UDC: 621.91.
08:004 ORIGINALNI NAUČNI RAD
MODELIRANJE TEMPERATURE
STRUGOTINE KORIŠĆENJEM
METODA VEŠTAČKE INTELIGENCIJE
MODELING OF THE CHIP
TEMPERATURE BY ARTIFICIAL
INTELLIGENCE METHODS
Mr Dejan Tanikić1, Dr Miodrag Manić2, Dr Goran Devedžić3
1
Tehnički fakultet u Boru, Univerzitet u Beogradu
2
Mašinski fakultet Univerziteta u Nišu
3
Mašinski fakultet u Kragujevcu, Univerzitet u Kragujevcu
REZIME
Temeratura rezanja je veoma bitan pokazatelj
procesa obrade rezanjem. Matematičko modeliranje
ovog parametra veoma je otežano, kako zbog
velikog broja uticajnih faktora tako i zbog nepo-
znavanja relacija koje među njima vladaju. U
današnje vreme, pri rešavanju ovakvih problema sve
češće se koriste sistemi zasnovani na veštačkoj inte-
ligenciji. U cilju modeliranja temperature strugotine
izveden je veliki broj eksperimenata, pri različitim
režimima obrade, pri čemu je temperatura merena
IC termovizijskom kamerom. Nakon akvizicije i
analize prikupljenih podataka formulisana je zavis-
nost temperature strugotine u funkciji režima reza-
nja. U drugom delu rada izvršeno je modeliranje
dobijenih podataka korišćenjem tehnika veštačke
inteligencije: veštačkih neuronskih mreža i hibrid-
nih, neuro-fazi sistema. Nakon modeliranja izvršeno
je testiranje i poređenje kreiranih modela, i na taj
način utvrđena podobnost njihove primene za
rešavanje konkretnih problema.
Ključne reči: struganje, temperatura strugotine,
veštačke neuronske mreže, neuro-fazi sistemi
1. UVOD
Generisanje toplote u zoni rezanja javlja se kao
rezultat rada utrošenog na rezanje metala. Taj rad se
troši kako na plastično deformisanje reznog sloja,
tako i na savlađivanje trenja koje se javlja na
kontaktnoj površini alata i obratka [1]. Toplota gene-
risana u zoni formiranja strugotine, kao i na mestima
kontakta alata i strugotine (kao i alata i obratka),
direktno utiče na kvalitet obrađene površine, tačnost
i proizvodnost procesa obrade kao i na druge
fenomene koji se javljaju pri mašinskoj obradi
TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)
ABSTRACT
Cutting temperature is a very important indicator of
the metal cutting process. Due to a large number of
influencing parameters, as well as unknown
relationships among them, mathematical modeling
of this parameter is very complex. Nowdays, the
artificial intelligence based systems are often used
for solving this kind of problems. For the chip
temperature modeling, large number of experiments
were carried out at different cutting conditions,
while the temperature was measured using the
infrared camera. After the acquisition and analysis
of the collected data, we have determined chip
temperature depending on cutting regimes. In the
second phase, modeling of the obtained data was
performed using the artificial intelligence based
methods: artificial neural networks, and hybrid,
neuro-fuzzy systems. Finally, testing and comparison
of the created models has been done, and results
show their suitability for solving the concrete
problems.
Key words: metal cutting, chip temperature,
artificial neural networks, neuro-fuzzy systems
rezanjem (formiranje naslaga na reznom klinu alata
(engl. BUE – Built Up Edge), otvrdnjavanje obratka,
plastičnu deformaciju sečiva, gubljenje reznih
sposobnosti alata i njegovog zatupljenja, deformi-
sanje predmeta obrade, itd...) [2].
Struganje je najrasprostranjeniji metod obrade
skidanjem strugotine. Teorijski, pri struganju se ra-
zlikuju tri zone u kojima se generiše toplotna ener-
• zona rezanja (ravan smicanja)
gija (slika 1. a):
• zona kontakta alata i strugotine
• zona kontakta alata i obratka
3
 površina strugotine
STRUGOTINA
ALAT
Primarna zona zagrevanja
Sekunrdarna zona zagrevanja
OBRADAK
a)
Slika 1. a) Zone zagrevanja pri mašinskoj obradi struganjem
b) Raspored temperatura na reznom alatu
Oko 90% generisane toplote odvede se sa stru-
gotinom [3], dok se ostatak kondukcijom prenosi na
obradak i rezni alat. Determinisanje temperature re-
zanja od velikog je značaja. Pored toga što visoka
temperatura ima uticaj na promene u strukturi mate-
rijala koji se obrađuje (a samim tim i na kvalitet
obrađene površine), ona utiče i na promene u struk-
turi materijala reznog alata, a takođe negativno utiče
i na habanje alata. Sa mašinske tačke gledišta najbit-
nija temperatura je maksimalna temperatura zagre-
vanja reznog alata. Korišćenjem infracrvene kamere
