NGHIÊN cứu ẢNH HƯỞNG của LƯỢNG DỊCH CHUYỂN DAO đến độ NHÁM bề mặt KHI TIỆN THEO MẠNG nơ RON

Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV

NGHIÊN CỨU ẢNH HƯỞNG CỦA LƯỢNG DỊCH CHUYỂN DAO
ĐẾN ĐỘ NHÁM BỀ MẶT KHI TIỆN THEO MẠNG NƠ-RON
A STUDY OF THE INFLUENCE OF FEED RATE TO ROUGHNESS
SURFACE IN TURNING USING ARTIFICAL NEURAL NETWORKS
TS. Trần Ngọc Hiềna, KS. Võ Hoài Sơnb
Trường Đại học Giao thông vận tải, Hà Nội, Việt Nam
a
;
TÓM TẮT
Chất lượng sản phẩm là một tiêu chí quan trọng của quá trình sản xuất. Bài báo đề xuất
xây dựng hệ thống điều khiển tự tối ưu nhằm đảm bảo chất lượng của chi tiết ngay trong quá
trình gia công tiện. Phương pháp tối ưu này còn gọi là tối ưu động. Quá trình tối ưu động dựa
trên mô hình động của quá trình cắt có chú ý tới các đặc điểm mang tính ngẫu nhiên hoặc thay
đổi theo thời gian như lượng mòn dao. Theo phương pháp này, trong quá trình cắt, các đại
lượng xuất hiện trong quá trình gia công như kích thước, chiều cao nhấp nhô bề mặt, sai số
hình dạng của bề mặt gia công, độ mòn dao, lực cắt, nhiệt cắt được phản hồi tới bộ phận xử
lý. Sau đó bộ phận xử lý nhanh chóng xác định ngay chế độ cắt tối ưu và chuyển kết quả cho
bộ phận điều khiển để tiến hành tự động điều chỉnh máy làm việc theo chế độ công nghệ tối
ưu tương ứng với thời điểm đó. Để thực thi hệ thống, kỹ thuật thông minh nhân tạo như mạng
nơ-ron đã được ứng dụng để chẩn đoán lượng mòn dao và điều chỉnh chế độ cắt hợp lý tương
ứng với lượng mòn dao.
Từ khóa: độ nhám bề mặt, gia công tiện, mòn dao, mạng nơ-ron, tự tối ưu.
ABSTRACT
Product quality is an important criterion of the production process. The paper presentsa
self-optimizing control system to ensure the optimal quality of product in the turning process.
This optimization method is called dynamic optimization. Process optimization is based on
the model of the cutting process with attention to the characteristics which are random or
change over time as the amount of tool wear. According to this method, during the cutting
process, variables appearing in processes such as dimension, surface roughness, the shape

error of the surface, the worn tool, cutting forces, heat of cuttingare sent to the processing
module. Then, this module quickly determines the optimal cutting condition and transfers the
results to the control module to controlturning machine working under optimum cutting
condition. To implement the system, artificial intelligence techniques such as neural networks
have been used to diagnose the amount of tool wearand adjust the cutting
conditioncorresponding to the worn tool.
Keywords: Surface roughness, Turning, Tool wear, Neural network, Self-optimization.

1. ĐẶT VẤN ĐỀ
Trong các chỉ tiêu đánh giá chất lượng gia công, độ nhám bề mặt là một thông số quan
trọng để đánh giá chất lượng của sản phẩm được gia công. Trong quá trình gia công, độ nhám
bề mặt đạt được có thể bị ảnh hưởng bởi nhiều yếu tố, chẳng hạn như chế độ cắt (lượng dịch
dao, tốc độ cắt và chiều sâu cắt), các đặc tính của phôi, vật liệu làm dao, mòn dao,… Trong
các yếu tố ảnh hưởng tới nhám bề mặt, mòn dao là yếu tố ảnh hưởng trực tiếp. Mặt khác, mòn
dao cũng gây ra các sai số về hình dạng của chi tiết gia công. Vì vậy đây là yếu tố cần được
chú ý đến trong tối ưu quá trình gia công nhằm đảm bảo chất lượng sản phẩm. Hơn nữa, tối
104


