33
CHƢƠNG 3: PHƢƠNG PHÁP XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI
ƢU KHI GIA CÔNG TRÊN MÁY PHAY CNC
3.1 Xây dựng mô hình xác định chế độ cắt tối ƣu khi phay CNC
Giải các bài toán tối ưu trong công nghệ gia công cơ khí là lớp các bài toán thực
nghiệm, vì vậy giải quyết vấn đề triệt để nên các hàm mục tiêu và giới hạn biên phải tiếp
cận đến các hàm thực nghiệm. Cách tiếp cận như vậy mới đáp ứng được yêu cầu công
nghệ ngày càng chính xác và khắt khe hiện tại và trong thời gian tới. Trên cơ sở thực hiện
cho một loại vật liệu và hệ thống công nghệ cụ thể sẽ mở rộng cho lớp các dạng tương tự.
Với cách tiếp cận ứng dụng giải pháp trí tuệ nhân tạo và qui hoạch thực nghiệm Taguchi
đưa ra qui trình xác định chế độ cắt tối ưu như hình 3.1
Qui trình trên bao gồm các bước:
34
Bước 1: thiết kế ma trận thí nghiệm trực giao Taguchi. Ma trận thí nghiệm trực giao
Taguchi được thiết kế dựa trên nguyên tắc xác xuất xuất hiện của các yếu tố là
như nhau, phụ thuộc vào số yếu tố và số mức cần khảo sát cho mối yếu tố [16],
[17].
Bước 2: thực nghiệm và thu thập dữ liệu. Tiến hành thực nghiệm trên máy và thu thập các
dữ liệu quan tâm (độ nhám bề mặt, khối lượng kim loại được bách tách, lực cắt,
lượng mòn dụng cụ cắt)
Bước 3a: thiết lập mối quan hệ thực nghiệm. Xây dựng hàm toán học quan hệ giữa chế độ
cắt với độ nhám bề mặt, năng suất cắt, lực cắt, lượng mòn dao theo phương pháp
mạng mờ nơ ron sử dụng giải thuật lan truyền ngược và ABC xác định tham số
hệ thống mạng trong đó giải thuật ABC thực hiện tìm 1 bộ tham số tương đối tốt
làm đầu vào (bộ trọng số ban đầu) cho giải thuật lan truyền ngược.
Bước 3b: phân tích thực nghiệm Taguchi. Mục đích để đánh giá, ước lượng mức độ ảnh
hưởng của chế độ cắt đến độ nhám bề mặt, năng suất cắt, lực cắt, lượng mòn
dụng cụ và nhiễu. Trên cơ sở tác động của nhiễu quyết định giữ thí nghiệm hay
tiến hành lặp lại thí nghiệm với điều kiện thí nghiệm được cải thiện.
Bước 4a: thành lập bài toán tối ưu nhằm làm rõ mục đích của người làm công nghệ. Tối ưu
hàm mục tiêu đạt giá trị lớn nhất hay nhỏ nhất với điều kiện biên rõ ràng.
Bước 4b: xác định biến cho bài toán tối ưu. Dựa vào phân tích Taguchi xác định yếu tố ảnh
hưởng mạnh nhất, yếu nhất đến hàm mục tiêu. Trên cơ sở đó quyết định chọn
những biến nào đưa vào làm biến cho bài toán tối ưu. Bước này thể hiện tính
kinh tế khi tham gia vào điều khiển các thông số công nghệ.
Bước 5: giải bài toán tối ưu. Sử dụng giải thuật trí tuệ bầy đàn ABC thực hiện quá trình
tìm kiếm nghiệm tối ưu hay nghiệm hợp lý.
Bước 6: xác định bộ thông số chế độ cắt tối ưu và đưa ra kết quả kết thúc quá trình.
Cách thức tiếp cận nghiệm tối ưu trong tối ưu hóa quá trình gia công cơ khí trên đã khắc
phục được 2 nhược điểm so với mô hình truyền thống và bổ sung 2 giai đoạn mới.
