Tóm tắt luận văn thạc sĩ kỹ thuật sử dụng phương pháp mạng noron nhân tạo để tối ưu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng mảnh dao PCBN



Tối ưu hóa chế độ cắt là phương pháp xác định chế độ cắt tối ưu thông qua việc
xây dựng mối quan hệ toán học giữa hàm mục tiêu về kinh tế hoặc kỹ thuật của quá
trình gia công với các thông số của chế độ cắt tương ứng trên một hệ thống công nghệ
xác định[1], nhằm đạt được các mục tiêu về kinh tế hoặc kỹ thuật của quá trình gia
công. Đây là một trong những việc chính khi lập kế hoạch gia công, nó giúp phần làm
tăng năng suất và hiệu quả gia công cũng như chất lượng sản phẩm. Tuy nhiên, đi sâu
vào phân tích quá trình cắt nó bao gồm chi phí xác định, đặc biệt là trong sản suất loạt
nhỏ hay trong trường hợp gia công đơn chiếc thì nó rất cần thiết để có thể rút ngắn
nhất đến mức có thể các bước xác định chế độ cắt tối ưu. Nếu không chi phí phân tích
có thể vượt quá hiệu quả kinh tế mà nó có thể đạt được khi làm việc ở các điều kiện tối
ưu. Vì lí do đó mà quá trình tối ưu được đưa vào công tác chuẩn bị để tiết kiệm thời
gian và giảm chi phí sản xuất. Như các biến đầu ra của quá trình gia công phụ thuộc
vào các điều kiện cắt, các quyết định liên quan đến lựa chọn các thông số cắt có ảnh
hưởng quan trọng đến mức độ sản xuất, chi phí sản xuất và chất lượng sản xuất. Với
việc sử dụng máy CNC ngày càng tăng, tầm quan trọng của tối ưu hóa chính xác thông
số điều kiện cắt thì rất cần thiết.
Lựa chọn các thông số cắt tối ưu đã được nghiên cứu nhiều ở mặt lý thuyết và
được hỗ trợ từ các số liệu thực nghiệm của các nhà sản xuất dụng cụ, nhưng với những
việc trong thực tế thì nó chưa thể mang lại những phân tích chi tiết và các thông số tối
ưu lý tưởng. Để tối ưu hóa các hoạt động của máy, các phương pháp định lượng đã
được phát triển với sự xét đến chỉ một mục tiêu, chẳng hạn như giảm thiểu các Chi phí
gia công hoặc tối đa hóa lợi nhuận, vv và các hàm mục tiêu đó là: chất lượng bề
mặt (Ra), Chi phí sản xuất (Cp), thời gian gia công (Tp). Hoặc tối ưu hoá đa mục tiêu
bằng phương pháp thực nghiệm [2,13] để tìm cực trị và miền tối ưu hoá theo các chỉ
tiêu đã đề ra.
Đã có nhiều nghiên cứu về tối ưu hóa đơn mục tiêu được nghiên cứu như:
phương pháp vi phân[19], phương pháp phân tích hồi quy[16], phương pháp quy
hoạch tuyến tính[19], phương pháp bề mặt chỉ tiêu [2,18] và mô phỏng máy tính.
1

Trong khi hầu hết các nghiên cứu tối ưu hóa đơn mục tiêu thì cũng đã có những nghiên
cứu về tối ưu hóa đa mục tiêu. Tuy nhiên, trong thực tế ứng dụng, các nhà sản xuất
thường gặp phải các vấn đề là tối ưu hóa đồng thời nhiều mục tiêu, các mục tiêu
thường mâu thuẫn nhau và không thể so sánh. Ví dụ như khi gia công thì các biến
năng suất gia công, Chi phí gia công, và chất lượng sản phẩm được đề cập. Chúng ta
muốn giảm nhỏ nhất cho chi phí sản xuất, nhưng đồng thời là tăng tối đa năng suất và
chất lượng sản phẩm. Việc tăng tốc độ cắt thì sẽ làm tăng năng suất nhưng đồng thời
nó cũng làm tăng lượng mòn dụng cụ dẫn đến tăng chi phí sản xuất và làm giảm chất
lượng bề mặt vì độ nhám cao hơn. Hơn nữa với các phương pháp tối ưu hóa này thì để
tìm ra được các thông số cắt tối ưu sẽ mất rất nhiều thời gian, dẫn đến chi phí cho việc
phân tích tìm các thông số tối ưu cũng tăng cao vì vậy nó chỉ phù hợp với sản xuất loạt
lớn, hàng khối. Mà xu hướng ngày nay đã bắt đầu quay lại thời kỳ sản suất loạt vừa và
nhỏ để đáp ứng những thay đổi liên tục của nhu cầu thị trường.
Mạng nơ ron nhân tạo (Artificial Neural Network: ANN) là sự tái tạo bằng kỹ
thuật những chức năng của hệ thần kinh con người với vô số các nơ ron được liên kết
truyền thông với nhau qua mạng[5, 10]. Giống như con người, ANN được học bởi
kinh nghiệm, lưu giữ những kinh nghiệm đó và sử dụng trong những tình huống phù
hợp. Ngoài ra ANN có khả năng xử lý song song với tốc độ xử lý nhanh, có khả năng
dạy học thích nghi, nó thích ứng trong quá trình tự điều chỉnh trong điều chỉnh tự
động. Phương pháp này đảm bảo việc lựa chọn nhanh chóng và hiệu quả các điều kiện
cắt tối ưu và quá trình xử lý các dữ liệu có sẳn[17]. Do vậy nó rất phù hợp với dạng
sản xuất loạt nhỏ, đơn chiếc. Tối ưu hóa các thông số gia công là một tối ưu hóa phi
tuyến tính với các rằng buộc, vì vậy rất khó cho các thuật toán tối ưu hóa thông thường
để giải quyết vấn đề này bởi vì các vấn đề về tốc độ hội tụ và chính xác. Chính vì
những lí do trên tác giả chọn đề tài nghiên cứu là: “Sử dụng phương pháp mạng
noron nhân tạo để tối ưu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng mảnh
dao PCBN.”
Từ các phân tích trên, có thể nói cho đến nay trong nước ta đã có khá nhiều
nghiên cứu về tối ưu hóa thông số chế độ cắt sử dụng các phương pháp truyền thống
và có nhiều nghiên cứu về mạng nơ ron nhân tạo nhưng chủ yếu ở trong lĩnh vực điều

khiển, dự đoán, phân loại vv Đến nay vẫn chưa có nghiên cứu nào của các tác giả
2
trong nước về sử dụng phương pháp mạng nơ ron nhân tạo để tối ưu hóa chế độ cắt, áp
dụng để gia công thép 9XC với mảnh dao PCBN. Đề tài đi sâu nghiên cứu các thuật
toán của mạng nơ ron nhân tạo để tìm ra bộ thông số tối ưu và thử nghiệm lại trên vật
liệu và sản phẩm cụ thể trong điều kiện trong nước nhằm tìm ra chế độ cắt tối ưu nâng
cao nâng suất, giảm chi phí gia công và nâng cao chất lượng bề mặt.


