1
A. GIỚI THIỆU VỀ LUẬN ÁN
1. Tên đề tài: “Ứng dụng phương pháp trí tuệ nhân tạo và phân tích
Taguchi để xác định chế độ cắt tối ưu khi gia công trên máy phay CNC”
2. Cơ sở để lựa chọn đề tài
Quá trình gia công cơ khí ngày nay hướng tới gia công đạt độ chính xác
cao và nâng cao hiệu quả sử dụng thiết bị. Các hệ máy gia công sử dụng hệ
điều khiển số là xu hướng phát triển tất yếu trong sản xuất công nghiệp. Với
ưu thế về độ chính xác gia công và năng suất gia công cao nên máy CNC được
ứng dụng rất rộng dãi và phổ biến.
Đối với một hệ thống công nghệ nhất định, năng suất hay chất lượng bề
mặt phụ thuộc chủ yếu vào chế độ cắt được cài đặt. Điều khiển các thông số
chế độ cắt là phương pháp cơ bản và hiệu quả để kiểm soát chất lượng gia
công, nâng cao hiệu quả sử dụng thiết bị. Do đó, cài đặt chế độ cắt hợp lý hay
tối ưu để nâng cao năng suất gia công, chất lượng gia công là điều kiện cần
cho quá trình gia công cơ khí. Trong một môi trường gia công luôn tồn tại các
yếu tố không điều khiển được (yếu tố nhiễu) làm giảm chất lượng gia công.
Mặt khác, quá trình cài đặt các thông số công nghệ không phải lúc nào
cũng cài đặt chính xác như mong muốn hay quá trình thu nhận các thông tin
sau khi gia công cũng bị ảnh hưởng của các yếu tố nhiễu làm những thông tin
có được gần với giá trị giá trị thực ở một mức độ tin cậy nhất định. Phương
pháp phân tích thực nghiệm Taguchi được ứng dụng ngày càng phổ biến và
cho phép đánh giá mức độ ảnh hưởng đó.
Ngày nay, khoa học trí tuệ nhân tạo đã mô phỏng quá trình thu nhận, xử lý
thông tin của bộ não người và cơ chế tối ưu trong tự nhiên. Quá trình nghiên
cứu, ứng dụng khoa học trí tuệ nhân tạo trong các lĩnh vưc đạt được nhiều
thành công.
Từ những nghiên cứu về qui trình xác định chế độ công nghệ tối ưu hiện
đang được sử dụng phổ biến và trên cơ sở phân tích, ứng dụng khoa học trí tuệ
nhân tạo cũng như kỹ thuật phân tích Taguchi để đưa ra một cách tiếp cận mới
xác định chế độ cắt tối ưu cho độ chính xác dự đoán cao hơn.

Phương pháp nghiên cứu chung là kết hợp nghiên cứu lý thuyết với nghiên
cứu thực nghiệm
5. Ý nghĩa khoa học và thực tiễn của đề tài
- Làm phong phú thêm lý thuyết trong qui hoạch thực nghiệm và xử lý dữ liệu
thực nghiệm, quá trình tối ưu hóa các thông số công nghệ trong điều kiện tại
Việt Nam
- Đưa trí tuệ nhân tạo vào kỹ thuật điều khiển thông số công nghệ gia công cơ
khí
- Đưa phương pháp Taguchi vào trong thiết kế thực nghiệm và tính toán mức
độ ảnh hưởng của thông số công nghệ đến năng suất và chất lượng bề mặt.
6. Những đóng góp mới
- Ứng dụng giải pháp trí tuệ nhân tạo và phân tích Taguchi thiết lập mối quan
hệ thực nghiệm giữa chế độ cắt với chất lượng bề mặt, năng suất gia công,
lực cắt, độ mòn dụng cụ và xác định chế độ cắt tối ưu khi phay thép SKD11
và SKD61.
- Xây dựng phần mềm BK-CTMNET dự đoán mối quan hệ thực nghiệm cho
độ chính xác cao và tính toán các thông số công nghệ tối ưu phục vụ trong
nghiên cứu và sản xuất.
7. Cấu trúc luận án
3
Luận án trình bày trong 151 trang, ngoài phần mở đầu, kết luận, kiến nghị,
luận án gồm 4 chương: Chương 1. Tổng quan về ảnh hưởng một số yếu tố
công nghệ đến năng suất và chất lượng bề mặt, phương pháp xác định chế độ
cắt tối ưu khi gia công trên máy phay CNC; Chương 2. Giải pháp trí tuệ nhân
tạo và ứng dụng; Chương 3. Phương pháp xác định chế độ cắt tối ưu khi gia
công trên máy phay CNC; Chương 4. Xây dựng mô hình toán học bằng thực
nghiệm giữa chế độ cắt với các thông số công nghệ và xác định chế độ cắt tối
ưu trên máy phay CNC.
B. NỘI DUNG LUẬN ÁN
Chương 1: Tổng quan về ảnh hưởng một số yếu tố công nghệ đến năng

