Professional Documents
Culture Documents
Modeliranje Temperature Strugotine Korišćenjem Metoda Veštačke Inteligencije Modeling of The Chip Temperature by Artificial Intelligence Methods
Modeliranje Temperature Strugotine Korišćenjem Metoda Veštačke Inteligencije Modeling of The Chip Temperature by Artificial Intelligence Methods
MODELIRANJE TEMPERATURE
STRUGOTINE KORIŠĆENJEM
METODA VEŠTAČKE INTELIGENCIJE
MODELING OF THE CHIP
TEMPERATURE BY ARTIFICIAL
INTELLIGENCE METHODS
REZIME ABSTRACT
Temeratura rezanja je veoma bitan pokazatelj Cutting temperature is a very important indicator of
procesa obrade rezanjem. Matematičko modeliranje the metal cutting process. Due to a large number of
ovog parametra veoma je otežano, kako zbog influencing parameters, as well as unknown
velikog broja uticajnih faktora tako i zbog nepo- relationships among them, mathematical modeling
znavanja relacija koje među njima vladaju. U of this parameter is very complex. Nowdays, the
današnje vreme, pri rešavanju ovakvih problema sve artificial intelligence based systems are often used
češće se koriste sistemi zasnovani na veštačkoj inte- for solving this kind of problems. For the chip
ligenciji. U cilju modeliranja temperature strugotine temperature modeling, large number of experiments
izveden je veliki broj eksperimenata, pri različitim were carried out at different cutting conditions,
režimima obrade, pri čemu je temperatura merena while the temperature was measured using the
IC termovizijskom kamerom. Nakon akvizicije i infrared camera. After the acquisition and analysis
analize prikupljenih podataka formulisana je zavis- of the collected data, we have determined chip
nost temperature strugotine u funkciji režima reza- temperature depending on cutting regimes. In the
nja. U drugom delu rada izvršeno je modeliranje second phase, modeling of the obtained data was
dobijenih podataka korišćenjem tehnika veštačke performed using the artificial intelligence based
inteligencije: veštačkih neuronskih mreža i hibrid- methods: artificial neural networks, and hybrid,
nih, neuro-fazi sistema. Nakon modeliranja izvršeno neuro-fuzzy systems. Finally, testing and comparison
je testiranje i poređenje kreiranih modela, i na taj of the created models has been done, and results
način utvrđena podobnost njihove primene za show their suitability for solving the concrete
rešavanje konkretnih problema. problems.
Ključne reči: struganje, temperatura strugotine, Key words: metal cutting, chip temperature,
veštačke neuronske mreže, neuro-fazi sistemi artificial neural networks, neuro-fuzzy systems
ALAT
a) b)
Oko 90% generisane toplote odvede se sa stru- vim porastom povećava se i rezultujuća sila rezanja,
gotinom [3], dok se ostatak kondukcijom prenosi na a samim tim i temperatura zagrevanja. Korišćenjem
obradak i rezni alat. Determinisanje temperature re- sredstava za hlađenje i podmazivanje temperatura
zanja od velikog je značaja. Pored toga što visoka rezanja se redukuje na dva načina. Prvo, jedna koli-
temperatura ima uticaj na promene u strukturi mate- čina genersane toplote odvodi se direktno sa sred-
rijala koji se obrađuje (a samim tim i na kvalitet stvom za hlađenje, a drugo, ova sredstva utiču na
obrađene površine), ona utiče i na promene u struk- podmazivanje i smanjenje trenja između alata i ob-
turi materijala reznog alata, a takođe negativno utiče ratka, čime se temperatura rezanja takođe smanjuje.
i na habanje alata. Sa mašinske tačke gledišta najbit-
nija temperatura je maksimalna temperatura zagre-
vanja reznog alata. Korišćenjem infracrvene kamere 2. METODE MERENJA TEMPERATURE
ne može se direktno izmeriti ova temperatura, s REZANJA
obzirom da je grudna površina noža stalno zaklon-
jena strugotinom. Međutim, korišćenjem raznih Tokom proteklih decenija razvijen je veliki broj
interpolacionih formula, metoda numeričke analize metoda za merenje temperature rezanja. Ovde je dat
[4] ili metoda konačnih elemenata [5], moguće je, pregled najčešće korišćenih metoda.