ne može se direktno izmeriti ova temperatura, s
obzirom da je grudna površina noža stalno zaklon-
jena strugotinom. Međutim, korišćenjem raznih
interpolacionih formula, metoda numeričke analize
[4] ili metoda konačnih elemenata [5], moguće je,
znajući temperaturu na površini strugotine, izračuna-
ti raspored temperatura strugotine, kao i temperaturu
reznog alata. Temperatura zagrevanja pojedinih
tačaka reznog alata, prikazana je na Slici 1. b) [6].
Sa slike se vidi da je oblast maksimalnog zagrevanja
alata malo udaljena od rezne ivice što teoretski
odgovara oblasti maksimalnog habanja alata (odn.
oblast maksimalnog habanja alata poklapa se sa
oblašću maksimalnog zagrevanja).
Mehaničke karakteristike obratka značajno uti-
ču na temperaturu rezanja, npr. što su veća zatezna
čvrstoća i tvrdoća materijala, veća je i sila koja se
mora savladati prilikom obrade – dakle mora se
utrošiti više rada, pa je i temperatura koja se razvija
pri obradi ovakvih materijala veća. Sa porastom
brzine rezanja smanjuju se sile rezanja, ali ovo sma-
njenje nije proporcionalno (primera radi, pri poveća-
nju brzine rezanja za 500%, sila rezanja se smanji za
21% [7]. Temperatura rezanja direktno zavisi od
uglova strugarskog noža, kao i od radijusa zaoblje-
nja vrha noža. Uglovi strugarskog noža definišu ve-
ličinu i poziciju oblasti koja se maksimalno zagreva.
Što se radijusa zaobljenja vrha noža tiče, sa njego-
4 TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)
T
0,94T
0,88T
zona kontakta alata i strugotine 0,76T
zona kontakta alata i obratka
b)
vim porastom povećava se i rezultujuća sila rezanja,
a samim tim i temperatura zagrevanja. Korišćenjem
sredstava za hlađenje i podmazivanje temperatura
rezanja se redukuje na dva načina. Prvo, jedna koli-
čina genersane toplote odvodi se direktno sa sred-
stvom za hlađenje, a drugo, ova sredstva utiču na
podmazivanje i smanjenje trenja između alata i ob-
ratka, čime se temperatura rezanja takođe smanjuje.
2. METODE MERENJA TEMPERATURE
REZANJA
Tokom proteklih decenija razvijen je veliki broj
metoda za merenje temperature rezanja. Ovde je dat
pregled najčešće korišćenih metoda.
Termoparovi – Termoparovi su veoma često
korišćeni davači pri merenju temperature, s obzirom
na njihovu pouzdanost, pokrivanje širokog dijapa-
zona temperatura, a relativno su jeftini [7]. Kada se
dva različita metala dovedu u kontakt, tačka dodira
proizvodi mali napon, koji je srazmeran razlici tem-
peratura metala koji su u dodiru. Ako za ova dva
metala izaberemo alat i obradak ovaj termopar nazi-
va se „termopar alat-obradak”. Ovakvi termoparovi
koriste se za merenje temperature na graničnoj pov-
ršini između alata i strugotine (obratka). Zona reza-
nja formira tzv. „vrući spoj”, koji proizvodi elek-
tromotornu silu, dok alat i/ili obradak formiraju tzv.
„hladni spoj”. Ovom tehnikom uglavnom se meri
srednja temperatura celokupne dodirne površine.
Kratkotrajna kolebanja temperature na ovaj način ne
mogu se identifikovati. U slučaju da se javljaju na-
slage na reznom klinu alata pri struganju (BUE),
javlja se greška pri merenju temperature na ovakav
način. Mane su još i te što se ne može koristiti sred-
stvo za hlađenje i podmazivanje, što i alat i obradak
moraju da budu od elektro provodljivih materijala i
što je neopodna kalibracija sistema pri svakoj novoj
postavci. Takođe postoji i ograničenost korišćenja
ovog metoda u slučajevima da je obradak od lako
topljivog materijala.
Usađeni termoparovi – Radi poboljšanja perfor-
mansi prethodnog sistema koriste se termoparovi
koji se na specijalni način usađuju u rezne pločice i
na ovaj način mere temperaturu bilo u jednoj ili u
više tačaka istovemeno [2]. Ova metoda zahteva
bušenje potrebnog broja rupa u alatu (ili materijalu
koji se obrađuje) u koje se termoparovi smeštaju, a
radi preciznosti se temoparovi moraju postaviti što je
moguće bliže mestu čija se temperatura meri, što
svakako predstavlja nedostatke ovakvog načina
merenja temperature. Kitagawa [8] je iskoristio ovu
metodu za merenje temperature rezanja kako pri
obradi čelika tako i pri obradi raznih legura, a za
slučajeve obrade na strugu i na glodalici.
Metode zasnovane na zračenju (radijacijske
metode) – Ove metode obuhvataju metode kojima se
temperatura tačke ili cele površine meri bez direk-
tnog kontakta instrumenta i objekta čija se tempera-
