Abstract

A simple neural network model for abrasive flow machining process has been established. The effects of machining parameters on material removal rate and surface finish have been experimentally analysed. Based on this analysis, model inputs and outputs were chosen and off-line model training using back-propagation algorithm was carried out. Simulation results confirm the feasibility of this approach and show a good agreement with experimental and theoretical results for a wide range of machining conditions. Learning could remarkably be enhanced by training the network with noise injected inputs

چکیده

مدلی ساده از شبکه ی عصبی برای فرایند ماشینکاری جریان ساینده ارائه شده است. تاثیرات پارامتر های ماشینکاری بر نرخ براده‌برداری و پرداخت سطح به صورت تجربی مورد تجزیه و تحلیل قرار گرفته است. بر طبق این تحلیل‌ها، ورودی ها وخروجی های مدل انتخاب گشته و آموزش مدل آف لاین دارای الگوریتم پس انتشار ، انجام شده است . نتایج شبیه سازی تاییدیست بر امکان پذیر بودن این روش و همچنین انطباق نتایج تجربی و تئوری در بیشتر شرایط ماشینکاری. یادگیری به طور قابل ملاحظه ای توسط آموزش شبکه ی دارای ورودی های تزریق نویز، افزایش می یابد.

1-مقدمه

موفقیت تولید خودکار تا حد زیادی متکی بر توسعه برنامه های یادگیری مبتنی بر کامپیوتر است.این  برنامه ها قادر به کد گذاری دانش عملیاتی می باشند. فرآیندهای ماشینکاری معمولا آنقدر پیچیده اند که نمی توانند مدل تحلیلی مناسب را توجیه نمایند و بیشتر اوقات ،مدل های تحلیلی بر اساس فرضیات ساده ای  که در تضاد با واقعیت هستند ، توسعه می یابند . از همه مهمتر اینکه ، تنظیم پارامترهای مدل های فوق الذکر ، طبق وضعیت واقعی فرآیند ماشینکاری، گاهی اوقات بسیار مشکل است[1]. بنابراین، شبکه های عصبی، ترسیم گر روابط ورودی / خروجی و دارای قابلیت محاسبات موازی عظیم، در پژوهش بر روی فرایندهای ماشینکاری، بسیار مورد توجه قرار گرفته اند . شبکه های عصبی مزایای قابل توجهی را در حل مشکلات پردازش نیازمند کدگذاری در زمان واقعی و تفسیر روابط بین متغیرها فضاهای چند بعدی، ارائه نموده اند…