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

1
A. GIỚI THIỆU VỀ LUẬN ÁN
1. Tên đề tài: “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”
2. Cơ sở để lựa chọn đề tài
Quá trình gia công cơ khí ngày nay hướng tới gia công đạt độ chính xác
cao và nâng cao hiệu quả sử dụng thiết bị. Các hệ máy gia công sử dụng hệ
điều khiển số là xu hướng phát triển tất yếu trong sản xuất công nghiệp. Với
ưu thế về độ chính xác gia công và năng suất gia công cao nên máy CNC được
ứng dụng rất rộng dãi và phổ biến.
Đối 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. 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. Do đó, cài đặt chế độ cắt hợp lý hay
tối ưu để nâng cao năng suất gia công, chất lượng gia công là điều kiện cần
cho quá trình gia công cơ khí. 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.
Mặt khác, 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
sau khi gia công cũng bị ảnh hưởng của các yếu tố nhiễu làm những thông tin
có được gần với giá trị giá trị thực ở một mức độ tin cậy nhất định. Phương
pháp phân tích thực nghiệm Taguchi được ứng dụng ngày càng phổ biến và
cho phép đánh giá mức độ ảnh hưởng đó.
Ngày nay, khoa học trí tuệ nhân tạo đã mô phỏng quá trình thu nhận, xử lý
thông tin của bộ não người và cơ chế tối ưu trong tự nhiên. Quá trình nghiên
cứu, ứng dụng khoa học trí tuệ nhân tạo trong các lĩnh vưc đạt được nhiều
thành công.
Từ những nghiên cứu về qui trình xác định chế độ công nghệ tối ưu hiện
đang được sử dụng phổ biến và trên cơ sở phân tích, ứng dụng khoa học trí tuệ
nhân tạo cũng như kỹ thuật phân tích Taguchi để đưa ra một cách tiếp cận mới
xác định chế độ cắt tối ưu cho độ chính xác dự đoán cao hơn.

Do vậy, đề tài “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”
là cần thiết, thực tiễn và tất yếu. Kết quả nghiên cứu này làm phong phú cho lý
thuyết qui hoạch thực nghiệm, bổ sung một công cụ tính toán cho khoa học
thực nghiệm trong gia công cơ khí. Nghiên cứu còn là tiền đề phát triển, ứng
dụng điều khiển quá trình công nghệ gia công trực tuyến nhằm nâng cao hiệu
suất gia công trong tương lai.
3. Mục đích, đối tượng và phạm vi nghiên cứu
3.1 Mục đích
2
- 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, lực cắt, độ mòn dụng cụ, tính toán chế độ cắt tối ưu cho gia
công một số thép hợp kim.
3.2 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
- 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
3.3 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.
4. Phương pháp nghiên cứu

Phương pháp nghiên cứu chung là kết hợp nghiên cứu lý thuyết với nghiên
cứu thực nghiệm
5. 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.
6. 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.
7. Cấu trúc luận án
3
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.
B. NỘI DUNG LUẬN ÁN
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
1.1 Các chỉ tiêu đánh giá chất lượng 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
.

4
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 dữ 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

5
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 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. Bài toán tối ưu được thiết lập khi xác định rõ 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.
trong đó 
i
là sai số tương đối giữa điểm thực đo A
iđo
và điểm dự đoán bởi
phương pháp A
itt
, ngoài ra tính đến độ phân tán sai số . 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. 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.
6
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

E
n


E
i


Đường quan hệ thực đo

Đường quan hệ dự đoán

E
1


y
A1do
x
Aido
Ando
A1tt

Antt
Aitt
yitt
yido
xi
7
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, 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.
2.2.2 Mô hình mạng nơron nhân tạo
Hình 2.1 Hoạt động một nơron sinh học
8
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.
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

9

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. Thuật toán “quần thể bầy ong nhân
tạo” (artificial bees colony-ABC) là một dạng thuộc nhóm thuật toán trí tuệ
bầy đàn 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 ưu 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 thì 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
công nghệ cụ thể sẽ mở rộng cho lớp các dạng tương tự. Với cách tiếp cận ứng
Hình 2.8 mô hình mạng mờ nơron


10
dụng giải pháp trí tuệ nhân tạo và qui hoạch thực nghiệm Taguchi đưa ra qui

trình xác định chế độ cắt tối ưu như hình 3.1 bao gồm các bước.




























3.2 Ứng dụng mạng mờ nơron và giải thuật ABC xác định mối quan hệ thực

nghiệm giữa chế độ cắt và thông số đầu ra
3.2.1 Các chỉ tiêu đánh giá chất lượng mô hình toán học mạng
Một mô hình mạng có các tham số mạng tốt thì giá trị sai số trung bình 
tb

và độ phân tán sai số  càng nhỏ càng tốt (
tb
, ), hay giá trị E càng nhỏ càng
tốt. Vì vậy có thể so sánh độ tốt hay xấu của các bộ tham số mạng qua một
trong 2 tiêu chuẩn sau:
- So sánh bộ giá trị (
tb
, ) của mỗi bộ tham số mạng
- So sánh độ lệch trung bình bình phương E
Nếu sử dụng chỉ tiêu E làm tiêu chuẩn so sánh, đánh giá độ tốt xấu của mỗi
bộ tham số mạng như một điều kiện dừng cho bài toán tìm tham số mạng thì
Hình 3.1 Sơ đồ tiến trình xác định chế độ công nghệ tối ưu
Phân tích thực nghiệm
Taguchi: đánh giá mức độ
ảnh hưởng của chế độ cắt
đến đầu ra và nhiễu