tura meri. Pri merenju temperature tačke koristi se
infracrveni pirometar, dok se pri merenju tempera-
ture polja, odn. određene površine, (tzv. infracrvena
termografija) koriste specijalne termovizijske kame-
re koje su osetljive na zračenje tela koje se nalazi na
određenoj temperaturi [9]. Metode zasnovane na
zračenju imaju niz prednosti nad metodama zasno-
vanim na provođenju, među kojima su najznačajnije:
brži odziv sistema, odnosno mogućnost registro-
vanja skokovitih promena temperature, nema nega-
tivnog uticaja na materijal obratka i alat, nema fizič-
kog kontakta sistema i objekta čije se temperatura
meri, mogućnost merenja temperature objekata
kojima je teško prići itd... Pri merenju temperature
rezanja infracrvenom kamerom nepovoljna je okol-
nost ta što postoji mogućnost da strugotina svojim
položajem zakloni oblast čija se temperatura meri
[10]. Takođe se u mane ovakvog načina merenja
temperature može svrstati činjenica da je za merenje
neophodno poznavanje tačne vrednosti koeficijenta
emisije površine. U cilju izbegavanja ovog problema
površina koja se obrađuje može se prethodno
premazati slojem čiji je koeficijent emisije poznat
[7]. Koeficijent emisije zavisi od čistoće površine
čija se temperatura meri, postojanja sloja koji je
oksidirao, talasne dužine itd, i svaki od ovih faktora
uticaće na poremećaje u dobijanju validnih rezultata.
Metode zasnovane na metalurškim promenama
alata i/ili obratka – Pri korišćenju metoda koji
koriste metalurške promene alata i/ili obratka mere-
nje temperature podrazumeva analizu mikrostrukture
i/ili mikrotvrdoće oblasti čija se temperatura meri.
Za merenje temperature ovom metodom takođe su
potrebne krive kalibracije, kojima se predstavlja
TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)
zavisnost tvrdoće materijala u funkciji poznatih
metoda je u rangu ±25° [11].
temperatura i vremena zagrevanja. Tačnost ovakvog
Ostale metode – Od ostalih metoda za merenje
temperature rezanja treba pomenuti još i metode
koje koriste termoosetljive boje, tečne kristale, fine
prahove itd. Uglavnom su ove metode ograničene na
merenje vidljivih površina u specijalnim laborato-
rijskim uslovima [12].
U principu, ne postoje strogo definisana pravila
koju metodu treba koristiti u kojoj situaciji. Sa druge
strane visoka kompleksnost procesa obrade rezanjem
ne dozvoljva uvek komparaciju rezultata dobijenih
različitim metodama. Ovo se najbolje ilustruje činje-
nicom da se čak i rezultati dobijeni istom metodom,
za potpuno identične uslove eksperimenta, u izves-
noj meri razmimoilaze.
3. REALIZACIJA EKSPERIMENTA
Na slici 2 šematski je prikazan način povezi-
vanja komponenti i tok informacija jednog obradnog
sistema i sa njim povezanog informacionog sistema
u kome se vrši obrada dobijenih podataka. Strug
korišćen za ispitivanja i merenja nalazi se u Labora-
toriji za proizvodno mašinstvo na Mašinskom fakul-
tetu Univerziteta u Nišu. Materijal koji se obrađuje
je čelik, oznake Č 4732 koji spada u grupu legiranih,
valjanih, hladno vučenih čelika, zatezne čvrstoće
Rm=1050 [N/mm2]. Izvršena je obrada četiri termički
tretirana pripremka, sa izmerenim tvrdoćama od
su ∅45x250 [mm]. Obrada se vrši bez upotrebe sre-
HRC 20, 36, 43 i 55. Početne dimenzije pripremaka
dstava za hlađenje i podmazivanje jer bi, u protiv-
nom, ono ometalo direktno snimanje površine stru-
gotine. Između dva eksperimenta potrebno je napra-
viti pauzu, da bi se omogućilo hlađenje sistema do
sobne temperature.
Infracrvena termografija predstavlja korišćenje
IC termovizijske kamere u cilju merenja i prikaziva-
nja termalne energije koju neko telo zrači. Varioscan
high resolution je skenirajući termovizijski merni
sistem, za talasne dužine van vidljivog spektra od
8µm do 12µm, odnosno u oblasti infracrvenog zra-
čenja. Signal iz ovog spektra se pojačava, digitali-
zuje sa 16 bitova i vizualizuje u oblast vidljivog spe-
ktra sa rezolucijom od 8 bitova (256 boja), pri čemu
svaka boja na prikazanom termogramu (termovi-
zijskom snimku) predstavlja određenu temperaturu.
Temperaturna rezolucija sistema Varioscan je vrlo
visoka i iznosi 0,03K, a opseg merenja temperature
je od -40°C do +1200°C. Trenutna generacija Vari-
oscan high resolution kamera ima maksimalnu rezo-
luciju slike od 360x240 piksela. Na slici 3 prikazana
je postavka eksperimenta i dobijeni termogram.
5
 IC kamera
Temperatura strugotine