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
ưu chế độ gia công cắt gọt có xem xét đến tuổi thọ dao giúp giảm chi phí sản xuất và tăng
năng suất gia công vì sử dụng tối đa tuổi thọ của dao và giảm thời gian phụ cho việc thay dao.
Nếu mòn dao trong quá trình gia công không được giám sát liên tục, chất lượng bề mặt gia
công bị ảnh hưởng, gây những thiệt hại về chi phí cũng như thời gian gia công [1]. Vì vậy,
việc giám sát điều kiện dao và tự điều chỉnh chế độ cắt có ý nghĩa vô cùng quan trọng trong
phát triển các hệ thống gia công thông minh.
Bài báo trình bày hệ thống điều khiển tự tối ưu cho phép giám sát và điều khiển quá
trình gia công tiện một cách thông minh. Hệ thống này cho phép xác định được điều kiện cắt
và trạng thái của quá trình gia công hiện tại. Trong nghiên cứu này, tự tối ưu của một hệ thống
gia công bao gồm sự thích nghi tới các mục tiêu chất lượng như nhám bề mặt, dung sai hình

học có xem xét tới các yếu tố nhiễu như rung động, mòn dao, sự không đồng nhất vật liệu của
phôi, sự thay đổi nhiệt độ. Sự thích nghi này không cần tới sự can thiệp của người vận hành.
Để chứng minh khả năng của hệ thống như tự giám sát và tự điều chỉnh, bài báo đã xét tới quá
trình gia công liên quan tới điều kiện làm việc của dao như mòn dao.
Mạng nơ-ron nhân tạo (artificial neural network – ANN) được áp dụng trong nghiên
cứu này để phát triển hệ thống điều khiển tự thích nghi trong gia công tiện nhằm dự đoán
lượng mòn dao hiện tại sau đó tự điều chỉnh thông số cắt theo các chỉ tiêu tối ưu và đảm bảo
chất lượng bề mặt gia công đáp ứng được yêu cầu. Ưu điểm của việc sử dụng ANN trong dự
đoán độ nhám bề mặt có thể được kể đến như: thích hợp với dạng dữ liệu ngõ vào, ngõ ra phi
tuyến; dễ dàng thay đổi các thông số ngõ vào; khả năng khử nhiễu; và đã được ứng dụng
thành công trong nhiều nghiên cứu tương tự.
2. CẤU TRÚC HỆ THỐNG ĐIỀU KHIỂN TỰ TỐI ƯU TRONG GIA CÔNG TIỆN
Trong hệ thống gia công, các máy công cụ giữ vai trò quan trọng để có được sản phẩm
chất lượng cao với giá thành sản xuất thấp và năng suất cao. Quá trình gia công trên máy ảnh
hưởng lớn tới việc vận hành và năng suất của toàn bộ hệ thống gia công. Tuy nhiên các hệ
thống điều khiển số (Computer Numerical Control – CNC) hiện tại không cho phép điều
khiển chất lượng trực tiếp ngay trong quá trình gia công do cấu trúc điều khiển của nó. Ví dụ,
trong trường hợp xuất hiện các lỗi như mòn dao thì các giá trị tối ưu ban đầu của thông số cắt
không còn phù hợp và chúng phải được thay đổi để đảm bảo chất lượng của chi tiết được gia
công. Hiện tại, trình tự gia công hoặc chế độ cắt không được phép thay đổi trong suốt quá
trình gia công bởi vì các thao tác gia công tự động được lập trình sẵn bởi chương trình NC.
Trong quá trình gia công trên máy tiện, để xét tới các lỗi đồng thời xét tới chất lượng
sản phẩm, bài báo đề xuất hệ thống điều khiển tự tối ưu (Self-Optimizing Control-SOC). Cấu
trúc của hệ thống được thể hiện ở Hình 1. Theo đó, sau mỗi đường chạy dao, hệ thống SOC
thu thập thông tin của quá trình gia công thông qua các cảm biến được lắp đặt trên máy gia
công. Sau khi xử lý tín hiệu và trích xuất các giá trị cần thiết từ cảm biến, những giá trị này
được chuyển đến hệ thống chẩn đoán để đưa ra dự đoán về trạng thái gia công hiện tại như
lượng mòn dao, tuổi thọ dao hay nhám bề mặt. Hệ thống chẩn đoán này dựa trên kỹ thuật
thông minh nhân tạo (Artificial Intelligent – AI). Trên cơ sở chẩn đoán, hệ thống cung cấp các
thông số cắt tối ưu cho đường chạy dao kế tiếp và sau đó các thông số được chuyển đến hệ