4
Đối với mô hình truyền thống để nâng
cao độ chính xác khi xác định chế độ công
nghệ tối ưu ngoài yếu tố cố định (hệ thống
công nghệ, thu thập dữ liệu) thì tồn tại ở 2
khâu quyết định chính là xác định mối quan
hệ thực nghiệm và phương pháp giải bài
toán tối ưu. Tuy nhiên 2 khâu này lại có tính
linh hoạt và mềm dẻo nên có thể thay đổi
được trong chuỗi quá trình trên và các
phương pháp truyền thống hiện nay đang
được sử dụng tập trung vào một số giải pháp
1.3.1 Mô hình xác định mối quan hệ thực
nghiệm
Hiện nay mối quan hệ thực nghiệm được
xác định phổ biến bằng 2 phương pháp: bình
phương cực tiểu và hồi qui thực nghiệm
a) Phương pháp bình phương cực tiểu
Phương pháp có khả năng xử lý với mọi
bộ dữ liệu nên kết quả đưa ra phù hợp với
thực nghiệm.Trong quá trình tính toán, do
thực hiện phép tổng các giá trị thực nghiệm
bậc lẻ nên có thể giản các sai số ngẫu nhiên
trong quá trình thí nghiệm mà không quản lý
được. Phuơng pháp bình phương cực tiểu, do
bản chất của nó là nội suy một đường (mặt)
để đạt một chỉ tiêu nào đó, nên có sai số
phương pháp. Tuy nhiên Nhược điểm lớn
nhất của phương pháp này đòi hỏi một lượng
lớn các phép tính toán. Nếu thực hiện tính


Thành lập bài toán tối ưu: hàm
mục tiêu, các điều kiện biên.

Kết thúc

Thực nghiệm và kiểm tra

5
lượng không nhỏ thí nghiệm kiểm tra tính đồng nhất, sau khi tiến hành những
kết quả này lại không đưa vào trong công thức cuối cùng cần đạt được. Như
vậy làm giảm tính kinh tế và tính chính xác của phương pháp. Do tiến hành
một số ít thí nghiệm nên không thể tìm ra những điểm khác biệt, những vấn đề
mới mà một quá trình thí nghiệm đòi hỏi. Nếu không thực hiện nhiều thí
nghiệm thì không thể tìm ra một quy luật đã đúng trong một giới hạn hẹp dữ
liệu đầu vào. Phương pháp quy hoạch thực nghiệm nên áp dụng với dữ liệu
cách đều nhau.
1.3.2 Mô hình xác định chế độ công nghệ tối ưu
Bài toán tối ưu được thiết lập dựa vào mục đích của người làm công nghệ.
Thông thường mục đích cuối cùng cần tìm ra chế độ công nghệ tối ưu hoặc
chế độ công nghệ hợp lý để mở rộng khả năng công nghệ trên thiết bị. Quá
trình này thường có 2 bước bao gồm thành lập bài toán tối ưu và giải bài toán
tối ưu. Bài toán tối ưu được thiết lập khi xác định rõ hàm mục tiêu và định các
giới hạn biên. Giải bài toán tối ưu hiện nay sử dụng các phương pháp truyền
thống như: phương pháp Lagrang, Golden section, Karush-Kuhn-Tucker
(KKT), Quasi-Newton những phương pháp này có nhược điểm lâu hội tụ
đặc biệt với những bài toán có nhiều biến đầu vào. Hiện nay các phương pháp
trên được số hóa trong một số phần mềm. Mặt khác cũng có một số phương
pháp sử dụng trí tuệ nhân tạo như: phương pháp GA với các dạng biến thể
MOSGA, NAGAI, NAGAII