Bắt đầu

Thiết kế ma trận thí
nghiệm trực giao Taguchi
Thực nghiệm và thu thập
dữ liệu
Thiết lập quan hệ thực
nghiệm: mạng mờ nơ ron,
giải thuật lan truyền
ngược kết hợp ABC

Thành lập bài toán tối ưu
Giải bài toán tối ưu: sử
dụng giải thuật trí tuệ bầy
đàn ABC
In và lưu kết quả tối ưu
Kết thúc






Xác định biến để giải bài
toán tối ưu
11
có thể xảy ra tại một số điểm nào đó trong bộ dữ liệu sẽ có sai lệch giữa giá trị
kết xuất ra bởi mạng và giá trị thực là lớn. Nó không phản ánh được độ tập
trung của sai số hay phân tán của sai số. Mong muốn sai lệch cho các điểm dữ
liệu phải nhỏ và các sai lệch đó không được phân tán quá rộng. Nếu phân tán
quá rộng thì độ chênh lệch giữa sai số lớn nhất và nhỏ nhất rất lớn gây ra độ
chính xác dự đoán mối quan hệ cũng không cao. Ngược lại ưu điểm khi dùng

tiêu chuẩn E làm tiêu chuẩn dừng thì quá trình tính toán sẽ đơn giản hơn,
nhanh hơn. Nếu sử dụng giá trị sai số trung bình và độ phân tán sai số làm tiêu
chuẩn dừng cho bài toán, qúa trình tính toán nhiều hơn nhưng lại cho khả năng
điều chỉnh mô hình mạng chính xác với mô hình thực tế hơn. Trong luận án sử
dụng sai lệch E làm công cụ giảm sai số toàn bộ mẫu và dùng sai số trung
bình, phương sai của sai số làm tiêu chuẩn dừng cho bài toán.
3.2.2 Giải thuật ABC, lan truyền ngược xác định tham số hệ thống mạng
Các giá trị sai số 
i
, 
tb
, , E cũng là những hàm quan hệ phụ thuộc vào bộ
tham số mạng, để xác định bộ tham số w sao cho giá trị đầu ra của mạng bám
sát được giá trị thực đo d
i
, sử dụng hai giải thuật là lan truyền ngược và giải
thuật
Giải thuật lan truyền ngược sử dụng phương pháp giảm dốc Gradient điều
chỉnh các tham số hệ thống mạng, qua mỗi vòng lặp giá trị sai lệch E được
giảm đi. Nhược điểm lớn nhất của giải thuật lan truyền ngược là khả năng làm
giảm sai lệch E phụ thuộc nhiều vào điểm khởi tạo ban đầu w
0
và hệ số học
nhưng ưu điểm là tốc độ hội tụ nhanh. Nếu có điểm khởi tạo nghiệm ban đầu
tốt cho đầu vào thuật toán lan truyền ngược thì quá trình hội tụ về các tiêu
chuẩn dừng sẽ nhanh hơn. Giải thuật bầy ong nhân tạo dựa trên quan sát tự
nhiên của bầy ong khi tìm mật hoa. Đàn ong với các cá thể được chia làm 3
nhóm ong khác nhau: ong thợ, ong tìm kiếm, ong giám sát. Ong thợ được điều
đi khắp nơi để tìm kiếm nguồn mật hoa, một nguồn mật hoa là đại diện cho
một nghiệm w của bài toán và do một ong thợ đảm nhiệm.

Số lượng ong thợ trong quần thể bầy ong cũng chính là số lượng nghiệm sử
dụng để khám phá nghiệm tối ưu. Ong giám sát tại trung tâm trao đổi thông tin
đón nhận thông tin từ ong thợ đưa về, so sánh lượng mật hoa tại các nguồn
thức ăn và sẽ ra quyết định chọn nguồn mật để khai thác tiếp theo căn cứ độ
giàu có của nguồn mật. Nguồn mật càng giàu có thì càng có cơ hội được chọn
để khai thác. Ong tìm kiếm là ong sẽ đi theo một hướng bất kỳ để tìm nguồn
thức ăn mới và khi tìm thấy nguồn thức ăn mới thì con ong này sẽ biến thành
ong thợ.
12
Qui trình tìm mật hoa được sử dụng để tìm
nghiệm tối ưu cho bài toán tối ưu. Với lý
thuyết qui trình tìm kiếm mật hoa của đàn
ong nhưng ứng dụng nó để thành giải thuật
thì tùy vào mục đích và mức độ phức tạp
của bài toán để thiết lập gải thuật cho tối ưu
về chiến lược thời gian thực khi thực hiện
thuật toán. Thuật toán ABC có khả năng
làm hội tụ chính xác và không bị chết tại
các điểm cục bộ địa phương. Do vậy để đảm
bảo chiến lược thời gian và độ chính xác khi
xác định mô hình toán học mạng kết hợp hai
giải thuật. Giải thuật ABC sẽ tìm tham số hệ
thống ban đầu cho giải thuật lan truyền
ngược. Quá trình kết hợp này sử dụng ưu
điểm của cả 2 giải thuật.
3.2.3 Qui trình xác định mối quan hệ thực
nghiệm