Korak

Obradak
Sistem za modeliranje podataka
Brzina
rezanja

STRUG ANN ANFIS

model model

Poređenje
modela

Slika 2. Šema povezivanja komponenti i tok informacija u sistemu

Slika 3. Postavka eksperimenta i termogram (V=125[m/s], s=0,196[mm/o] i a=2[mm])

U skladu sa preporukama proizvođača, kao i 4. REZULTATI EKSPERIMENTA

iskustvenim preporukama operatera iz industrije,
izabran je SANDVIK Coromant rezni alat koji se
sastoji od dva dela: držač noža PCLNR 32 25 P12 u
kombinaciji sa reznom pločicom CNMG 12 04 08
(oznaka 235).
Na početku procesa struganja, temperatura raste
dok ne dostigne neku maksimanu vrednost oko koje
U cilju modeliranja temperature površine
strugotine izveden je veći broj eksperimenata, pri
različitim režimima obrade. Pored preporučenih
podataka koji se dobijaju iz odgovarajuće literature,
iskustveno znanje od velike je važnosti za pravilan
izbor režima rezanja. Usvojeni promenljivi parame-

• Tvrdoća obratka HRC

varira za vreme procesa rezanja. Stoga je neophodno tri procesa obrade i njihove vrednosti su:

obrade [13]. Praćenjem ponašanja temperature

izvršiti merenje nakon izvesnog vremena po početku

• Brzina rezanja V [m/min]

(vrednosti: HRC 20; 36; 43 i 55)
termovizijskom kamerom, došlo se do zaključka da

• Korak rezanja s [mm/o]

je period od oko 60 sekundi dovoljan da se tempe- (vrednosti: 80; 95; 110; 125 i 140 [m/min])
ratura rezanja stabilizuje. Dobijeni termogrami
čuvaju se na memorijskoj kartici ili se direktno pro-
• Dubina rezanja a [mm]
(vrednosti: 0,071; 0,098; 0,196 i 0,321 [mm/o])
sleđuju povezanom računaru, gde se kasnije ana-
liziraju. Maksimalna temperatura koja se javlja na (vrednosti: 0,5; 1; 1,5 i 2 [mm])
površini strugotine je merodavni parametar u ovak-
voj postavci eksperimenta.