vậy một phương pháp xác
định mối quan hệ thực
nghiệm mà không ước lượng
được mức độ ảnh hưởng của
nhiễu sẽ khó xác định được
mối quan hệ thực nghiệm đó
có phản ánh được bản chất
của mối quan hệ giữa các
thông số công nghệ đến yếu
tố đầu ra hay không. Nếu ước
lượng được mức độ của
nhiễu lên kết quả đầu ra có
thể quyết định tiếp tục thực
hiện tìm hàm hồi qui thực nghiệm hay dừng lại để tiến hành thí nghiệm lại với
việc cải thiện điều kiện thí nghiệm. Các phương pháp truyền thống hiện nay ít
quan tâm đến vấn đề này và do đó đã làm hạn chế khả năng dự đoán chính xác
và phản ánh bản chất của mối quan hệ thực nghiệm.
Thực chất đối với người làm công nghệ cơ khí không nhất thiết lúc nào
cũng phải tối ưu cả 3 biến V, S, t mà các biến này phụ thuộc vào từng giai
đoạn công nghệ cụ thể (gia công thô, tinh). Do vậy cần có cách tiếp cận phân
tích mức độ ảnh hưởng của từng yếu tố chế độ công nghệ đến đầu ra, trên cơ
sở đó quyết định nên sử dụng những yếu tố nào để thay đổi khi đó mới đưa
biến vào bài toán tối ưu. Nếu một yếu tố ảnh hưởng đến đầu ra ít thì việc tham
gia điều khiển yếu tố đó không có giá trị kinh tế cao trong khi cài đặt và tính
toán giá trị cho yếu tố đó mất nhiều thời gian và tài chính.
Từ những phân tích trên thấy rằng mô hình hiện nay thiết lập hàm quan hệ
thực nghiệm và tính toán chế độ công nghệ tối ưu còn hạn chế, đặc biệt trong
tương lai yêu cầu về độ chính xác ngày càng khắt khe. Do đó cần có một cách
tiếp cận mới làm tăng khả năng dự đoán mối quan hệ thực nghiệm, đánh giá
được ảnh hưởng của nhiễu và các yếu tố thông số công nghệ đến hàm mục

Antt
Aitt
yitt
yido
xi
7
tồn tại đã được phân tích. Trí tuệ nhân tạo là ngành khoa học mới được phát
triển mạnh mẽ trong những năm gần đây, hiệu quả ứng dụng trí tuệ nhân tạo
trong các lĩnh vực phụ thuộc vào khả năng ứng dụng và mức độ ứng dụng của
người thực hiện. Hiện nay tại Việt Nam những nghiên cứu về ứng dụng trí tuệ
nhân tạo vào trong tối ưu hóa quá trình gia công cơ khí rất hạn chế, chưa được
quan tâm và phát triển. Tuy nhiên ứng dụng khoa học trí tuệ nhân tạo trong
lĩnh vực tối ưu quá trình gia công cơ khí đang được nghiên cứu mạnh mẽ tại
các nước phát triển như đã được phân tích ký trong luận án.

