Ứng dụng phƣơng pháp trí tuệ nhân tạo và phân tích Taguchi để xác định chế độ cắt tối ƣu khi gia công trên máy phay CNC

Do vậy cần thiết phải có một phương pháp tiếp cận dự đoán mối quan hệ thực nghiệm mới, đánh giá mức độ ảnh hưởng của các yếu tố vào và nhiễu đến kết quả đầu ra cũng như giải bài toán tối

Trong quá trình học tập và hoàn thành luận án tốt nghiệp, tác giả luôn nhận được sự giúp đỡ, động viên của gia đình, người thân và sự dạy bảo của các thầy cô giáo Trường Đại học Bách khoa Hà nội

Tác giả xin chân thành cảm ơn các thầy cô giáo trong Viện Cơ khí, Viện Đào tạo Sau đại học - Trường Đại học Bách khoa Hà Nội đã tận tình dạy bảo trong suốt khoá học Đặc biệt, tác giả xin chân thành cảm ơn sâu sắc tới thầy giáo GS.TS Trần Văn Địch và PGS

TS Vũ Toàn Thắng đã hướng dẫn và giúp đỡ tác giả hoàn thành luận án

Cuối cùng, tác giả xin cảm ơn những người thân trong gia đình, bạn bè và đồng nghiệp

đã động viên, hỗ trợ và giúp đỡ tác giả trong suốt khoá học

MỞ ĐẦU

Cơ sở để lựa chọn đề tài

Ngày nay, gia công đạt độ chính xác cao là quá trình công nghệ phổ biến và xu thế phát triển tất yếu trong kỹ thuật gia công cơ khí Tìm hiểu qui luật phân bố ảnh hưởng của các thông số công nghệ đến năng suất và chất lượng gia công là phương pháp cơ bản để điều khiển quá trình công nghệ Mặt khác, ứng dụng kỹ thuật điều khiển số (NC) là xu hướng phát triển mạnh mẽ trong công nghiệp từ thiết bị đến qui trình công nghệ với các ưu thế về

độ chính xác và khả năng linh hoạt [1], [2] Tính linh hoạt của thiết bị trong hệ thống công nghệ tỷ lệ thuận với chi phí và giá thành, do vậy sử dụng hiệu quả thiết bị là điều kiện cần thiết với mọi quá trình công nghệ

Kỹ thuật gia công cơ khí trên các máy điều khiển số (CNC) đang được nghiên cứu, ứng dụng và phát triển lớn mạnh tại Việt Nam cũng như các nước trên thế giới Ngành công nghệ gia công, chế tạo thiết bị có những bước phát triển vượt bậc với những máy CNC có khả năng gia công đạt độ chính xác rất cao đáp ứng nhu cầu gia tăng độ chính xác Với một

hệ thống công nghệ nhất định, năng suất hay chất lượng bề mặt phụ thuộc chủ yếu vào chế

độ cắt được cài đặt [2], [7], vì vậy điều khiển các thông số chế độ cắt là phương pháp cơ bản và hiệu quả để kiểm soát chất lượng gia công cũng như nâng cao hiệu quả sử dụng thiết bị Do đó cài đặt chế độ cắt hợp lý hay tối ưu là điều kiện cần cho quá trình gia công

cơ khí [3], [5]

Thực tế trong một môi trường gia công luôn tồn tại các yếu tố không điều khiển được (yếu tố nhiễu) làm giảm chất lượng gia công Quá trình cài đặt các thông số công nghệ không phải lúc nào cũng cài đặt chính xác như mong muốn hay quá trình thu nhận các thông tin trong và sau khi gia công cũng bị ảnh hưởng bởi các yếu tố nhiễu làm những thông tin có được gần với giá trị thực ở một mức độ tin cậy nhất định [4], [16], [17] Mặt khác mô hình cơ bản và phổ biến hiện nay đang sử dụng xác định các thông số công nghệ hợp lý càng bị hạn chế bởi nhu cầu gia tăng độ chính xác và sử dụng hiệu quả thiết bị [20], [21], [22] Do vậy cần thiết phải có một phương pháp tiếp cận dự đoán mối quan hệ thực nghiệm mới, đánh giá mức độ ảnh hưởng của các yếu tố vào và nhiễu đến kết quả đầu ra cũng như giải bài toán tối ưu cho độ chính xác cao hơn và tiến dần đến kỹ thuật điều khiển chất lượng trực tuyến trong tương lai

