در این پایان نامه به پدیده chatter پرداخته می شود و علی الخصوص مساله فرزکاری مورد بررسی قرار می گیرد در ابتدا و در فصل اول مقدمه ی در رابطه با فرزکاری chatter و راههای تشخیص آن و کاریهایی که در این زمینه انجام شده اورده شده است. در فصل دوم اصول تیوری مورد نیاز در بررسی chatterپیش بینی و تشخیص آن و مخصوصا تشخیص صوتی آورده شده است. در فصل سوم به مدلسازی این فرایند بررسی روابط و نیروها و فرایند chatter مخصوصا براساس مدل ارایه شده توسط budak پرداخته شده است در انتهای این فصل پس از ارایه دیاگرام پایداری حاصل از مدل تحلیل دو درجه آزادی بررسی روشهای مختلف مقابله با این پدیده ناخواسته یعنی ناپایداری در ماشینکاری یا همان chatter انجام شده است . براساس نیاز به یافتن پارامترهای و توابع تبدیل سیستم دینامیک فرزکاری آزمایش مدل بر روی ابزار تهیه شده انجام شده و نتایج آن در قالب نمودارهای پاسخ فرکانسی رسم شده است ودر نهایت با استفاده از این توابع تبدیل دیاگرام پایداری رسم شده است . در ادامه همین فصل تست ماشینکاری برای برسی صحت حدود پایداری یافته شده انجام شده و نتایج در قالب یک جدول و یک نمودار ارایه گردیده است در نهایت برای اطمینان از صحت نتایح آزمایش ماشینکاری با میکروفن انجام شده و سیگنالهای صوتی ضبط شده در هنگام ماشینکاری پرداخت و تحلیل شده ااست . در ضمیمه 1 برخی از برنامه های مورد استفاده در این پایان نامه آورده شده است.

صافی سطح نقش مهمی در کیفیت قطعات دارد. پیش بینی صافی سطح، موضوعی است که از مدت ها قبل مورد توجه محققان قرار گرفته است. در این پایان نامه مدل هایی برای پیش بینی صافی سطح ارایه شده است. پارامترهایی که در این مدل ها مورد نظر قرار گرفته اند پارمترهای ماشینکاری (سرعت برشی، پیشروی و عمق بار) و مولفه های نیروی ماشینکاری می باشند. 36 آزمایش با ترکیب 4 سطح سرعت برشی، 3 سطح سرعت پیشروی و سه سطح عمق بار انجام گرفت و برای هر مورد، نیروهای ماشینکاری در سه جهت پیشروی، شعاعی و برشی اندازه گیری شد. برای هر قسمت ماشینکاری شده، زیری سطح با زیری سنج سوزنی اندازه گیری شد. سپس اثر پارامترهای ماشینکاری بر زیری سطح مورد بررسی قرار گرفت. با استفاده از داده های تجربی بدست آمده، یک مدل رگرسیون و سه مدل شبکه عصبی برای پیش بینی صافی سطح ایجاد شدند. هدف از ایجاد سه شبکه مختلف، بیان لزوم استفاده از شبکه های با قدرت تعمیم دهی بالا برای داده های نویزی به دست آمده و بیان قدرت بالای شبکه های عصبی در مقایسه با رگرسیون بود. مدل های شبکه عصبی مورد استفاده، شبکه فیدفوروارد با الگوریتم آموزش لونبرگ- مارکوارد بود که در سه حالت مختلف الگوریتم لونبرگ ساده، الگوریتم لونبرگ با ساماندهی بیزین و الگوریتم لونبرگ به همراه روش ارلی استاپینگ مورد استفاده قرار گرفت. کارایی هر کدام از مدل ها، با داده های تست ارزیابی شد. نتایج نشان دادند که برای داده های تجربی بدست آمده، شبکه بیزین بهترین نتایج پیش بینی را در مقایسه با دو مدل دیگر شبکه عصبی و همچنین، مدل رگرسیون می دهد و این امر به خاطر بالا بودن قدرت تعمیم دهی و جلوگیری از فیت شدن نویزها توسط مدل می باشد. میانگین خطای پیش بینی 24/7% ، با این روش به دست آمد که نتیجه کاملا قابل قبولی است. همچنین مشاهده شد که شبکه بیزین به مقادیر اولیه وزن ها و ساختار شبکه حساسیت کمی دارد و این باعث می شود که شبکه نسبت به شبکه های دیگر قابل اعتماد تر باشد.