- Chứng minh khả năng của ANN ứng dụng cho việc tối ưu hóa các thông số chế
độ cắt, và nó phù hợp cả với sản xuất loạt nhỏ và đơn chiếc. Phương pháp mô tả nhằm
mục đích để tối đa hóa năng suất, giảm chi phí sản xuất và nâng cao chất lượng sản
phẩm.
!
- Sử dụng các thuật toán của ANN để tìm ra các thông số tối ưu khi tiện thép
9XC bằng dao PCBN, và kết quả thực nghiệm phải cho thấy được sự nâng cao năng
suất cũng như chất lượng bề mặt.
- Tiến hành thí nghiệm để phân tích, đánh giá kết quả mà phương pháp đã tìm ra.
- Từ nghiên cứu có thể mở rộng phương pháp nghiên cứu này để tối ưu chế độ
cắt khi gia công bằng các phương pháp khác nhau, các vật liệu khác nhau hoặc các vật
liệu dụng cụ cắt khác nhau.
"#$%&'(#$
1. Phân tích và khai thác được đặc điểm đặc trưng của ANN cũng như lý thuyết
cơ bản của quá trình gia công để xây dựng mô hình thí nghiệm cho nghiên cứu.
2. Từ bộ thông số tối ưu (v,f,t) xác định được bằng thuật toán của ANN khi gia
công thép 9XC bằng dao PCBN, tiến hành thí nghiệm với trang thiết bị thí nghiệm cụ
thể để kiểm chứng lại kết quả của phương pháp.
)*+, *+,/0
)12 343 5
Nghiên cứu lý thuyết và nghiên cứu thực nghiệm.

3
)12 34367
8 Đề tài 9Sử dụng phương pháp mạng noron nhân tạo để tối ưu hóa chế độ
cắt, ứng dụng để tiện thép 9XC sử dụng mảnh dao PCBN.: là một nghiên cứu trên
vật liệu và sản phẩm thực. Dùng những thuật toán của ANN và các dữ liệu có sẵn để
tiến hành tìm các thông số chế độ cắt tối ưu (v, f, t) sau đó tiến hành thí nghiệm lại với
các thông số đó để kiểm tra lại kết quả mà thuật toán mang lại.
;<=
;< >?@A
- Các kết quả nghiên cứu sẽ xác định được thông số cắt tối ưu khi gia công
sản phẩm bằng thép 9XC qua tôi. Các kết quả này sẽ được ứng dụng để gia công
các sản phẩm như con lăn dây truyền cán.
;< >?BC?D
- Kết quả nghiên cứu sẽ là cơ sở khoa học cho việc tối ưu hóa quá trình tiện
thép 9xc.
- Đề tài sẽ bổ sung được một số kết quả nghiên cứu cơ bản về tiện thép 9XC
trong điều kiện kỹ thuật và công nghệ cụ thể ở Việt Nam.
4
12 
E%-FG*H$IJ
E%-FG*H
#4KLMNO >?P?Q1R?
Tối ưu hóa quá trình gia công cắt gọt là phương pháp nghiên cứu xác định chế
độ cắt tối ưu thông qua mối quan hệ toán học giữa hàm mục tiêu kinh tế với các thông
số của chế độ gia công ứng với một hệ thống giới hạn về mặt máy, chất lượng, kỹ
thuật và tổ chức của nhà máy.
Các bước cơ bản của việc nghiên cứu tối ưu hóa quá trình cắt gọt bao gồm:
- Xây dựng hàm mục tiêu của quá trình gia công
- Xây dựng các giới hạn từ đó xác định miền giới hạn của bài toán
- Khảo sát, biện luận để xác định chế độ công nghệ hợp lý.

4S5Q1R?
Có hai phương pháp tối ưu hóa quá trình cắt gọt đó là tối ưu hóa tĩnh và tối ưu
hóa động
Q1R?>
Tối ưu hóa tĩnh hay còn gọi là tối ưu hóa trước là quá trình nghiên cứu và giải
quyết bài toán tối ưu dựa trên mô hình tĩnh của quá trình cắt.
Q1R?TU
Còn gọi là tối ưu hóa quá trình cắt gọt, là quá trình nghiên cứu tối ưu hóa dựa
trên mô hình động của quá trình cắt gọt do đó trong quá trình nghiên cứu có chú ý tới
các đặc điểm trên mang tính ngẫu nhiên và thay đổi theo thời gian.
V.W,G*H$IJ
2XY6OZ[T!\]Z^@ _NC4
Các yếu tố ảnh hưởng đến việc lập kế hoạch công nghệ gia công đó là: Loại hình
gia công (tiện, phay, v.v ), các thông số về máy gia công như: độ cứng vững, công
5
suất v.v , điều kiện gia công, phôi (vật liệu, hình dạng v.v ,) dụng cụ cắt (vật liệu,
tuổi bền v.v ). Trong đó các thông số về chế độ cắt là quan trọng nhất.
Trong các thủ tục tối ưu, yếu tố đầu ra quan trọng chính được gọi là mục tiêu tối
ưu hoặc tiêu chuẩn tối ưu. Tiêu chuẩn tối ưu được sử dụng nhiều nhất trong trong gia
công là chi phí gia công. Ngoài ra, thời gian gia công, tốc độ bóc tách phôi, tuổi thọ
dụng cụ, chất lượng bề mặt cũng được sử dụng. Trong gia công như tiện cứng, chỉ
tiêu về chất lượng bề mặt đóng vai trò quan trọng. Bên cạnh đó, tuổi thọ dụng cụ cũng
đặc chưng cho chi phí gia công khi giá thành dụng cụ PCBN cao và ảnh hưởng trực
tiếp tới chất lượng bề mặt, tuổi thọ của dụng cụ cắt cũng ảnh hưởng tới năng suất gia
công thông qua thời gian sản suất. Mục đích của bài toán tối ưu là tìm ra bộ các thông
số vận tốc cắt (v), bước tiến (f) và chiều sâu cắt (t) sao cho đáp ứng được các mục đích
như chi phí thấp nhất, chất lượng tốt nhất và năng suất cao nhất. Tuy nhiên, việc tối ưu
hóa đơn mục tiêu chỉ có giá trị giới hạn bởi vì bản chất phức tạp của quá trình gia công
đòi hỏi các mục tiêu khác nhau và đối kháng phải được tối ưu hóa đồng thời[4, 25].
4NLL

