Optimization of machining parameter

Optimization of machining parameters of Al/SiC-MMC with ANOVA and ANN analysis
In recent years, the utilization of metal matrix composites (MMC) materials in many engineering fields has increased tremendously. Accordingly the need for accurate machining of composites has also increased enormously. Despite the recent developments in the near net shape manufacture, composite parts often require post-mold machining to meet dimensional tolerances, surface quality and other functional requirements. In the present work, the surface roughness of Al–SiC (20 p) has been studied in this paper by turning the composite bars using coarse grade polycrystalline diamond (PCD) insert under different cutting conditions. Experimental data collected are tested with analysis of variance (ANOVA) and artificial neural network (ANN) techniques. Multilayer perceptron model has been constructed with back-propagation algorithm using the input parameters of depth of cut, cutting speed and feed. Output parameter is surface finish of the machined component. On completion of the experimental test, ANOVA and an ANN are used to validate the results obtained and also to predict the behavior of the system under any condition within the operating range.

ผลลัพธ์ (ไทย) 1:

เพิ่มประสิทธิภาพของเครื่องจักรพารามิเตอร์ของอัล SiC-MMC ด้วยการวิเคราะห์การวิเคราะห์ความแปรปรวนและแอนในปีที่ผ่านมา ใช้วัสดุคอมโพสิต (MMC) โลหะเมทริกซ์ในวิศวกรรมหลายสาขาได้เพิ่มขึ้นอย่าง ตาม ต้องการถูกตัดเฉือนของวัสดุผสมได้ยังเพิ่มขึ้นมหาศาล แม้มีการพัฒนาล่าสุดในรูปสุทธิใกล้ผลิต ส่วนประกอบมักจะต้องตัดเฉือนแม่พิมพ์หลังการยอมรับมิติ คุณภาพผิว และความต้องการทำงานอื่น ๆ ในงานนำเสนอ ความหยาบผิวของอัล – SiC (20 p) มีการศึกษาในเอกสารนี้ โดยเปิดบาร์คอมโพสิตที่ใช้เกรดหยาบคเพชร (PCD) แทรกภายใต้เงื่อนไขตัด รวบรวมข้อมูลทดลองทดสอบวิเคราะห์ผลต่างของ (การวิเคราะห์ความแปรปรวน) ด้วยเทคนิคโครงข่ายประสาทเทียม (แอน) รุ่นเพอร์เซปตรอนหลายชั้นได้ถูกสร้างขึ้น ด้วยกลับเผยแพร่อัลกอริทึมโดยใช้พารามิเตอร์สำหรับการป้อนค่าของความลึกของ ตัด ความเร็วในการตัด และเลี้ยง พารามิเตอร์ผลลัพธ์คือ ผิวประกอบ machined เมื่อเสร็จสมบูรณ์ของการทดสอบทดลอง การวิเคราะห์ความแปรปรวนและแอนที่ใช้ เพื่อตรวจสอบผลได้รับ และ การทำนายลักษณะการทำงานของระบบภายใต้เงื่อนไขใด ๆ ภายในช่วงปฏิบัติ

ผลลัพธ์ (ไทย) 2:

การเพิ่มประสิทธิภาพของเครื่องจักรกลพารามิเตอร์ของอัล / SIC-MMC ด้วยการวิเคราะห์ความแปรปรวนและการวิเคราะห์ ANN
ในปีที่ผ่านมาการใช้ประโยชน์จากวัสดุคอมโพสิตเมทริกซ์โลหะ (MMC) วัสดุในสาขาวิศวกรรมจำนวนมากได้เพิ่มขึ้นอย่างมาก ดังนั้นความจำเป็นในการตัดเฉือนที่ถูกต้องของคอมโพสิตยังได้เพิ่มขึ้นอย่างมาก แม้จะมีความคืบหน้าล่าสุดในการผลิตรูปร่างสุทธิใกล้ชิ้นส่วนคอมโพสิตมักจะต้องใช้เครื่องจักรกลการโพสต์แม่พิมพ์เพื่อตอบสนองความคลาดเคลื่อนมิติคุณภาพผิวและความต้องการการทำงานอื่น ๆ ในการทำงานปัจจุบันพื้นผิวที่ขรุขระของอัล SiC (20 P) ได้รับการศึกษาในบทความนี้โดยการเปิดบาร์ประกอบโดยใช้เพชรสังเคราะห์เกรดหยาบ (PCD) แทรกอยู่ภายใต้เงื่อนไขการตัดที่แตกต่างกัน ข้อมูลการทดลองที่เก็บรวบรวมจะถูกทดสอบด้วยการวิเคราะห์ความแปรปรวน (ANOVA) และเครือข่ายประสาทเทียม (ANN) เทคนิค หลายรูปแบบตรอนได้รับการสร้างขึ้นด้วยอัลกอริทึมหลังการขยายพันธุ์โดยใช้ป้อนพารามิเตอร์ของความลึกของการตัดตัดความเร็วและอาหาร พารามิเตอร์เอาท์พุทเป็นพื้นผิวขององค์ประกอบกลึง เมื่อเสร็จสิ้นการทดสอบทดลองและวิเคราะห์ความแปรปรวน ANN จะใช้ในการตรวจสอบผลที่ได้รับและยังทำนายพฤติกรรมของระบบภายใต้เงื่อนไขใด ๆ ที่อยู่ในช่วงการดำเนินงาน

ผลลัพธ์ (ไทย) 3:

การเพิ่มประสิทธิภาพของเครื่องจักรกล พารามิเตอร์ของ Al / SIC MMC ด้วยการวิเคราะห์ความแปรปรวน ( ANOVA ) และการวิเคราะห์แอน
ในปีล่าสุด การใช้วัสดุผสมเนื้อโลหะ ( MMC ) วัสดุในงานวิศวกรรมต่าง ๆ ได้เพิ่มมากขึ้น ตามความต้องการที่ถูกต้องของคอมโพสิตเครื่องจักรได้เพิ่มขึ้นอย่างมาก แม้จะมีการพัฒนาล่าสุดในการผลิตรูปร่างใกล้สุทธิชิ้นส่วนประกอบเครื่องจักร มักจะต้องโพสต์แม่พิมพ์เพื่อตอบสนองของความอดทน คุณภาพผิวและความต้องการการทำงานอื่น ๆ ในงานปัจจุบัน , ความหยาบผิวของอัล - SIC ( 20 p ) ได้ศึกษาในงานวิจัยนี้ โดยการเปลี่ยนแถบคอมโพสิตโดยใช้ผลึกเพชรเกรดหยาบ ( PCD ) ใส่ภายใต้สภาวะการตัดที่แตกต่างกันทดลองเก็บข้อมูลจะถูกทดสอบด้วยการวิเคราะห์ความแปรปรวน ( ANOVA ) และโครงข่ายประสาทเทียม ( ANN ) เทคนิค แบบเพอร์เซปตรอนหลายชั้นถูกสร้างด้วยวิธี back-propagation ใช้ป้อนพารามิเตอร์ของความลึกในการป้อน ความเร็วตัด และอาหารสัตว์ พารามิเตอร์เอาต์พุตคือพื้นผิวของกลึงชิ้นส่วน เมื่อเสร็จสิ้นการทดสอบ ทดลองการวิเคราะห์ความแปรปรวน ( ANOVA ) และ แอนจะใช้ในการตรวจสอบผลลัพธ์ที่ได้และทำนายพฤติกรรมของระบบภายใต้เงื่อนไขใด ๆภายในช่วงผ่าตัด