Ngày nay, ứng dụng phát triển khoa học máy tính, con người đã tiếp cận và mô phỏng quá trình thu nhận và xử lý thông tin trong bộ não của mình và tìm hiểu các cơ chế tối ưu trong tự nhiên Khoa học trí tuệ nhân tạo là một ngành nghiên cứu để tiếp cận khả năng tư duy và học của bộ não [8], [9], [10], [11], [15], [27] Ứng dụng khoa học trí tuệ nhân tạo trong lĩnh vực điều khiển tối ưu là xu hướng và tất yếu trong tương lai

Từ những phân tích trên làm tiền đề cho tác giả nghiên cứu và chọn lĩnh vực tối ưu quá trình công nghệ gia công cơ khí làm đề tài luận án Bài toán tối ưu trong gia công không phải là bài toán mới nhưng cần tìm ra một phương pháp tiếp cận mới để giải quyết lớp các bài toán tối ưu trong công nghệ gia công cơ khí là cần thiết, thực tiễn và tất yếu để giải quyết yêu cầu công nghệ ngày càng chính xác và khắt khe trong tương lai

Mục đích, đối tượng và phạm vi nghiên cứu

Mục đích

- Nghiên cứu phương pháp tiếp cận mới làm tăng khả năng dự đoán chất lượng gia công

- Tăng độ chính xác khi xác định chế độ cắt tối ưu cho gia công trên máy phay CNC trên

cơ sở nâng cao năng suất và chất lượng bề mặt chi tiết gia công

- Xây dựng mối quan hệ thực nghiệm giữa chế độ cắt với năng suất và chất lượng bề mặt, tính toán chế độ cắt tối ưu cho gia công một số thép hợp kim

Đối tượng nghiên cứu

- Nghiên cứu quá trình gia công trên máy phay CNC

- Gia công một số vật liệu cứng

- Ứng dụng mạng mờ nơ ron và giải thuật trí tuệ bầy đàn (trí tuệ nhân tạo tính toán)

- Phương pháp số để tối ưu hóa

- Phương pháp Taguchi xác định mức độ ảnh hưởng của các thông số công nghệ đến năng suất và chất lượng bề mặt

Phạm vi nghiên cứu

Tìm phương pháp dự đoán mối quan hệ thực nghiệm và tính toán chế độ cắt hợp lý, tối ưu

để đạt năng suất và chất lượng bề mặt chi tiết khi gia công trên máy phay CNC

Phương pháp nghiên cứu

Phương pháp nghiên cứu chung là kết hợp nghiên cứu lý thuyết với nghiên cứu thực nghiệm

Ý nghĩa khoa học và thực tiễn của đề tài

- Làm phong phú thêm lý thuyết trong qui hoạch thực nghiệm và xử lý dữ liệu thực nghiệm, quá trình tối ưu hóa các thông số công nghệ trong điều kiện tại Việt Nam

- Đưa trí tuệ nhân tạo vào kỹ thuật điều khiển thông số công nghệ gia công cơ khí

- Đưa phương pháp Taguchi vào trong thiết kế thực nghiệm và tính toán mức độ ảnh hưởng của thông số công nghệ đến năng suất và chất lượng bề mặt

Những đóng góp mới

- Ứng dụng giải pháp trí tuệ nhân tạo và phân tích Taguchi thiết lập mối quan hệ thực nghiệm giữa chế độ cắt với chất lượng bề mặt, năng suất gia công, lực cắt, độ mòn dụng

cụ và xác định chế độ cắt tối ưu khi phay thép SKD11 và SKD6

- Xây dựng phần mềm BK-CTMNET dự đoán mối quan hệ thực nghiệm cho độ chính xác cao và tính toán các thông số công nghệ tối ưu phục vụ trong nghiên cứu và sản xuất

Cấu trúc luận án

Luận án trình bày trong 151 trang, ngoài phần mở đầu, kết luận, kiến nghị, luận án gồm

4 chương: Chương 1 Tổng quan về ảnh hưởng một số yếu tố công nghệ đến năng suất và chất lượng bề mặt, phương pháp xác định chế độ cắt tối ưu khi gia công trên máy phay CNC; Chương 2 Giải pháp trí tuệ nhân tạo và ứng dụng; Chương 3 Phương pháp xác định chế độ cắt tối ưu khi gia công trên máy phay CNC; Chương 4 Xây dựng mô hình toán học bằng thực nghiệm giữa chế độ cắt với các thông số công nghệ và xác định chế độ cắt tối ưu trên máy phay CNC