thống điều khiển số của máy công cụ. Như vậy, để thực hiện sự tự thích nghi tới quá trình gia
công, hệ thống điều khiển tự tối ưu được đặc trưng bởi ba chức năng [2]:
- Phân tích trạng thái hiện tại: hệ thống gia công xác định trạng thái hiện tại của nó
thông qua phân tích các thông số thiết lập và tín hiệu nhận được từ các cảm biến trong mối
liên hệ với các hàm mục tiêu.
- Xác định các mục tiêu: sự tối ưu yêu cầu việc xác định các mục tiêu nội tại. Mục tiêu
nội tại định nghĩa cách hệ thống gia công sẽ thực hiện để đạt được mục tiêu tổng thể.

105


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
- Điều chỉnh cư xử của hệ thống: so sánh trạng thái hiện tại với mục tiêu hệ thống nhằm
đảm bảo điều kiện tối ưu hệ thống. Nó cho phép hệ thống gia công ra quyết định nhằm thích
ứng các mục tiêu nội tại để đạt được mục tiêu tổng thể.

Hình 1. Mô hình hệ thống điều khiển tối ưu động
Việc xây dựng và kiểm tra đánh giá hệ thống điều khiển tự tối ưu được thực hiện qua các
bước sau: thiết lập hệ thống đa cảm biến và xử lý các tín hiệu thu được; xây dựng bộ điều khiển
để điều chỉnh thông số cắt; kết nối tới bộ điều khiển CNC của máy công cụ; triển khai bộ điều
khiển được xây dựng trên máy thực; và tiến hành kiểm tra đánh giá hệ thống được xây dựng.
3. HỆ THỐNG CHẨN ĐOÁN LƯỢNG MÒN DAO
Mòn dao là một hiện tượng tất yếu trong quá trình gia công gây ra bởi sự tác động qua
lại giữa dụng cụ cắt và phôi. Sự tiến triển của mòn dao cần được theo dõi và nếu quá trình gia
công vẫn tiếp tục được thực hiện, dao cắt bị mòn có thể làm giảm chất lượng chi tiết gia công,
tăng thời gian sản xuất và chi phí, thậm chí gây ra hư hỏng máy móc nếu dụng cụ cắt hỏng đột
ngột. Để tránh những thiệt hại đáng tiếc, sự tiến triển của mòn dao từ lúc bắt đầu gia công
phải được dự đoán ngay và theo dõi liên tục trong suốt quá trình gia công. Có nhiều phương
pháp để xác định lượng mòn dao, các phương pháp này được chia làm hai loại: trực tiếp và
gián tiếp [3]. Đối với phương pháp trực tiếp, giá trị mòn dao được đo trực tiếp trong khi ở

phương pháp gián tiếp, người ta đo giá trị các thông số có ảnh hưởng đến lượng mòn dao.
Phương pháp gián tiếp được sử dụng để chẩn đoán lượng mòn dao đã được thực hiện trong
nhiều công trình nghiên cứu trước đây.
Những thông số được sử dụng để dự đoán lượng mòn dao thường được sử dụng là các
thông số về chế độ cắt, cụ thể là: tốc độ cắt, lượng dịch dao, chiều sâu cắt [4]. Ngoài ra, còn
có các thông số khác như: lực cắt, rung động, tiếng ồn, bức xạ âm thanh, nhiệt độ, nhám bề
mặt. Tuy nhiên, nếu đo toàn bộ các thông số trên và xử lý chúng thì sẽ không hiệu quả về kinh
tế và bộ phận xử lý cũng sẽ mất nhiều thời gian hơn trong việc dự đoán lượng mòn dao, do đó
hiệu quả đạt được sẽ không cao. Shiddhpura đã tổng hợp các nghiên cứu về dự đoán lượng
mòn dao, trong đó phân loại các thông số mà các nhà nghiên cứu đã sử dụng (xem Hình 2)[3].
Theo đó, lực cắt là yếu tố được sử dụng nhiều nhất để dự đoán lượng mòn dao. Thực tế, cảm
106