KẾT LUẬN CHƯƠNG 1
- Khảo sát các chỉ tiêu đánh giá chất lượng gia công và năng suất gia công.
- Xác định các yếu tố công nghệ ảnh hưởng đến chất lượng bề mặt, năng
suất gia công, mòn dụng cụ khi phay: vận tốc cắt, lượng tiến dao, chiều sâu
cắt trên cơ sở đó thấy rằng điều khiển các thông số chế độ cắt là phương
pháp cơ bản và hiệu quả để kiểm soát chất lượng gia công, nâng cao hiệu
quả sử dụng thiết bị.
- Khảo sát các ưu điểm, nhược điểm của các phương pháp truyền thống xác
định mối quan hệ thực nghiệm và tìm thông số chế độ cắt tối ưu trong gia
công cơ khí trên cơ sở đó đề xuất phương pháp tiếp cận mới xây dựng hàm
quan hệ thực nghiệm và xác định thông số chế độ cắt tối ưu chính xác hơn,
đem lại hiệu quả khai thác thiết bị và đảm bảo chất lượng gia công.

Chương 2: GIẢI PHÁP TRÍ TUỆ NHÂN TẠO VÀ ỨNG DỤNG
2.1 Phương pháp trí tuệ nhân tạo

cần xác định các thông
số hệ thống để đảm bảo
mối quan hệ có mức độ
chính xác mong muốn
2.3 Logic mờ
Lôgic mờ ( Fuzzy logic) được phát triển từ lý thuyết tập mờ để thực hiện
lập luận một cách xấp xỉ. Trong các bài toán kĩ thuật cũng như trong các bài
toán thực tế tồn tại những biến số không thể định lượng chính xác được bởi
vậy mô hình tính toán bằng logic mờ các đại lượng sẽ được mờ hóa. Tập mờ
và lôgic mờ đã dựa trên các thông tin không đầy đủ về đối tượng để điều khiển
đầy đủ về đối tượng một cách chính xác.
2.4 Mạng mờ nơron
Logic mờ dựa trên sự suy luận của con người lên quá trình suy luận sẽ
tường minh, rõ ràng giữa các dữ liệu vào và ra, nhưng nhược điểm của logic
mờ là không có khả năng học. Dựa trên cơ sở ưu nhược điểm của cả mạng
nơron và logic mờ để kết hợp tạo hệ mờ nơron.
2.4.1 Mô hình mạng mờ nơron
Trên cơ sở mô hình toán học của hệ mờ và mạng nơron xây dựng mô hình
toán học cho hệ mờ nơron với các thành phần cơ bản như hình 2.8 với cấu trúc
gồm 6 lớp.
X
1
=V

X
2
=S

X
3


R
z

FW
ij


ij

r
ij

Bias lớp ẩn 1

Bias lớp ẩn 2

Bias lớp ra

Hình 2.4 Mô hình mạng nơ ron nhân tạo

9

2.1 Trí tuệ nhân tạo tiến hóa
Thuật toán tiến hóa thường tập trung vào việc mô phỏng quá trình tiến hóa
trong tự nhiên của các sinh vật để thông qua đó tìm kiếm cơ chế hay qui trình
tìm nghiệm tối ưu, còn Thuật toán trí tuệ bầy đàn thì cố gắng xem xét các hệ

trình xác định chế độ cắt tối ưu như hình 3.1 bao gồm các bước.

3.2 Ứng dụng mạng mờ nơron và giải thuật ABC xác định mối quan hệ thực

Thiết kế ma trận thí
nghiệm trực giao Taguchi
Thực nghiệm và thu thập
dữ liệu
Thiết lập quan hệ thực
nghiệm: mạng mờ nơ ron,
giải thuật lan truyền
ngược kết hợp ABC

Thành lập bài toán tối ưu
Giải bài toán tối ưu: sử
dụng giải thuật trí tuệ bầy
đàn ABC
In và lưu kết quả tối ưu
Kết thúc
Xác định biến để giải bài
toán tối ưu
11
có thể xảy ra tại một số điểm nào đó trong bộ dữ liệu sẽ có sai lệch giữa giá trị
kết xuất ra bởi mạng và giá trị thực là lớn. Nó không phản ánh được độ tập
trung của sai số hay phân tán của sai số. Mong muốn sai lệch cho các điểm dữ
liệu phải nhỏ và các sai lệch đó không được phân tán quá rộng. Nếu phân tán
quá rộng thì độ chênh lệch giữa sai số lớn nhất và nhỏ nhất rất lớn gây ra độ
chính xác dự đoán mối quan hệ cũng không cao. Ngược lại ưu điểm khi dùng