Trong gia công, chất lượng bề mặt chi tiết là một trong những chỉ tiêu quan trọng
nhất, thông số đặc chưng của chất lượng bề mặt đó là nhám bề mặt ngoài ra thì nhà sản
suất luôn mong muốn nâng cao năng suất và giảm thiểu tối đa Chi phí gia công. Để
nâng cao năng suất thì người ta có thể tính toán thông qua tốc độ sản suất (T
p
) hay
thông qua diện tích gia công, và việc giảm thiểu Chi phí gia công (C
p
) thì có thể tính
toán qua tuổi bền của dao (T).
QTUX`\abc Xa ?d e
Thông thường, tốc độ sản xuất được tính trong toàn bộ thời gian để gia công 1
sản phẩm (T
p
). Nó là hàm phụ thuộc và tốc độ bóc tách phoi (MRR) và tuổi bền của
dụng cụ (T).
Tốc độ bóc tách phoi được tính theo công thức[17]:
MRR = 1000.v.f.t. (1.1)
Thời gian sản xuất:
.(1.2)
T
s
- thời gian điều chỉnh dao
T
c
- thời gian thay dao
6
T
i
- thời gian nghỉ của dao trong quá trình làm việc,

V – là khối lượng vật liệu được bóc tách.
V = Sc.t (1.3)
Trong đó:
t – chiều sâu cắt.
Sc - diện tích bề mặt chi tiết gia công được tính: Sc = πDL (1.4)
Tuổi bền dụng cụ là thời gian được tính giữa các lần mài lại hoặc thời gian dụng
cụ dùng đến khi thay dao. Mối quan hệ giữa tuổi bền của dụng cụ và các điều kiện cắt
được thể hiện thông qua công thức Taylor:
T = k
T
/v
α1
.f
α2
.t
α3
(1.5)
Trong đó: α1, α2, α3 là các hệ số phụ thuộc vào vật liệu dao, chi tiết và điều
kiện gia công. Khi đo thực tế T cũng có thể được tính theo công thức:
T = Sc./(3.14*D*f) (1.6)
Trong đó:
D – đường kính chi tiết gia công
L- chiều dài chi tiết gia công.
3f ?d
Chi phí gia công có thể được tính như là chi phí để sản suất một sản phẩm C
p
, nó
phụ thuộc vào các giá trị điều kiện cắt: v, f, t thông qua T và T
p
được cho theo công

thức[17];
(1.7)
- Trong đó:
C
t
- chi phí dụng cụ,
C
1
- chi phí nhân công
C
0
- chi phí quản lý.
"a61g _hLi
Tiêu chí quan trọng nhất cho việc đánh giá chất lượng sản phẩm đó là thông qua
nhám bề mặt (Ra) và được tính theo công thức:
R
a
=k.v
x3
.f
x2
.t
x3,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, ,,,,,,,,,,,
(1.8)
- Trong đó:
k, x
1
, x
2
, và x

3
là các hằng số liên quan đến mối quan hệ giữa dao và phôi.
7
)4ThBKjN _U
Từ những kết quả thống kê thực nghiệm, nhà sản xuất đưa ra những giới hạn cho
việc lựa chọn các thông số v, f, t.
v
min
≤ v ≤ v
max
; f
min
≤ f ≤ f
max
; t
min
≤ t ≤ t
max
Điều kiện ràng buộc các thông số điều kiện cắt cũng phải được kiểm tra cụ thể
theo khả năng của phôi và máy gia công.
Lực cắt và công suất máy.
Năng lượng được tiêu thụ trong quá trình cắt được tính theo công thức:
P = F.v/(6122,45.η) (1.9)
Trong đó: η - là hiệu suất máy, F là lực cắt được tính theo công thức:
F = k
F
.f
β2
.t
β3

(1.10)
từ (1.9) và (1.10) ta có:
P = k
n
.v.f
β2
.t
β3
với k
n
= k
F
/(6122,45. η) , (1.11)
từ đó ta tính được giới hạn lực cắt và công suất máy theo công thức:
P(v,f,t) ≤ P
max
F(v,f,t) ≤ F
max
Bài toán tối ưu hóa chế độ cắt bây giờ được xây dựng để tối ưu hóa đa mục tiêu
sau:
minT
p
(v,f,t)
minR
a
(v,f,t)
minC
p
(v,f,t)
"12 343 `_NC4Q1T?L

Từ khía cạnh kỹ thuật giải bài toán, hầu hết các phương pháp truyền thống đều
giảm đa mục tiêu xuống thành đơn mục tiêu, sau đó sử dụng các công cụ lập trình toán
học để giải bài toán. Nhu cầu đã thúc đẩy sự phát sự phát triển các kỹ thuật vô hướng
khác nhau để chuyển các bài toán tối ưu đa mục tiêu về dạng một mục tiêu hoặc một
chuỗi ràng buộc, phương pháp qui hoạch đích, phương pháp tổng trọng số.
8
)UXQ312 343 `_NC4Q1T?L2_`
?12 343k jD XQ
_12 343@!@TljD XQb312 343m_Zmnne
12 343ok !jD XQ
^12 3435@pT!D
m12 343NLL_q rl
n12 343sZClTf
12 343 `7^jZhbXe
"#[6712 
Chương này tác giả nghiên cứu tổng quan về tối ưu hóa quá trình gia công, cơ sở
lý thuyết của bài toán tối ưu hóa chế độ cắt. Nghiên cứu các hàm mục tiêu trong quá
trình gia công. Các mô hình của quá trình cắt có thể được xây dựng bằng nhiều
phương pháp như: Phương pháp phân tích, phương pháp số và phương pháp thực
nghiệm. Và một số phương pháp giải bài toán tối ưu đa mục tiêu trong quá trình gia
công. Khi sử dụng các phương pháp tối ưu hóa này thì để tìm ra được các thông số cắt
tối ưu sẽ mất rất nhiều thời gian, dẫn đến chi phí cho việc phân tích tìm các thông số
tối ưu cũng tăng cao vì vậy nó chỉ phù hợp với sản xuất loạt lớn, hàng khối. Mà xu
hướng ngày nay đã bắt đầu quay lại thời kỳ sản suất loạt vừa và nhỏ để đáp ứng những
thay đổi liên tục của nhu cầu thị trường.
Phương pháp số sử dụng mạng nơ ron nhân tạo để giải bài toán tối ưu hóađảm
bảo việc lựa chọn nhanh chóng và hiệu quả các điều kiện cắt tối ưu và quá trình xử lý
các dữ liệu có sẵn. Do vậy nó rất phù hợp với dạng sản xuất loạt nhỏ, đơn chiếc. Tuy
nhiên phương pháp chưa được nghiên cứu nhiều trong việc tối ưu hóa chế độ cắt ở
Việt Nam.