Chương 1: TỔNG QUAN ẢNH HƯỞNG MỘT SỐ YẾU TỐ CÔNG NGHỆ ĐẾN NĂNG SUẤT VÀ CHẤT LƯỢNG BỀ MẶT, PHƯƠNG PHÁP XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU

KHI GIA CÔNG TRÊN MÁY PHAY CNC

1.1 Các chỉ tiêu chất lượng bề mặt khi gia công [1]

Chất lượng bề mặt gia công là tập hợp các chỉ tiêu về các yếu tố hình học, tính chất cơ

lý mà nó là kết quả để lại sau tương tác giữa dụng cụ cắt với bề mặt chi tiết gia công Các thông số chất lượng bề mặt quyết định rất lớn đến khả năng làm việc của chi tiết máy Vì vậy các phương pháp gia công cũng nhằm đảm bảo các chỉ tiêu về chất lượng bề mặt

1.1.1 Các yếu tố hình học

1.1.1.1 Độ nhấp nhô tế vi

Trong quá trình cắt, lưỡi cắt của dụng cụ tương tác với bề mặt chi tiết gia công hình thành phoi đồng thời để lại những vết xước cực nhỏ trên bề mặt gia công là những nhấp nhô tế vi (độ nhám) Đặc trưng cho tính chất nhấp nhô bề mặt khi gia công được đo bằng chiều cao nhấp nhô tế vi (Rz) và sai lệch profin trung bình cộng (Ra) của lớp bề mặt Sai lệch profin trung bình cộng (Ra) là thông số được công nhận phổ biến nhất, được sử dụng nhiều nhất là thông số quốc tế về độ nhám Độ nhấp nhô tế vi (độ nhám bề mặt) là cơ sở để đánh giá độ nhẵn bề mặt trong phạm vi chiều dài chuẩn rất ngắn là một đặc trưng quan trọng của chất lượng bề mặt chi tiết máy

Độ nhám bề mặt ảnh hưởng rất lớn đến các tính chất làm việc của chi tiết máy: tính chống mòn, chống mỏi, chống ăn mòn hóa học và độ ổn định mối ghép Việc khống chế độ nhám bề mặt ở các mức độ nhất định có vai trò rất quan trọng trong quá trình gia công, chế tạo sản phẩm Các quá trình gia công bề mặt khác nhau sẽ tạo nên độ nhám bề mặt khác nhau và giá thành sản phẩm cũng khác nhau Hình 1.1 thể hiện mối quan hệ giữa độ nhám

bề mặt và giá thành của một số phương pháp gia công, qua đồ thị thấy rằng giá thành sản phẩm sẽ tăng lên nhanh chóng khi muốn giảm độ nhám bề mặt tới một giá trị nào đó theo yêu cầu Do đó, người thiết kế cần phải quan tâm tới giá thành sản phẩm bên cạnh chất lượng bề mặt Lưu ý trên đồ thị này đơn vị theo trục y là bất kỳ nên nó không dùng để so sánh giá thành của các quá trình gia công khác nhau

1.1.1.2 Độ sóng bề mặt

Độ sóng bề mặt là chu kỳ không bằng phẳng của bề mặt chi tiết máy được quan sát trong phạm vi lớn hơn độ nhám bề mặt Ngoài ra bước nhấp nhô tế vi Sm (RSm) được đo

với trung bình các khoảng cách của các đỉnh nhấp nhô liên tiếp trên phạm vi chiều dài chuẩn đo Bước nhấp nhô tế vi phản ánh tần suất xuất hiện những mô nhám trên một đơn

vị diện tích Khi bước nhám nhỏ thì số đỉnh nhám sẽ nhiều hơn trên một đơn vị diện tích

nó sẽ làm tăng số điểm tiếp xúc trên bề mặt và như vậy sẽ làm tăng các tính chất sử dụng cho chi tiết máy

1.1.1.3 Các yếu tố ảnh hưởng đến tính chất hình học của bề mặt khi gia công

Từ bản chất quá trình cắt gọt hình thành bề mặt gia công có thể thấy rằng các yếu tố ảnh hưởng tới độ nhám cũng như độ sóng và bước nhám bề mặt bao gồm:

- Các thông số hình học của dụng cụ cắt như bán kính mũi dao và các góc độ dao khi cắt

- Các yếu tố rung động của hệ thống công nghệ: máy, dụng cụ cắt, đồ gá, chi tiết gia công