6 TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)

T [°C ]
HRC 20
T [°C ]
a[mm]
HRC 43
a[mm]
Slika 4. Temperatura površine strugotine u zavisnosti od dubine rezanja,
pri brzini rezanja V = 110 [m/min]
Neki od rezultata merenja dati su na slici 4. Sa
povećanjem dubine rezanja temperatura strugotine
raste (pri konstantnim ostalim parametrima), dok je
uticaj koraka na temperaturu rezanja izražen
naročito pri malim brzinama rezanja. Analizom
rezultata takođe se dolazi do zaključka da sa
povećanjem brzine rezanja (pri čemu su ostali
parametri konstantni) rastu i otpori rezanja, što za
posledicu ima povećanje temperature strugotine. Sa
povećanjem tvrdoće obrađivanog materijala, kao što
je i očekivano, raste i temperatura strugotine.
Ukupan broj izvedenih eksperimenata je 316, a
dobijeni podaci mogu se iskoristiti za modeliranje i
simulaciju (faktorni eksperiment, metoda konačnih
elemenata itd...). U novije vreme istraživanja idu u
pravcu korišćenja sistema zasnovanih na veštačkoj
inteligenciji (veštačke neuronske mreže, sistemi
zasnovani na fazi logici, genetički algoritmi..., kao i
kombinacija ovih sistema). U ovom radu, rezultati
dobijeni u prvoj fazi koriste se za modeliranje
temperature strugotine korišćenjem veštačkih neu-
ronskih mreža i adaptivnih neuro fazi sistema.
TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)
T [°C ]
HRC 36
T [°C ]
a[mm]
HRC 55
a[mm]
5. MODELIRANJE KORIŠĆENJEM
VEŠTAČKIH NEURONSKIH MREŽA
Veštačka neuronska mreža (engl. Artificial
Neural Network – ANN) je struktura koja za zadati
ulazni vektor I=[i1, i2, … , in], može da generiše
izlazni vektor O=[o1, o2, … , om] [14]. Neuronska
mreža sastoji se od većeg broja elementarnih
čvorova, koji se nazivaju neuronima. Na slici 5
šematski je predstavljen veštački neuron sa ulaznim
vektorom (koji ima r elemenata), kao i
karakteristična struktura veštačke neuronske mreže
bez povratnih sprega, sa k skrivenih nivoa.
Svaki ulazni element x1, x2, ..., xr množi se sa
odgovarajućom „težinom”, odnosno težinskim fakto-
rom w1,1, w1,2,..., w1,r. Neuron sumira te vrednsti i
dodaje tzv. „bias“ bi (konstantna veličina koja može,
ali ne mora da bude prisutna u mreži). Na ovaj način
dobija se argument prelazne funkcije u obliku:
ai = x1wi,1 + x2wi,2 +...+ xrwi,r + bi (1)
a neuron generiše izlaznu veličinu:
yi = f (ai ) = f ⎜⎜ ∑ x j wi , j + bi ⎟⎟ (2)
⎛ r ⎞
⎝ j =1 ⎠
7
 Ovako dobijena izlazna veličina predstavlja ula-
znu veličinu za neurone sledećeg nivoa neurona, ili
element izlaznog vektora veštačke neuronske mreže.
Ulazni nivo svake od kreiranih neuronskih mre-
ža sastoji se od četiri neurona: (1) Tvrdoća materija-
la, (2) Brzina rezanja, (3) Korak i (4) Dubina reza-
nja, i samo jednog neurona u izlaznom nivou za pro-
računavanje temperature strugotine. Veštačke neu-
ronske mreže mogu imati proizvoljan broj skrivenih
nivoa, kao i proizvoljan broj neurona u njima. Per-
formanse mreže zavise od broja nivoa, broja neurona
u njima, prelazne funkcije, prisustva „bias-a”, kao i
od načina na koji su neuroni povezani. Nažalost,
eksplicitna pravila za pravilni izbor ovih parametara
ne postoje. U principu, izbor svih ovih parametara
mreže u mnogome zavisi od ličnog znanja i iskustva.
U ovom radu kreirano je šest različitih neuronskih
mreža, sa različitim brojem skrivenih nivoa neurona
i različitim brojem neurona u njima, sa ciljem mi-
