A minőség és a termelékenység optimalizálása mikromarásnál gépi tanulás alapú prediktív modellek alkalmazásával

Optimisation of quality and productivity in the micromilling process through machine learning predictive models

Authors

  • Ogutu Isaya ELLY Budapesti Műszaki és Gazdaságtudományi Egyetem, Gépészmérnöki Kar, Gyártástudomány és -technológia Tanszék
  • Márton TAKÁCS Budapesti Műszaki és Gazdaságtudományi Egyetem, Gépészmérnöki Kar, Gyártástudomány és -technológia Tanszék

Keywords:

micro-milling, Multi-objective optimization, Surface roughness (Ra), Material removal rate (MRR), ANFIS (Adaptive Neuro-Fuzzy Inference System) / micro-milling, Multi-objective optimization, Surface roughness (Ra), Material removal rate (MRR), ANFIS (Adaptive Neuro-Fuzzy Inference System)

Abstract

The paper presents a multi-objective optimization method for the micro-milling process, aiming at the simultaneous optimization of average surface roughness (Ra) and material removal rate (MRR). The method employs an ANFIS predictive model and a swarm intelligence-based optimization algorithm to determine the optimal cutting parameters, supporting the integration of the micro-milling process into an Industry 4.0 environment.

Kivonat

A cikk egy többcélú optimalizálási módszert mutat be a mikromarási folyamat számára az átlagos felületi érdesség (Ra) és az anyagleválasztási sebesség (MRR) egyidejű optimalizálására. A módszer az ANFIS prediktív modellt és egy rajintelligencia-alapú optimalizáló algoritmust alkalmaz az optimális forgácsolási paraméterek meghatározására, támogatva a mikromarási folyamat Ipar 4.0 környezetbe történő integrációját.

References

Surface Fabricated by Micro-Milling and Wet Micro-Blasting,” Journal of Tribology, vol. 144, no. 9, p. 091201, Sep. 2022, DOI: 10.1115/1.4053318.

U. Natarajan, Pr. Periyanan, and S. H. Yang, “Multiple-response optimization for micro-endmilling process using response surface methodology,” Int J Adv Manuf Technol, vol. 56, no. 1–4, pp. 177–185, Sep. 2011, DOI: 10.1007/s00170-011-3156-2.

M. Miranda, D. Serje, J. Pacheco, and J. Bris, “Tool edge radius wear and material removal rate performance charts for titanium micro-milling,” Int. J. Precis. Eng. Manuf., vol. 19, no. 1, pp. 79–84, Jan. 2018, DOI: 10.1007/s12541-018-0009-z.

F. B. De Oliveira, A. R. Rodrigues, R. T. Coelho, and A. F. De Souza, “Size effect and minimum chip thickness in micromilling,” International Journal of Machine Tools and Manufacture, vol. 89, pp. 39–54, Feb. 2015, DOI: 10.1016/j.ijmachtools.2014.11.001.

Downloads

Published

2026-04-21

Issue

XXXIV. Nemzetközi Gépészeti Konferencia – OGÉT 2026

Section

Articles

License

Copyright (c) 2026 Nemzetközi Gépészeti Konferencia – OGÉT

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.