Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  22,156,135
  • Công bố khoa học và công nghệ Việt Nam

BB

Hoàng Thị Diệu, Tăng Quốc Nam(1), Vũ Quốc Trụ, Đỗ Thanh Bình

KẾT HỢP ANN VÀ CS NHẰM NÂNG CAO CHẤT LƯỢNG DỰ ĐOÁN ĐỘ MÒN DỤNG CỤ KHI TIỆN KHÔ TỐC ĐỘ CAO THÉP SKD11

INTEGRATING ANN AND CS TO IMPROVE TOOL WEAR PREDICTION IN HIGH-SPEED DRY TURNING OF SKD11 STEEL

Journal of Science and Technique

2023

03

30

Bài báo trình bày kết quả cải tiến mạng nơ ron nhân tạo (ANN) để dự đoán lượng mòn dụng cụ khi tiện khô tốc độ cao thép SKD11. ANN nguyên thủy là mô hình lan truyền ngược (BPN) với thuật toán độ dốc giảm dần (GD). Trong mô hình cải tiến, được gọi là ANN-CS, một số tham số được tối ưu hóa bằng thuật toán tìm kiếm Cuckoo (CS). Cả hai mô hình đều được huấn luyện, kiểm tra và xác nhận với cùng một tập dữ liệu gia công thử nghiệm dựa trên các chỉ số hiệu năng, như R2, MSE, RMSE và MAPE. Kết quả cho thấy ANN-CS cho độ chính xác dự đoán cao hơn so với BPN. Đặc biệt, mức cải thiện lên tới 30% với chỉ số MAPE. Kết quả nghiên cứu này có ý nghĩa quan trọng trong việc chọn lựa các mô hình mạng trí tuệ nhân tạo phù hợp với tính chất, số lượng dữ liệu lớn và khác biệt.

This article presents the results of improving an artificial neural network (ANN) to predict the tool wear in high-speed dry turning of SKD11 steel. The original ANN was a back-propagation (BPN) model with the Gradient Descent algorithm (GD). In the improved model, so-called ANN-CS, some parameters were optimized by the Cuckoo search algorithm (CS). Both models were trained, validated, and tested with the same experimental machining dataset based on performance indices, such as R2, MSE, RMSE, and MAPE. The results show that the ANN-CS gives higher prediction accuracy in comparison with the BPN. Especially, the improvement is as high as 30% with the MAPE index. This research result has important implications in choosing artificial intelligence network models suitable for the nature and amount of data that is both large and different. Moreover, this result can help researchers have more basis to choose the training model with high accuracy.