امروزه باگسترش روز افزون تکنولوژی در زمینه های مختلف استفاده از مواد سنتی دیگر پاسخگوی نیازهای نیست کامپوزیتها مانند پلاستک های تقویت شده با الیاف شیشه یا کربین دارای ترکیبی از خصوصیاتی مانند وزن کم مقاومت بسیار بالا وصلبیت بالا هستند. به عبارت دیگر توسعه مدلسازی و تعیین رابطه بین پارامترهای ماشینکاری مستقل سرعت برشی ? سرعت پیشروی? عمق برش? قطر تیغ فرزو تعدادلبه تیغ فرز) و متغیرهای ماشینکاری وابسته (صافی سطح? نرخ برداشت ماده ? غدد تورق و ... ) در هر ترکیب خاص از جنس ابزار و قطعه کار و ایجاد یک پایگاه داده بزرگ فرایندی بسیار وقت گیر و هزینه می باشد در این پروژه پیش بینی متغیرهای ماشینکاری بهینه در عملیات فرزکاری همراه به سسه تیغ فرز انگشتی با قطرها ولبه های مختلف و در عمق های برشی مختلف انجام گرفته است در حالت اول آزمایشات تجربی جهت آموزش شبکه و تست شبکه های عصبی انجام گرفته است. این شبکه ها قادر به پیش بینی مقادیر صافی سطح با دقت بالا می باشند در این حالت جهت پیش بینی مقدار بهینه صافی سطح از الگوریتم ژنتیک تک هدفه استفاده شده است. در حالت دوم آزمایشات تجربی جهت آموزش شبکه و تست شبکه های عصبی انجام گرفته است. این شبکه ها قادر به پیش بینی مقادیر عدد تورق با دقت بالا می باشند. همچنین برای پیش بینی مقادیر صافی سطح و عدد تورق از الگوریتمnsga ii بعنوان یکی از کارامدترین روشهای بهینه سازی چند هدفه استفاد شده است ازمایشات انجام شده در این بخش در سه سطح برای سرعت برشی ? پیشروی ? عمق برشی و قطر تیغ فرز و دو سطح برای تعداد لبه تیغ فرز و براساس روش فاکتوریل کامل برای رسیدن به دقت بیشتر و پیش بینی دقیق تر پارامترهای خروجی انجام شده است.همچنین با استفاده از رگرسیون خطی چهار رابطه تیوری برای صافی سطح و عدد تورق با توجه به تعداد لبه ابزار به دست آمده است نتایج به دست آمده از روابط به دست آمده با نتایج حاصل از تجربه مقایسه شده است.

ماشینکاری سنتی مانند تراشکاری با سوراخکاری به اندازه ای پیشرفت کرده اند که خود را به عنوان پروسه های تولیدی با کیفیت سطح بالا همراه با کمترین ایراد شکل تولید شده و مینیمم زمان ماشینکاری معرفی کرده اند. با وجود این به دلیل سایش ابزار و مقدار نیروی توالید شده در ماشینکاری سنتی قطعات دقیق و به خاطر نیاز به رسیدن به زبری سطح زیر میکرون روشهای سنتی انجام شده است، روش جدیدی تحت عنوان ماشینکاری به کمک ارتعاشات (vam) بوجود آمده است. در vam ابزار ارتعاش کننده ای به طور مداوم با قطعهد کار درگیر می شود و از آن جدا می شود. vam میتواند به صورت یک بعدی، با ارتعاش در یک جهت، یا دو بعدی با مجموع ارتعاش در دو جهت، مستقل از حرکت ابزار انجام شود. در ده سال اخیر vam نشان داده است که با این روش، نیروهای ماشینکاری کم می شود، عمر ابزار افزایش می یابد و کیفیت سطح بهتری به نسبت روشهای سنتی بر روی بسیاری از مواد ایجاد می شود. این در حالی است که مکانیزم این روش هنوز کشف نشده است. این تحقیق از ارتعاشات التراسونیک در فرزکاری (uam) فولاد معمولی در حالت یک بعدی استفاده می کند. در فرزکاری به کمک ارتعاشات فولاد معمولی، قطعه کار در جهت عمود به ارتعاش در می آید و ابزار انگشتی قطعه کار را ماشینکاری می کند و بطور همزمان نیروها و بعد از ماشینکاری صافی سطح در دو حالت uam و cm2 اندازه گیری می شوند. در نهایت نشان داده شده است که با بکارگیری uam نیروها در مقایسه با روش سنتی کم می شوند و صافی سطح بهبود می یابد.