- Vật liệu gia công mà chủ yếu là khả năng biến dạng dẻo của vật liệu

- Các thông số chế độ cắt bao gồm: vận tốc cắt, chiều sâu cắt, lượng tiến dao Thông thường vận tốc cắt cao, chiều sâu cắt nhỏ, lượng tiến dao bé sẽ làm giảm chiều cao nhấp nhô tế vi và ngược lại Ngoài ra còn một số các yếu tố khác như dung dịch trơn lạnh hay những yếu tố không điều khiển được (yếu tố nhiễu) cũng gây ảnh hưởng tới tính chất hình học bề mặt

Trong một hệ thống công nghệ xác định, tính chất hình học của bề mặt gia công sẽ phụ thuộc chủ yếu vào chế độ cắt được cài đặt vì vậy điều khiển các thông số chế độ cắt hợp lý là cách tiếp cận cơ bản và hiệu quả để kiểm soát tính chất hình học bề mặt theo yêu cầu Với các hệ máy sử dụng công nghệ điều khiển số (CNC) việc cài đặt chế độ cắt mềm dẻo là thuộc tính cơ bản của máy nên ứng dụng các máy CNC trong kỹ thuật gia công cơ khí là một xu thế phổ biến và tất yếu

1.1.2 Tính chất cơ lý

Quá trình tương tác giữa dụng cụ cắt và vật liệu gia công ngoài những yếu tố hình học

để lại còn tạo ra lớp biến cứng và ứng suất dư trên bề mặt Lưỡi cắt như một chêm cắt chêm vào bề mặt gây xô lệch mạng tinh thể bề mặt, quá trình nội ma sát giữa các phân tử chuyển động trong lớp vật liệu với nhau và quá trình ma sát ngoài khốc liệt giữa mặt trước của dao và bề mặt phoi, giữa bề mặt sau của dao với bề mặt đã gia công sinh nhiệt từ biến dạng dẻo đến phá hủy vật liệu hình thành bề mặt Kết quả của quá trình đã tạo nên lớp biến cứng và ứng suất dư trên lớp bề mặt mà nó phụ thuộc vào phương pháp gia công và các thông số hình học của dao cũng như chế độ cắt

Tính chất cơ lý lớp bề mặt ảnh hưởng đáng kể đến tính chất làm việc của chi tiết máy và phụ thuộc vào từng điều kiện làm việc cụ thể

1.2 Năng suất khi gia công [7]

Năng xuất cắt khi phay được thể hiện bằng thể tích kim loại (hay khối lượng kim loại) cắt được trong một đơn vị thời gian là W (mm3/phút) Năng suất cắt là một chỉ tiêu kinh tế đặc trưng cho quá trình cắt Các phương pháp gia công đều nhằm đảm bảo năng suất cắt cao nhất trong điều kiện công nghệ cụ thể

Năng suất cắt khi phay tỷ lệ thuận diện tích cắt và vận tốc cắt do đó năng suất cắt tỷ lệ thuận với lượng tiến dao, vận tốc cắt và chiều sâu cắt Thông thường trong gia công thô luôn mong muốn năng suất cắt càng cao càng tốt với chất lượng bề mặt giới hạn, trong gia công tinh cần đảm bảo yêu cầu kỹ thuật chất lượng bề mặt là chủ yếu Nhưng cho dù trong gia công thô hay tinh cũng đều phải đảm bảo năng suất cắt cao nhất trên cơ sở đảm bảo chất lượng bề mặt Đối với hệ thống công nghệ nhất định cài đặt một chế độ cắt hợp lý đảm bảo chất lượng bề mặt và nâng cao năng suất gia công là điều kiện cần cho mọi quá trình công nghệ

Từ những phân tích trên thấy rằng chất lượng bề mặt và năng suất cắt khi gia công là hai yếu tố quan trọng trong chuỗi quá trình sản xuất Đối với một hệ thống công nghệ được đầu tư xác định, cả hai yếu tố bị quyết định rất lớn từ chế độ công nghệ được cài đặt trong

đó chế độ cắt là yếu tố được điều khiển linh hoạt Thay đổi chế độ cắt là một phương pháp

cơ bản và hiệu quả nhất để kiểm soát chất lượng bề mặt và tăng năng suất gia công

1.3 Phương pháp truyền thống xác định chế độ công nghệ [4], [6]

Gia công với chế độ hợp lý hay tối ưu là điều kiện cần cho mọi quá trình công nghệ Hiện nay xác định chế độ cắt hợp lý cho mỗi loại vật liệu trên một hệ thống công nghệ cụ thể được thực hiện theo tiến trình trong hình 1.2 gồm 6 bước cơ bản

- Bước 1: xây dựng bảng qui hoạch thực nghiệm Bước này đưa ra một ma trận thí nghiệm xây dựng theo các phương pháp khác nhau Hiện nay thường sử dụng phương pháp đáp ứng bề mặt (CCI hoặc CCF), phương pháp qui hoạch thực nghiệm trực giao, phương pháp qui hoạch hợp Box-willson [3]

- Bước 2: thực nghiệm và thu thập số liệu Tiến hành thực nghiệm theo số liệu vạch ra

từ bước 1 và đo đạc các số liệu đầu ra cần quan tâm: độ nhám bề mặt Rz, bước nhám

Sn, lực cắt F, độ mòn dụng cụ hs, tần số rung động f, nhiệt cắt

- Bước 3: xác định mối quan hệ thực nghiệm Từ bộ dữ liệu đầu vào trong bước một

và dữ liệu đo đạc đầu ra trong bước 2 lập được bảng thực nghiệm sau đó dựa vào phương pháp bình phương cực tiểu hay hồi qui thực nghiệm xác định được hàm quan

hệ toán học Hàm quan hệ toán học thu được hoàn toàn dưới dạng hàm tường minh,

Đối với mô hình trên để nâng cao độ chính xác khi xác định chế độ công nghệ tối ưu ngoài yếu tố cố định (hệ thống công nghệ, thu thập dư liệu) thì tồn tại ở 2 khâu quyết định chính là xác định mối quan hệ thực nghiệm và phương pháp giải bài toán tối ưu Tuy nhiên

2 khâu này lại có tính linh hoạt và mềm dẻo nên có thể thay đổi được trong chuỗi quá trình trên và các phương pháp truyền thống hiện nay đang được sử dụng tập trung vào một số giải pháp

1.3.1 Mô hình xác định mối quan hệ thực nghiệm

Hiện nay, mối quan hệ thực nghiệm được xác định phổ biến bằng 2 phương pháp: bình phương cực tiểu và hồi qui thực nghiệm Mô hình được thể hiện như hình 1.3

Các thông số đầu vào x=[x1,x2, xn] qua mô hình quan hệ f(x) biến đổi đến đầu ra di Một mô hình toán học f(x) được chọn nếu tổng bình phương sai lệch giữa các điểm dự đoán và điểm thực là nhỏ nhất Độ chính xác mô hình phụ thuộc nhiều vào kinh nghiệm chọn dạng mô hình quan hệ

1.3.1.1 Phương pháp bình phương cực tiểu

Sử dụng để xác định mối quan hệ toán học của những đại lượng có mối quan hệ với nhau ở một dạng nào đó đã biết qui luật: tuyến tính, tuần hoàn, hàm mũ, hàm logarít…các dạng hàm này đều chưa biết các giá trị cụ thể của các tham số, để xác định các tham số đó

sử dụng thí nghiệm, đo đạc…các cặp giá trị tương ứng và chọn một mô hình toán học cụ thể để tính toán tổng giá trị sai lệch bình phương các điểm Tổng sai lệch này là hàm của các giá trị hệ số cần xác định Các hệ số phù hợp với mô hình là giá trị của nghiệm để giá trị hàm sai lệch nhỏ nhất

* Đánh giá phương pháp

 Ưu điểm :

- Phương pháp này có khả năng xử lý với mọi bộ dữ liệu (kích thước và tính chất bộ

dữ liệu là tùy ý) nên kết quả đưa ra phù hợp với thực nghiệm

- Trong quá trình tính toán, do thực hiện phép tổng các giá trị thực nghiệm bậc lẻ nên

có thể giản các sai số ngẫu nhiên trong quá trình thí nghiệm mà không quản lý được

- Phuơng pháp bình phương cực tiểu, do bản chất của nó là nội suy một đường (mặt)

để đạt một chỉ tiêu nào đó, nên có sai số phương pháp

- Nhược điểm lớn nhất của phương pháp này (làm cho nó không thông dụng trước đây) là đòi hỏi một lượng lớn các phép tính toán ( điều này càng đúng khi bộ số thí nghiệm càng nhiều và có nhiều đại lượng đầu vào) Nếu thực hiện tính toán bằng tay thì phương pháp này còn gây ra sai số tính toán

- Do đặc trưng công thức tính toán có tổng bình phương nên có thể gây nên các sai số tích lũy trong công thức tính toán cuối cùng