- Khắc phục 2 nhược điểm:
o Thiết lập mối quan hệ thực nghiệm: sử dụng phương pháp trí tuệ nhân tạo
mạng mờ nơ ron và giải thuật lan truyền ngược kết hợp ABC làm tăng khả
năng dự đoán chính xác mối quan hệ toán học mạng.
o Ứng dụng giải thuật trí tuệ bầy đàn ABC giải bài toán tối ưu mà cả hàm mục
tiêu, các hàm biên được thiết lập từ mạng mờ nơ ron nên tăng độ chính xác
dự đoán chế độ cắt tối ưu
- Bổ sung 2 giai đoạn:
o Sử dụng phương pháp thiết kế thực nghiệm Taguchi và phân tích thực
nghiệm Taguchi xác định mức độ ảnh hưởng của chế độ cắt đến đầu ra và
ảnh hưởng của nhiễu để xác thực độ tin cậy của quá trình thực hiện thí
nghiệm và thu thập dữ liệu
o Sử dụng phân tích Taguchi xác định biến cho bài toán tối ưu thể hiện quan
điểm kinh tế khi tham gia điều khiển một thông số chế độ cắt nào đó.
3.2 Ứng dụng mạng mờ nơron và giải thuật ABC xác định mối quan hệ thực
nghiệm giữa chế độ cắt và thông số đầu ra
Sử dụng mô hình mạng mờ nơ ron làm mô hình toán học xác định mối quan hệ thực
nghiệm giữa chế độ cắt với các yếu tố đầu ra quan tâm như: độ nhám bề mặt (Rz, Ra), bước
nhám (Rsn), bước sóng (S), lực cắt (F), nhiệt cắt (), lượng mòn dao (hs), năng suất cắt Q…
35
Mục đích của mạng là tìm một qui luật toán học thể hiện mối quan hệ giữa yếu tố đầu vào
và đầu ra tốt nhất.
3.2.1 Các chỉ tiêu đánh giá chất lượng mô hình toán học mạng
Các tham số mạng đã được xác định khi thiết lập mạng mờ nơ ron. Do vậy cần tìm các
thông số mạng để giá trị kết xuất bởi mạng ra y luôn bám được giá trị đo thực tế d với một
tiêu chuẩn xác định. Tiêu chuẩn đó phải phản ánh được bản chất của mối quan hệ thực
nghiệm chính xác.
Gọi bộ thông số giá trị đo thực tế là: x(i), d (i)) với i=1,2…n
Trong đó:
x là bộ giá trị đầu vào: x(i) x1 (i), x2 (i), x3 (i)T
x1 là biến đầu vào của mạng thể hiện vận tốc cắt: x1=V
(m/phút)
x2 là biến đầu vào của mạng thể hiện lượng tiến dao S: x2=S (mm/răng)
x3 là biến đầu vào của mạng thể hiện chiều sâu cắt t: x3=t
(mm)
d là bộ giá trị đầu ra tương ứng với x(i): d (i) d1 (i), d 2 (i), d 3 (i), d 4 (i)T
d1 là đầu ra đo nhấp nhô tế vi Rz (hay Ra)
d2 là đầu ra năng suất cắt Q
d3 là lực cắt F
d4 là lượng mòn dao hs
- Gọi i là sai lệch phần trăm tương đối giữa giá trị kết xuất của mạng và giá trị thực
đo đạc được tại bộ giá trị thí nghiệm thứ i là:
d yi
i i
.100%
(3.1)
di
- Sai số trung bình trên toàn bộ dữ liệu mẫu thí nghiệm đưa vào tb là:
m
tb
i 1
i
m
Trong đó m là số bộ dữ liệu đưa vào mạng
- Độ phân tán sai số dự đoán của các sai số i quanh giá trị sai số trung bình là:
m
i 1
tb
2
i
m 1
- Độ lệch trung bình bình phương của toàn bộ tập dữ liệu E:
Gọi e là độ lệch của mỗi điểm dữ liệu:
ei d i yi
(3.2)
(3.3)
(3.4)
Tổng giá trị sai lệch cho n bộ dữ liệu là 2E, trong đó:
1 n 2
(3.5)
E ei
2 i 1
Một mô hình mạng có các tham số mạng tốt thì giá trị sai số trung bình tb và độ phân
tán sai số càng nhỏ càng tốt (tb, ), hay giá trị E càng nhỏ càng tốt. Quá trình tìm bộ
tham số mạng được thực hiện thông qua quá trình lặp với một bộ tham số được chọn ban
đầu ngẫu nhiên. Mỗi vòng lặp tìm ra được một bộ tham số tương ứng và làm giảm giá trị
sai số trung bình, độ phân tán sai số hay giá trị E. Vì vậy có thể so sánh độ tốt hay xấu của
các bộ tham số mạng qua một trong 2 tiêu chuẩn sau:
36
- So sánh bộ giá trị (tb, ) của mỗi bộ tham số mạng
- So sánh độ lệch trung bình bình phương E
Nếu sử dụng chỉ số E làm tiêu chuẩn so sánh, đánh giá độ tốt xấu của mỗi bộ tham số
mạng như một điều kiện dừng cho bài toán tìm tham số mạng thì 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. Nếu hai bộ
tham số đều cho E như nhau nhưng có thể cho độ phân tán của sai số là khác nhau. Ở đây
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 sẽ rất
lớn gây ra độ chính xác dự đoán mối quan hệ cũng không cao. Ngược lại ưu điểm khi dùng
tiêu chuẩn E làm tiêu chuẩn dừng thì quá trình tính toán sẽ đơn giản hơn, nhanh hơn.
Nếu sử dụng giá trị sai số trung bình và độ phân tán sai số làm tiêu chuẩn dừng cho bài
toán, qúa trình tính toán nhiều hơn nhưng lại cho khả năng điều chỉnh mô hình mạng chính
xác với mô hình thực tế hơn. Trong luận án sử dụng sai lệch E làm công cụ giảm sai số
toàn bộ mẫu và dùng sai số trung bình, phương sai của sai số làm tiêu chuẩn dừng cho bài
toán.
3.2.2 Giải thuật ABC và lan truyền ngược xác định các tham số hệ thống
mạng
Các tham số toán học của mô hình mạng đã được xác định cụ thể khi chọn các hàm liên
thuộc và số biến đầu vào cụ thể. Giá trị hàm sai lệch E, sai số i, sai số trung bình tb, độ
phân tán sai số là hàm quan hệ phụ thuộc vào các tham số hệ thống của mạng. Gọi các
tham số của mạng là một vector w mà các thành phần wi là các thông số xác định các hàm
liên thuộc và các trọng số pi. Bộ tham số hệ thống của mạng w được xác định qua vector
tham số:
w [w1 , w2 ,..., wi ,..., wn ]T
(3.6)
Giá trị kết xuất đầu ra của mạng là hàm quan hệ phụ thuộc vào bộ tham số mạng:
(3.7)
y f w
Các giá trị sai i, tb, , E cũng là những hàm quan hệ phụ thuộc vào bộ tham số mạng
i i w ; tb tb w ; w ; E E w . Để xác định bộ tham số w sao cho giá trị
đầu ra của mạng bám sát được giá trị thực di, sử dụng hai giải thuật là lan truyền ngược và
giải thuật ABC.