Số lượng ong thợ trong quần thể bầy ong cũng chính là số lượng nghiệm sử
dụng để khám phá nghiệm tối ưu. Ong giám sát tại trung tâm trao đổi thông tin
đón nhận thông tin từ ong thợ đưa về, so sánh lượng mật hoa tại các nguồn
thức ăn và sẽ ra quyết định chọn nguồn mật để khai thác tiếp theo căn cứ độ
giàu có của nguồn mật. Nguồn mật càng giàu có thì càng có cơ hội được chọn
để khai thác. Ong tìm kiếm là ong sẽ đi theo một hướng bất kỳ để tìm nguồn
thức ăn mới và khi tìm thấy nguồn thức ăn mới thì con ong này sẽ biến thành
ong thợ.
12
Qui trình tìm mật hoa được sử dụng để tìm
nghiệm tối ưu cho bài toán tối ưu. Với lý
thuyết qui trình tìm kiếm mật hoa của đàn
ong nhưng ứng dụng nó để thành giải thuật
thì tùy vào mục đích và mức độ phức tạp
của bài toán để thiết lập gải thuật cho tối ưu
về chiến lược thời gian thực khi thực hiện
thuật toán. Thuật toán ABC có khả năng
làm hội tụ chính xác và không bị chết tại
các điểm cục bộ địa phương. Do vậy để đảm
bảo chiến lược thời gian và độ chính xác khi
xác định mô hình toán học mạng kết hợp hai
giải thuật. Giải thuật ABC sẽ tìm tham số hệ
thống ban đầu cho giải thuật lan truyền
ngược. Quá trình kết hợp này sử dụng ưu
điểm của cả 2 giải thuật.
3.2.3 Qui trình xác định mối quan hệ thực
nghiệm

Hình 3.11 thể hiện sơ đồ thuật toán xác
định mối quan hệ thực nghiệm. Tham số hệ

và dữ liệu kiểm tra Nạp dữ liệu vào luyện
mạng mờ nơron Huấn luyện mạng tìm bộ
tham số hợp lý In và lưu trữ bộ
tham số tốt nhất Kết thúc 13
Phương pháp Taguchi thiết kế
đánh giá mức độ ảnh hưởng của các
yếu tố chính trong quá trình làm việc
và các yếu tố nhiễu tác động làm sai
lệch kết quả mong muốn đầu ra. Bản
chất của quá trình thu nhận được các
giá trị đầu ra quan tâm bị ảnh hưởng
bời nhiễu nên giá trị đầu ra thực y
i

phân bố xung quanh giá trị trung bình

Phân tích Taguchi đã xác định được mức độ ảnh hưởng của từng thông số
chế độ cắt đến đầu ra. Những yếu tố ảnh hưởng nhiều và trên mức ý nghĩa
được chọn để điều khiển, như vậy quá trình điều khiển sẽ hiệu quả hơn và
kinh tế hơn.
3.4.3 Giải thuật ABC giải bài toán tối ưu năng suất gia công
Hình 3.13 ảnh hưởng của độ nhiễu
lên kết quả ra tính theo tỷ số S/N

y
tb1
y
tb2
y
0
Giá trị đầu ra

MSD
1
(S/N)
1
MSD
2
(S/N)
2
MSD
1
> MSD
2
(S/N)
1

0
; vector x
j
=(S
j
, t
j
, V
j
); S
j
=S
min
+r
sj
.(S
max
-S
min
); tương tự với t
j
,
V
j
; S
min
≤S
j
≤S
max

j
+r
sj
.(S
j
-S
k
),
r
sj
= Random[-1,1]; S
min
≤ S
j
’≤S
max
. Kiểm tra 9 điều kiện biên gi, kiểm tra hàm
mục tiêu Q(x
j
)≤Q(x
j
‘) lấy x
j
’, ngược lại dữ nguyên x
j