znajući temperaturu na površini strugotine, izračuna- Termoparovi – Termoparovi su veoma često
ti raspored temperatura strugotine, kao i temperaturu korišćeni davači pri merenju temperature, s obzirom
reznog alata. Temperatura zagrevanja pojedinih na njihovu pouzdanost, pokrivanje širokog dijapa-
tačaka reznog alata, prikazana je na Slici 1. b) [6]. zona temperatura, a relativno su jeftini [7]. Kada se
Sa slike se vidi da je oblast maksimalnog zagrevanja dva različita metala dovedu u kontakt, tačka dodira
alata malo udaljena od rezne ivice što teoretski proizvodi mali napon, koji je srazmeran razlici tem-
odgovara oblasti maksimalnog habanja alata (odn. peratura metala koji su u dodiru. Ako za ova dva
oblast maksimalnog habanja alata poklapa se sa metala izaberemo alat i obradak ovaj termopar nazi-
oblašću maksimalnog zagrevanja). va se „termopar alat-obradak”. Ovakvi termoparovi
Mehaničke karakteristike obratka značajno uti- koriste se za merenje temperature na graničnoj pov-
ču na temperaturu rezanja, npr. što su veća zatezna ršini između alata i strugotine (obratka). Zona reza-
čvrstoća i tvrdoća materijala, veća je i sila koja se nja formira tzv. „vrući spoj”, koji proizvodi elek-
mora savladati prilikom obrade – dakle mora se tromotornu silu, dok alat i/ili obradak formiraju tzv.
utrošiti više rada, pa je i temperatura koja se razvija „hladni spoj”. Ovom tehnikom uglavnom se meri
pri obradi ovakvih materijala veća. Sa porastom srednja temperatura celokupne dodirne površine.
brzine rezanja smanjuju se sile rezanja, ali ovo sma- Kratkotrajna kolebanja temperature na ovaj način ne
njenje nije proporcionalno (primera radi, pri poveća- mogu se identifikovati. U slučaju da se javljaju na-
nju brzine rezanja za 500%, sila rezanja se smanji za slage na reznom klinu alata pri struganju (BUE),
21% [7]. Temperatura rezanja direktno zavisi od javlja se greška pri merenju temperature na ovakav
uglova strugarskog noža, kao i od radijusa zaoblje- način. Mane su još i te što se ne može koristiti sred-
nja vrha noža. Uglovi strugarskog noža definišu ve- stvo za hlađenje i podmazivanje, što i alat i obradak
ličinu i poziciju oblasti koja se maksimalno zagreva. moraju da budu od elektro provodljivih materijala i
Što se radijusa zaobljenja vrha noža tiče, sa njego- što je neopodna kalibracija sistema pri svakoj novoj
Korak
Obradak
Sistem za modeliranje podataka
Brzina
rezanja
Poređenje
modela
HRC 20 HRC 36
a[mm] a[mm]
T [°C ] T [°C ]
HRC 43 HRC 55
a[mm] a[mm]
⎛ r ⎞
yi = f (ai ) = f ⎜⎜ ∑ x j wi , j + bi ⎟⎟ (2)
⎝ j =1 ⎠
TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008) 7
Ovako dobijena izlazna veličina predstavlja ula- Osnovni cilj je minimizovanje funkcije perfor-
znu veličinu za neurone sledećeg nivoa neurona, ili manse, u ovom slučaju to je srednje kvadratna gre-
element izlaznog vektora veštačke neuronske mreže. ška (engl. mean squared error – mse) koja se računa:
Ulazni nivo svake od kreiranih neuronskih mre-
1 Q 1 Q
ža sastoji se od četiri neurona: (1) Tvrdoća materija-
la, (2) Brzina rezanja, (3) Korak i (4) Dubina reza-
mse = ∑ e (k )2
= ∑ (t (k ) − y (k ))2 (3)
Q k =1 Q k =1
nja, i samo jednog neurona u izlaznom nivou za pro-
računavanje temperature strugotine. Veštačke neu- gde su: Q – broj eksperimenata, e(k) – greška, t(k) –
ronske mreže mogu imati proizvoljan broj skrivenih željene vrednosti, y(k) – izlazne vrednosti