Hình 3.11 thể hiện sơ đồ thuật toán xác
định mối quan hệ thực nghiệm. Tham số hệ

thống mô hình toán học mạng xác định mối
quan hệ giữa chế độ cắt và các đầu ra quan
tâm là các giá trị trọng số w bao gồm các
tham số của hàm liên thuộc và các giá trị
tham số đánh giá mức độ tác động của các
biến vào. Quá trình luyện mạng là quá trình
thực hiện hai thuật toán ABC và lan truyền
ngược điều chỉnh các giá trị trọng số để giá
trị kết xuất ra khỏi mạng bám được giá trị
thực đưa vào từ bộ dữ liệu.
3.3 Đánh giá mức độ ảnh hưởng của chế
độ cắt đến các thông số đầu ra bằng
phương pháp Taguchi
Hình 3.11 Sơ đồ giải thuật xác định
mối quan hệ thực nghiệm giữa chế
độ cắt và thông số đầu ra


Thực hiện giải thuật
bầy ong ABC
Thực hiện giải thuật
lan truyền ngược
Bắt đầu


Đọc dữ liệu vào


Chuẩn hóa dữ liệu
Tách dữ liệu luyện mạng

và dữ liệu kiểm tra


Nạp dữ liệu vào luyện
mạng mờ nơron


Huấn luyện mạng tìm bộ
tham số hợp lý


In và lưu trữ bộ
tham số tốt nhất


Kết thúc


13
Phương pháp Taguchi thiết kế
đánh giá mức độ ảnh hưởng của các
yếu tố chính trong quá trình làm việc
và các yếu tố nhiễu tác động làm sai
lệch kết quả mong muốn đầu ra. Bản
chất của quá trình thu nhận được các
giá trị đầu ra quan tâm bị ảnh hưởng
bời nhiễu nên giá trị đầu ra thực y
i

phân bố xung quanh giá trị trung bình

y
tb
với một độ phân tán . Đối với
phương pháp Taguchi giá trị tính toán
cho thông số đầu ra quan tâm được
thay thế bằng tỷ số S/N (Signal to
Noise ratio) và được tính công thức:
)(log10/
10
MSDNS 
(dB) (3.19)
Trong đó: MSD là độ lệch trung bình bình phương và tính cho các trường hợp
khác nhau. Trong phân tích Taguchi tỷ số S/N sử dụng thay cho giá trị trung
bình trong các công thức tính toán.
3.4 Xác định chế độ cắt tối ưu cho hàm mục tiêu về năng suất gia công
đáp ứng chất lượng bề mặt
3.4.1 Hàm mục tiêu và các giới hạn biên
Mục đích của những người làm công nghệ là khai thác những yếu tố cố
định đã có của hệ thống công nghệ sao cho hiệu quả nhất do đó những hàm
mục tiêu và điều kiện biên phải có tính thực tế và có khả năng ứng dụng vào
sản xuất. Năng suất cắt khi gia công là một chỉ tiêu kinh tế của quá trình cắt
nên mong muốn càng lớn càng tốt và là hàm mục tiêu cho quá trình cắt. Giới
hạn biên bao gồm các giới hạn của các hàm chất lượng bề mặt và đảm bảo yếu
tố cố định của hệ thống công nghệ bao gồm: giới hạn về độ nhám bề mặt,
công suất cắt, lượng mòn dụng cụ, vận tốc cắt lớn nhất, lượng tiến dao lớn
nhất, chiều sâu cắt. Các giới hạn biên xác định một không gia giới hạn cho các
tham biến và phương trình giới hạn cũng được xác định bằng mạng mờ nơ
ron.
3.4.2 Xác định các thông số công nghệ cho bài toán tối ưu kết hợp với phân
tích Taguchi

Phân tích Taguchi đã xác định được mức độ ảnh hưởng của từng thông số
chế độ cắt đến đầu ra. Những yếu tố ảnh hưởng nhiều và trên mức ý nghĩa
được chọn để điều khiển, như vậy quá trình điều khiển sẽ hiệu quả hơn và
kinh tế hơn.
3.4.3 Giải thuật ABC giải bài toán tối ưu năng suất gia công
Hình 3.13 ảnh hưởng của độ nhiễu
lên kết quả ra tính theo tỷ số S/N

y
tb1
y
tb2
y
0
Giá trị đầu ra

MSD
1
(S/N)
1
MSD
2
(S/N)
2
MSD
1
> MSD
2
(S/N)
1

<( S/N)
2

Tần suất

14
Hình 3.14 thể hiện sơ đồ thuật toán tính chế độ cắt tối ưu. Với dạng bài
toán đơn mục tiêu tối ưu năng suất gia công lớn nhất trên cơ sở đáp ứng các
giới hạn biên, sử dụng giải thuật trí tuệ bầy đàn ABC cho quá trình tìm
nghiệm tối ưu
KẾT LUẬN CHƯƠNG 3
- Sử dụng giải pháp mạng mờ nơ ron xác định mối quan hệ thực nghiệm
giữa chế độ cắt với độ nhám bề mặt gia công, năng suất cắt, lực cắt, lượng
mòn dụng cụ.
- Xây dựng giải thuật lan truyền ngược kết hợp với giải thuật trí tuệ bầy đàn
ABC xác định các thông số hệ thống hệ thống mạng mờ nơ ron
Sai

