Mesterséges intelligencia módszereivel támogatott prediktív modell létrehozása mikromarási folyamathoz
Artificial intelligence supported predictive model development related to micro milling process
Keywords:
cutting, micro-milling, ANN, active force component, predictive model, forgácsolás, mikromarás, mesterséges neurális hálózat, aktív forgácsolási erőkomponens, előrejelző modellAbstract
Nowadays, there is a growing demand for the production of miniature parts, which requires the continuous development of micromachining processes. Within the framework of Industry 4.0, automated manufacturing processes play an essential role. The efficiency can be significantly improved by application of artificial intelligence based prediction. The aim of the present research is to create a predictive model that provides an estimation of the conditions of the micro milling process, primarily the active cutting force component.
Kivonat
Napjainkban egyre nagyobb igény mutatkozik a miniatűr alkatrészek előállítása iránt, ami a mikromegmunkálási eljárások folyamatos fejlesztését igényli. Az Ipar 4.0 keretrendszerén belül fontos szerepet kapnak az automatizált gyártási eljárások, amik a mesterséges intelligencia alapú előrejelzésekre támaszkodva a korábbiakhoz képest hatékonyabban működhetnek. Jelen kutatás célja olyan prediktív modell létrehozása, ami a mikromarási folyamat körülményeire, elsősorban az aktív forgácsoló erőkomponensre ad becslést.
References
Boswell, B., Islam, M.N., Davies, I.J. A review of micro-mechanical cutting. Internation Journal of Advanced Manufacturing, 2018, 94, 789–806.
Makhfi, S.; Velasco, R.; Habak, M.; Haddouche, K.; Vantomme, P. An optimized ANN approach for cutting forces prediction in AISI 52100 bearing steel hard turning. Sci. Technol. 2013, 3, 24–32.
Imani, L., Henzaki, A.R., Hamzeloo, R., Davoodi B. Modeling and optimizing of cutting force and surface roughness in milling process of Inconel 738 using hybrid ANN and GA. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 2020 Apr;234(5):920-32.
