Lớp 1: Là lớp đầu vào, mỗi một biến đầu vào được đại diện bởi một nút trong đó nút
1 là đầu vào cho biến x
1
(vận tốc cắt V), nút 2 là đầu vào cho biến x
2
(lượng tiến
dao), nút 3 là đầu vào cho biến x
3
(chiều sâu cắt t)
- Lớp 2: Mỗi một nút là một hàm liên thuộc, hàm liên thuộc có thể là hàm Gauss, hàm
chuông, hàm tam giác. Trong mỗi nút chứa một hàm số đại diện cho hàm liên thuộc
của nó.
- Lớp 3: chứa các luật hợp thành mờ, các luật này có thể là Min hoặc Prod. Từ lớp này
xác định được giá trị đầu ra ứng với mỗi 1 luật mờ.
- Lớp 4: có 2 tác dụng là:
+ Hợp thành tất cả các luật mờ để xác định ra một luật mờ cuối cùng. Ở lớp này có
thể sử dụng luật hợp mờ SUM hoặc MAX.
+ Tiến hành giải mờ để quy đổi một đại lượng mờ về một đại lượng thực, có thể
dùng phương pháp trọng tâm hoặc phương pháp độ cao để giải mờ.
Với mô hình toán học của logic mờ đã giải quyết được nhiều bài toán trong thực tế. Với
ưu điểm có các luật suy luận đơn giản và gần với ngôn ngữ xử lý của con người, thời gian
suy luận ngắn. Mặt khác Logic mờ cho quá trình dự đoán tường minh, dễ kiểm chứng hoạt
động và dễ sửa đổi. Do vậy khả năng ứng dụng của logic mờ phổ biến và rộng dãi. Tuy
nhiên Logic mờ không có khả năng học nên nó đã làm hạn chế quá trình khai phá dữ liệu
từ tập dữ liệu thực nghiệm. Vì vậy để tăng khả năng dự đoán và suy luận với quá trình học
của mạng nơron đem kết hợp logic mờ với mạng nơron để tạo mạng mờ nơron sẽ kết hợp

được các ưu điểm của hai mô hình.
2.4 Mạng mờ nơron [8], [9]
Mạng nơron với sự mô phỏng thu nhận tín hiệu và xử lý tín hiệu của bộ não người với
những ưu điểm nổi bật:
Hình 2.7 Mô hình toán học của Logic mờ



22
- Khả năng của các quá trình xử lý song song và phân tán: có thể đưa vào mạng một
lượng lớn các nơron liên kết với nhau theo những lược đồ và các kiến trúc khác
nhau.
- Khả năng thích nghi và tự tổ chức: mạng có thể xử lý thích nghi và điều chỉnh bền
vững dựa vào các thuật toán học thích nghi và qui tắc tự tổ chức.
- Khả năng dung thứ lỗi: mạng bắt trước khả năng dung thứ lỗi của não theo nghĩa hệ
thống, có thể tiếp tục làm việc và điều chỉnh khi nhận tín hiệu vào một phần thông tin
bị sai lệch hoặc bị thiếu.
- Xử lý các quá trình phi tuyến: đây là đặc điểm nổi bật quan trọng nhất của mạng
nơron. Mạng có thể xấp xỉ các hàm phi tuyến phức tạp, miễn nhiễm (chấp nhận
nhiễu) và có khả năng phân lớp.
Với các ưu điểm nổi bật như vậy mạng nơron được ứng dụng ngày càng nhiều đặc biệt
trong các lĩnh vực
- Lĩnh vực phân lớp, tách cụm, dự đoán và liên kết: mạng nhận tín hiệu vào tĩnh hay
tín hiệu vào theo thời gian và nhận dạng, phân lớp chúng.
- Lĩnh vực các bài toán tối ưu: ở lĩnh vực này thường tìm những thuật toán huấn
luyện mạng sao cho góp phần tìm nghiệm cho nhiều lớp bài toán tối ưu toàn cục,
thường sử dụng kết hợp mạng với các giải thuật tiến hóa.
- Lĩnh vực ứng dụng trong hồi qui: sử dụng mô hình toán học mềm dẻo của mạng
nơron để tìm mô hình hồi qui tuyến tính và phi tuyến chính xác khớp với mẫu. trong
các bài toán hồi qui thường sử dụng các thuật học có giám sát