Khởi tạo quần thể nghiệm ban đầu ngẫu nhiên gồm m vector nghiệm: X
0
=(x
1
,
x
2
,…x
j
,…x
m
)

0
; vector x
j
=(S
j
, t
j
, V
j
); S
j
=S
min
+r
sj
.(S
max
-S
min
); tương tự với t
j
,
V
j
; S
min
≤S
j
≤S
max

; t
min
≤t
j
≤t
max
; V
min
≤V
j
≤V
max
; Kiểm tra các điều kiện biên g
i





Tạo nghiệm mới do ong thợ: x
j
’=(S
j
’, t
j
’, V
j
’), trong đó S
j
’=S

j
+r
sj
.(S
j
-S
k
),
r
sj
= Random[-1,1]; S
min
≤ S
j
’≤S
max
. Kiểm tra 9 điều kiện biên gi, kiểm tra hàm
mục tiêu Q(x
j
)≤Q(x
j
‘) lấy x
j
’, ngược lại dữ nguyên x
j




Đánh giá độ tốt-xấu của nghiệm: tính Q(x

j
); tính K(Q(x
j
))

Tạo nghiệm mới do ong giám sát (qui trình tạo nghiệm)

Bắt đầu

Chuyển ong thợ thành ong tìm kiếm (qui trình tạo nghiệm)

Đúng

Xét điều kiện
dừng: n≤[n]

Kết quả tối ưu

Kết thúc

Hình 3.14 Sơ đồ thuật toán ABC bài toán tối ưu năng suất gia công

15
- Sử dụng phân tích Taguchi xác định mức độ ảnh hưởng của chế độ cắt đến
độ nhám bề mặt, năng suất gia công, lực cắt, lượng mòn dụng cụ.
- Thiết lập bài toán tối ưu với hàm mục tiêu năng suất gia công với 9 hàm
điều kiện biên, xây dựng sơ đồ giải thuật giải bài toán tối ưu.

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 TRÊN MÁY PHAY CNC
4.1 Mô hình thí nghiệm
Nghiên cứu quá trình gia công phay CNC bằng thực nghiệm nhằm xây
dựng các mô hình toán học mô tả mối quan hệ giữa các đại lượng đầu ra với
các đại lượng đầu vào của quá trình, trên cơ sở đó xác định được bộ thông số
chế độ cắt tối ưu
4.1.1 Sơ đồ thí nghiệm
.














4.2 Xây dựng qui hoạch thí nghiệm
4.2.1 Xây dựng bảng thí nghiệm Trực giao Taguchi
Các dữ liệu cần thí nghiệm theo Tagichi được sắp xếp vào một bảng dưới
dạng một ma trận trực giao gọi là bảng trực giao (Orthogonal array: OA).
Bảng OA thiết kế số lượng thí nghiệm ít nhất nhưng đạt được lượng thông tin
nhiều nhất với miền giá trị khảo sát sử dụng bảng trực giao OA
25
(6

5
) với 25 thí
nghiệm cần thực hiện.
4.3 Xây dựng phần mềm làm công cụ xử lý dữ liệu
4.3.1 Xây dựng phần mềm BK-CTMNET
Hình 4.1 Sơ đồ nghiên cứu quá trình phay bằng thực nghiệm

Các đại lượng nhiễu
Các đại đầu vào:
- Vận tốc cắt: V
- Lượng tiến dao răng: Sz
- Chiều sâu cắt: t
Các đại cố định:
- Thiết bị gia công
- Vật liệu làm dao
- Vật liệu gia công
- Dung dịch trơn lạnh
- Chương trình điều khiển
Các đại đầu ra:
- Năng suất gia công
- Chất lượng bề mặt
- Lực cắt
- Lượng mòn dao
Quá trình phay
CNC
16
Phần mềm được xây dựng với thuật toán xác định trong chương 3. Ngôn ngữ
lập trình được chọn là C Sharp. Giao diện gần gũi với người dùng bao gồm 7
tab thể hiện như trong
hình 4.4:

Tab dữ liệu, học
mạng, kết quả, đồ thị, tối
ưu chế độ cắt, Taguchi
phân tích. Phần mềm vừa
thiết lập các mối quan hệ
thực nghiệm với phương
pháp mạng mờ nơ ron sử
dụng giải thuật ABC kết
hợp lan truyền ngược xác
định tham số hệ thống
mạng. Giải thuật ABC để
xác định chế độ cắt tối ưu
cũng như các phân tích
thực nghiệm Taguchi.
4.4 Xác định mối quan hệ thực nghiệm bằng mạng mờ nơ ron
4.4.1 Xác định mối quan hệ
giữa chế độ cắt và các
thông số đầu ra khi cắt
thép SKD11
4.4.1.1 Xác định quan hệ thực
nghiệm giữa chế độ
cắt và độ nhám
a) Quan hệ giữa chế độ cắt
và độ nhám bề mặt Rz
Sử dụng phần mềm BK-
CTMNET thiết lập mối quan
hệ thực nghiệm giữa chế độ cắt
và độ nhám bề mặt Rz. Đồ thị
hình 4.12 thể hiện giá trị kết
xuất bởi mạng luôn bám sát giá

trị đầu ra thực đo. Sai số trung
bình 65 bộ dữ là 
tb
=1.405% và
độ phân tán sai số =1.72. Giá
trị sai số trung bình của 65 bộ
dữ liệu sau mỗi vòng lặp được
thể hiện như trong hình 4.13. Từ
Hình 4.4 Các thông số Tab dữ liệu