تعیین پارامترهای ماشینکاری بهینه مسیله ای است که صنایع تولیدی برای مدتی در حدود یک قرن با آن مواجه بوده اند و هنوز هم موضوع تحقیقیات گسترده ای است. انتخاب پارامترهای ماشینکاری در اکثر مراکز تولیدی و کارخانجات صنعتی بر اساس تجربیات افراد تراشکار و از روی جداول پیشنهادی شرکتهای سازنده ابزارهای برش صورت می گیرد. معمولا این اعداد جهت هدف خاصی از ماشینکاری پیشنهاد نشده اند و اغلب با در نظر گرفتن شرایط ایده ال و یا شرایط حاکم مربوطه بصورت محافظه کارانه حاصل شده اند. بنابراین این اعدد کاملا دقیق و مطمین نموده و از طریق آنها نمی توان هیچگونه کنترل دقیقی در مورد هزینه تولید زمان تولید، عمر ابزار، صافی سطح و ..داشت. در اکثر اوقات ارایه یک رابطه تحلیلی و با تجربی با ضرایب مناسبف که شرایط بهینه ماشینکاری را برای یک جنس قطعه کار و ابزار در نظر گرفته شده محاسبه کند، بسیار سخت و پیچیده می باشد. به عبارت دیگر توسعه مدلسازی و تعیین رابطه بین پارامترهای ماشینکاری مستقل (سرعت برشی، سرعت پیشروی عمق برش و عرض درگیری) و متغیرهای ماشینکاری وابسته (صافی سطح، نرخ برداشت ماده، نیروهای ماشینکاری و ...) دو هر ترکیب خاص از جنس ابزار و قطعه کار وایجاد یک پایگاه داده بزرگ، فرآیندی بسیار وقت گیر و هزینه بر می باشد. روش پیش بینی توسط شبکه های عصبی و بهینه سازی بوسیله الگوریتم ژنتیک( ..) به طور همزمان برای تعیین پارامترهای ماشینکاری بهینه زمانی پیشنهاد می شود که داده های تجربی از فرآیند ماشینکاری در دسترس باشد و ضمنا هیچ رابطه تحلیلی و یا مدل ریاضی برای بیان متغیرهای این فرایند در دسترس نباشد. این مدل می تواند رابطه بین پارامترهای ماشینکاری مستقل و متغیرهای ماشینکاری وابسته به این پارامترها را بوسیله شبکه های عصبی پیش بینی کند و پارامترهای بهینه ماشینکاری را بوسیله الگوریتم ژنتیک تعین نماید. در این پروژه پیش بینی متغیرهای ماشینکاری بهینه در عملیات فرزکاری کف تراشی در حالتهای پرداخت کاری و خشن کاری انجام گرفته است . در حالت پرداخت کاری آزمایشات تجربی جهت آموزش و تست شبکه های عصبی و با توجه به محدوده پیشنهادی کاتالوگ ابزار شرکت سازنده انجام گرفته است. این شبکه ها قادر به پیش بینی مقادیر صافی سطح و نیروهای ماشینکاری با دقت بالا می باشند. در این حالت جهت پیش بینی مقدار بهینه صافی سطح از الگوریتم ژنتیک تک هدفه استفاده شده است. همچنین برای پیش بینی مقادیر صافی سطح و عمر ابزار بهینه الگوریتم ..بعنوان یکی از کارامدترین روشهای بهینه سازی چندهدفه به جهت ماهیت چندهدفه بودن فرآیند بهینه سازی برای تولید یک مجموعه جواب بهینه (بهینه پرتو) استفاده شده است. آزمایشات انجام شده در این بخش در سه سطح و براساس روش فاکتوریل کامل ( 81 آزمایش ) برای رسیدن به دقت بیشتر و پیش بینی دقیق تر پارامترهای خروجی انجام شده است. در حالت خشن تراشی آزمایشات تجربی برای اندازه گیری نیروهای ماشینکاری و استفاده از این داده ها برای آموزش و تست شبکه و در نهایت پیش بینی نیروهای ماشینکاری انجام شد. سپس از الگوریتم ژنتیک تک هدفه جهت پیش بینی مقدار ماکزیمم نرخ برداشت ماده با در نظر گرفن محدودیت توان ماشین ابزار استفاده شد. در این بخش جهت کاهش هزینه آزمایشات از ابزار و قطعه کار از روش طراحی آزمایش تاگوجی و آنالیز داده ها استفاده شد. همچنین پارامترهای موثر بر مقدار نیروها و درصد اهمیت آنها بوسیله روش آنالیز واریانس تعیین گردید. در انجام آزمایشات مربوطه از جنس قطعه کار ..که یک فولاد آلیاژی زنگ نزن بوده و دارای کاربرد وسیعی در صنایع هوا فضا توربین سازی شیمیایی و .. می باشد این فولاد در حال حاضر در ساخت پره توربین های گازی مورد استفاده قرار می گیرد.