nimizovanja greške sa jedne strane ali i izbegavanja
overfitting-a (situacija u kojoj mreža gubi svoje os-
novno svojstvo – generalizaciju podataka) sa druge
strane. Strukture kreiranih neuronskih mreža su:
ANN 4-3-1 (jedan skriveni nivo sa 3 neurona); ANN
4-5-1 (jedan skriveni nivo sa 5 neurona); ANN 4-10-
1 (jedan skriveni nivo sa 10 neurona); ANN 4-2-2-1
(dva skrivena nivoa sa 2 i 2 neurona, respektivno);
ANN 4-5-3-1 (dva skrivena nivoa sa 5 i 3 neurona,
respektivno) i ANN 4-10-5-1 (dva skrivena nivoa sa
10 i 5 neurona, respektivno).
8 TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)
Osnovni cilj je minimizovanje funkcije perfor-
manse, u ovom slučaju to je srednje kvadratna gre-
ška (engl. mean squared error – mse) koja se računa:
∑ ( ) ∑ (t (k ) − y (k ))2
mse = =
1 Q 2 1 Q
e k (3)
Q k =1 Q k =1
gde su: Q – broj eksperimenata, e(k) – greška, t(k) –
željene vrednosti, y(k) – izlazne vrednosti
MATLAB programski paket je korišćen za mo-
deliranje pomoću veštačkih neuronskih mreža. Algo-
ritam obučavanja korišćen u svim slučajevima je
Levenberg-Marquardt algoritam, koji pokazuje naj-
bolje rezultate u slučajevima aproksimacije nepozna-
te funkcije (predikcije funkcije), dok je broj ciklusa
obučavanja 500. Neuroni ulaznog i skrivenih nivoa
mreža imaju sigmoidnu prelaznu funkciju, dok neu-
roni izlaznog nivoa imaju linearnu prelaznu funkci-
ju. Nakon faze obučavanja, veštačke neuronske
mreže su testirane. Skup od 122 izmerena podatka
(koji nisu korišćeni u fazi obučavanja) iskorišćen je
za testiranje kreiranih modela. Maksimalne i srednje
vrednosti grešaka prikazane su u Tabeli 1.
Predikcija kreiranih neuronskih mreža, za skup
od 32 izmerena podatka (dobijenih merenjem tempe-
rature površine strugotine tokom obrade pripremka
tvrdoće HRC 20) prikazan je na slici 6. Sa slike, kao
i iz tabele, može se zaključiti da neuronska mreža
ANN 4-10-5-1 pokazuje najbolje performanse, pa će
upravo ova mreža biti upoređena sa adaptivnim
neuro-fazi sistemom.
Tabela 1. Maksimalna i srednja vrednost greške različitih ANN modela
ANN 4-3-1 ANN 4-5-1 ANN 4-10-1 ANN 4-2-2-1
Maks. greška [%] 15.001 14.345 14.461
Srednja greška [%] 4.387 3.623 3.602
6. OSNOVI PRINCIPI ADAPTIVNIH
NEURO-FAZI SISTEMA
Adaptivni neuro-fazi sistemi predstavljaju spe-
cifičnu kombinaciju veštačkih neuronskih mreža i
fazi logike i na taj način objedinjuju sposbnost uče-
nja veštačkih neuronskih mreža sa logičkom inter-
pretacijom koja je karakteristika fazi logike [15].
Osnovno pravilo obučavanja adaptivnih mreža za-
sniva se na gradijentnoj metodi koju je sedamdesetih
godina prošlog veka predložio Werbos [16].
Jedna adaptivna neuro-fazi mreža sastoji se od
više slojeva neurona (čvorova) a svaki od njih izvr-
Radi jednostavnosti pretpostaviće se da sistem
ima samo dve ulazne veličine x i y (nivo 1), i jednu
izlaznu veličinu z (nivo 5). Dalje, u slučaju prikaza-
TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)
ANN 4-5-3-1 ANN 4-10-5-1
22.504 24.218 14.236
5.615 4.114 3.229
šava određenu funkciju (funkcija neurona) nad ulaz-
nim signalom pri čemu se u račun uzima i skup para-
metara koji je povezan sa dotičnim čvorom.
Vrsta funkcije koju čvor izvodi može se razli-
kovati od jednog do drugog čvora, a izbor funkcije
svakog od čvorova zavisi od sveukupne ulazno-iz-