Đánh giá độ tốt-xấu của nghiệm: tính Q(x

VÀ XÁC ĐỊNH CHẾ ĐỘ CẮT TRÊN MÁY PHAY CNC
4.1 Mô hình thí nghiệm
Nghiên cứu quá trình gia công phay CNC bằng thực nghiệm nhằm xây
dựng các mô hình toán học mô tả mối quan hệ giữa các đại lượng đầu ra với
các đại lượng đầu vào của quá trình, trên cơ sở đó xác định được bộ thông số
chế độ cắt tối ưu
4.1.1 Sơ đồ thí nghiệm
. 4.2 Xây dựng qui hoạch thí nghiệm
4.2.1 Xây dựng bảng thí nghiệm Trực giao Taguchi
Các dữ liệu cần thí nghiệm theo Tagichi được sắp xếp vào một bảng dưới
dạng một ma trận trực giao gọi là bảng trực giao (Orthogonal array: OA).
Bảng OA thiết kế số lượng thí nghiệm ít nhất nhưng đạt được lượng thông tin
nhiều nhất với miền giá trị khảo sát sử dụng bảng trực giao OA
25
(6

Tab dữ liệu, học
mạng, kết quả, đồ thị, tối
ưu chế độ cắt, Taguchi
phân tích. Phần mềm vừa
thiết lập các mối quan hệ
thực nghiệm với phương
pháp mạng mờ nơ ron sử
dụng giải thuật ABC kết
hợp lan truyền ngược xác
định tham số hệ thống
mạng. Giải thuật ABC để
xác định chế độ cắt tối ưu
cũng như các phân tích
thực nghiệm Taguchi.
4.4 Xác định mối quan hệ thực nghiệm bằng mạng mờ nơ ron
4.4.1 Xác định mối quan hệ
giữa chế độ cắt và các
thông số đầu ra khi cắt
thép SKD11
4.4.1.1 Xác định quan hệ thực
nghiệm giữa chế độ
cắt và độ nhám
a) Quan hệ giữa chế độ cắt
và độ nhám bề mặt Rz
Sử dụng phần mềm BK-
CTMNET thiết lập mối quan
hệ thực nghiệm giữa chế độ cắt
và độ nhám bề mặt Rz. Đồ thị
hình 4.12 thể hiện giá trị kết
xuất bởi mạng luôn bám sát giá

công thức (4.1) Sai số trung bình 65 bộ dự đoán theo phương pháp truyền
thống là 
tb
=7.18% độ phân tán sai số là =3.7. Các giá trị dự đoán bởi mạng
và theo phương pháp truyền thống cũng như giá trị thực đo được thể hiện
trong hình 4.15. Như vậy mô hình mạng mờ nơ ron cho độ chính xác dự đoán
cao hơn, sai số trung bình và độ phân tán sai số đều nhỏ hơn. Thông số mạng
biểu diễn mối quan hệ toán học giữa chế độ cắt với Rz phụ lục 21
0.07228770.0342276-0.251907
2886.02 tSVR
z

(4.1)
b) Phân tích Taguchi về ảnh hưởng của chế độ cắt đến độ nhám
Quá trình thu thập dữ liệu Rz được đo lặp lại 4 lần, mỗi mẫu cắt đo 2 lần.
Do vậy dữ liệu thu thập được khi đo Rz với bộ thí nghiệm Taguchi gồn 25 bộ
chế độ cắt. Sử dụng tỷ số S/N cho quá trình phân tích.
Hình 4.15 Đồ thị giá trị Rz bởi mạng mờ hồi qui thực nghiệm
Hình 4.14 Đồ thị phân tán sai số
18
Đối với Rz là chỉ tiêu chất lượng bề mặt nên Rz càng nhỏ thì càng tốt tỷ số
S/N được tính:
))(
4
1
(log.10)/(
4
1
2
10