اصولا بسیاری از قطعات مکانیکی یا سازه ها در دمای بالا در شرایط کاری سخت قرار داشته و لذا عمری محدود دارند از آنجا که این قطعات از جنس سوپر آلیاژها هستند و با روشهای تولید پر هزینه ساخته می شوند جایگزینی آنها بسیار گران است بنابراین برآورد دقیق عمر این گونه قطعات امری مهم بشمار می آید مکانیک شکست با ارایه های مدلسازی رشد ترک ناشی از خزش می تواند به عنوان بخشی ممهم از یک برنامه تخمین عمر در نظر گرفته شود تعیین دقیق پارامترهای مکانیک شکست نظیر ضریب شدت تنش انتگرال j و c برای مدلسازی رشد ترک ناشی از خزش ضروری می باشد. محاسبه پارامترهای غیر خطی نوک ترک حین خزش برای اجسام دارای هندسه پیچیده بواسطه تحلیل های اجزا محدود زمان بر است روش شبکه عصبی مصنوعی دارای قابلیت های منحصر به فردی برای پیش بینی فرآیندهای غیر خطی مشابه فرایند مورد استفاده در این پروژه می باشد در این رساله با مدلسازی قطعه ct تحلیل المان محدود آن در محدوده گسترده ای از درجه حرارت و نیرو ابعاد انجام شده است. این نتایج با داده های تجربی مقایسه شده اند. سپس با توجه به طبیعت غیر خطی این فرایند تلفیقی از نتایج تجربی و عددی به شبکه عصبی داده شده است. در این مرحله با استفاده از 3 شبکه شبیه سازی انجام گرفته است که بر اساس نتایج ارایه شده شبکه پرسپترون چند لایه با تابع محرک تانژانت و با 16 نرون در لایه پنهان اول و 4 نرون در لایه پنهان دوم بهترین جواب را ارایه داده است که میانگین درصد خطای داده های تست و آموزش در آن به ترتیب 8/3%و 2/2% است که برای این فرایند مطلوب می باشد.

در این مجموعه سعی شده است که ضمن بررسی مدلهای کلاسیک بهینه سازی ، گامی جدید در استفاده از مدلهای تصمیم گیری چند معیاره در حل مسائل مهندسی بهینه سازی برداشته شود. بدیهی است که ارزش این مدلها زمانی واضح می گردد که در یک مساله بهینه سازی توابع هدف معلوم نبوده و فقط نقاط عددی این توابع بشکل آماری در دسترس باشد. جهت اثبات کاربرد موضوع ، حل یک مساله بهینه سازی چرخدنده به کمک این مدلها انجام گرفته و بر روی نتایج بحث و نتیجه گیری بعمل آمده است . از آنجاییکه این پروژه در حالت کلی برای حل مسائل بهینه سازی چندمعیاره در مهندسی شکل گرفته است می توان از فلوچارت ها و مدلسازی آن در بسیاری از مسائل بهینه سازی استفاده کرد و به کمک آن از برخی محاسبات تکراری و پیچیده که در مدلهای قدیمی بکار می رفته است ، جلوگیری نمود.

یکی از شکلهای معمول ماشین تست چرخدنده دستگاه تست دنده ای می باشد . اجزای اصلی آن شامل یک بستر و یک کشویی ثابت است که قابلیت تنظیم در طول بستر را دارد . از دیگر اجزای اصلی آن کشویی لغزنده است که توسط نیروی فنر بطرف کشویی ثابت کشیده می شود و تمایل دارد به سمت آن حرکت نماید. روی کشویی ثابت یک محور سنگ خورده با کلیرانسی مناسب نسبت به سوراخ داخلی چرخدنده اصلی‏‎master gear‎‏ و روی کشویی لغزنده نیز یک محور متناسب با قطر سوراخ داخلی چرخدنده تست شونده وجود دارد.آنچه که دراین پایان نامه بحث می شود میزان خطای دستگاه اندازه گیری چرخدنده است.