طبیعت پیچیده و اتفاقی فرآیند ماشینکاری تخلیه الکتریکی سبب بی‌نتیجه ماندن تلاشهای زیادی به منظور مدل‌سازی فیزیکی آن شده است. در این مقاله از دو شبکه عصبی با نظارت پس انتشار و تابع پایه شعاعی برای مدل‌سازی فرآیند استفاده شده است. شبکه‌ها دارای سه ورودی جریان، ولتاژ و دوره تناوب پالس‌ها به عنوان متغیرهای مستقل فرآیند و دو خروجی نرخ براده‌برداری و صافی سطح به عنوان مشخصه‌های عملکردی می‌باشند. آموزش شبکه‌ها با استفاده از داده‌های تجربی حاصل از آزمایش صورت گرفته و تواناییهای مدل‌ها در پیش‌بینی رفتار ماشینکاری مورد تایید قرار گرفته است. جهت مقایسه، مدل رگرسیون مرتبه دوم نیز برای تخمین خروجیهای فرآیند به کار گرفته شده است. خروجیهای حاصل از مدل‌های عصبی و رگرسیون با نتایج تجربی مقایسه شده و مقادیر خطاهای نسبی محاسبه گردیده‌اند. بر اساس این خطاهای تأییدی، نشان داده شده که شبکه عصبی با تابع پایه شعاعی عملکرد بهتری در این حالت خاص دارد و به‌ترتیب دارای مقادیر متوسط خطای %11/8 و %73/5 در پیش‌بینی نرخ براده‌برداری و صافی سطح می‌باشد. تحلیل بیشتر فرآیند ماشینکاری تحت شرایط مختلف ورودی مورد بررسی قرار گرفته است و مقایسه نتایج مدل‌سازی با ملاحظات تئوری، انطباق خوبی را نشان می دهد که کارایی و موثر بودن روش به کار گرفته شده را نیز مورد تأیید قرار می‌دهد.

واژه‌های کلیدی: پس انتشار، تابع پایه شعاعی، شبکه های عصبی مصنوعی، کلید واژگان: ماشینکاری تخلیه الکتریکی، مدل سازی فرآیند

متن کامل [PDF 215 kb]   (9184 دریافت)