a) Sơ đồ giải thuật lan truyền ngược
Từ phân tích và sử dụng phương pháp giảm dốc Gradient trong chương 2, thiết lập sơ
đồ thuật toán lan truyền ngược điều chỉnh các tham số hệ thống mạng thể hiện như hình
3.2. Quá trình bắt đầu bởi việc khởi tạo ngẫu nhiên bộ tham số hệ thống mô hình mạng. Bộ
tham số đầu tiên này thực chất là một nghiệm w0 trong không gian nghiệm và xác định một
mô hình toán học mạng. Với bộ tham số nghiệm ban đầu w0 tính toán các giá trị đầu ra kết
xuất bởi mạng tương ứng yi. Tính toán các giá trị sai lệch ei, i, tương ứng với các bộ dữ
liệu và cả tập dữ liệu vào, thực hiện quá trình lặp và kiểm tra điều kiện dừng. Nếu điều
kiện dừng không thỏa mãn thì thực hiện quá trình điều chỉnh cập nhật các giá trị tham số
hệ thống mới theo thuật toán. Quá trình cập nhật này tạo ra một bộ tham số hệ thống mới
chính là một nghiệm w mới trong không gian nghiệm. Thực hiện kiểm tra vòng lặp giới
hạn và sai số trung bình. Nếu sai số trung bình lớn hơn sai số trung bình cho phép hay số
lần lặp không vượt quá giới hạn dừng thì tiếp tục quá trình lặp còn ngược lại thì kết thúc và
37
cập nhật lại bộ tham số hệ thống, lưu kết quả và thoát khỏi vòng lặp. Thuật toán sử dụng 2
tiêu chuẩn dừng là sai số trung bình và số lần lặp. Mục đích sử dụng 2 tiêu chuẩn lặp là
nhằm tránh máy bị treo khi không thỏa mãn điều kiện dừng sai số trung bình nhỏ hơn sai
số trung bình cho phép.
38
Nhược điểm lớn nhất của giải thuật lan truyền ngược là khả năng làm giảm sai lệch E
phụ thuộc nhiều vào điểm khởi tạo ban đầu w0 và hệ số học như đã được phân tích trong
chương 2 nhưng ưu điểm là tốc độ hội tụ nhanh. Nếu có điểm khởi tạo nghiệm ban đầu tốt
cho đầu vào thuật toán lan truyền ngược thì quá trình hội tụ về các tiêu chuẩn dừng sẽ
nhanh hơn.
b) Sơ đồ giải thuật trí tuệ bầy ong nhân tạo
Giải thuật bầy ong nhân tạo thuộc lớp trí tuệ bầy đàn, dựa trên quan sát tự nhiên của bầy
ong khi tìm mật hoa. Đàn ong với các cá thể được chia làm 3 nhóm ong khác nhau: ong
thợ, ong tìm kiếm, ong giám sát. Các cá thể ong luôn giữ mối liên hệ với nhau thông qua
khu vực trao đổi thông tin. Ong thợ được điều đi khắp nơi để tìm kiếm nguồn mật hoa, một
nguồn mật hoa là đại diện cho một nghiệm w của bài toán và do một ong thợ đảm nhiệm.
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 ở 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. 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. Gải thuật trong luận án sử
dụng giải các bài toán tối ưu trong cơ khí với cách tiếp cận làm giảm thời gian thực khi
thực hiện thuật toán.
Hàm sai lệch E=E(w), trong đó w là vector tham số hệ thống mạng. Cũng giống như
thuật toán lan truyền ngược là cần tìm bộ tham số w* để giá trị hàm sai lệch hay sai lệch
trung bình tb, độ phân tán sai số đạt giá trị nhỏ nhất. Bản chất của bài toán ở đây cũng là
bài toán tối ưu sử dụng phương pháp lặp số với giải thuật trí tuệ bầy đàn của loài ong. Dựa
trên quy trình của bầy ong như ở trên, thuật toán ABC được thiết lập theo sơ đồ giải thuật
như hình 3.3 và bao gồm các bước chính sau đây:
39
Bước 1: Khởi tạo quần thể nghiệm ban đầu
Khái niệm nghiệm ở đây được hiểu chính là nguồn thức ăn trong quá trình tìm kiếm, vì
con ong luôn có xu hướng tìm nguồn thức ăn nhiều mật nhất hay chính là tìm nghiệm tối
ưu của hàm. Khởi tạo một quần thể nghiệm ban đầu v0=(v1,v2,..vj,..vm)0 gồm m nghiệm ban
đầu, tức là một tập hợp các nghiệm vj hay một cách khác là tập hợp các vector được khởi
tạo một cách hoàn toàn ngẫu nhiên. Mỗi vector vj là đại diện của một nghiệm, với số các
thông số của vector chính là số biến của hàm mục tiêu là E(w) hay tb, . Các thông số của
vector này là tọa độ của nghiệm đó.