mạng biểu diễn mối quan hệ toán học giữa chế độ cắt với lực cắt F thể hiện
trong phụ lục 22
b) Phân tích Taguchi về ảnh hưởng của chế độ cắt đến lực cắt.
Quá trình phân tích Taguchi có kể đến tác động ảnh hưởng lẫn.
Bảng 4.20 Bảng phân tich Taguchi kể tác động lẫn cho lực cắt F
Thông
số
V Pv)
S(Ps)
t (Pt)
VxS
(Pvs)
Vxt
(Pvt)
Sxt
(Pst)
Nhiễu
Pe
Tổng
F
-
9.35
61.91
5.28
5.77
5.38
12.32
100
Phân tích cho thấy ảnh hưởng của chiều sâu cắt t là lớn nhất 61.91%. Chiều
sâu cắt ảnh hưởng lớn vì lượng biến đổi của chiều sâu cắt là lớn nhất (10 lần).

năng suất cắt cũng tương tự như đối với độ nhám bề mặt và lực cắt.
Bảng 4.22 Bảng thông số tính toán phân tich Taguchi khi không kể tác động
lẫn cho năng suất cắt Q
STT
Thông
số
Bậc tự
do
Tổng bình
phương S
Phần trăm ảnh
hưởng P (%)
1
V
4
71.96052
4.91
2
S
4
258.9864
17.65
3
t
4
1135.482
77.40
4
e
12

bằng phương pháp mạng mờ nơ ron đưa vào phần mềm đã xây dựng để giải
bài toán tối ưu. Sử dụng phương pháp trí tuệ bầy đàn ABC để xác định chế độ
công nghệ tối ưu.
Phân tích Taguchi để phân tích vai trò ảnh hưởng của mỗi yếu tố. Trên cơ
sở đó để quyết định chọn, khoanh vùng yếu tố điều khiển và quan tâm tới yếu
tố nhiễu. Từ phân tích cho thấy cả 3 thông số V, S, t đều ảnh hưởng có ý nghĩa
đến năng suất cắt (phần trăm ảnh hưởng trên 2%). Do vậy trong bài toán tối
21
ưu năng suất gia công cả 3 thông số chế độ cắt được lựa chọn làm đầu vào của
quá trình điều khiển.
Nhập các thông số vào phần mềm BK-CTMNET và định các giới hạn biên.
Các giới hạn biên này là tùy thuộc vào người làm công nghệ. Khi gia công
phay thông thường độ nhám bề mặt mong muốn đạt cấp 7 tương đương với
Rz=5m. Máy Mickon VCP600 có công suất hiệu dụng lớn nhất là
[P]=14KW. Lượng mòn giới hạn mặt sau cho phép gia công tinh [hs]=0.2mm.
Bảng 4.36 Giá trị thực khi cắt thép SKD61 và SKD11
STT
Vật liệu
cắt
V(m/phút)
S(mm/răng)
t(mm)
Rz
F
Sai lệch
Rz (%)
Sai lệch
F (%)
1
SKD11