9
*+
G*H$IJVt
,uv'wWxWywW
E%-Fw+xW
2jCXD
5c zk5MNClTU P?_U{CC 1|
Bộ não người có chức năng hết sức quan trọng trong đời sống của con người. Nó
gần như kiểm soát hầu hết mọi hành vi của con người từ các hoạt động cơ bắp đơn
giản đến những hoạt động phức tạp như học tập, nhớ, suy luận, tư duy, sáng tạo,
Bộ não người được hình thành từ sự liên kết của khoảng 10
11
phần tử (tế bào),
trong đó có khoảng 10
10
phần tử là nơron, số còn lại khoảng 9*10
10
phần tử là các tế
bào thần kinh đệm và chúng có nhiệm vụ phục vụ cũng như hỗ trợ cho các nơron.
Thông thường một bộ não trung bình cân nặng khoảng 1,5 kg và có thể tích là 235
cm
3
. Cho đến nay người ta vẫn chưa thực sự biết rõ cấu tạo chi tiết của bộ não.Tuy vậy
về đại thể thì cấu tạo não bộ được phân chia ra thành nhiều vùng khác nhau. Mỗi vùng
có thể kiểm soát một hay nhiều hoạt động của con người.
Bộ não có cấu trúc nhiều lớp.Lớp bên ngoài thường thấy như là các nếp nhăn, là
lớp có cấu tạo phức tạp nhất. Đây là nơi kiểm soát và phát sinh các hành động phức
tạp như nghe, nhìn, tư duy,
10
Tóm lại: bộ não người có

chức năng hết sức quan trọng
đối với đời sống của con
người. Cấu tạo của nó rất phức
tạp, tinh vi bởi được tạo thành
từ mạng nơron có hàng chục tỉ
tế bào với mức độ liên kết giữa
các nơron là rất cao. Hơn nữa,
nó còn được chia thành các
vùng và các lớp khác nhau.Bộ não hoạt động dựa trên cơ chế hoạt động song song của
các nơron tạo nên nó.
l 2jCXD
?}alC
Nơron là phần tử cơ bản tạo nên bộ não con người. Sơ đồ cấu tạo của một
nơron sinh học được chỉ ra như trong hình 2.1. Một nơron điển hình có 3 phần chính:
]2jC(soma): Nhân của nơron được đặt ở đây.
44(dendrite): Đây chính là các mạng dạng cây của các dây thần kinh
để nối các soma với nhau.
ugj(Axon): Đây là một nối kết, hình trụ dài và mang các tín hiệu từ đó ra
ngoài. Phần cuối của axon được chia thành nhiều nhánh nhỏ.Mỗi nhánh nhỏ (cả của
dendrite và axon) kết thúc trong một cơ quan nhỏ hình củhành được gọi là synapte mà
tại đây các nơron đưa các tín hiệu của nó vào các nơron khác. Những điểm tiếp nhận
với các synapte trên các nơron khác có thể ở các dendrite hay chính soma.
_}ClTU
Các tín hiệu đưa ra bởi một synapte và được nhận bởi các dendrite là các kích
thích điện tử.Việc truyền tín hiệu như trên liên quan đến một quá trình hóa học phức
tạp mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi tiếp nối.
Điều này làm tăng hay giảm điện thế bên trong thân của nơron nhận.Nơron nhận tín
hiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và một xung (hoặc
11
Hnh 2.1. Mô hnh hai nơ ron sinh học

điện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố định được gửi ra
ngoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối synapte với các nơron
khác. Sau khi kích hoạt, nơron sẽ chờ trong một khoảng thời gian được gọi là chu kỳ,
trước khi nó có thể được kích hoạt lại. Synapses là Hưng phấn (excitatory) nếu chúng
cho phép các kích thích truyền qua gây ra tình trạng kích hoạt (fire) đối với nơron
nhận. Ngược lại, chúng là ức chế (inhibitory) nếu các kích thích truyền qua làm ngăn
trở trạng thái kích hoạt (fire) của nơron nhận.
l 2jC]lC
#4KL
Khái niệm tính toán có thể hiểu theo nhiều cách. Tính toán theo chương trình,
trong đó các giải thuật được thiết kế, sau đó được cài đặt bằng cách sử dụng các cấu
trúc hiện hành có ưu thế. Một khái niệm khác được đưa ra khi xét đến hoạt động tính
toán của các hệ sinh học. Qua quá trình nghiên cứu người ta nhận ra rằng sự tính toán
trong bộ não con người, khác rất nhiều so với tính toán theo chương trình ở chỗ:
- Sự tính toán được phân tán cực đại và song song.
- Việc học thay thế sự phát triển chương trình có rất nhiều ưu thế.
Theo cách hoạt động này của bộ não, một mô hình tính toán mới có động cơ từ
sinh học đã ra đời, đó là neural nhân tạo (Artificial Neural Networks - ANN).
Nơron nhân tạo là sự sao chép nơron sinh học của não người, nó có những đặc
tính sau:
Mỗi nơron có một số đầu vào, những kết nối (Synaptic) và một đầu ra (axon)
Một nơron có thể hoạt động (+35mV) hoặc không hoạt động (- 0,75mV)
Chỉ có một đầu ra duy nhất của một nơron được nối với các đầu vào khác nhau
của nơron khác. Điều kiện để nơron được kích hoạt hay không kích hoạt chỉ phụ thuộc
những đầu vào hiện thời của chính nó.
12
Một nơron trở nên tích cực nếu đầu vào của nó vượt qua ngưỡng ở một mức
nhất định.
Có nhiều kiểu nơron nhân tạo khác nhau. Hình 2.2 biểu diễn một kiểu rất đơn
giản.