Số ong thợ bằng số ong giám sát và cũng chính là số lượng nghiệm trong quần thể vì
mỗi một ong thợ chỉ đại diện được cho một nghiệm trong quá trình tìm kiếm nghiệm tối
ưu. Tùy vào độ phức tạp của hàm mà khởi tạo số lượng nghiệm ban đầu. Hàm càng phức
tạp thì số lượng nghiệm hay số ong thợ khởi tạo càng lớn vì như vậy khoảng không gian
tìm kiếm sẽ rộng hơn, thuận lợi hơn cho việc tìm đến nghiệm tối ưu.
40
Một vector nghiệm vj được khởi tạo ngẫu nhiên:
vj=(w1j,w2j,w3j,…wij,…wnj)
(3.8)
trong đó:
wij là tham số thực được khởi tạo ngẫu nhiên trong khoảng [0,1]
Khởi tạo như vậy sẽ được một vector với các tham số thuộc không gian số thực. Hình 3.4
là đồ thị minh họa việc khởi tạo quần thể nghiệm ban đầu với các nghiệm có giá trị khác
nhau
Bước 2: Tạo nghiệm mới do ong thợ
Quy trình tìm nghiệm mới này được áp dụng cho tất cả các nghiệm trong quần thể khởi
tạo thể hiện trong sơ đồ thuật toán 3.5. Ong thợ sẽ tìm nguồn thức ăn mới xung quanh
nguồn thức ăn nó vừa tìm được và quá trình tìm kiếm đó được gọi là quá trình khai thác.
Quần thể nghiệm ban đầu có m nghiệm thì tương ứng cũng có m ong thợ. Vị trí mỗi ong
thợ là một vị trí nghiệm. Vì vậy khi tạo các nghiệm mới do ong thợ chính là tạo ra một vị
trí nghiệm mới. Vị trí mới tìm được sẽ được so sánh với vị trí cũ về số lượng mật, do đó
nếu vị trí mới tốt hơn thì thay vị trí cũ bằng vị trí mới, còn nếu ngược lại thì vị trí cũ vẫn sẽ
giữ nguyên. Tại vị trí nguồn thức ăn thứ j vector nghiệm là vj, khảo sát lân cận xung quanh
nguồn thức ăn xem có vị trí nào tốt hơn hay không, tạo ra các nghiệm mới xung quanh
nghiệm cũ vj là vj‟, các thông số của nghiệm mới dựa trên các giá trị của các thông số của
nghiệm cũ vj và chỉ làm thay đổi một thông số tại vị trí thứ i nào đó:
vj‟=(w1j,w2j,…,wij‟,…wnj), i=1†n, j=1†m
(3.9)
Trong đó:
wij‟=wij+rkj(wij-wik)
(3.10)
- rkj là một số ngẫu nhiên trong khoảng [-1,1]
- wik là tham số thứ i vủa vector nghiệm thứ k là vk trong quần thể nghiệm đã có,
vector nghiệm vk được chọn hoàn toàn ngẫu nhiên và khác với vector nghiệm vj.
Việc tạo nghiệm mới do ong thợ được tiến hành theo quy trình:
+ Tạo quần thể gồm m nghiệm do vậy có m ong thợ
+ Đặt biến i: là biến đếm ong thợ
+ Ban đầu i =0
41
Quá trình tìm ra nghiệm mới không đảm bảo được nghiệm mới là tốt hơn nghiệm cũ
nên phải thực hiện so sánh tác động của nghiệm cũ và nghiệm mới để lựa chọn. Tính giá trị
của hàm mục tiêu E(v) cho hai giá trị nghiệm cũ và mới là: E(vj) và E(vj‟).
- Nếu E(vj‟)
- Xem thêm -