ra mác thép thí nghiệm.
- Sử dụng phương pháp phân tích Taguchi định lượng mức độ ảnh hưởng
của chế độ cắt đến các thông số đầu ra và tác động của nhiễu làm cơ sở xác
định thông số chế độ cắt cần điều khiển.
- Xác định chế độ cắt tối ưu cho 2 mác thép SKD11 và SKD61 đã làm thí
nghiệm.
KẾT LUẬN VÀ KIẾN NGHỊ
KẾT LUẬN
Luận án hoàn thành mục tiêu đề ra, giải quyết được vấn đề cần nghiên
cứu. Các kết quả của đề tài là tài liệu quan trọng, làm phong phú thêm lý
thuyết khoa học xử lý số liệu thực nghiệm, cung cấp công cụ xử lý số liệu khi
giải quyết các bài toán tối ưu trong lĩnh vực gia công cơ khí. Gợi mở và thúc
đẩy ứng dụng khoa học trí tuệ nhân tạo trong lĩnh vực điều khiển cơ khí-một
ứng dụng tất yếu trong tương lai. Từ nội dung, kết quả nghiên cứu của các
chương rút ra các kết luận sau:
1. Nghiên cứu, ứng dụng phương pháp trí tuệ nhân tạo mạng mờ nơ ron, trí
tuệ nhân tạo tiến hóa làm phương pháp tiếp cận và giải quyết vấn đề đặt
ra trong luận án, gợi mở ứng dụng khoa học trí tuệ nhân tạo trong lĩnh
vực điều khiển quá trình công nghệ cơ khí trong tương lai.
2. Nghiên cứu, ứng dụng phương pháp phân tích thực nghiệm Taguchi để
định tính và định lượng mức độ ảnh hưởng của chế độ cắt đến đầu ra và
nhiễu. Từ đó xác định biến thông số điều khiển quá trình công nghệ đảm
bảo hiệu quả kinh tế cao nhất.
3. Đưa ra phương pháp và giải thuật xác định mối quan hệ thực nghiệm và
giải bài toán tối ưu.
4. Xây dựng phần mềm BK-CTMNET làm công cụ thiết lập mối quan hệ
thực nghiệm và tính toán các thông số chế độ cắt tối ưu.
5. Xác định được mối quan hệ thực nghiệm giữa chế độ cắt với độ nhấp nhô
bề mặt, lực căt, năng suất cắt, lượng mòn dụng cụ cho thép hợp kim
SKD11 và SKD61. Trên cơ sở các hàm thực nghiệm xác định chế độ cắt

)²
e
2.d
13
²
e
-(V-c
14
)²
e
2.d
14
²
e
-(V-c
15
)²
e
2.d
15
²
-(S-c
11
)²
e
2.d
11
²
e
e

15
²
-(t-c
11
)²
e
2.d
11
²
e
e
e
e
-(t-c
12
)²
e
2.d
12
²
-(t-c
13
)²
e
2.d
13
²
e
-(t-c
14

11
)²
e
2.d
11
²
-(V-c
11
)²
e
2.d
11
²
.
-(S-c
11
)²
e
2.d
11
²
.
-(t-c
11
)²
e
2.d
11
²
-(V-c

-(S-c
11
)²
e
2.d
11
²
.
-(t-c
11
)²
e
2.d
11
²
-(V-c
11
)²
e
2.d
11
²
.
-(S-c
11
)²
e
2.d
11
²







-(V-c
11
)²
e
2.d
11
²
e
e
e
e






24
Phụ lục 21: Thông số mạng mờ nơ ron xác định mối quan hệ thực nghiệm độ nhám Rz
với chế độ cắt-thép SKD11

Khoảng mờ
c1
d1

3
0.8816
0.0558
0.4905
1.0741
0.9371
1.5762
406.3479
0.5168
0.8637
1.1225
4
0.5289
0.4255
0.9198
0.7178
0.8322
0.2938
-3.0729
0.1877
0.2740
0.9257
5
0.5232
0.6039
0.8609
1.9481
-0.6387
0.7996
230.7008

-0.0803
0.5962
0.7503
0.5660
0.8626
0.0863
331.8947
0.5240
0.6134
1.4276
3
-0.0226
0.5975
0.8803
0.4496
0.2558
0.1671
10.2255
-1.0641
0.6020
2.1306
4
0.2311
0.5189
0.1125
0.1309
1.2074
0.5636
27.4000
0.0662

0.8567
0.8930
0.4203
0.3317
0.0608
158.9748
0.0970
1.0545
0.3171
2.0000
0.4838
1.0556
1.2489
0.8364
1.0472
0.6170
81.7493
0.5584
-0.2439
0.7197
3.0000
0.5491
0.8040
0.7075
0.6717
0.5052
0.3414
2.7701
0.5392
0.1063

c2
d2
c3
d3
P0
P1
P2
P3
1.0000
0.9737
0.4708
0.5334
0.6932
0.1592
0.1093
-31.8829
0.6262
0.7310
0.5132
2.0000
0.7283
0.4713
0.2949
0.4238
0.6439
0.8383
79.5704
0.2286
0.9206
0.1745

0.3307
0.3313
0.9991