Các đầu vào có hàm trọng Wj và bộ tổng.Đầu ra của bộ tổng được sử dụng để
quyết định một giá trị của đầu ra thông qua hàm chuyển.Có nhiều kiểu hàm chuyển
khác nhau (sẽ được đề cập ở phần sau). Tương tự nơron sinh học của con người, nơron
sẽ được kích hoạt nếu tổng giá trị
vào vượt quá ngưỡng và không được
kích hoạt nếu tổng giá trị vào thấp
hơn ngưỡng. Sự làm việc như vậy
của nơron gọi là sự kích hoạt nhảy
bậc.
Kết nối một vài nơron ta
được mạng nơron. Hình 2.3 là một mạng
nơron gồm 3 lớp: lớp vào, lớp ẩn và lớp
ra.
Thông thường mạng nơron được điều chỉnh hoặc được huấn luyện để hướng
các đầu vào riêng biệt đến đích ở đầu ra.Cấu trúc huấn luyện mạng được chỉ ra trên
hình 2.4.Ở đây, hàm trọng của mạng được điều chỉnh trên cơ sở so sánh đầu ra với
đích mong muốn (taget) cho tới khi đầu ra mạng phù hợp với đích. Những cặp
vào/đích (input/taget) được dùng để giám sát cho sự huấn luyện mạng.
13
Hnh 2.2: Mô hnh nơ ron đơn giản
Hnh 2.3 Mạng nơ ron 3 lớp
Để có được một số cặp
vào/ra, ở đó mỗi giá trị vào được
gửi đến mạng và giá trị ra tương
ứng được thực hiện bằng mạng là
sự xem xét và so sánh với giá trị
mong muốn. Bình thường tồn tại
một sai số bởi lẽ giá trị mong muốn
không hoàn toàn phù hợp với giá trị thực. Sau mỗi lần chạy, ta có tổng bình phương
của tất cả các sai số. Sai số này được sử dụng để xác định các hàm trọng mới.

Sau mỗi lần chạy, hàm trọng của mạng được sửa đổi với đặc tính tốt hơn tương
ứng với đặc tính mong muốn. Từng cặp giá trị vào/ra phải được kiểm tra và trọng
lượng được điều chỉnh một vài lần.Sự thay đổi các hàm trọng của mạng được dừng lại
nếu tổng các bình phương sai số nhỏ hơn một giá trị đặt trước hoặc đã chạy đủ một số
lần chạy xác định (trong trường hợp này mạng có thể không thoả mãn yêu cầu đặt ra
do sai lệch còn cao).
Có 2 phương pháp cơ bản để huấn luyện mạng nơron: Huấn luyện gia tăng (tiến
dần) và huấn luyện theo gói. Sự huấn luyện theo gói của mạng nhận được bằng việc
thay đổi hàm trọng và độ dốc trong một tập (batch) của véc tơ đầu vào. Huấn luyện
tiến dần là thay đổi hàm trọng và độ dốc của mạng sau mỗi lần xuất hiện của một phần
tử véc tơ đầu vào. Huấn luyện tiến dần đôi khi được xem như huấn luyện trực tuyến
hay huấn luyện thích nghi.
dS2jC
?}2jCT2 `:
_}2jCMrhT~MNC
14
Hnh 2.4 Cấu trúc huấn luyện mạng nơ ron
"aj•Ll
"l LU6r3
"l h6r3
""]6ClLl 2jC
Mỗi một nơ ron có thể phối họp với các nơ ron khác tạo thành một lóp các trọng
số. Mạng một lớp truyền thẳng (Single- Layer Feedforward Network)
Có thể nối vài lóp nơ ron với nhau tạo thành mạng nhiều lóp truyền thẳng (Multi-
Layer Feedforward Network)
Hai loại mạng nơ ron một lớp và nhiều lớp được gọi là truyền thẳng nếu đầu ra
của mỗi nơ ron được nối với các đầu vào của các nơ ron của lớp trước đó.
Mạng nơ ron phản hồi là mạng mà đầu ra của mỗi nơ ron được quay trở lại nối
với đầu vào của các nơ ron cùng lóp được gọi là mạng Laeral
Mạng nơ ron phản hồi có thể thực hiện đóng vòng được gọi là mạng nơ ron hồi

quy (Recurrent Network)
)"a6ZKLl
Trong phần này, chúng ta đề cập đến 2 kiểu huấn luyện mạng: Huấn luyện gia
tăng (tiến dần) và huấn luyện theo gói. Đối với sự huấn luyện gia tăng, hàm trọng và
độ dốc của mạng được cập nhật mỗi khi dữ liệu được đưa vào mạng. Đối với sự huấn
luyện theo gói, hàm trọng và độ dốc chỉ được cập nhật sau khi tất cả các dữ liệu được
đưa vào mạng.
1.4.3.1 Huấn luyện gia tăng
a/ Huấn luyện gia tăng đối với mạng tĩnh
b/ Huấn luyện gia tăng đối với mạng động
1.4.3.2 Huấn luyện mạng theo gói
a/ Huấn luyện theo gói đối với mạng tĩnh
b/ Huấn luyện theo gói đối với mạng động
Q1R?X€^ Ll 2jC]lC
15
Bằng các thuật toán mô tả, có thể giải các bài toán tối ưu hóa bằng cách tìm
cực đại hay cực tiểu của hàm tối ưu trong phạm vi xét đến. Khi sử dụng mạng nơ ron
nhân tạo thì, mạng sẽ đưa ra hàm thể hiện mối quan hệ giữa đầu vào và đầu ra (hàm tối
ưu).
aj•Ll 2jC]lCC_NC4Q1
Cấu trúc mạng truyền thẳng nhiều lớp đã được chứng minh là phù hợp đối với
các bài toán phi tuyến [17]. Nó có khả năng xấp xỉ bất kỳ một hàm nào đó.
4_1r `_NC4Q1[TU•
a. Nhập dữ liệu đầu vào:
b. Tạo các điều kiện cắt ngẫu nhiên
c. Tính các giá trị (MRR, Cp, T, Ra, Tp, z(T
p
,C
p
,R

a
)
d. Lập các ma trận dữ liệu đầu vào và đầu ra để chuẩn bị cho quá trình huấn
luyện mạng và kiển tra mạng.
e. Sử dụng mạng nơron nhân tạo: Mục đích là để dự đoán giá trị của hàm chức
năng (y) trong trường hợp lấy các điều kiện cắt ngẫu nhiên.
f. Quá trình tối ưu hóa
g. Tính các giá trị của Ra, Sc, Tp, Cp theo các điều kiện cắt tối ưu.
"lCLl 2jCd s??d m‚CjBmj?6jC L?6?_
"ƒ]Z^@ L?j7^„6KT~MNCMNT~j?CMK6ZKLl
Ma trận dữ liệu được tạo dưới dạng file.mat và có dạng:
X = [MxN] hoặc Z = [AxN]
Trong đó:
M, A - số đầu vào, đầu ra
N - Số dữ liệu được lấy để thí nghiệm
"lCLl 2jCjC L?6?_
Chạy chương trình matlab/Vào trong 9CLL?^‚^C‚: gõ dòng lệnh:
9X?j:như hình 2.18. Sẽ hiện ra cho chúng ra thanh công cụ để tạo mạng nơ ron.
Ở đây ta chọn mạng nơ ron là 9… CC6:
16
Sau khi luyện mạng ta sẽ được bộ trọng số W và độ dốc b tối ưu, vào môi trường
“command window” đánh dòng lệnh:
〉〉
save mytrain net
Hàm toán học này có dạng:
y = lw21*(tansig(iw11*[v f t]'+b1))+b2;
hay dạng tắt là:
y = net([v f t ]');
trong đó:
lw21 = net.LW{2,1};

iw11 = net.IW{1,1};
b1 = net.b{1};
b2 = net.b{2};
)#[6712 
Trong chương này tác giả đã nghiên cứu tổng quan về mạng nơ ron nhân tạo đó
là một cấu trúc gồm các đơn vị kết nối với nhau. Mỗi đơn vị có những đặc tính nhập,
xuất và được cài đặt một tính toán hay chức năng cục bộ.
Đầu ra của một đơn vị được xác định bởi các đặc tính nhập, xuất của nó, những
mối liên hệ của nó với những đơn vị khác, và đầu vào bên ngoài. Một mạng thường
phát triển một chức năng tổng thể thông qua một hay nhiều dạng đào tạo.
Kỹ thuật ANN có tiềm năng trở thành cấu trúc tính toán chiếm ưu thế.Công nghệ
ANN đang hình thành là một lượng lớn kiến thức và kỹ thuật thường liên quan với
nhau.Nó thay thế cho các giải pháp tính toán truyền thống và đưa ra một khả năng để
tiếp cận nhiều vấn đề hiện tại không giải quyết được.
ANN là lĩnh vực vừa khoa học vừa kỹ thuật, trong đó khoa học được định nghĩa
một cách lỏng lẻo như là kiến thức có cấu trúc và kỹ thuật là khoa học ứng dụng ANN
17
có một số ưu điểm như: Giảm được công sức và không cẩn nhiều kinh nghiệm trong
công việc chuyên môn cần giải quyết. Nó có sẳn tính thích nghi và không cần phải cập
nhật lại khi đầu vào thay đổi.Cho phép tổng quan hóa từ những thông tin chi tiết.
Ứng dụng ANN để thể giải các bài toán tối ưu thì sau khi luyện mạng, mạng sẽ
đưa ra hàm toán học thể hiện mối quan hệ giữa đầu vào và đầu ra (hàm tối ưu). Sau đó
tiến hành tìm giá trị cực đại hoặc cực tiểu của hàm đó.
18
12 
'w+xWywW†G*H$IJ
#‡ˆƒ‰ŠVt'WV
#4KL MhK5
Tiện cứng là phương pháp tiện sử dụng dao bằng các vật liệu siêu cứng như
Nitrit Bo, kim cương hoặc gốm sứ tổng hợp thay thế cho nguyên công mài khi gia

công thép tôi có độ cứng 45÷70HRC[4]. Ngày nay với việc sử dụng máy CNC nhiều
thì so với mài, tiện cứng có nhiều ưu thế. Ưu thế đáng kể nhất của tiện cứng là có thể
dùng cùng một dụng cụ mà vẫn gia công được nhiều chi tiết có hình dáng khác nhau
và hình dạng phức tạp bằng cách thay đổi đường chạy dao. Trong khi đó muốn mài
được hình dạng chi tiết khác thì phải sửa lại đá hoặc thay đá khác hoặc không thể mài
được. Cấp chính xác khi tiện cứng đạt IT6 và nhám bề mặt đạt Rz = 2÷4 µm, có thể so
sánh với chất lượng khi mài[12].
Trong những năm gần đây, việc sử dụng công nghệ tiện cứng trong gia công
chính xác đã đạt được sự tăng trưởng mạnh mẽ trong công nghiệp. Công nghệ tiện
cứng đang hứa hẹn là một giải pháp thay thế cho mài do có những ưu điểm vượt trội
về khía cạnh kinh tế và sinh thái như[4, 21]:
- Đảm bảo tính nguyên vẹn của bề mặt.
- Linh hoạt trong quá trình điều khiển, dễ tự động hóa quá trình.
- Giảm thời gian chu kỳ gia công một sản phẩm.
- Giảm chi phí đầu tư thiết bị.
- Tăng độ chính xác, đạt độ bóng bề mặt cao.
- Nâng cao năng suất gia công (tốc độ bóc tách vật liệu tăng từ 2-4lần)
- Gia công được các biên dạng phức tạp.
- Cho phép thực hiện được nhiều bước gia công trong cùng một lần gá.
- Có thể gia công khô nên giảm được chi phí cho dung dịch trơn nguội và
không có chất thải ra môi trường.
19
-76K^ •V
Vật liệu dụng cụ cắt Nitrit Bo
lập phương đa tinh thể (PCBN) là sự kết
hợp giữa các hạt Nitrit Bo lập phương
(CBN) với chất kết dính được thiêu kết
ở nhiệt độ 1200
0
C và áp suất 5,4GPa.