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
biến dùng để đo lực cắt có độ tin cậy cao, giá thành rẻ và dễ sử dụng nên việc sử dụng chúng
rất phù hợp với môi trường công nghiệp.

Hình 2. Số công trình nghiên cứu dự đoán lượng mòn dao

Hình 3. Cấu trúc ANN#1 – Chẩn đoán lượng mòn dao
Mạng nơ-ron nhân tạo (ANN) là công cụ được sử dụng làm thuật toán để dự đoán lượng
mòn dao thông qua các thông số đầu vào. Mạng nơ-ron nhân tạo được phát triển nhằm mô
phỏng chức năng của bộ não con người hoặc hệ nơ-ron, hình thành bởi một hữu hạn các lớp
với các phần tử tính toán cơ bản gọi là các nơ-ron. Một ANN cơ bản gồm có 3 lớp: lớp ngõ
vào (input layer), lớp ẩn (hidden layer) và lớp ngõ ra (output layer). Khả năng xử lý của mạng
được thực hiện bởi sự kết nối bên trong giữa các nơ-ron với các trọng số tương ứng, được
điều chỉnh trong quá trình học. Thuật toán dạy (hay học) được định nghĩa là một tiến trình
điều chỉnh các trọng số (weights) và các tham số (bias) của mạng nhằm tối thiểu hóa sai lệnh
giữa ngõ ra thực tế và giả thiết [5].

Trong nghiên cứu này, cấu trúc ANN#1 được thể hiện ở Hình 3 được dùng để mô hình
hóa và dự đoán lượng mòn dao trong gia công tiện. Cấu hình của ANN#1 là 6-10-1. Lớp ngõ
vào gồm 6 nơ-ron: tốc độ cắt v, lượng dịch dao f, chiều sâu cắt a p , lực cắt, thời gian gia công,
lượng mòn ban đầu của dao. Một lớp ẩn gồm 10 nơ-ron. Lớp ngõ ra chỉ chứa một nơ-ron cho
biết giá trị được dự đoán của lượng mòn dao trong quá trình tiện. Để có được cấu trúc này, số
lần học dừng lại sau 2000 lần lặp với sai lệch nhỏ nhất thu được là 0.025. Kết quả dự đoán thử
nghiệm được thể hiện ở Bảng 1.
107


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
Bảng 1: Kết quả dự đoán lượng mòn dao của ANN#1 so với dữ liệu thực nghiệm.
Lần Lực Lượng Chiều
Thời
Tốc
Lượng Lượng
Lượng
Sai
thử cắt
dịch
sâu gian gia độ cắt mòn ban
mòn
mòn dự
lệch
(N)
dao
cắt
công
(m/ph)
đầu

