In this study, a neural network app

In this study, a neural network approach is presented for the prediction and control of surface roughness in a computer numerically controlled (CNC) lathe. Experiments have been performed on the CNC lathe to obtain the data used for the training and testing of a neural network. The parameters used in the experiment were reduced to three cutting parameters which consisted of depth of cutting, cutting speed, and feed rate. Each of the other parameters such as tool nose radius, tool overhang, approach angle, workpiece length, workpiece diameter and workpiece material was taken as constant. A feed forward multi-layered neural network was developed and the network model was trained using the scaled conjugate gradient algorithm (SCGA), which is a type of back-propagation. The adaptive learning rate was used. Therefore, the learning rate was not selected before training and it was adjusted during training to minimize training time. The number of iterations was 8000 and no smoothing factor was used. Ra, Rz and Rmax were modeled and were evaluated individually. One hidden layer was used for all models while the numbers of neurons in the hidden layer of the Ra model were five and the numbers of neurons in the hidden layers of the Rz and Rmax models were ten. The results of the neural network approach were compared with actual values. In addition, inasmuch as the control of surface roughness is proposed, a control algorithm was developed in the present investigation. The desired surface roughness was entered into the control system as a reference value and the controller determined the cutting parameters for these surface roughness values. A new surface roughness value was determined by sending the cutting parameters to the observer (ANN block). The obtained surface roughness was fed back to the comparison unit and was compared with the reference value and the difference surface roughness was then sent to the controller. The iteration was continued until the difference was reduced to a certain value of surface roughness which could be permitted for machining accuracy. When the surface roughness reached the permitted value, these cutting parameters were sent to the CNC turning system as input values. In conclusion, both the surface roughness values corresponding to the cutting parameters and suitable cutting parameters for a certain surface roughness can be determined prior to a machining operation using the ANN and control algorithm.

ผลลัพธ์ (ไทย) 1:

ในการศึกษานี้ ใช้วิธีโครงข่ายประสาทจะแสดงสำหรับการทำนายและการควบคุมพื้นผิวขรุขระในกลึงควบคุมคอมพิวเตอร์ (CNC) ได้ปฏิบัติการทดลองบนเครื่องกลึง CNC เพื่อขอรับข้อมูลที่ใช้สำหรับการฝึกอบรม และการทดสอบเครือข่ายประสาท พารามิเตอร์ที่ใช้ในการทดลองถูกลดไปสามตัดพารามิเตอร์ซึ่งประกอบด้วยความลึกของการตัด ตัดความเร็ว และอัตราป้อน พารามิเตอร์อื่น ๆ เช่นรัศมีจมูกเครื่องมือ เครื่องมือสิ่งที่แขวนอยู่ วิธีมุม ความยาวชิ้นงาน เส้นผ่านศูนย์กลางชิ้นงาน และวัสดุชิ้นงานแต่ละคนถ่ายคงเป็น พัฒนาฟีดไปข้างหน้าหลายชั้นของระบบเครือข่าย และแบบเครือข่ายได้รับการฝึกฝนโดยใช้อัตรา conjugate ไล่ระดับขั้นตอนวิธี (SCGA), ซึ่งเป็นชนิดของการเผยแพร่หลัง ใช้อัตราการปรับตัวการเรียนรู้ ดังนั้น อัตราการเรียนรู้ไม่ได้เลือกไว้ก่อนการฝึกอบรม และปรับปรุงในระหว่างการฝึกอบรมเพื่อลดเวลาการฝึกอบรม จำนวนการเกิดซ้ำคือ 8000 และใช้ปัจจัยไม่เรียบ Ra, Rz และ Rmax ถูกจำลอง และถูกประเมินแต่ละรายการ ใช้ชั้นซ่อนทุกรุ่นในขณะที่ตัวเลขของเซลล์ประสาทในชั้นซ่อนรุ่น Ra ห้า และหมายเลขของเซลล์ประสาทในชั้นซ่อนรุ่น Rz และ Rmax มีสิบ ผลลัพธ์ของวิธีโครงข่ายประสาทถูกเปรียบเทียบกับค่าที่แท้จริง นอกจากนี้ ตราบเท่าที่มีการนำเสนอการควบคุมพื้นผิวที่ขรุขระ ขั้นตอนการควบคุมการถูกพัฒนาในการสอบสวนอยู่ พื้นผิวขรุขระที่ต้องป้อนเข้าสู่ระบบควบคุมเป็นค่าอ้างอิง และตัวควบคุมกำหนดตัดพารามิเตอร์เหล่านี้ค่าความขรุขระพื้นผิว มีกำหนดค่าความหยาบผิวใหม่ โดยส่งพารามิเตอร์ตัดไปสังเกตการณ์ (ANN บล็อก) พื้นผิวขรุขระได้รับถูกเลี้ยงกลับไปหน่วยเปรียบเทียบ และการเปรียบเทียบค่าอ้างอิง และความแตกต่างพื้นผิวขรุขระแล้วส่งไปยังตัวควบคุม การเกิดซ้ำถูกอย่างต่อเนื่องจนกระทั่งความแตกต่างลดลงค่าความหยาบผิวซึ่งอาจได้รับอนุญาตสำหรับเครื่องจักรความแม่นยำ เมื่อพื้นผิวขรุขระถึงค่าอนุญาต ตัดพารามิเตอร์เหล่านี้ถูกส่งไปยัง CNC เปลี่ยนระบบเป็นค่าที่ป้อนเข้า ในบทสรุป สามารถกำหนดทั้งสองพื้นผิวที่ขรุขระค่าที่สอดคล้องกับพารามิเตอร์ตัดและพารามิเตอร์ตัดเหมาะสำหรับพื้นผิวขรุขระบางก่อนที่จะดำเนินการตัดเฉือนโดยใช้อัลกอริทึมควบคุมและแอน