nivoa, kao i proizvoljan broj neurona u njima. Per- MATLAB programski paket je korišćen za mo-
formanse mreže zavise od broja nivoa, broja neurona deliranje pomoću veštačkih neuronskih mreža. Algo-
u njima, prelazne funkcije, prisustva „bias-a”, kao i ritam obučavanja korišćen u svim slučajevima je
od načina na koji su neuroni povezani. Nažalost, Levenberg-Marquardt algoritam, koji pokazuje naj-
eksplicitna pravila za pravilni izbor ovih parametara bolje rezultate u slučajevima aproksimacije nepozna-
ne postoje. U principu, izbor svih ovih parametara te funkcije (predikcije funkcije), dok je broj ciklusa
mreže u mnogome zavisi od ličnog znanja i iskustva. obučavanja 500. Neuroni ulaznog i skrivenih nivoa
U ovom radu kreirano je šest različitih neuronskih mreža imaju sigmoidnu prelaznu funkciju, dok neu-
mreža, sa različitim brojem skrivenih nivoa neurona roni izlaznog nivoa imaju linearnu prelaznu funkci-
i različitim brojem neurona u njima, sa ciljem mi- ju. Nakon faze obučavanja, veštačke neuronske
nimizovanja greške sa jedne strane ali i izbegavanja mreže su testirane. Skup od 122 izmerena podatka
overfitting-a (situacija u kojoj mreža gubi svoje os- (koji nisu korišćeni u fazi obučavanja) iskorišćen je
novno svojstvo – generalizaciju podataka) sa druge za testiranje kreiranih modela. Maksimalne i srednje
strane. Strukture kreiranih neuronskih mreža su: vrednosti grešaka prikazane su u Tabeli 1.
ANN 4-3-1 (jedan skriveni nivo sa 3 neurona); ANN Predikcija kreiranih neuronskih mreža, za skup
4-5-1 (jedan skriveni nivo sa 5 neurona); ANN 4-10- od 32 izmerena podatka (dobijenih merenjem tempe-
1 (jedan skriveni nivo sa 10 neurona); ANN 4-2-2-1 rature površine strugotine tokom obrade pripremka
(dva skrivena nivoa sa 2 i 2 neurona, respektivno); tvrdoće HRC 20) prikazan je na slici 6. Sa slike, kao
ANN 4-5-3-1 (dva skrivena nivoa sa 5 i 3 neurona, i iz tabele, može se zaključiti da neuronska mreža
respektivno) i ANN 4-10-5-1 (dva skrivena nivoa sa ANN 4-10-5-1 pokazuje najbolje performanse, pa će
10 i 5 neurona, respektivno). upravo ova mreža biti upoređena sa adaptivnim
neuro-fazi sistemom.
6. OSNOVI PRINCIPI ADAPTIVNIH šava određenu funkciju (funkcija neurona) nad ulaz-
NEURO-FAZI SISTEMA nim signalom pri čemu se u račun uzima i skup para-
Adaptivni neuro-fazi sistemi predstavljaju spe- metara koji je povezan sa dotičnim čvorom.
cifičnu kombinaciju veštačkih neuronskih mreža i Vrsta funkcije koju čvor izvodi može se razli-
fazi logike i na taj način objedinjuju sposbnost uče- kovati od jednog do drugog čvora, a izbor funkcije
nja veštačkih neuronskih mreža sa logičkom inter- svakog od čvorova zavisi od sveukupne ulazno-iz-
pretacijom koja je karakteristika fazi logike [15]. lazne funkcije koju mreža treba da simulira [17]. Ar-
Osnovno pravilo obučavanja adaptivnih mreža za- hitektura jednog neuro-fazi sistema (ANFIS – Ada-
sniva se na gradijentnoj metodi koju je sedamdesetih ptive Network Based Fuzzy Inference System) data
godina prošlog veka predložio Werbos [16]. je na slici 7.
Jedna adaptivna neuro-fazi mreža sastoji se od
više slojeva neurona (čvorova) a svaki od njih izvr-
Radi jednostavnosti pretpostaviće se da sistem nom na slici 7, baza pravila sastoji od dva fazi
ima samo dve ulazne veličine x i y (nivo 1), i jednu AKO-ONDA pravila (Takagi-Sugeno tipa), kao što
izlaznu veličinu z (nivo 5). Dalje, u slučaju prikaza- je to prikazano u nivou 2: