TỔNG QUAN
Lí do chọn đề tài
Ngày nay, ngành kỹ thuật đóng vai trò quan trọng trong xã hội và đời sống con người, với sự phát triển không ngừng của khoa học kỹ thuật Con người luôn tìm kiếm những giải pháp chính xác và tối ưu Để đáp ứng nhu cầu này, các cơ cấu khớp nối hiện đại đã ra đời nhằm thay thế cho các khớp nối truyền thống, với yêu cầu cao về độ chính xác và đàn hồi Nhóm nghiên cứu đã chọn cơ cấu biến dạng lớn “Large Deformation Hinge” để chế tạo mô hình đo, tiến hành thực nghiệm và kiểm tra các thông số ảnh hưởng đến độ chính xác của khớp mềm trong quá trình in 3D.
Mục tiêu
Nhằm giải đáp các thắc mắc trong mục “Lí do chọn đề tài” nhóm đã thực hiện đề tài này và đặt ra các mục tiêu như sau :
- Chế tạo thành công mô hình đo của cơ cấu “Large Deformation Hinge”
- Kiểm tra mô hình đo có đạt độ chính xác cao không
- Phân tích số liệu đo và đưa ra kết luận về một số yếu tố ảnh hưởng đến quá trình sản xuất cơ cấu bằng phương pháp in 3D.
Giới thiệu về khớp nối
Khớp nối là sản phẩm mối nối ghép, giúp liên kết các bộ phận giữa hai đường ống hoặc giữa các chi tiết máy, bao gồm cả các van Nói một cách đơn giản, khớp nối là phụ kiện kết nối giữa hai trục, có chức năng truyền momen xoắn từ trục được dẫn động đến thành phần trục được dẫn động.
Khớp nối có chức năng chuyển động động cơ, ngăn ngừa sai lệch vị trí do lắp đặt không thẳng hàng, từ đó giảm áp lực, mài mòn và sai lệch Ngoài ra, khớp nối còn giúp ổn định các chi tiết máy, hạn chế rung lắc và va đập, đồng thời giảm tiếng ồn trong quá trình vận hành.
Khớp nối mềm là loại khớp nối có khả năng biến dạng và đàn hồi tốt, giúp giảm lực tác động và va đập Đây là phụ kiện quan trọng trong việc liên kết các chi tiết và truyền chuyển động giữa chúng, đảm bảo sự ổn định cho hệ thống vận hành Ngoài ra, khớp nối còn có chức năng đóng mở các cơ cấu, giảm tải trọng động và ngăn ngừa tình trạng quá tải, đồng thời bù sai lệch tâm giữa các trục.
Trong kết cấu này, khâu liên kết có khả năng biến dạng đàn hồi lớn, cho phép lưu trữ năng lượng va đập gây rung động Nguồn năng lượng này sẽ được giải phóng dần, giúp hạn chế chấn động đột ngột truyền từ trục này sang trục kia Điều này cho thấy rằng khớp nối mềm không chỉ có khả năng bù sai lệch trục mà còn có khả năng giảm chấn hiệu quả.
Phương pháp in 3D
Hiện nay in 3D là một phương pháp sản xuất rất phổ biến bởi sự tiện nghi và chi phí cho thiết bị và vật thiệu thấp
Một số phương pháp in 3D phổ biến:
Công nghệ FDM là phương pháp in 3D phổ biến nhất hiện nay, trong đó mẫu in được tạo ra bằng cách đùn nhựa nóng và hóa rắn theo từng lớp, từ đó hình thành cấu trúc sản phẩm.
Công nghệ SLA sử dụng tia UV để làm cứng từng lớp nhựa lỏng, tạo ra các vật thể in 3D thông qua quá trình xếp chồng nhiều lớp Đây là công nghệ in 3D với vật liệu nhựa tiên tiến và hiệu quả nhất hiện nay.
Công nghệ DLP, viết tắt của Digital Light Processing, là một công nghệ tiên tiến sử dụng phản xạ ánh sáng để tạo ra sản phẩm in ấn Nhờ vào khả năng này, DLP mang lại tốc độ in nhanh chóng và độ phân giải cao, làm cho nó trở thành một lựa chọn lý tưởng trong ngành công nghiệp in.