thực tế
đoán
(mm)
(mm/vg) (mm)
(mm)
(mm)
(mm)
(mm)
1

609

0.1449

1.5

5

160

0

0.140

0.133

0.007

2

608

0.1398

1.5

10

160

0

0.174

0.173

0.001

3

607

0.1347

1.5

20

160

0

0.208

0.205

0.003

4

609

0.1449

1.5

30

160

0

0.292

0.279

0.013

5

619

0.1680

2.0

5

160

0

0.165

0.147

0.015

6

610

0.1500

2.0

20

160

0

0.195

0.216

-0.021

4. HỆ THỐNG ĐIỀU KHIỂN TỰ TỐI ƯU CÁC THÔNG SỐ CẮT GỌT
Tối ưu hóa các thông số cắt là công việc quan trọng trong việc lập kế hoạch gia công,
quyết định đến các mục tiêu của quá trình gia công. Trước đây, các phương pháp tối ưu hóa
thường được phát triển với chỉ một mục tiêu được chú ý đến, chẳng hạn như chỉ tối thiểu hóa
chi phí hoặc tối đa hóa lợi nhuận. Tuy nhiên, trong thực tế hiện nay, nhà sản xuất đang phải
giải quyết các vấn đề tối ưu hóa nhiều mục tiêu. Những mục tiêu này thường đối lập và không
so sánh được. Ví dụ, trong quá trình tiện, những mục tiêu sau cần được chú ý: tối thiểu hóa
chi phí vận hành, tối đa hóa năng suất và tối đa hóa chất lượng gia công. Khi đó, việc tăng tốc
độ cắt góp phần làm tăng tốc độ gia công, nhưng cũng làm tăng chi phí sản xuất do tốc độ
mòn dao nhanh và giảm chất lượng gia công do ảnh hưởng đến độ nhám bề mặt.
Mạng nơ-ron được áp dụng để thực hiện việc tối ưu hóa các mục tiêu như: tối thiểu hóa
thời gian gia công và chi phí, tối đa hóa chất lượng sản phẩm gia công. Trong quá trình cắt
gọt kim loại, dựa vào các giá trị phản hồi từ hệ thống chẩn đoán quá trình gia công, quá trình
tối ưu nhằm xác định một chế độ cắt bao gồm tốc độ cắt v c , lượng dịch dao f và chiều sâu cắt
a p thỏa mãn các giá trị giới hạn và đồng thời cân bằng các mục tiêu đối lập.
4.1

Các hàm mục tiêu

Tốc độ gia công (T p ): Là toàn bộ thời gian cần thiết để gia công một sản phẩm, phụ
thuộc vào tốc độ tách bóc phôi MRR (metal removal rate) và tuổi thọ dao T, được tính theo
công thức sau [6]:

(1 + Tc / T ) + T
Tp =
Ts + V
i
MRR

(1)

trong đó T s , T c , T i và V lần lượt là thời gian cài đặt máy, thời gian thay dao, thời gian
chạy không và thể tích phôi gỡ bỏ. Thông thường, các giá trị này là hằng số nên T p là hàm của
MRR và T.
Tốc độ tách phôi được tính theo công thức sau:
MRR = 1000.v. f .a p

(2)

Tuổi thọ dao được tính theo công thức Taylor:

T=

kT
(giờ)
v f α 2 aαp 3
α1

(3)

trong đó k T , α 1 , α 2 và α 3 là các hằng số dương, được xác định bằng thực nghiệm [6,7].
108

Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
Chi phí gia công (C p ): Là chi phí tính trên mỗi sản phẩm, phụ thuộc vào T vàT p , được
xác định như sau [8]:
C

C=
Tp  t + Cl + Co 
p
T


(4)

với C t , C l và C o là chi phí dao cụ, chi phí lao động và phí tổn.
Chất lượng gia công: Được đánh giá thông quá độ nhám bề mặt Ra . Công thức (5) cho phép
tính toán nhám bề mặt của chi tiết được gia công có xét đến lượng mòn dao vừa chẩn đoán [9]:

0,125 × f 2
=
Ra
× (1 + 1, 6103 × Tw )0,7315
rE

(5)

r E là bán kính mũi dao (mm);f là tốc độ dịch dao (mm/vòng); và T w là lượng mòn dao (mm).
Các giá trị giới hạn:
Các thông số của chế độ cắt được giới hạn bởi loại dụng cụ cắt được lựa chọn, khả năng

công nghệ của máy và độ an toàn, do đó:
vmin ≤ v ≤ vmax ; f min ≤ f ≤ f max ; a p min ≤ a p ≤ a p max

(6)

Công suất P và lực cắt F:
Công suất tiêu thụ của máy trong quá trình gia công có thể được biểu diễn thông qua lực
cắt F(N)và tốc độ cắt v (m/ph) như sau [10]:

P=

Fv
, kW
61, 2.103η

(7)

trong đó η là hiệu suất của máy, lực cắt của máy được tính theo công thức sau:
F = K F f β1 a βp 2 , N

(8)

với K F , β 1 , β 2 là các hằng số phụ thuộc dụng cụ cắt và phôi.
Giới hạn của công suất và lực cắt được cho như sau:

Pmin ≤ P ≤ Pmax , Fmin ≤ F ≤ Fmax

(9)

Hình 4. Sơ đồ mối quan hệ giữa hàm mục tiêu và các thông số cắt gọt

Dựa trên các hàm mục tiêu kể trên, cấu trúc của việc tối ưu hóa các thông số cắt gọt để
thỏa mãn các hàm mục tiêu có thể được biểu diễn bằng sơ đồ phân tầng như Hình 4. Như vậy,
vấn đề tối ưu hóa các thông số cắt gọt chính là xác định các giá trị các hàm:

min Tp ( v, f , a p ) , min C p ( v, f , a p ) , min Ra ( v, f , a p )
theo các giá trị giới hạn (6) và (9).
109


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
4.2

Mô hình tối ưu hóa các thông số cắt gọt

Thiết kế thực nghiệm theo phương pháp Taguchi cho phép thu được giá trị tối ưu của
thông số cắt khi gia công tiện. Tuy vậy, phương pháp này chỉ được sử dụng để xác định chế
độ cắt tối ưu khi lập kế hoạch gia công, còn gọi là điều khiển chất lượng không trực tuyến
(off-line quality control). Mạng nơ-ron nhân tạo cho phép sinh ra giá trị tối ưu ngay trong quá
trình gia công tiện đang thực hiện, còn gọi là điều khiển chất lượng trực tuyến (online quality
control) [11,12].
Trong quá trình gia công, nếu lượng mòn dao ảnh hưởng đến chất lượng gia công R a thì
thông số cắt mới được sinh ra sử dụng mạng nơ-ron nhân tạo ANN#2. Cấu trúc ANN#2 là 33-6-1 với hai lớp ẩn. Các thông số đầu vào là: tốc độ cắt v, lượng mòn dao T w , chiều sâu cắt
a p . Lớp ngõ ra gồm một thông số chính là lượng dịch dao mong muốn f. Số lần học dừng lại
sau 2000 lần lặp với lỗi nhỏ nhất thu được là 0.28. Kết quả sinh lượng dịch dao tối ưu tương
ứng lượng mòn dao được thể hiện ở Bảng 2.
Bảng 2: Kết quả sinh lượng dịch dao tối ưu của ANN#2 so với dữ liệu thực nghiệm.
Lần Tốc độ cắt
Lượng
Chiều
Lượng dịch dao Lượng dịch dao

Sai
thử
(m/phút)
mòn dao
sâu cắt
mong muốn
sinh ra
số
(mm)
(mm)
(mm/vòng)
(mm/vòng)
1

160

0.158

1.635

0.29

0.270

0.020

2

160

0.174

1.755

0.45

0.423

0.027

3

160

0.180

1.800

0.55

0.500

0.050

4

160

0.230

2.175

1.11

1.010

0.100

5

160

0.290

2.626

1.61

1.580

0.030

6

160

0.248

2.310

1.19

1.170

0.020

5. TÍCH HỢP HỆ THỐNG CHẨN ĐOÁN LƯỢNG MÒN DAO VÀ HIỆU CHỈNH
LƯỢNG DỊCH DAO

Hình 5. Hệ thống chẩn đoán lượng mòn dao và sinh chế độ cắt mới
110


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
Hình 5 thể hiện sự tích hợp các mô đun được xây dựng để chẩn đoán lượng mòn dao khi
gia công và sinh ra chế độ cắt mới tương ứng với lượng mòn dao vừa chẩn đoán để đảm bảo
giá trị nhám bề mặt của chi tiết được gia công trong giới hạn cho phép. Theo đó, các tín hiệu
ghi nhận được từ cảm biến sẽ được khuếch đại và chuyển đến mạng nơ-ron ANN#1 xử lý,
nhằm dự đoán lượng mòn dao. Nếu giá trị của nhám bề mặt tính theo lượng mòn dao áp dụng
công thức (5) vượt quá giới hạn cho phép, hệ thống sẽ ra thông báo thay dao. Ngược lại,
ANN#2 được sử dụng để sinh ra chế độ cắt mới.
KẾT LUẬN
Bài báo trình bày hệ thống điều khiển tự tối ưu cho các hệ thống gia công thông minh.
Chức năng chẩn đoán lượng mòn dao trong quá trình gia công đã được lập và đánh giá thực
nghiệm. Sau đó, thông tin chẩn đoán mòn dao được sử dụng để sinh ra chế độ cắt mới nhằm
đảm bảo chất lượng của chi tiết được gia công. Để lập trình hệ thống, mô hình của hệ thống
điều khiển tự tối ưu hướng tới chất lượng gia công đã được đề xuất và kỹ thuật mạng nơ-ron
nhân tạo đã được áp dụng. Kết quả thực nghiệm thể hiện rằng hệ thống được đề xuất đã chẩn
đoán được lượng mòn dao cũng như tự điều chỉnh chế độ cắt phù hợp nhằm đảm bảo chất
lượng của chi tiết trong quá trình gia công tiện.

LỜI CẢM ƠN
Nghiên cứu này được tài trợ bởi Quỹ Phát triển khoa học và công nghệ Quốc gia
(NAFOSTED) trong đề tài mã số 107.01-2014.23
TÀI LIỆU THAM KHẢO
[1] Ghasempoor, A. at el. Real time implementation of on-line tool condition monitoring in
turning. International Journal of Machine Tools and Manufacture, 1999, Vol. 39 (12),
p.1883–1902.
[2] Bocker, J. at el. Self-Optimization as a Framework for Advanced Control Systems.
IECON 2006 - 32nd Annual Conference on IEEE Industrial Electronics, 2006, p. 46714675.
[3] Siddhpura, A. & Paurobally, R., A review of flank wear prediction methods for tool
condition monitoring in a turning process. The International Journal of Advanced
Manufacturing Technology, 2012, Vol. 65 (1-4), p. 371–393.
[4] Viktor P. Astakhov, Effects of the cutting feed, depth of cut, and workpiece (bore)
diameter on the tool wear rate. The International Journal of Advanced Manufacturing
Technology, 2006, Vol. 34 (7-8), p. 631-640.
[5] Asiltürk, İ., & Çunkaş, M., Modeling and prediction of surface roughness in turning
operations using artificial neural network and multiple regression method. Expert Systems
with Applications, 2011, Vol. 38 (5), p. 5826–5832.
[6] Malakooti, B. at el, A sensor-based acceleratedapproach for multi-attribute
machinabilityand tool life evaluation.International Journal of Production Research,
1990, Vol. 28 (12), p. 2373–2392.
[7] Li, X., Dong, S., & Venuvinod, P. K., Hybrid Learning for Tool Wear Monitoring. The
International Journal of Advanced Manufacturing Technology, 2000, Vol. 16 (5), p. 303–
307.
[8] Lee, B. & Tarng, Y., Cutting-parameter selection for maximizing production rate or
minimizing production cost in multistage turning operations. Journal of Materials
Processing Technology, 2000, Vol. 105 (1-2), p. 61–66.

111

Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
[9] Pal, S. et al., Tool wear monitoring and selection of optimum cutting conditions with
progressive tool wear effect and input uncertainties. Journal of Intelligent Manufacturing,
2009, Vol. 22 (4), p. 491–504.
[10] Shin, Y. & Joo, Y., Optimization of machining conditions with practical constraints.
International Journal of Production Research, 1992, Vol. 30 (12), p. 2907-2919.
[11] 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,
2014.
[12] Krishankant, Jatin Taneja, Mohit Bector, Rajesh Kumar, Application of Taguchi Method
for Optimizing Turning Process by the effects of Machining Parameters. International
Journal of Engineering and Advanced Technology, 2012, Vol. 2(1), p. 263-274.
THÔNG TIN TÁC GIẢ
1.

TS. Trần Ngọc Hiền. Trường Đại học Giao thông vận tải, Hà Nội.
Email: ĐT: 0904.194.293

2.

KS. Võ Hoài Sơn. Trường Đại học Giao thông vận tải – Cơ sở II, TP Hồ Chí Minh.
Email: ĐT: 0972.351.535

112