lazne funkcije koju mreža treba da simulira [17]. Ar-
hitektura jednog neuro-fazi sistema (ANFIS – Ada-
ptive Network Based Fuzzy Inference System) data
je na slici 7.
nom na slici 7, baza pravila sastoji od dva fazi
AKO-ONDA pravila (Takagi-Sugeno tipa), kao što
je to prikazano u nivou 2:
9
Pravilo 1: AKO x je A1 I y je B1,
ONDA f1 = p1x + q1y + r1
Pravilo 2: AKO x je A2 I y je B2,
ONDA f2 = p2x + q2y + r2
Prvi deo fazi pravila (koji se nalazi iza AKO)
naziva se premisa, dok se drugi deo pravila (iza
ONDA) naziva konsekvent. Iz arhitekture ANFIS
sistema može se zaključiti da se za zadate vrednosti
parametara premise izlazna veličina može predstaviti
kao linearna kombinacija parametara konsekventa
[18]. Matematički se ovo može predstaviti na sledeći
način:
f = f1 + f 2 = w1 f1 + w2 f 2 =
w1 w2
w1 + w2 w1 + w2
( ) ( ) ( ) ( )
= w1 x p1 + w1 y q1 + w1 r1 + w2 x p2 +
+ (w y )q + (w )r
(4)
2 2 2 2
Za modeliranje pomoću hibridnog neuro-fazi si-
stema takođe je korišćen MATLAB prgramski
paket.
ANFIS sistem ima sledeće parametre: broj fun-
kcija pripadnosti svake ulazne veličine je 3, ulazne
funkcije pripadnosti su u obliku zvona, korišćen je
hibridni metod optimizacije, a broj ciklusa obučava-
8. ZAKLJUČAK
U prvoj fazi ovog rada izvršeno je merenje
temperature površine strugotine IC termovizijskom
kamerom. Direktno merenje maksimalne temprature
zagrevanja vrha noža nije moguće izvesti ovom
metodom zbog kontinualnog prisustva strugotine na
10
nja je 300. Identični skup od 316 izmerenih podataka
koristi se za obučavanje sistema, dok se preostali
skup od 122 podatka koristi za testiranje sistema.
Maksimalna greška modela, dobijena u fazi testira-
nja iznosi 13,439%, dok je srednja vrednost greške
4,319%.
7. REZULTATI I POREĐENJE KREIRANIH
MODELA
Testiranje kreiraih modela izvedeno je na skupu
od 122 ulazno-izlazna podatka, koji sistemima nisu
predstavljeni u fazi obuke. Sa adaptivnim neuro-fazi
modelom poredi se reprezentativni predstavnik ve-
štačkih neuronskih mreža, tj. ANN 4-10-5-1.
Na slici 8 prikazan je deo rezultata testiranja
ovih modela (rezultati merenja i modeliranja poda-
taka koji su dobijeni obradom pripremka tvrdoće
HRC 20). U Tabeli 2 date su maksimalne i srednje
vrednosti grešaka dobijenih testiranjem pomenutih
modela.
Tabela 2. Maksimalne i srednje vrednosti grešaka
kreiranih modela
ANN ANFIS
Maks. greška [%] 14.236 13.439
Srednja greška [%] 3.229 4.319
grudnoj površini alata. Znajući debljinu reznog sloja
i raspored temperatura na površini strugotine ovu
temperaturu je moguće proračunati. Međutim, cilj
ovog rada je ispitivanje mogućnosti korišćenja
sistema zasnovanih na veštačkoj inteligenciji u cilju
modeliranja temperature, pa je kao pokazatelj usvo-
jena izmerena temperatura površine strugotine. Na
TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)
osnovu analize izmerenih podataka utvrđene su
zavisnosti koje vladaju između ulaznih i odgova-
rajućih izlaznih veličina. U sledećoj fazi, koristeći
podatke dobijene eksperimentalnim putem i koristeći
sisteme zasnovane na veštačkoj inteligenciji, prakti-
čno je izvršeno modeliranje zadatog sistema, odn.
moguće je predvideti odziv sistema za neke nepo-
znate vrednosti ulaznih parametara. Rezultati testira-
LITERATURA
[1] M. B. da Silva, J. Wallbank, Cutting tempera-
ture: prediction and measurement methods – a