Cấu trúc đồng đều của PCBN đã khắc
phục được các nhược điểm của CBN
đơn tinh thể như tính có thớ và tính dị
hướng. Thành phần PCBN có thể bao
gồm các hạt CBN với kích thước vài
micromet (1-3µm tùy theo yêu cầu về mật độ) phân bố trong một chất nền chứa cácbít
kim loại, nitrit hoặc oxit (hình 3.1)[4, 14].
Bảng 3.1 Các đặc trưng lý hóa của vật liệu CBN[4, 22]
Khối lượng
riêng
(g/cm
3
)
Độ cứng
HV (GPa)
Mô đun đàn
hồi (GPa)
Giới hạn
bền nén
(GPa)
Độ bền
nhiệt (
o
K)
Hệ số
truyền
nhiệt
(W/cmK)
Hệ số giãn
nở nhiệt

(10
-6
k
-1
)
3,45-3,49 60-75 420-831 4,15-5,33 1570-1670 2-13 4,80-6,45
Bảng 3.2 trình bày một số tính chất cơ lý của vật liệu dụng cụ cắt PCBN và một
số vật liệu dụng cụ cắt theo các công ty chế tạo dụng cụ Kennametal, Sandvid,
Sumitomo và De Beerd. Từ đây có thể thấy PCBN là loại vật liệu dụng cụ có các tính
chất thích hợp nhất cho việc gia công bằng cắt gọt các loại vật liệu có độ bền và độ
cứng cao.
Bảng 3.2 So sánh các tính chất cơ lý của PCBN với một vài vật liệu dụng cụ có
tính năng cắt cao [29].
fa26O
QLX5
]lC
V
?_
-Cnj?L
#L
12
]lC
Khối lượng riêng (g/cm
3
) 3,8-7,0 3,4-4,3 6,0-15,0 3,5-4,2
Độ cứng (HV30) 1400-2400 3000-4500 1300-1700 4000-7000
Mô đun đàn hồi (GPa) 300-400 580-680 430-630 680-890
Giới hạn bền nén (GPa) 2-7 6,7 8-18 8,89
Độ bền nhiệt (
o

K) 1300-1800 1500 800-1200 600
20

 !"#$% !
&'%( !)*+&'
Hệ số truyền nhiệt (W/cmK) 30-40 40-200 100 560
Hệ số giãn nở nhiệt (10
-6
k
-1
) 7,4-9,0 3,6-4,9 5,0-7,5 0,8
Hình dạng các mảnh dụng cụ PCBN bị hạn chế bởi điều kiện chế tạo ngặt nghèo
và thường được chế tạo theo ba loại (hình 3.2)[15]:
- Mảnh dao có mũi lưỡi cắt PCBN gắn trên nền hợp kim
cứng (hình 3.2a)
- Mảnh dao có lớp bề mặt PCBN gắn trên nền hợp kim
cứng (hình 3.2b)
- Mảnh dao nguyên khối PCBN (hình 3.2c)
Chiều dày lớp PCBN được chế tạo ở ba mức: 1,6; 3,2;
4,76 mm theo các tiêu chuẩn ISO/ANSI[15].
"[_q@ KL
a. Máy
Thí nghiệm được tiến hành trên máy tiện kỹ thuật số CNC - Quick turn smast
200 của hãng Mazak - Nhật bản.
Dòng máy tiện CNC " Quick Turn Smart" kết hợp các tính năng thông minh
mang lại năng suất, độ chính xác và độ tin cậy cao. Hệ thống hội thoại thông minh
Mazatrol được thiết kế dễ dàng vận hành và phần mềm với độ tin cậy cao.Bên cạnh
đó, hệ thống CNC có thể tận dụng cả 2 chương trình định dạng mã EIA/ISO và
chương trình hội thoại.
Bảng 3.3 Thông số kỹ thuật của máy tiện CNC

Dòng máy Quick Turn Smart 200
Kích thước mâm cặp 200mm (8")
Đường kính gia công lớn nhất φ 350mm (φ14")
Bar work capability φ 65 mm ( φ 2.56" ) *1
Chiều dài gia công lớn nhất 541mm ( φ 21.299" ) *2
Hành trình trục (X/Z) 195 / 560 mm ( 7.75" / 22" )
Tốc độ trục chính 5000 rpm , 15kw ( 20 hp )
Sức chứa ổ dao 12
21
Hnh 3.2 Các dạng mảnh
PCBN[28]
Diện tích lắp đặt yêu cầu 2630 × 1685 mm ( 103.5" × 66.1" )
b. Thân dao
Kiểu DDJNR 2525M 15 của hãng Sandvik như hình 3.3.
Hnh 3.3. Thân dao tiện ngoài của hãng Sandvik
c. Mảnh dao
Mảnh dao PCBN ký hiệu: DNGA150404E
Hnh 3.4 Mảnh dao PCBN của hãng Sandvik
d. Phôi
Thép 9XC là thép thép hợp kim dụng cụ thường được sử dụng chế tạo dụng cụ
cắt với vận tốc thấp và các chi tiết yêu cầu về khả năng chịu ma sát, mòn cao.
Bảng 3.4 Thành phần hóa học của phôi thép 9XC[4].
C Si P Mn Ni Cr Mo
0,823 1,2351 0,0241 0,5862 0,0332 1,113 0,0192
V Cu W Ti Al Fe
22
0,1499 0,2876 0,1768 0,0299 0,00011 95,447
Phôi thép hợp kim 9XC sử dụng trong thí nghiệm có chiều dài: L = 300mm,
đường kính: ∅62, tôi thể tích đạt độ cứng 56 – 58 HRC. Thành phần hóa học của phôi
được xác định bằng phương pháp phân tích quang

phổ cho trên bảng 3.4[4].
e. Thiết bị đo
Thiết bị đo nhám bề mặt Mitutoyo SJ-201
(Nhật Bản) (hình 3.4)
- Sơ đồ thí nghiệm: Mô tả trên hình 3.6
‹[TU@ KLT1g6aZ1X?Œ)•Ž
- Vận tốc cắt: v = 100 ÷ 170 m/s
- Chiều sâu cắt: t = 0,09 ÷ 0,15 mm
- Lượng chạy dao: f = 0,07 ÷ 0,15 mm/vòng
Theo các công thức từ (1.1) đến (1.8) thì ta thấy các giá trị Ts, Tc, T
i
, C
t
, C
1
, C
0
đều là những hằng số, vì vậy nó không ảnh hưởng đến bài toán tối ưu hóa chế độ cắt,
vì vậy tác giả đưa ra một bộ số liệu tham khảo để thực hiện bài toán tối ưu hóa chế độ
cắt như sau [17]:
Ts = 0.12 phút;Tc = 0.26 phút;Ti = 0.04 phút;
Ct = 271000VNĐ;C1 = 6200VNĐ;
C0 = 1600VNĐ;
Vì đây là tiện tinh, lực cắt bé nên nó sẽ thỏa mãn các điều kiện về lực hay công
suất máy.
Mỗi mảng dao PCBN được dùng để tiện liên tục bề mặt trụ ngoài của phôi thép
9XC cho đến khi chiều cao vùng mòn mặt sau đạt giá trị xác định là 120µm[4].
)u€^ T!Q1R?[TU•BK•3ˆƒ_• ^?CV
23
L