Hình 4.12 Đồ thị giá trị kết xuất bởi mạng và giá trị thực
Hình 4.13 Đồ thị giá trị sai số trung bình
17
đồ thì sai số thấy rằng quá
trình dự đoán của mạng liên
tục làm giảm sai số trung
bình của toàn bộ dữ liệu
nghĩa là các giá trị kết xuất
của mạng ngày càng bám
sát các giá trị thực từ đầu
vào. Từ đồ thị phân tán sai
số hình 4.14 thấy rằng có
đến gần 90% số bộ dữ liệu
được dự đoán với sai lệch
dưới 2%. Như vậy với
thông số mạng đã xác định
mô hình cho sai số nhỏ và
độ phân tán sai số nhỏ, mô hình này hoàn toàn phù hợp với dữ liệu thực
nghiệm. Sử dụng phần mềm Minitab là phần mềm tính toán hàm hồi qui thực
nghiệm phổ biến theo phương pháp truyền thống thu được hàm quan hệ như

công thức (4.1) Sai số trung bình 65 bộ dự đoán theo phương pháp truyền
thống là 
tb
=7.18% độ phân tán sai số là =3.7. Các giá trị dự đoán bởi mạng
và theo phương pháp truyền thống cũng như giá trị thực đo được thể hiện
trong hình 4.15. Như vậy mô hình mạng mờ nơ ron cho độ chính xác dự đoán
cao hơn, sai số trung bình và độ phân tán sai số đều nhỏ hơn. Thông số mạng
biểu diễn mối quan hệ toán học giữa chế độ cắt với Rz phụ lục 21
0.07228770.0342276-0.251907
2886.02 tSVR
z

(4.1)
b) Phân tích Taguchi về ảnh hưởng của chế độ cắt đến độ nhám
Quá trình thu thập dữ liệu Rz được đo lặp lại 4 lần, mỗi mẫu cắt đo 2 lần.
Do vậy dữ liệu thu thập được khi đo Rz với bộ thí nghiệm Taguchi gồn 25 bộ
chế độ cắt. Sử dụng tỷ số S/N cho quá trình phân tích.
Hình 4.15 Đồ thị giá trị Rz bởi mạng mờ hồi qui thực nghiệm
Hình 4.14 Đồ thị phân tán sai số
18
Đối với Rz là chỉ tiêu chất lượng bề mặt nên Rz càng nhỏ thì càng tốt tỷ số
S/N được tính:
))(
4
1
(log.10)/(
4
1
2
10




j
jiii
RzyNS
(dB) (4.2)
Tỷ số S/N được thay thế cho giá trị trung bình trong tính toán phân tích
phương sai (ANOVA).
Bảng 4.16 Bảng thông số tính toán phân tích Taguchi

Phân tích cho thấy ảnh hưởng của lượng tiến dao là lớn nhất đến 54% vì vậy
nên tập trung điều khiển vào yếu tố lượng tiến dao trong dải cắt đã lập thì
hiệu quả đem lại sẽ rất cao. Còn đối với vận tốc cắt hay chiều sâu cắt hiệu quả
đem lại có thể nói chênh lệch không nhiều do đó tùy vào điều kiện cắt thô hay
tinh mà điều chỉnh vận tốc cắt hay chiều sâu cắt để phù hợp. Ngoài ra yếu tố
nhiễu cũng phải được quan tâm vì mức độ ảnh hưởng là 14.47% đặc biệt trong
nguyên công gia công tinh.
4.4.1.2 Quan hệ giữa chế độ cắt và lực cắt F.
a) Quan hệ giữa chế độ cắt và lực cắt F.

Hình 4.16 Đồ thị giá trị dự đoán lực cắt F bởi mạng mờ nơ ron
và hàm hồi qui thực nghiệm
19
Tương tự như với cách xác định mối quan hệ bởi mạng của Rz. Quá trình
thiết lập được giá trị thể hiện như hình hình 4.16 giá trị dự đoán kết xuất bởi
mạng và giá trị thực đo với phương pháp hồi qui truyền thống. Giá trị sai số
trung bình kết xuất từ mạng 
tb
=4.89 và độ phân tán sai số =4.832. Thông số

mạng biểu diễn mối quan hệ toán học giữa chế độ cắt với lực cắt F thể hiện
trong phụ lục 22
b) Phân tích Taguchi về ảnh hưởng của chế độ cắt đến lực cắt.
Quá trình phân tích Taguchi có kể đến tác động ảnh hưởng lẫn.
Bảng 4.20 Bảng phân tich Taguchi kể tác động lẫn cho lực cắt F
Thông
số
V Pv)
S(Ps)
t (Pt)
VxS
(Pvs)
Vxt
(Pvt)
Sxt
(Pst)
Nhiễu
Pe
Tổng
F
-
9.35
61.91
5.28
5.77
5.38
12.32
100
Phân tích cho thấy ảnh hưởng của chiều sâu cắt t là lớn nhất 61.91%. Chiều
sâu cắt ảnh hưởng lớn vì lượng biến đổi của chiều sâu cắt là lớn nhất (10 lần).