- Công nghệ SLS: vận hành tương tự SLA nhưng vật liệu ở dạng bột, thủy tinh,…có thể tạo lớp bằng vật liệu phụ trợ là keo chuyên dụng
Công nghệ SLM là một phương pháp in 3D kim loại, sử dụng các loại vật liệu dạng bột như titan, nhôm, đồng và thép Công nghệ này hoạt động tương tự như SLS và SLA, mang lại khả năng tạo ra các sản phẩm chất lượng cao từ vật liệu kim loại.
Công nghệ EBM (Electron Beam Melting) là một kỹ thuật in 3D sử dụng chùm tia điện tử được điều khiển trong môi trường chân không để làm tan chảy hoàn toàn bột kim loại ở nhiệt độ lên đến 1000°C Tuy nhiên, EBM hiện tại gặp phải hạn chế về tốc độ và chi phí, khiến cho việc áp dụng công nghệ này trở nên khó khăn hơn so với các phương pháp in 3D khác.
Công nghệ LOM (Laminated Object Manufacturing) sử dụng lớp vật liệu như giấy, nhựa hoặc kim loại mỏng để tạo hình sản phẩm Quá trình này bao gồm việc hợp nhất các lớp vật liệu dưới nhiệt và áp suất, sau đó cắt bằng tia laser hoặc dao Phương pháp này không chỉ tiết kiệm chi phí mà còn mang lại tốc độ sản xuất nhanh chóng, đồng thời cho phép tạo ra các sản phẩm 3D với màu sắc phong phú.
Công nghệ in 3D BJ sử dụng hai loại vật liệu: một loại bột nguyên liệu, thường là thạch cao, và một tác nhân liên kết Công nghệ này có thể áp dụng cho nhiều loại vật liệu khác nhau như gốm, kim loại, cát và nhựa.
Các thông số cơ bản của in 3D:
Layer trong công nghệ in 3D FDM có thể hiểu là lớp in, nơi một vật thể được hình thành bằng cách nung chảy sợi nhựa qua đầu đùn và xếp chồng từng lớp nhựa Độ dày của lớp in (Layer Height) ảnh hưởng trực tiếp đến độ chính xác và độ mịn bề mặt của vật thể; lớp in dày có thể giảm độ chính xác, trong khi lớp in mỏng sẽ kéo dài thời gian in.
- Infill: là một độ in hay độ đặc/rỗng của mẫu in
- Speed: là tốc độ in Thông thường tốc độ in chậm thường cho độ chính xác của vật in cao hơn
Support trong in 3D có thể được hiểu là giàn giáo bên ngoài, trong khi infill là giàn giáo bên trong của vật in Khi một đối tượng có phần nhô ra ngoài 45°, nó có thể bị chùng xuống, do đó cần có vật liệu support bên dưới để nâng đỡ và giữ cho cấu trúc vững chắc.
- Flow: là lượng nhựa in đùn ra khi in (nếu bạn muốn lượng nhựa đùn ra nhiều hơn hay ít hơn tại vị trí nào thì tăng lên).
Cơ sở lí thuyết
GX Works2 là phiên bản nâng cấp và thay thế cho GX Developer, khắc phục những hạn chế về tính năng Phiên bản phần mềm này mang đến nhiều cải tiến đáng kể.
• Giao diện được thiết kế lại một cách trực quan hơn để thuận tiện cho người sử dụng
• Thư viện các modul được cập nhập đầy đủ hơn
• Hỗ trợ thêm những ngôn ngữ lập trình như FBD và SFC
• Thao tác tùy chỉnh các thông số dễ dàng
• Bộ cài đặt được tích hợp thêm các gói phần mềm hỗ trợ
MatLab, ngôn ngữ lập trình do MathWorks phát triển, cho phép người dùng thực hiện nhiều tác vụ như xây dựng ma trận, vẽ đồ thị hàm số, và biểu đồ dữ liệu Nó hỗ trợ thực hiện các phép toán, tạo giao diện người dùng, và liên kết với các chương trình viết bằng nhiều ngôn ngữ khác nhau như C, C++, Java và FORTRAN Ngoài ra, MatLab còn được sử dụng để phân tích dữ liệu, phát triển thuật toán, cũng như tạo ra các mô hình và ứng dụng.
MatLab tích hợp nhiều lệnh và hàm toán học, hỗ trợ người dùng trong việc tính toán số liệu, vẽ đồ thị và áp dụng các phương pháp số hiệu quả.
Phần mềm phần tử hữu hạn này là một giải pháp toàn diện cho việc mô phỏng và tính toán trong nhiều lĩnh vực kỹ thuật như kết cấu, nhiệt, dòng chảy, điện và điện từ Nó hỗ trợ nghiên cứu tương tác giữa các môi trường và các hệ vật lý, đáp ứng nhu cầu đa dạng của ngành công nghiệp.
Minitab là giải pháp phân tích và thống kê dữ liệu hiệu quả, cung cấp công cụ cần thiết để giải quyết vấn đề kinh doanh Phần mềm này đơn giản hóa đầu vào dữ liệu, giúp dễ dàng thực hiện phân tích thống kê và thao tác với tập dữ liệu Các xu hướng, mô hình và biểu đồ được phân tích và diễn giải để đưa ra kết luận cuối cùng, từ đó cung cấp những câu trả lời hữu ích cho doanh nghiệp Với Minitab bản quyền, việc giải quyết vấn đề trở nên dễ dàng và nhanh chóng hơn.
Phương pháp phân tích phương sai ANOVA được áp dụng để nghiên cứu ảnh hưởng của biến nguyên nhân định tính đối với biến kết quả định lượng Phương pháp này cho phép so sánh trung bình của ba nhóm trở lên.
Sức căng, hay còn gọi là nội lực, là đại lượng thể hiện lực nội phát sinh trong vật thể khi bị biến dạng do tác động của các yếu tố bên ngoài như tải trọng và sự thay đổi nhiệt độ.
Phương trình ứng suất tổng quan:
Trong đó: σ là ứng suất, F là lực và A diện tích bề mặt
PHƯƠNG ÁN THIẾT KẾ
Thiết kế cơ cấu Large Deformation Hinge trong SOLIDWORK
Để thiết kế nhóm sử dụng phần mềm SOLIDWORK, chúng tôi đưa ra phương án cho cơ cấu và bản vẽ phục vụ gia công sản phẩm thí nghiệm Cơ cấu large deformation hinge có kích thước chính 270x20x20(mm) Thiết kế bao gồm hai đầu mút hình vuông gắn với phần trục hình chữ thập, với kích thước đầu mút là 20x20x10(mm) và phần trục chữ thập có kích thước 250x20x20(mm).
Để thực hiện thí nghiệm, nhóm đã xác định điểm đặt lực cố định cho các trục 60mm và lựa chọn 12 vị trí cách đều nhau, mỗi vị trí cách nhau 10mm, với vị trí ban đầu được xác định rõ ràng.
7 điểm đặt lực cố định 50mm
Hình 2.4 Vị trí các điểm đăt lực trên cơ cấu
Gia công và hoàn thiện mô hình đo
Sau khi hoàn thành thiết kế cơ cấu, nhóm tiến hành thiết kế mô hình đo chuyển vị với hai bản lề gắn chặt vào phần đế bằng bulong và bổ sung ổ đỡ lăn để hỗ trợ lực tác dụng Mô hình sử dụng dây đai làm vật dẫn truyền động để thu thập dữ liệu, kết hợp với PLC và Encoder để đo độ lệch Dây đai truyền tín hiệu đến encoder và hiển thị kết quả trên màn hình máy tính Nhóm cũng thiết kế bộ phận để ôm trọn trục chữ thập bên trong, với hình tròn bên ngoài nhằm thuận tiện cho việc gắn vào ổ đỡ lăn và chịu lực từ dây đai.
Hình 2.5 Thiết kế mô hình đo
Kích thước cơ bản của trục cơ cấu là 20x20(mm), sử dụng một bộ phận hỗ trợ quay được lắp cố định tại vị trí đặt lực Bộ phận này được chia thành hai phần giống nhau, khi ghép lại sẽ tạo thành hình dạng như hình 2.6.
Hình 2.6 Bản vẽ bộ phận hỗ trợ quay
Tấm đế đỡ trục Đế đỡ trục
Tấm đế đỡ encoder Đế đỡ encoder
Cục hỗ trợ quay Ổ lăn
Bộ phận này có hình trụ tròn, bên trong được thiết kế để lắp chặt vào cơ cấu, trong khi bên ngoài có một rãnh tròn rộng 5mm để kết nối dây đai với cơ cấu, đảm bảo lực tác dụng đồng đều xung quanh vị trí đo Để kết nối hai phần của bộ phận, nhóm đã tạo hai lỗ M4 Để đảm bảo cơ cấu quay quanh một trục cố định trong quá trình thực nghiệm, nhóm đã gắn một gối đỡ tại vị trí đặt lực cố định, ôm bên ngoài bộ phận hỗ trợ quay có đường kính ngoài 30mm, do đó nhóm đã chọn gối đỡ bi KP006.
Bảng 1 Tra gối đỡ vòng bi
Sử dụng dây đai trơn rộng 5mm để kết nối bộ phận hỗ trợ đo với đầu encoder và bánh quay nhằm thu được kết quả chính xác Dưới đây là mô hình hoàn chỉnh của nhóm trong quá trình gia công.
Hình 2.7 Mô hình thực tế
Phần đế đỡ của mô hình được chế tạo từ nhôm thông qua quy trình phay CNC, có độ dày 10mm cho phần đế và 5mm cho phần đỡ encoder.
Trục cơ cấu Large Deformation Hinge được gia công bằng phương pháp in 3D Fused deposition modeling – FDM, vật liệu được sử dụng là nhựa nhiệt dẻo PLA-
THỰC NGHIỆM
Các bước thực hiện
Hình 3.1 Phát triển mô hình
- Điểm đặt lực cách đầu mút 60 mm
- Đo 12 vị trí, mỗi vị trí cách đều nhau được đếm số từ 5 đến 16
- Sử dụng phần mềm GX works 2 để đo số liệu
- Mỗi vị trí tiến hành đo 12 lần, mỗi lần đo thay đổi góc quay cách đều nhau từ
- Sau khi đo 144 lần, đưa số liệu vào bảng Excel đã lập trước nhằm chuyển đổi từ xung sang độ để thực hiện các bước tính toán về sau
Dựa trên các số liệu đã được đo đạc, chúng tôi tính toán độ lệch góc giữa các vị trí đo và điểm gốc, thông tin này sẽ được sử dụng để vẽ biểu đồ origin trong các bước tiếp theo.
- Thay đổi tính chất của trục: độ dày lớp in, góc in, mật độ nhựa, mỗi tính chất thay đổi 5 lần, tổng số lần thí nghiệm là (15+1) x 144 = 2304 lần
Tiến hành đo
Hình 3.2 Thiết lập thử nghiệm
- Sử dụng phần mềm GX works 2 để đo xung của encoder
Hình 3.3 Chương trình GX works 2
- Sau khi thực nghiệm được bảng số liệu sau :
Với α là góc quay bị động ò là gúc quay chủ động
Bảng 2 Số liệu thực nghiệm
MÔ PHỎNG
Mô phỏng mô hình đo trong phần mềm Ansys
Vật liệu được sử dụng là nhựa nhiệt dẻo đặc biệt có tên là Axit Polylactic (PLA-
F) Đầu tiên, mô hình cơ chế đã phát triển được xây dựng bằng phần mềm
SOLIDWORK và sau đó được nhập vào môi trường kết cấu tĩnh (công cụ ANSYS)
Hình 4.1 Mô phỏng chia lưới và tác dụng lực trong phần mềm Ansys
Cài đặt kích thước lưới là 1mm với kiểu lưới quadratic Điểm A được sử dụng để đặt momen lực cho mô phỏng, trong khi Remote Displacement được dùng để điều khiển hướng quay và kiểm soát hướng dịch chuyển tại điểm B Điểm C là phần cố định chịu tác dụng lực, được mô phỏng bằng các mặt cố định giống như phần đế trong mô hình thực tế.
Ta thấy việc cố định hai đầu C, hai phương Z và X sẽ được khóa cố định không thể dịch chuyển, phương Y được tác dụng lực xoắn
Hình 4.2 Kết quả chạy mô phỏng phân tích trong Ansys
Kết quả mô phỏng cho thấy biến dạng chuyển vị ở vị trí tác dụng lực momen A,
B bị biến dạng nhiều nhất và giảm dần về hai bên Số liệu sẽ được thu thập từ mỗi góc quay khác nhau để tiến hành phân tích ở bước tiếp theo.
Hình 4.3 Thay đổi góc quay chủ động để thay đổi độ biến dạng
Trong thí nghiệm thực tế, các góc quay chủ động được thực hiện từ 5 đến 55 độ, với mỗi bước là 5 độ Mỗi góc xoay 5 độ sẽ được tiến hành đo ứng suất tại điểm đặt lực mô men và chuyển vị đầu tiên.
Bảng 3 Ứng suất của góc quay
Sử dụng lệnh Solution đầu ra với Total Deformation, điều chỉnh mục type thành Directional Deformation sẽ cho ra độ biến dạng theo đơn vị mm, phản ánh sự thay đổi so với vị trí ban đầu của trục hình dạng chữ thập sau khi đã quay.
Hình 4.4 Mô phỏng đo độ biến dạng tại vị trí đã xác định trước
Sử dụng lệnh Deformation Probe trong mục Solution để chọn các vị trí đã được đánh dấu, nơi đã được đo thực nghiệm bằng mô hình thực tế Kết quả sau khi chạy mô phỏng sẽ được phân tích cùng với các số liệu đã có.
Bảng 4 Độ lệch đo được trong mô phỏng Ansys tại vị trí 10
Góc quay chủ động Độ lệch (Độ)
Ứng dụng Matlab
2.1 Giới thiệu mạng Nơ-ron và lí do chọn mạng Nơ-ron
Mạng Nơ-ron nhân tạo (ANN) là một hệ thống gồm các phần tử xử lý đơn giản được kết nối, mỗi phần tử thực hiện các phép toán nhỏ Tuy nhiên, khi kết hợp lại, chúng tạo ra khả năng tính toán vượt trội Mạng Nơ-ron nhân tạo được phát triển dựa trên nguyên lý hoạt động của bộ não con người.
Nhóm nghiên cứu đã chọn sử dụng Mạng nơ-ron nhân tạo (ANN) vì không thể kiểm tra tất cả các trường hợp có thể xảy ra trong quá trình thực nghiệm ANN giúp tạo ra một chương trình tương ứng với các dữ liệu đầu vào, từ đó cho phép dự đoán các số liệu còn thiếu trong quá trình thực nghiệm.
Gán giá trị đầu vào (Input) và đầu ra (Target)
- Đầu vào: là các thông số thay đổi của cơ cấu trong quá trình in + Góc quay chủ động
- Đầu ra: là độ lệch giữa góc quay chủ động và góc quay bị động
- Khởi động phần mềm, chọn New Variable để nhập đầu vào (Input)
Hình 5.1 Nhập giá trị đầu vào (Input)
- Chọn New Variable để nhập vào đầu ra (Target)
Hình 5.2 Nhập giá trị đầu ra (Target)
- Nhập “nntool” ở thanh Command Window để mở công cụ Neural Network
Hình 5.3 Mở công cụ Neural Network
- Nhấn Import, gán giá trị Input và Target lần lượt vào Input Data và Target Data sau đó nhấn Import
Hình 5.4 Gán giá trị Input và Target
Để tạo sơ đồ cho bài toán mạng nơ-ron nhân tạo, hãy chọn tùy chọn New, sau đó thiết lập các giá trị và thuật toán cho chương trình học Cuối cùng, nhấn Create để khởi tạo mạng nơ-ron.
Hình 5.5 Tạo mạng Nơ-ron
Theo lý thuyết, không cần thiết phải sử dụng mạng nơ-ron với nhiều hơn hai lớp ẩn, vì hầu hết các bài toán chỉ cần một lớp ẩn để giải quyết hiệu quả Việc áp dụng hai lớp ẩn thường hiếm gặp trong thực tế và quá trình huấn luyện mạng trở nên chậm chạp khi số lớp ẩn tăng lên Do đó, việc sử dụng càng ít lớp ẩn càng tốt là điều hợp lý.
Hầu hết các thuật toán huấn luyện cho mạng Nơ-ron truyền thẳng đều dựa trên phương pháp gradient Tuy nhiên, việc thêm các lớp vào mạng sẽ làm tăng độ phức tạp trong việc lan truyền lỗi, dẫn đến sự không ổn định của vector gradient.
Số lượng cực trị địa phương gia tăng đáng kể khi có nhiều lớp ẩn, dẫn đến khả năng cao bị mắc kẹt trong một cực trị địa phương sau nhiều lần lặp Khi gặp phải tình huống này, chúng ta sẽ phải bắt đầu lại từ đầu.
Khi xem xét khả năng sử dụng mạng chỉ có một lớp ẩn, nếu lớp ẩn đầu tiên chứa quá nhiều đơn vị mà không mang lại hiệu quả, việc thêm một lớp ẩn thứ hai với số lượng đơn vị ít hơn có thể là giải pháp tối ưu.
Số lớp Nơ-ron trong lớp ẩn:
Một yếu tố quan trọng trong thiết kế mạng nơ-ron là xác định số lượng nơ-ron trong lớp ẩn Việc sử dụng quá ít nơ-ron có thể gây ra khó khăn trong việc nhận diện các tín hiệu trong tập dữ liệu phức tạp, trong khi việc sử dụng quá nhiều nơ-ron có thể dẫn đến hiện tượng quá khớp.
Thời gian luyện mạng có thể được tăng cường thông qua việc tối ưu hóa nhiều yếu tố, bao gồm số lượng đầu vào và đầu ra, số lượng trường hợp trong tập mẫu, mức độ nhiễu của dữ liệu đích, độ phức tạp của hàm lỗi, cũng như kiến trúc mạng và thuật toán luyện mạng được sử dụng.
Có rất nhiều cách để lựa chọn số đơn vị trong các lớp ẩn chẳng hạn nằm giữa khoảng kích thước lớp vào, lớp ra
𝑚 = √𝑡 𝑧 Trong đó: m: Số nơ-ron lớp ẩn t: Số lớp đầu vào z: Số lớp đầu ra
Các luật về kích thước lớp chỉ là những lựa chọn thô, không phản ánh đầy đủ thực tế vì chúng chỉ xem xét kích thước đầu vào và đầu ra mà bỏ qua nhiều yếu tố quan trọng khác như số lượng trường hợp huấn luyện, độ nhiễu ở đầu ra, độ phức tạp của hàm lỗi, kiến trúc mạng và thuật toán học Thông thường, không có cách dễ dàng nào để xác định số đơn vị tối ưu trong lớp ẩn mà không phải thử nghiệm với các số lượng khác nhau và đánh giá lỗi tổng quát hóa Phương pháp tốt nhất để xác định số đơn vị trong lớp ẩn là thử-sai, hoặc sử dụng các phương pháp Lựa chọn tiến và Lựa chọn lùi.
Gán giá trị Input và Target lần lượt vào Inputs và Targets Sau đó chọn Train Network để quá trình học diễn ra
Hình 5.6 Đào tạo mạng Nơ-ron
Quá trình đào tạo mạng nơron diễn ra nhiều lần cho đến khi giá trị R gần đạt 1, thường nằm trong khoảng 0,95-1, được coi là chấp nhận được Khi đạt được kết quả mong muốn, quá trình đào tạo sẽ dừng lại và mạng nơron sẽ được sử dụng.
2.2.5 Sử dụng mạng Nơ-ron để dự đoán
- Sau khi đào tạo mạng, ta tiến hành Import mạng đã đào tạo và tiến hành dự đoán
- Cuối cùng tiến hành dự đoán
Hình 5.9 Sử dụng mạng Nơ-ron để dự đoán
Tối ưu bằng phương pháp Taguchi
3.1 Lí do sử dụng Taguchi
Phương pháp Taguchi là một thiết kế quy trình hoặc sản phẩm nhằm giảm thiểu ảnh hưởng của các yếu tố gây ra sai lệch chất lượng Mục tiêu chính là điều chỉnh các thông số để đạt được mức chất lượng tối ưu và ổn định Bằng cách sử dụng các dãy trực giao trong quy hoạch thực nghiệm, phương pháp này cho phép thực hiện ít thí nghiệm nhất có thể để nghiên cứu tác động của các thông số đến một đáp ứng cụ thể, từ đó nhanh chóng điều chỉnh hướng tới tối ưu hóa.
3.2.1 Xác định bộ thông số đầu vào
Bảng 5 Các yếu tố được lựa chọn với cấp độ
Yếu tố Ký hiệu Đơn vị
3.2.2 Sử dụng phần mềm Minitab 18 để thiết kế và lựa chọn mảng trực giao
- Đầu tiên khởi động phần mềm
Hình 6.1 Giao diện làm việc Taguchi
- Trên thanh công cụ chọn Stat, DOE, Taguchi Create Taguchi Design
Hình 6.2 Taguchi Create Taguchi Design
- Chọn số lượng yếu tố và mức độ
Hình 6.3 Chọn số lượng yếu tố và mức độ
- Nhấn Design để xuất hiện bảng chọn mảng trực giao như hình bên dưới
Hình 6.4 Chọn mảng trực giao
- Lựa chọn mảnh trực giao nhấn OK để tạo mảng trực giao như hình bên dưới
Hình 6.5 Tạo mảng trực giao 3.2.3 Sắp xếp giá trị của các mức độ vào mảng trực giao đã tạo và tiến hành thí nghiệm
Bảng 6 Phản hồi đầu ra (bao gồm các mảng trực giao và kết quả số với
3.2.4 Phân tích dữ liệu và dự đoán mức độ tối ưu
- Chọn Stat, DOE, Taguchi, Analyze Taguchi Design
- Đưa dữ liệu Bảng 6 vào phần mềm minitab như hình bên dưới
Hình 6.7 Dữ liệu đầu vào
- Nhấn chọn yếu tố đầu vào (Factors) như hình rồi chọn OK
Hình 6.8 Chọn yếu tố đầu vào
- Tiếp theo chọn đầu ra rồi nhấn Option để chọn hàm mục tiêu
Hình 6.9 Chọn yếu tố đầu ra
- Cuối cùng ta thu được kết quả như hình
Hình 6.10 Kết quả phân tích Taguchi 3.3 Phân tích tỷ lệ S/N
Kết quả phân tích tín hiệu đến nhiễu được trình bày trong Bảng 3 và dùng để xây dựng biểu đồ phân tích S/N trong Hình 6.11 Mức tối ưu của biến thiết kế (t) được xác định qua giá trị trung bình lớn nhất của S/N Các giá trị lý tưởng cho các biến thiết kế A, B, C, D và E lần lượt là 55°, 16cm, 0,3mm, 90% và 90°, tương ứng với biểu thức A5B5C5D3E5 Độ dốc của biểu đồ chỉ ra rằng ảnh hưởng của biến đối với GRG càng mạnh thì độ dốc càng lớn, với biến y là mạnh nhất, như thể hiện trong Hình 3, trong khi các biến A, E, D và C có ảnh hưởng nhỏ hơn.
Bảng 7 Phản hồi cho tỷ lệ S/N
Hình 6.11 Kết quả phân tích S/N
Kết quả phân tích giá trị trung bình được trình bày trong Bảng 8 và biểu đồ phân tích giá trị trung bình trong Hình 6.12 cho thấy giá trị trung bình tối đa của GRG phản ánh mức tốt nhất cho các biến thiết kế Các giá trị tối ưu cho các biến thiết kế A, B, C, D và E lần lượt là 55 độ, 16cm, 0,2mm, mật độ 0,9% và góc in 90 độ, tương ứng với A5B5C3D3E5 Độ dốc của biểu đồ cho thấy rằng biến có độ dốc lớn hơn sẽ ảnh hưởng mạnh mẽ hơn đến GRG, với các biến A và B được xác định là có ảnh hưởng mạnh nhất.