از مهمترین مسائل در اتوماسیون سیستمها، کنترل شرایط کاری سیستم می باشد. در ماشینکاری نیز کنترل سایش ابزار از اهمیت زیادی برخوردار است. چرا که روی دقت ابعادی، صافی سطح قطعه، مسائل اقتصادی ماشینکاری، عمر ماشین ابزار و نیروهای ماشینکاری تاثیر می گذارد. برای اندازه گیری سایش ابزار نیاز به توقف عملیات ماشینکاری می باشد. در سیستمهای تولیدی اتوماتیک سعی بر آن است که بتوان بدون قطع عملیات، سایش ابزار را در حین کار تخمین زد. به این خاطر امروزه روشهای اندازه گیری غیرمستقیم و بلادرنگ در حال گسترش است. در این پروژه یک روش چند سنسوری برای تخمین سایش ابزار فرز کف تراشی در حین ماشینکاری و بدون توقف عملیات ماشینکاری ارائه شده است. برای اینکار ابتدا عملیات فرزکاری کف تراشی مدل سازی شده و بر اساس ماشینکاری مایل، فرمولهای محاسبه نیروهای ماشینکاری بدست آمدند. سپس نتایج این روابط با نتایج حاصل از آزمایشات عملی مقایسه شد. نتایج کار نشان می دهد که صحت این روابط بسیار بالاست. در ادامه برای فرز کف تراشی یک مدل ارتعاشی با یک درجه آزادی در نظر گرفته شده و معادله آن حل شد. با محاسبه و رسم دیاگرام شتاب ارتعاشات در حالات مختلف ماشینکاری و مقایسه آن با نتایج حاصل از اندازه گیری عملی با شتاب سنج، مشخص شد که این مدل ساده با نتایج عملی سازگاری دارد و از نظر دامنه ارتعاشات و روند تغییرات سیگنالهای ارتعاشی، نتایج تئوری با نتایج عملی مطابقت دارد. در مرحله بعدی پارامترهای موثر در سایش ابزار بررسی شده و اثر آنها روی عمر ابزار مطالعه شد. در این آزمایشات با ثابت نگه داشتن تمام پارامترها و تنها با تغییر یکی از آنها، اثر این پارامترها روی سایش بررسی شد. با استفاده از دو روش مدل تیلور و شبکه عصبی سعی شد معادله ای برای پیش بینی عمر ابزار ارائه شود. نتایج کار نشان می دهد که دقت این روشها پائین است. این معادلات تنها می توانند عمر متوسط ابزار را ارائه دهند و لازم است با روشهای دیگر مقدار دقیق عمر ابزار را تخمین زد. برای اینکار در این پروژه از اندازه گیری غیرمستقیم و در حین کار ابزار استفاده شد. سنسورهای بکار رفته برای تخمین سایش ابزار، نیروهای ماشینکاری، ارتعاشات مکانیکی، جریان و دور موتور اسپیندل می باشند. برای تخمین سایش ابزار با این سنسورها از روشهای تک سنسوری، دو سنسوری، سه سنسوری و چهار سنسوری بطور همزمان، استفاده شد. به این منظور آزمایشات عملی زیادی در شرایط ماشینکاری مختلف انجام گرفته و برای هر روش یک شبکه عصبی از نوع پس خور یا bp طراحی و آموزش داده شد. این شبکه ها بعد از آموزش قادر هستند در شرایط مختلف ماشینکاری با اطلاعات حاصل از اندازه گیری همزمان مقدار نیروهای ماشینکاری، ارتعاشات، جریان و دور موتور، مقدار سایش ابزار را با دقت بالائی تخمین بزنند. نتایج کار نشان می دهد که هر چه تعداد سنسسورهای اندازه گیری بیشتر می شود، اطلاعات شبکه عصبی از سیستم افزایش یافته و دقت تخمین سایش ابزار بهبود می یابد. با روش چند سنسوری می توان با دقت بالای 96% سایش ابزار را در حین ماشینکاری تخمین زد. این روش می تواند در کنترل و مونیتورینگ فرایند ماشینکاری بکار برده شود.