Lực cắt tỷ lệ thuận với diện tích cắt vì vậy chiều sâu cắt thay đổi lớn làm diện
tích cắt thay đổi do đó lực cắt thay đổi lớn. Để giảm lực cắt thì hiệu quả nhất
là tập trung vào điều khiển yếu tố chiều sâu cắt t, ngoài ra thì nên quan tâm
vào điều khiển kết hợp với vận tốc cắt và lượng tiến dao. Các yếu tố nhiễu
cũng ảnh hưởng đáng kể 12,32% do vậy cần giảm tác động của nhiễu trong
nguyên công gia công tinh.
4.4.1.3 Xác định quan hệ giữa chế độ cắt và năng suất cắt Q.
a) Quan hệ giữa chế độ cắt và năng suất cắt Q.













Đồ thị giá trị cho giá trị dự đoán bởi mạng luôn bám sát giá trị thực đo với
sai số trung bình 
tb
=2.18% và độ phân tán sai số =2.22. Phương trình toán
học mạng được thể hiện trong phụ lục 22
b) Phân tích Taguchi ảnh hưởng của chế độ cắt đến năng suất cắt Q.
Hình 4.19 Đồ thị giá trị Q bởi mạng và hàm hồi qui thực
20
Quá trình phân tích Taguchi cho ảnh hưởng của các yếu tố chế độ cắt đến

năng suất cắt cũng tương tự như đối với độ nhám bề mặt và lực cắt.
Bảng 4.22 Bảng thông số tính toán phân tich Taguchi khi không kể tác động
lẫn cho năng suất cắt Q
STT
Thông
số
Bậc tự
do
Tổng bình
phương S
Phần trăm ảnh
hưởng P (%)
1
V
4
71.96052
4.91
2
S
4
258.9864
17.65
3
t
4
1135.482
77.40
4
e
12

0.572708
0.04
5
tổng
24
34.42812
100.00
Từ phân tích thấy rằng chiều sâu cắt t ảnh hưởng nhiều nhất đến 77.4% và
lượng tiến dao ảnh hưởng 17.65%. Với mức độ ảnh hưởng như vậy để tăng
năng suất nên tập trung điều khiển yếu tố t nhiều hơn là lượng tiến dao và vận
tốc cắt. Tuy các yếu tố đều ảnh hưởng chênh lệch nhau đến năng suất cắt mà
chiều sâu cắt t là ảnh hưởng nhiều nhất vì vậy khi điều khiển chế độ cắt để đạt
năng suất cắt cao thì nên điều khiển cả 3 yếu tố và tập trung cho điều khiển
yếu tố t nhiều hơn.
4.4.1.4 Quan hệ thực nghiệm giữa chế độ cắt, thời gian gia công và lượng
mòn dao hs.
Quá trình mòn của dao diễn ra rất phức tạp, chế độ cắt và thời gian cắt ảnh
hưởng rất lớn đến độ mòn của dao. Việc xác định qui luật mòn đòi hỏi rất
nhiều thí nghiệm và chi phí rất lớn. Vì vậy trong khuôn khổ luận án chỉ nghiên
cứu độ mòn dao của cặp vật liệu gia công là SKD11 và SKD61 với dao cắt là
SEMT13T3AGSN-VP15TF dạng JM và JH phục vụ cho quá trình tính toán
tối ưu thông số công nghệ. Sai số trung bình dự đoán bởi mạng mờ nơ ron

tb
=0.55% và độ phân tán sai số =0.6. Mô hình toán học mạng thể hiện trong
phụ lục 24
Đối với thép SKD61 thì quá trình thiết lập quan hệ thực nghiệm cũng tương tự
như với thép SKD11.
4.4.2 Xác định chế độ cắt tối ưu.
Với các điều kiện biên và hàm mục tiêu đã xây dựng được từ thực nghiệm

bằng phương pháp mạng mờ nơ ron đưa vào phần mềm đã xây dựng để giải
bài toán tối ưu. Sử dụng phương pháp trí tuệ bầy đàn ABC để xác định chế độ
công nghệ tối ưu.
Phân tích Taguchi để phân tích vai trò ảnh hưởng của mỗi yếu tố. Trên cơ
sở đó để quyết định chọn, khoanh vùng yếu tố điều khiển và quan tâm tới yếu
tố nhiễu. Từ phân tích cho thấy cả 3 thông số V, S, t đều ảnh hưởng có ý nghĩa
đến năng suất cắt (phần trăm ảnh hưởng trên 2%). Do vậy trong bài toán tối
21
ưu năng suất gia công cả 3 thông số chế độ cắt được lựa chọn làm đầu vào của
quá trình điều khiển.
Nhập các thông số vào phần mềm BK-CTMNET và định các giới hạn biên.
Các giới hạn biên này là tùy thuộc vào người làm công nghệ. Khi gia công
phay thông thường độ nhám bề mặt mong muốn đạt cấp 7 tương đương với
Rz=5m. Máy Mickon VCP600 có công suất hiệu dụng lớn nhất là
[P]=14KW. Lượng mòn giới hạn mặt sau cho phép gia công tinh [hs]=0.2mm.
Bảng 4.36 Giá trị thực khi cắt thép SKD61 và SKD11
STT
Vật liệu
cắt
V(m/phút)
S(mm/răng)
t(mm)
Rz
F
Sai lệch
Rz (%)
Sai lệch
F (%)
1
SKD11

