بهینه سازی پارامترهای فرزکاری فولاد آلیاژی aisi 4140 سختکاری شده

ماشینکاری در سیر پیشرفت و تحول خود همواره با چالش هایی روبرو بوده است. بعضی از این چالش ها چون ماشینکاری قطعات شکننده و مواد سخت، دستیابی به خصوصیات کیفی مناسب نظیر صافی سطح یا تلورانس های ابعادی و هندسی لازم، کاهش نیروهای ماشینکاری، افزایش عمر ابزار، غلبه بر مشکلات ناشی از براده های نا مناسب و نظایر این موارد می باشد. بنابراین مطالعه برای تقابل با این چالش ها در حوزه های مختلف در جریان است. توسعه ابزارهای برشی، ماشین آلات و روش های بهینه سازی شرایط ماشینکاری در زمره این مطالعات هستند.فولاد آلیاژی aisi 4140 یک فولاد کم آلیاژ مولیبدن دار می باشد، که به طور گسترده در ساخت قطعات صنعتی به خصوص در صنایع پتروشیمی و هوایی به دلیل سختی پذیری بالا و مقاومت سایشی خوب به کار می رود.به دلیل وجود عناصر مولیبدن و نیکل در ساختار این فولاد و تشکیل کاربیدهای سخت، ماشینکاری آن مشکل می باشد.با توجه به گستره کاربرد این نوع فولاد و قابلیت ماشینکاری آن، لازم است که فرایند ماشینکاری آن اقتصادی شود.بدین منظور هدف در این پژوهش، بررسی و تحلیل تاثیر پارامترهای ماشینکاری بر کیفیت سطح، نیروهای ماشینکاری و سایش ابزار فرایند فرزکاری این فولاد می باشد.همچنین یافتن شرایط ماشینکاری می-باشد که در آن شرایط، بهترین کیفیت صافی سطح حاصل شود.در این پژوهش ابتدا بوسیله طراحی آزمایش فاکتوریل کامل و تاگوچی، آزمایش ها طراحی شد و با استفاده از آنالیز واریانس، تاثیرگذاری پارامترهای ماشینکاری بر صافی سطح، نیروهای ماشینکاری و سایش ابزار مشخص گردیده است.جهت طراحی آزمایش چهار فاکتور سرعت برشی، نرخ پیشروی، عمق برش و عرض درگیری بعنوان پارامترهای ورودی با سه سطح انتخاب شدند.به منظور یافتن شرایط ماشینکاری بهترین کیفیت سطح، از شبکه عصبی و الگوریتم ژنتیک استفاده شد.ابتدا رابطه بین پارامترهای ماشینکاری و زبری سطح با استفاده از شبکه عصبی و نرم افزار متلب استخراج شد و سپس بوسیله الگوریتم ژنتیک، پارامترهای بهینه بدست آمد.الگوریتم ژنتیک یک کلاس خاص از الگوریتم های تکاملی می باشد که در آن از مفاهیم بیولوژیکی مانند وراثت، جهش و پیوند استفاده شده است. الگوریتم ژنتیک، الگوریتمی قوی در حل مسائل بهینه سازی می باشد که مهمترین مزیت آن در یافتن نقطه بهینه مطلق و گیر نکردن در نقاط بهینه محلی می باشد.در پایان جهت تست عملکرد شبکه آموزش دیده و کارکرد الگوریتم ژنتیک، شرایط بهینه بدست آمده مورد آزمایش عملی قرار گرفت که با خطای 5/4 درصد، نشان داد شبکه تعلیم داده شده قادر به تخمین مقادیر صافی سطح با دقت بالایی می باشد.