Shafiei Alavijeh M, Amirabadi H. Modeling and optimizing lapping process of 440C steel by Neural Network and Multi-objective particle swarm optimization algorithm. Modares Mechanical Engineering 2017; 17 (8) :201-212
URL:
http://mme.modares.ac.ir/article-15-12097-fa.html
۱- گروه مکانیک، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران
۲- دانشیار گروه مکانیک دانشگاه بیرجند
چکیده: (۵۰۹۱ مشاهده)
مهمترین مشکل در فرآیند لپنکاری، پایین بودن نرخ برداشت ماده است که سبب افزایش هزینه و زمان تولید می گردد. بنابراین در فرآیند لپنکاری، انتخاب شرایطی که بتواند علاوه بر تولید قطعاتی با عدم تختی و زبری سطح موردنیاز، نرخ برداشت ماده بالایی نیز داشته باشد بسیار مهم و ضروری است. در این تحقیق در فرآیند لپنکاری تخت یک طرفه، اثر پارامترهای اندازه ذرات ساینده، درصد وزنی ذرات ساینده در دوغاب لپنکاری و فشار لپنکاری بر نرخ برداشت ماده، عدم تختی و زبری سطح قطعاتی از جنس فولاد 440c به روش تجربی (آزمایشگاهی) مورد بررسی قرار گرفته است. در ادامه توسط شبکه عصبی مصنوعی، اثر پارامترهای مذکور بر نرخ برداشت ماده، عدم تختی و زبری سطح قطعات لپنکاری شده، مدلسازی شده و در نهایت با استفاده از الگوریتم بهینه سازی چندهدفه ازدحام ذرات به بهینه سازی همزمان نرخ برداشت ماده، زبری سطح و تختی قطعات لپنکاری شده پرداخته و جبهه پارتو مربوطه، بدست آورده شده است. نتایج بهدستآمده نشان می دهند که با استفاده از الگوریتم بهینه سازی چندهدفه ازدحام ذرات می توان قطعاتی با زبری سطح و تختی مورد نیاز را با نرخ برداشت ماده بالا تولید کرد. درنتیجه با استفاده از این روش علاوه بر ایجاد قطعاتی باکیفیت مطلوب، هزینه و زمان تولید نیز کاهش می یابد.
نوع مقاله:
مقاله پژوهشی کامل |
موضوع مقاله:
روشهای ساخت دریافت: 1396/3/27 | پذیرش: 1396/4/21 | انتشار: 1396/5/18