- Lĩnh vực hoàn chỉnh dạng: mạng hoàn chỉnh đủ dữ liệu ban đầu sau khi đã bị mất đi
một phần dữ liệu (hay chỉ thu được một phần).
Nhược điểm của mạng nơron:
- Mô hình toán học không tường minh
- Khó giải thích mối quan hệ giữa các dữ liệu vào và dữ liệu ra
Với 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. Cả logic mờ và mạng nơron đều có những điểm tương đồng nhau:
- Cả hai hệ đều làm tăng thêm tri thức, tăng độ thông minh cho các hệ thống với sự trợ
giúp của các hệ thống kỹ thuật, đặc biệt trong môi trường bất định, có nhiễu, thiếu
thông tin và tri thức thiếu chính xác.
- Cả hai hệ đều là hệ động, là công cụ ước lượng bằng số mà không dùng mô hình số
chọn trước.
- Cả hai khi ước lượng hàm số không đòi hỏi mô tả dạng toán học y=f(x) cho trước,
thường mô hình học được từ mẫu dữ liệu, tiệm cận với các số liệu.
- Cả hai hệ thống và công nghệ đang được ứng dụng rộng dãi.
Sự kết hợp logic mờ và mạng nơron tạo nên hệ mờ nơron bổ sung cho nhau và kết hợp
được cả ưu điểm của hai hệ. Logic mờ sẽ trực tiếp suy rộng mạng nơron bằng khái niệm
mờ, đặc biệt là tập mờ và số mờ vào mạng nơron và xem xét những bài toán nào, thuật
toán nào còn đúng, tác động của lớp thuật toán như thế nào. Sự kết hợp thường ở 4 Loại
suy rộng
- Tín hiệu vào là số thực, trọng số mờ
- Tín hiệu vào là tập mờ, trọng số là số thực
- Cả tín hiệu vào và trọng số đều là mờ
- Khai thác các phép toán t-chuẩn, t-đối chuẩn
Với những ưu điểm trên nên mạng mờ nơ ron ngày được ứng dụng phổ biến trong các bài
toán kỹ thuật. Trong luận án mạng mờ nơ ron được sử dụng để thiết lập mối quan hệ thực
23
nghiệm giữa chế độ cắt với các yếu tố đầu ra: độ nhám bề mặt, lực cắt, lượng mòn dụng cụ,

năng suất cắt.
2.4.1 Mô hình mạng mờ nơron
Dựa trên cơ sở hệ suy luận mờ được Jang đề xuất (1992) [9], [10], [11], [14], [15]. Sử
dụng các luật học mờ dạng TSK (Takagi, Sugeno). Mạng mờ nơ ron là sự kết hợp các ưu
điểm của mạng nơ ron và Logic mờ. Mô hình toán học mạng mờ nơ ron được trình bày
trong hình 2.8. Xây dựng mô hình mạng mờ nơron học thông số với cải tiến mới khi tìm
các thông số của mạng.

Tại luật học thứ j là R
j
là sự suy luận:
Nếu x
1
là A
1
j
và x
2
là A
2
j
và x
i
là A
i
j
và x
n
là A
n

j
thì:
).(
1
0 i
n
i
j
i
j
jj
xppf




(2.12)
Trong đó:
- x
i
là các biến đầu vào (i=1,2,3,…,n)
- y là biến đầu ra
- A
i
j
(x
i
) là các biến ngôn ngữ mờ của biến đầu vào x
i

- μ
Ai
j
(x
i
) là hàm liên thuộc của mỗi biến ngôn ngữ ở đầu vào (j=1,2,3,…,M)
- p
i
j
R là các trọng số đánh giá mức độ ảnh hưởng của mỗi biến x
i
đến luật học thứ j
Cấu trúc mạng mờ nơron gồm 3 phần chính: bộ phận mờ hóa giữ liệu đầu vào, bộ phận
suy diễn mờ, bộ phận giải mờ bao gồm các lớp sau:
Lớp 1: là lớp dữ liệu đầu vào, mỗi nơron thứ i có một tín hiệu vào x
i
(x
1
là vận tốc cắt V,
x
2
là lượng tiến dao S, x
3
là chiều sâu cắt t)
Lớp 2: là lớp mờ hóa dữ liệu đầu vào, mỗi giá trị đầu vào được mờ hóa. Mỗi phần tử là
một hàm liên thuộc
)(
i
A
x

j
i

có dạng Gauss hoặc một dạng nào đó được lựa chọn.
Mỗi biến x
i
được mờ hóa thành j khoảng mờ.
Lớp 3: mỗi nơron trong lớp này biểu diễn một luật R
j
:



n
i
i
j
ij
x
1
)(

(2.13)
Lớp 4: mỗi nơron trong lớp này biểu diễn độ mạnh của liên kết giữa các luật:
Hình 2.8 mô hình mạng mờ nơron