موفقیت در تولید قطعات پیچیده پلیمری از بزرگترین مسائلی است که امروزه با آن روبرو هستیم. با بررسی پیشرفت تکنولوژی پلاستیک در دنیای امروزه، ساخت قالبهای پیچیده ،زمان، هزینه و ریسکهای که در این راه گذاشته می شود بیشتر به اهمیت و حساسیت تولیدمواد پلیمری پی خواهیم برد یکی از مشکلات اساسی فرایند تزریق پلاستیک بحث انقباض قطعه تزریق شده می باشد.این پارامترمهم از ابتدای طراحی قالب تاشروع فرایندتزریق وخروج قطعه از قالب و سرد شدن آن می بایست پیش بینی شده بوده تا استراتژی طراحی قالب وکنترل فرایند به درستی برنامه ریزی شود. بهترین روش برای رسیدن به قطعه ای با کیفیت،انجام شبیه سازی تزریق پلاستیک قبل از ساخت قالب می باشد. این روشها شانس بالایی برای ارزیابی پرشدن قالب، سرد شدن قطعه، انقباض، اعوعاج و... را قبل از ساخت قالب به ما مید هند . اگر چه این برنامه ها امکان پیش بینی تغییرات در قالب، فرایند و مواد را که ممکن است به مرور زمان اتفاق بیفتد، به ما نمی دهد ولی می تواند به ماکمک کند تا بهترین ترکیب از پارامترهای فرایند را انتخاب کرده تا در مقابل این مشکلات مقاومتر باشد. قبل از ساخت قالب تزریق پلاستیک و تولید قطعه کلیه پارامترهای از جمله ابعاد شکل خواص مکانیکی و .. را می توان توسط این روشها پیش بینی و اصلاح نمود . استفاده از روشهای cae ریسک تولید قطعات پلیمری پیچیده را کاهش مید هد . در واقع این برنامه های کامپیوتری تخمینهایی به روش ریاضی از واقعیت می باشند، این نتایج طراح را در شروع به ساخت و تولید قطعه مطمین کرده و جایگزین روشهای سنتی و تجربی می باشد . در این پروژه یکی از قویترین روشهای شبیه سازی کامپیوتری در تزریق پلاستیک استفاده می شود . مبحث اصلی بحث تحلیل انقباض و اعوعاج می باشد که عمیقا" بررسی شده و نتایج شبیه سازی با نتایج تجربی مقایسه و نتیجه گیری می شود.

این طرح ارائه گر مدلی برای پیش بینی مقدار خمش تیغ فرز انگشتی در فرآیند فرز کاری است. در این طرح ابتدا با شبیه سازی فرآیند، فرز کاری با تیغ فرز انگشتی (ابزار) توسط نرم افزار abaqus، مقادیر نیرو و خمش حاصل از آن در ابزار بدست آورده شده، سپس این مقادیر با مقادیر حاصل از فرمولهای تئوری و نتایج حاصل از آزمایشات تجربی مقایسه شده است. در این طرح بعد از رسیدن به توانمندی شبیه سازی فرآیند، با استفاده از فرمولهای تئوری در مورد نیروی وارد به ابزار و خمش الاستیک آن، پارامترهای ماشینکاری برای به حداقل رساندن خمش ابزار توسط الگوریتم ژنتیک، بهینه شده است. در این طرح با شبیه سازی فرآیند مقادیر نیرو و خمش ابزار با تقریب بسیار بالا در مقایسه با فرمولهای تئوری بدست آورده شده است، که با کمک این مدل می توان علاوه بر نیروی وارد بر ابزار و مقدار خمش الاستیک آن پارامترهای دیگری چون ارتعاشات ابزار، سایش ابزار، مقدار حرارت تولید شده در ابزار و ... را نیز بدست آورد. شایان ذکر است که شبیه سازی فرآیند فرزکاری با تیغ فرز انگشتی برای اولین بار انجام شده است. امید است که ارائه این طرح آغازی برای تحقیقات بیشتر در این راستا باشد.