ผลลัพธ์ (ไทย) 2:

ในการศึกษานี้เป็นวิธีการที่เครือข่ายประสาทจะนำเสนอสำหรับการคาดการณ์และการควบคุมของพื้นผิวที่ขรุขระในเครื่องคอมพิวเตอร์ที่ควบคุมตัวเลข (CNC) กลึง การทดลองได้รับการดำเนินการในกลึง CNC เพื่อให้ได้ข้อมูลที่ใช้สำหรับการฝึกอบรมและการทดสอบเครือข่ายประสาท พารามิเตอร์ที่ใช้ในการทดลองถูกลดลงไปสามพารามิเตอร์ตัดซึ่งประกอบไปด้วยความลึกของการตัดความเร็วในการตัดและอัตราการกินอาหาร แต่ละพารามิเตอร์อื่น ๆ เช่นรัศมีจมูกเครื่องมือเครื่องมือแขวนมุมแนวทางความยาวชิ้นงานขนาดเส้นผ่าศูนย์กลางชิ้นงานและวัสดุชิ้นงานถูกนำมาเป็นค่าคงที่ ฟีดไปข้างหน้าโครงข่ายประสาทเทียมแบบหลายชั้นได้รับการพัฒนาและรูปแบบเครือข่ายได้รับการฝึกฝนโดยใช้ขั้นตอนวิธีการปรับขนาดผันลาด (SCGA) ซึ่งเป็นประเภทของการกลับมาขยายพันธุ์ อัตราการเรียนรู้การปรับตัวถูกนำมาใช้ ดังนั้นอัตราการเรียนรู้ไม่ได้รับเลือกก่อนการฝึกอบรมและได้รับการปรับเปลี่ยนระหว่างการฝึกอบรมเพื่อลดเวลาในการฝึกอบรม จำนวนการทำซ้ำที่เป็น 8000 และยังไม่มีปัจจัยที่ราบเรียบถูกนำมาใช้ รา Rz และ Rmax ถูกจำลองและได้รับการประเมินเป็นรายบุคคล ชั้นหนึ่งที่ซ่อนอยู่ได้ถูกใช้สำหรับทุกรุ่นในขณะที่ตัวเลขของเซลล์ประสาทในชั้นซ่อนของรุ่น Ra มีห้าและหมายเลขของเซลล์ประสาทในชั้นซ่อนของ Rz และ Rmax รุ่นสิบ ผลของวิธีเครือข่ายประสาทถูกเมื่อเทียบกับค่าที่แท้จริง นอกจากนี้ตราบเท่าที่การควบคุมของพื้นผิวที่ขรุขระจะเสนอขั้นตอนวิธีการควบคุมได้รับการพัฒนาในการสืบสวนปัจจุบัน พื้นผิวที่ขรุขระต้องการถูกป้อนเข้าสู่ระบบการควบคุมเป็นค่าอ้างอิงและควบคุมที่กำหนดพารามิเตอร์การตัดค่าความขรุขระของผิวเหล่านี้ ค่าความหยาบผิวใหม่ที่ถูกกำหนดโดยการส่งพารามิเตอร์ตัดเพื่อสังเกตการณ์ (ANN block) พื้นผิวที่ขรุขระได้ถูกป้อนกลับไปยังหน่วยการเปรียบเทียบและถูกเมื่อเทียบกับค่าอ้างอิงและพื้นผิวที่ขรุขระแตกต่างจากนั้นก็ส่งไปยังตัวควบคุม ซ้ำได้อย่างต่อเนื่องจนกว่าจะมีความแตกต่างก็จะลดลงค่าบางอย่างของพื้นผิวที่ขรุขระซึ่งอาจจะอนุญาตให้ถูกต้องเครื่องจักร เมื่อพื้นผิวที่ขรุขระถึงมูลค่าที่ได้รับอนุญาตพารามิเตอร์ตัดเหล่านี้ถูกส่งไปยังระบบซีเอ็นซีเปลี่ยนเป็นค่าที่ป้อนเข้า สรุปได้ว่าทั้งค่าความขรุขระของผิวที่สอดคล้องกับพารามิเตอร์การตัดและพารามิเตอร์ตัดเหมาะสำหรับพื้นผิวที่ขรุขระบางอย่างสามารถได้รับการพิจารณาก่อนที่จะมีการดำเนินงานเครื่องจักรกลโดยใช้อัลกอริทึม ANN และการควบคุม

ผลลัพธ์ (ไทย) 3:

ในการศึกษานี้ได้เสนอวิธีการเครือข่ายประสาทเพื่อทำนายและควบคุมค่าความขรุขระของผิวในคอมพิวเตอร์ควบคุมเชิงตัวเลข ( CNC ) เครื่องกลึง การทดลองได้ดำเนินการบนเครื่องกลึง CNC ที่จะได้รับข้อมูลที่ใช้สำหรับการฝึกอบรมและการทดสอบของเครือข่ายประสาท พารามิเตอร์ที่ใช้ในการทดลอง ได้แก่ ลดลงถึงสามตัดพารามิเตอร์ ได้แก่ ความลึกของการตัดความเร็วตัดและอัตราป้อน . แต่ละพารามิเตอร์อื่น ๆ เช่น เครื่องมือ เครื่องมือ รัศมี จมูกยื่นออกมา มุม ความยาวของชิ้นงานชิ้นงานและชิ้นงานวัสดุ วิธีการ ขนาดถ่ายเป็นค่าคงที่ ดึงไปข้างหน้าและโครงข่ายประสาทเทียมถูกพัฒนาและเครือข่ายแบบฝึกโดยใช้ขั้นตอนวิธีการปรับขนาด ) ( scga ) ซึ่งเป็นชนิดของ back-propagation . การปรับเปลี่ยนอัตราการเรียนรู้ที่ใช้ ดังนั้น อัตราการเรียนรู้ได้ไม่เลือกก่อนการฝึกและปรับในระหว่างการฝึกอบรมเพื่อลดเวลาการฝึกอบรม จํานวนซ้ำได้ 8000 และไม่มีปัจจัยอะไรที่ใช้ รา และยัง rmax และเป็นแบบประเมินแบบ หนึ่งซ่อนเลเยอร์ใช้ทุกรุ่น ในขณะที่จำนวนเซลล์ประสาทในชั้นซ่อนของ รา นางแบบ 5 คนและจำนวนเซลล์ประสาทในชั้นซ่อนและรุ่นยัง rmax เป็นสิบ ผลของวิธีโครงข่ายประสาทเทียบเป็นค่าจริง นอกจากนี้ การที่ควบคุมพื้นผิวขรุขระจะเสนอการควบคุมวิธีการที่พัฒนาขึ้นในการศึกษาปัจจุบัน ความขรุขระของผิวที่ต้องการเข้าไปในระบบการควบคุมเป็นค่าอ้างอิงและควบคุมกำหนดตัดพารามิเตอร์ค่าความหยาบผิวเหล่านี้ . ค่าความขรุขระของผิวใหม่ที่ถูกกำหนดโดยการตัดพารามิเตอร์เพื่อสังเกตการณ์ ( แอนบล็อก ) ค่าความหยาบผิวถูกป้อนกลับไปที่หน่วยการเปรียบเทียบและเปรียบ เทียบกับค่าอ้างอิงและความแตกต่างความขรุขระพื้นผิวที่ถูกส่งไปควบคุม ซ้ำยังต่อเนื่องจนกระทั่งความแตกต่างลดลงถึงค่าบางอย่างของความขรุขระของผิวซึ่งจะได้รับอนุญาตสำหรับเครื่องจักรความแม่นยำ เมื่อพื้นผิวขรุขระถึงอนุญาตค่า พารามิเตอร์การตัดเหล่านี้ถูกส่งไปกลึง CNC ระบบ เป็นค่านำเข้า สรุป ทั้งค่าความขรุขระพื้นผิวที่ตัดตัวแปรและพารามิเตอร์การตัดที่เหมาะสมสำหรับความขรุขระของพื้นผิวบางอย่างได้ ก่อนการใช้เครื่องจักรกลแอนและการควบคุมอัลกอริทึม