180
0.3
0.996
5.02
123
7.03
6.8
3
SKD61
250
0.3
1.499
3.64
139
9.11
6.9


Để kiểm tra khả năng dự đoán và tính chính xác từ phương pháp thì kết quả
chế độ cắt tối ưu đã được xác định từ phần mềm BK-CTM được sử dụng để
cài đặt thông số đầu vào cho máy để gia công kiểm nghiệm lại. Kết quả quá
trình gia công thu được các dữ liệu để so sánh với khả năng dự đoán, tính toán
đã đưa ra.
KẾT LUẬN CHƯƠNG 4
- Xây dựng mô hình thí nghiệm và thu thập dữ liệu cho 2 mác thép SKD11
và SKD61: độ nhám bề mặt, lực cắt, năng suất cắt, lượng mòn dao.
Hình 4.31 Giá trị hàm mục tiêu theo số lần lặp với thép SKD11
22
- Xây dựng phần mềm BK-CTM làm công cụ tính toán xử lý dữ liệu theo
mạng mờ nơ ron: thiết lập mối quan hệ thực nghiệm giữa chế độ cắt và đầu

ra mác thép thí nghiệm.
- Sử dụng phương pháp phân tích Taguchi định lượng mức độ ảnh hưởng
của chế độ cắt đến các thông số đầu ra và tác động của nhiễu làm cơ sở xác
định thông số chế độ cắt cần điều khiển.
- Xác định chế độ cắt tối ưu cho 2 mác thép SKD11 và SKD61 đã làm thí
nghiệm.
KẾT LUẬN VÀ KIẾN NGHỊ
KẾT LUẬN
Luận án hoàn thành mục tiêu đề ra, giải quyết được vấn đề cần nghiên
cứu. Các kết quả của đề tài là tài liệu quan trọng, làm phong phú thêm lý
thuyết khoa học xử lý số liệu thực nghiệm, cung cấp công cụ xử lý số liệu khi
giải quyết các bài toán tối ưu trong lĩnh vực gia công cơ khí. Gợi mở và thúc
đẩy ứng dụng khoa học trí tuệ nhân tạo trong lĩnh vực điều khiển cơ khí-một
ứng dụng tất yếu trong tương lai. Từ nội dung, kết quả nghiên cứu của các
chương rút ra các kết luận sau:
1. Nghiên cứu, ứng dụng phương pháp trí tuệ nhân tạo mạng mờ nơ ron, trí
tuệ nhân tạo tiến hóa làm phương pháp tiếp cận và giải quyết vấn đề đặt
ra trong luận án, gợi mở ứng dụng khoa học trí tuệ nhân tạo trong lĩnh
vực điều khiển quá trình công nghệ cơ khí trong tương lai.
2. Nghiên cứu, ứng dụng phương pháp phân tích thực nghiệm Taguchi để
định tính và định lượng mức độ ảnh hưởng của chế độ cắt đến đầu ra và
nhiễu. Từ đó xác định biến thông số điều khiển quá trình công nghệ đảm
bảo hiệu quả kinh tế cao nhất.
3. Đưa ra phương pháp và giải thuật xác định mối quan hệ thực nghiệm và
giải bài toán tối ưu.
4. Xây dựng phần mềm BK-CTMNET làm công cụ thiết lập mối quan hệ
thực nghiệm và tính toán các thông số chế độ cắt tối ưu.
5. Xác định được mối quan hệ thực nghiệm giữa chế độ cắt với độ nhấp nhô
bề mặt, lực căt, năng suất cắt, lượng mòn dụng cụ cho thép hợp kim
SKD11 và SKD61. Trên cơ sở các hàm thực nghiệm xác định chế độ cắt

tối ưu cho 2 loại vật liệu trên cung cấp thông tin cho các nhà sản xuất và
nghiên cứu.
KIẾN NGHỊ
1. Tiếp tục sử dụng ý tưởng và phần mềm xác định mối quan hệ thực
nghiệm cho các loại vật liệu khác nhau và các phương pháp gia công
khác nhau: tiện, mài…
2. Sử dụng kết quả và phương pháp của luận án làm tiền đề nghiên cứu cho
quá trình điều khiển trực tuyến trong kỹ thuật gia công cơ khí.
23











V S t
-(V-c
12
)²
e
2.d
12
²
-(V-c
13

)²
e
2.d
13
²
e
-(V-c
14
)²
e
2.d
14
²
e
-(V-c
15
)²
e
2.d
15
²
-(S-c
11
)²
e
2.d
11
²
e
e

e
e
-(S-c
12
)²
e
2.d
12
²
-(S-c
13
)²
e
2.d
13
²
e
-(S-c
14
)²
e
2.d
14
²
e
-(S-c
15
)²
e
2.d