review, Journal of Materials Processing Tec-
hnology 88 (1999), 195-202
[2] T. Childs, K. Maekawa, T. Obikava, Y. Yama-
ne, Metal machining – theory and applications,
Arnold, a member of the Hodder Headline
Group, 338 Euston Road, London NW1 3BH
Great Britain, 2000
[3] Y. Dogu, E. Aslan, N. Camuscu, A numerical
model to determine temperature distribution in
orthogonal metal cutting, Journal of Materials
Processing Technology 171 (2006), 1–9
[4] S.P.F.C. Jaspers, J.H. Dautzenberg, D.A.
Taminiau, Temperature Measurement in Ortho-
gonal metal Cutting, International Journal of
Advanced Manufacturing Technology, 14
(1998), 7-12
[5] E.-G. Ng, D.K. Aspinwall, D. Brazil, J.
Monaghan, Modelling of temperature and
steel, International Journal of Machine Tools &
forces when orthogonally machining hardened
Manufacture 39 (1999), 885-903
[6] V. Arshinov, G. Alekseev, Metal cutting theory
and cutting tool design, Mir Publishers, Mos-
cow, 1979
[7] D. O’sullivan, M. Cotterell, Temperature mea-
surement in single point turning, Journal of
Materials Processing Technology 118 (2001),
301-308
[8] T. Kitagawa, A. Kubo, K. Maekawa, Tempera-
ture and wear of cutting tools in high speed
machining of Inconel 718 and Ti-6Al-6V-2Sn,
Wear 202 (1997), 142–148
[9] N.A. Abukhshim, P.T. Mativenga, M.A. Sheikh,
Heat generation and temperature prediction in
TEHNIČKA DIJAGNOSTIKA (BROJ 4 • 2008)
nja pokazuju da oba modela (veštačke neuronske
mreže i adaptivni neuro fazi sistemi) mogu veoma
uspešno da se iskoriste u cilju modeliranja tempera-
ture strugotine. Poznavanje i modeliranje pokaza-
telja procesa obrade rezanjem mogu da pomognu pri
optimalnom vođenju procesa, što ima pozitivni uti-
caj na smanjenje troškova i poboljšanje rentabilnosti
proizvodnje.
metal cutting: A review and implications for
Machine Tools & Manufacture 46 (2006), 782-
high speed machining, International Journal of
800
[10] H.-T. Young, Cutting temperature responses to
flank wear, Wear 2001 (1996), 117-120
[11] P.K. Wright, Correlation of tempering effects
with temperature distribution in steel cutting
tools, Journal of Eng. Ind. 100 (1978),131-136
[12] W.-J. Yang, Heat transfer and life of metal
cutting tools in turning, Int. J. Heat Mass
Transfer., vol. 41, no.3, (1998), 613-623
[13] P. Kwon, T. Schiemann, R. Kountanya, An
inverse scheme to measure steady-state tool-
chip interface temperatures using an infrared
& Manufacture 41 (2001), 1015-1030
camera, International Journal of Machine Tools
[14] M. Santochi, G. Dini, Use of neural networks in
automated selection of technological parame-
ters of cutting tools, Computer Integrated Ma-
nufacturing Systems, Vol. 9, No. 3, (1996),
137-148
[15] B. Sick, On-line and indirect tool wear monito-
ring in turning with artificial neural networks:
a review of more then a decade of research,
Mechanical Systems and Signal Processing,
vol.16, no.4, (2002), 487-546
[16] P. Werbos, Beyond regression: New tools for
prediction and analysis in the behavioral
sciencies, PhD thesis, Harvard University, 1974
[17] J. S. R. Jang, ANFIS: Adaptive-Network-Based
Fuzzy Inference System, IEEE Trans. On
Systems, Man and Cybernetics, vol.23, no.3,
(1993), 665-685
[18] J. Jantzen, Neurofuzzy modelling, Tech. Univ.
of Denmark, Dep. of Automation, Bldg 326,
DK-2800 Lyngby, Denmark, Tech. report no.
98-H-874 (nfmod), 1998
11