Vol.9, No 1, 2011 pp. 9 - 20
UDC 621.777    669.14     621.906
PREDICTION OF THE AVERAGE SURFACE ROUGHNESS IN DRY TURNING OF COLD ROLLED ALLOY STEEL BY ARTIFICIAL NEURAL NETWORK
Velibor Marinković1*, Dejan Tanikić2
1Faculty of Mechanical Engineering Niš, University of Niš, Serbia
2Technical Faculty Bor, University of Belgarde, Serbia
E-mail: velmar@masfak.ni.ac.rs
The surface quality of the machined parts is one of the most important product quality characteristics and one of the most frequent customer requirements. In this study, an artificial neural network (ANN) approach for modeling of surface roughness in dry single-point turning of an alloy steel using coated tungsten carbide inserts is presented. The three main cutting parameters consisting of cutting speed, feed rate, and depth of cut are varied in the experiment. Each of the other parameters is treated as constant. The average surface roughness (Ra) is chosen as a measure of surface quality. The data set from major experiment is employed for training a feed-forward three-layer backpropagation ANN. The developed ANN model is tested on the other combinations of the cutting parameters in the given ranges, which are not included in the training process. The results of calculations are in good agreement with the experimental data confirming the effectiveness of ANN approach in modeling of surface roughness in turning process.
Key words: Turning Process, Surface Roughness, Artificial Neural Networks
PREDIKCIJA HRAPAVOSTI POVRŠINE U PROCESU SUVOG STRUGANJA HLADNO VALJANOG LEGIRANOG ČELIKA POMOĆU VEŠTAČKE NEURONSKE MREŽE
Kvalitet površine obrađenih delova je jedan od najvažnijih karaktertistika kvaliteta proizvoda i jedan od najčešćih zahteva kupca. U ovoj studiji je prikazana primena veštačke neuronske mreže (VNM) u modelovanju hrapavosti površine pri suvom struganju legiranog čelika presvučenim pločicama od tvrdog metala. U eksperimentu su varirana tri glavna parametra: brzina rezanja, korak i dubina rezanja. Svi ostali parametric su tretirani kao konstante. Kao merilo kvaliteta površine izabrano je srednje aritmetičko odstupanje profila (Ra). Podaci glavnog eksperimenta su upotrebljeni za treniranje direktne troslojne VNM sa propagacijom greške unazad. Razvijeni VNM model je bio testiran na drugim kombinacijama parametara rezanja u datim intervalima variranja, koji nisu bili uključeni u proces treniranja. Rezultati proračuna su u dobroj saglasnosti sa eksperimentalnim podacima i potvrđuju efikasnost VNM u modelovanju hrapavosti površine u procesu struganja.
Ključne reči: struganje, hrapavost površine, veštačke neuronske mreže