Bảng 8 Kết quả của việc phân tích các giá trị trung bình
Hình 6.12 Kết quả phân tích trung bình
Phân tích dữ liệu trên Anova
4.1 Ứng dụng phương pháp ANOVA trong phần mềm Minitab vào việc phân tích dữ liệu
Mục tiêu của việc sử dụng ANOVA là xác định các yếu tố có ảnh hưởng lớn và nhỏ đến kết quả thực nghiệm từ những thay đổi trong quá trình thực hiện thí nghiệm ANOVA giúp phân tích và đánh giá mức độ ảnh hưởng của các yếu tố khác nhau, từ đó hỗ trợ trong việc rút ra kết luận chính xác về các biến số trong nghiên cứu.
Bài viết này trình bày 144 trường hợp thử nghiệm với 12 vị trí đo (B) và 12 góc quay chủ động (A) Để thực hiện các thử nghiệm này, chúng tôi thay đổi 3 yếu tố quan trọng trong vật liệu in: độ dày lớp in (C) với các tham số 0.1, 0.15, 0.2, 0.25 và 0.3mm; mật độ nhựa in (D) với các tham số 80, 85, 90, 95 và 100%; và góc in 3D (E) thay đổi từ 0 đến 10 độ.
Phương pháp ANN đã thống kê được 1848 bộ số thực nghiệm từ Matlab, tuy nhiên, việc lựa chọn toàn bộ số liệu quá lớn cho phương pháp ANOVA Do đó, nhóm đã áp dụng phương pháp chuẩn đoán TAGUCHI để rút gọn còn 25 bộ số tối ưu cho việc chạy ANOVA Độ lệch góc F giữa góc quay chủ động và góc quay bị động được tính toán bằng phương pháp ANN cho các bộ số A, B, C.
Bảng 9 Bảng tham số TAGUCHI 25
4.2 Các bước tiến hành phân tích bằng phương pháp ANOVA
- Sử dụng copy bảng tham số Taguchi 25 vào phần mềm Minitab
Hình 7.1 Đưa dữ liệu vào phần mềm Minitab
- Chọn STAT, ANOVA, General Linear Model, Fit General Linear Model
Hình 7.2 Fit General Linear Model
- Chọn yếu tố đầu vào (Factors) là A B C D E và đầu ra (Responses) là F
Hình 7.3 Chọn yếu tố đầu vào
- Sau đó chọn Options để điều chỉnh độ tin cậy yêu cầu là 95% => nhấn OK
Hình 7.4 Điều chỉnh độ tin cậy
- Sau khi tiến hành các bước cài đặt ta được một bảng Session General Linear
Hình 7.5 Session General Linear Model
- Từ phương pháp ANOVA ta được 1 bảng phân tích phương sai (Analysis of Variance)
Bảng 10 Phân tích phương sai
Source Value Degree of Freedom Sum of
Sau khi thực hiện phân tích phương sai, chúng ta sẽ tra cứu giá trị [F] với mức ý nghĩa α = 0.05, trong đó k1 có 4 bậc tự do cho mỗi yếu tố và k2 tổng cộng có 24 bậc tự do.
Từ bảng trên ta thu được giá trị F với k1=4, k2$ Vậy giá trị [F] = 2.78
S R-sq R-sq(adj) R-sq(pred) 4.84083 95.90% 75.39% 0.00%
Với giá trị R= 95.90% và R trên 50%, bảng số liệu cho thấy mức độ tin cậy cao, ảnh hưởng đến thí nghiệm Các yếu tố A và B có giá trị F-value lớn hơn 2.78, chứng tỏ đây là các tham số hiệu quả tác động đến sự thay đổi của thí nghiệm Ngược lại, giá trị F-value của C, D và E nhỏ hơn 2.78, cho thấy các thông số này không hiệu quả và có thể loại bỏ.
Phân tích ANOVA còn cho chúng ta phương trình hồi quy (Regression Equation) để dùng thử nghiệm lại