cat
D
L
t
f
n
Hnh 3.5. Thiết bị đo nhám bề mặt
Hnh 3.6 Sơ đồ thí nghiệm tối ưu hóa khi
)ƒ]Z^@ L?j7f KL
Kết quả đo nhám bề mặt sau thời gian cắt xác định là 3 phút tại các điểm thí
nghiệm và kết quả đo diện tích bề mặt được gia công Sc khi chiều cao vùng mòn mặt
sau đạt giá trị 120µm tương ứng với các chế độ cắt tại các điểm thí nghiệm như bảng 3.5
Bảng3.5. Giá trị nhám bề mặt và diện tích bề mặt gia công tại các điểm thí nghiệm
TT v(m/phút) f(mm/vòng
)
t(mm) Ra(µm) Sc(cm2)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

15
16
17
18
19
20
157.0307
163.4054
108.8891
163.9363
144.2651
106.8278
119.4949
138.2817
167.0255
167.5422
111.0329
167.9415
167.0017
133.9763
156.0196
109.9320
129.5233
164.1015
155.4545
167.1645
0.1225
0.0729
0.1379
0.1447

0.1243
0.1306
0.1295
0.1014
0.1224
0.0837
0.1265
0.0725
0.0922
0.0737
0.0778
0.1359
0.1256
0.0954
0.1460
0.0728
0.1383
0.1320
0.1742
0.1775
0.1106
0.1439
0.1390
0.1611
0.1680
0.1730
0.1204
0.1648
0.1621
0.1079

0.1031
0.1448
0.1956
0.1274
0.1544
0.1146
0.5044
0.4503
0.4448
0.5706
0.4810
0.4596
0.4767
0.4751
0.5470
0.5109
0.4815
0.4882
0.5090
0.4328
0.4264
0.4667
0.4805
0.4717
0.5359
0.4310
2423,6
3410,3
3883,8
1682,9

3587,9
5344,5
4341,3
3016,7
1804,7
2042,6
6185,4
2322,5
2140,0
5803,1
4878,6
4908,3
2545,9
2873,8
2048,9
4090,6
Việc tối ưu hóa một hàm đơn mục tiêu đơn giản là xác định một bộ các điểm ổn
định, nhận biết một cực đại hoặc cực tiểu địa phương và có thể tìm tối ưu toàn cục.
Trái lại, quá trình xác định giải pháp cho một bài toán tối ưu đa mục tiêu phức tạp hơn
và ít xác định hơn bài toán tối ưu đơn mục tiêu bởi không thể nói rõ ràng điều gì là
trung hòa khi cực tiểu hóa nhiều hàm mà có tính chất đối lập nhau vì có thể cái này
làm giảm giá trị của một làm nhưng lại làm tăng giá trị của hàm khác. Trong thực tế
khó có thể có một vị trí làm cực tiểu tất cả các hàm, điểm đó được gọi là điểm lý
tưởng. Thay việc tìm điểm lý tưởng, thưởng đi tìm điểm tối ưu theo một nghĩa nào đó.
Các nhà sản suất đã đưa ra một phương trình toán tối ưu cho bài toán đa mục tiêu
z(T
p
,C
p
,R

a
) [17]:
24
-Xây dựng dữ liệu đầu vào X = [v; f; t] và dữ liệu đầu ra z(Ra,Tp,Cp)
Số thí nghiệm được lấy sao cho đảm bảo độ chính xác cho quá trình luyện
mạng đồng thời số thí nghiệm phải ít nhất có thể, ở đây tác giả lấy số thí nghiệm là 20
thí nghiệm[17], và các điểm thí nghiệm được lấy ngẫu nhiên trong miền giá trị các giá
trị v, f, t. Sau đó ta đo được các giá trị Ra, và Sc, còn Tp, Cp được tính theo các công
thức từ (1.1)-(1.8), ta được bảng ma trận thí nghiệm như bảng 3.5
Bảng 3.6. Dữ liệu các điểm thí nghiệm và giá trị kết quả các hàm mục tiêu.
TT v(m/phút) f(mm/vòng) t(mm) Ra(µm) Tp(phút) Cp(VNĐ) z(Ra,Tp,Cp)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

20
157.0307
163.4054
108.8891
163.9363
144.2651
106.8278
119.4949
138.2817
167.0255
167.5422
111.0329
167.9415
167.0017
133.9763
156.0196
109.9320
129.5233
164.1015
155.4545
167.1645
0.1225
0.0729
0.1379
0.1447
0.1243
0.1306
0.1295
0.1014
0.1224

0.0837
0.1265
0.0725
0.0922
0.0737
0.0778
0.1359
0.1256
0.0954
0.1460
0.0728
0.1383
0.1320
0.1742
0.1775
0.1106
0.1439
0.1390
0.1611
0.1680
0.1730
0.1204
0.1648
0.1621
0.1079
0.1031
0.1448
0.1956
0.1274
0.1544

0.1146
0.5044
0.4503
0.4448
0.5706
0.4810
0.4596
0.4767
0.4751
0.5470
0.5109
0.4815
0.4882
0.5090
0.4328
0.4264
0.4667
0.4805
0.4717
0.5359
0.4310
0.2864
0.4468
0.4191
0.2312
0.3604
0.5435
0.4411
0.3756
0.2486

0.3060
0.6009
0.3509
0.2994
0.7481
0.5624
0.4891
0.3169
0.3439
0.2506
0.4966
2996
3988
4054
2852
3470
4940
4134
3596
2828
3048
5336
3316
3016
6336
4860
4528
3296
3284
2896

4340
0.9353
0.9173
0.9196
0.9385
0.9268
0.9027
0.9158
0.9249
0.9380
0.9330
0.8942
0.9283
0.9338
0.8779
0.9030
0.9096
0.9318
0.9298
0.9379
0.9117
)DMN6ZKLl
)?j7^„6KMNC
Các giá trị v, f, t dùng để làm thí nghiệm.
X = [v; f; t] =
)?j7^„6Kj?
- Ma trận dữ liệu đích khi tối ưu hóa đơn mục tiêu (số liệu được đo khi thí nghiệm).
Ra, Sc, z
25