15
²
-(t-c
11
)²
e
2.d
11
²
e
e
e
e
-(t-c
12
)²
e
2.d
12
²
-(t-c
13
)²
e
2.d
13
²
e
-(t-c
14

)²
e
2.d
14
²
e
-(t-c
15
)²
e
2.d
15
²
-(V-c
11
)²
e
2.d
11
²
.
-(S-c
11
)²
e
2.d
11
²
.
-(t-c

11
)²
e
2.d
11
²
-(V-c
11
)²
e
2.d
11
²
.
-(S-c
11
)²
e
2.d
11
²
.
-(t-c
11
)²
e
2.d
11
²
-(V-c

11
)²
e
2.d
11
²
.
-(S-c
11
)²
e
2.d
11
²
.
-(t-c
11
)²
e
2.d
11
²
-(V-c
11
)²
e
2.d
11
²
.

-(S-c
11
)²
e
2.d
11
²
.
-(t-c
11
)²
e
2.d
11
²
-(V-c
11
)²
e
2.d
11
²
.
-(S-c
11
)²
e
2.d
11
²

.
-(t-c
11
)²
e
2.d
11
²
V S t
V S t
V S t
V S t
V
S
t








f4=(P0+P1.V+P2.S+P3.t)
f5=(P0+P1.V+P2.S+P3.t)
f1=1(P0+P1.V+P2.S+P3.t)
f2=(P0+P1.V+P2.S+P3.t)
f3=(P0+P1.V+P2.S+P3.t)
yff2
f3f4f5







-(V-c
11
)²
e
2.d
11
²
e
e
e
e






24
Phụ lục 21: Thông số mạng mờ nơ ron xác định mối quan hệ thực nghiệm độ nhám Rz
với chế độ cắt-thép SKD11

Khoảng mờ
c1
d1

c2
d2
c3
d3
P0
P1
P2
P3
1
0.5284
0.5698
1.2412
1.8407
0.9236
1.0049
411.7232
0.9054
1.1731
1.0124
2
2.8577
-2.7364
2.2796
0.6251
0.6667
1.7117
464.7757
1.4310
1.5825
1.3605

3
0.8816
0.0558
0.4905
1.0741
0.9371
1.5762
406.3479
0.5168
0.8637
1.1225
4
0.5289
0.4255
0.9198
0.7178
0.8322
0.2938
-3.0729
0.1877
0.2740
0.9257
5
0.5232
0.6039
0.8609
1.9481
-0.6387
0.7996
230.7008

0.5469
1.1094
0.2024

Phụ lục 22: Thông số mạng mờ nơ ron xác định mối quan hệ thực nghiệm lực cắt F
với chế độ cắt-thép SKD11

Khoảng mờ
c1
d1
c2
d2
c3
d3
P0
P1
P2
P3
1
0.9014
0.5538
0.8788
0.0229
0.0716
0.4645
-1.6914
0.5498
0.7813
1.7660
2

-0.0803
0.5962
0.7503
0.5660
0.8626
0.0863
331.8947
0.5240
0.6134
1.4276
3
-0.0226
0.5975
0.8803
0.4496
0.2558
0.1671
10.2255
-1.0641
0.6020
2.1306
4
0.2311
0.5189
0.1125
0.1309
1.2074
0.5636
27.4000
0.0662

-0.5443
1.1624
5
0.1328
0.0668
0.4100
0.6411
0.4468
0.3185
114.1674
0.1820
-0.0416
0.8755

Phụ lục 22: Thông số mạng mờ nơ ron xác định mối quan hệ thực nghiệm giữa năng
suất cắt Q với chế độ cắt-thép SKD11

Khoảng mờ
c1
d1
c2
d2
c3
d3
P0
P1
P2
P3
1.0000
0.8099

0.8567
0.8930
0.4203
0.3317
0.0608
158.9748
0.0970
1.0545
0.3171
2.0000
0.4838
1.0556
1.2489
0.8364
1.0472
0.6170
81.7493
0.5584
-0.2439
0.7197
3.0000
0.5491
0.8040
0.7075
0.6717
0.5052
0.3414
2.7701
0.5392
0.1063

0.9491
4.0000
0.1837
0.3450
0.6660
0.3932
0.7909
0.0272
-41.4530
0.5300
0.9811
0.3017
5.0000
0.0248
0.1058
0.9018
0.6060
0.8669
0.5373
14.9280
0.3927
0.4948
0.6853

Phụ lục 22: Giá trị thông số mạng thiết lập quan hệ độ mòn hs với V, S, tc-thép
SKD11

Khoảng mờ
c1
d1

c2
d2
c3
d3
P0
P1
P2
P3
1.0000
0.9737
0.4708
0.5334
0.6932
0.1592
0.1093
-31.8829
0.6262
0.7310
0.5132
2.0000
0.7283
0.4713
0.2949
0.4238
0.6439
0.8383
79.5704
0.2286
0.9206
0.1745

3.0000
0.9321
0.7887
0.9321
0.6981
0.1524
0.9555
11.9048
0.4000
0.7806
0.2836
4.0000
0.1083
0.4273
0.6236
0.4837
0.1630
0.4032
-2.3702
0.1931
0.1786
0.8023
5.0000
0.4952
0.0246
0.4341
0.4974
0.0565
0.2529
-23.1578

0.3307
0.3313
0.9991