1.3.1.2 Phương pháp qui hoạch thực nghiệm

Mục đích của quy hoạch thực nghiệm là xây dựng mô hình toán học (phương trình hồi quy) biểu thị mối quan hệ giữa thông số đầu ra và các thông số đầu vào Phương pháp này cần phải thực hiện kiểm tra tính đồng nhất của các thí nghiệm, nếu chủ động được thí nghiệm thì có thể sử dụng qui hoạch thực nghiệm trực giao

* Đánh giá

 Nguyên tắc cơ bản của quy hoạch thực nghiệm là tốn ít thời gian nhất để nhận thông tin nhiều nhất Do vậy có thể nhận thấy rằng phương pháp quy hoạch thực nghiệm là phương pháp đơn giản và đòi hỏi ít số liệu thí nghiệm và ít xử lý toán học phức tạp (Chẳng hạn chỉ có hai yếu tố đầu vào thì chỉ cần thí nghiệm 4 mẫu) Do sử dụng ít tính toán nên phương pháp này hầu như loại bỏ được sai số tính toán

 Tuy sử dụng ít thí nghiệm nhưng ở một giới hạn thì kết quả là chấp nhận được nếu đã biết trước hàm phụ thuộc

 Phương pháp quy hoạch thực nghiệm sử dụng chính xác dữ liệu thí nghiệm vào trong công thức mong muốn, nên phương pháp này sẽ tránh được sai số phương pháp

 Tuy đòi hỏi ít dữ liệu thí nghiệm nhưng phương pháp này cũng đòi hỏi tiến hành một lượng không nhỏ thí nghiệm để kiểm tra tính đồng nhất của nó, sau khi tiến hành nhiều thí nghiệm như vậy những kết quả này lại không đưa vào trong công thức cuối cùng cần đạt được Như vậy vừa mất công mà lại làm giảm tính chính xác của phương pháp Chẳng hạn chỉ với 4 thí nghiệm với 4 bộ số liệu đã kết luận một công thức có hai biến phụ thuộc như vậy sẽ khó đạt độ chính xác dự đoán

 Do chỉ tiến hành một số thí nghiệm, nên không thể tìm ra những điểm khác biệt những vấn đề mới mà một quá trình thí nghiệm đòi hỏi Vì với một thông số đầu vào thì chỉ thí nghiệm với hai số liệu tương ứng với (-1) và (+1), không thực hiện nhiều thí nghiệm thì không thể tìm ra một quy luật đã đúng trong một giới hạn hẹp dữ liệu đầu vào

 Phương pháp quy hoạch thực nghiệm nên áp dụng với dữ liệu cách đều nhau

1.3.2 Mô hình xác định chế độ công nghệ tối ƣu

Bài toán tối ưu được thiết lập dựa vào mục đích của người làm công nghệ Thông thường mục đích cuối cùng cần tìm ra chế độ công nghệ tối ưu hoặc chế độ công nghệ hợp

lý để mở rộng khả năng công nghệ trên thiết bị Quá trình này thường có 2 bước bao gồm thành lập bài toán tối ưu và giải bài toán tối ưu Mô hình tìm các thông số công nghệ tối ưu được thể hiện trong hình 1.4

1.3.2.1 Thành lập bài toán tối ưu

Bài toán tối ưu được thiết lập khi xác định rõ ràng hàm mục tiêu và định các giới hạn biên

- Hàm mục tiêu được thiết lập thường để đảm bảo tính kinh tế của quá trình gia công Thông thường hàm mục tiêu gia công là thời gian gia công hay năng suất gia công

- Giới hạn biên được thành lập để đảm bảo các chỉ tiêu về chất lượng gia công (độ nhám bề mặt, bước nhám, ), các giới hạn do các yếu tố cố định (công suất cắt, độ uốn trục dao, độ bền răng dao ), các giới hạn dẫn xuất khác (nhiệt cắt, độ mòn dụng cụ, rung động ) Các giới hạn biên xác định vùng không gian giới hạn cho các biến

- Phát biểu bài toán tối ưu: viết bài toán dưới dạng các ký hiệu toán học và cũng để làm rõ mục đích của người làm công nghệ (tìm giá trị lớn nhất hay nhỏ nhất cho hàm mục tiêu)

1.3.2.2 Giải bài toán tối ưu [19]

Các phương pháp truyền thống thường được sử dụng như: phương pháp Lagrang, Golden section, Karush-Kuhn-Tucker (KKT), Quasi-Newton những phương pháp này

có nhược điểm lâu hội tụ đặc biệt với những bài toán có nhiều biến đầu vào Hiện nay các phương pháp trên được số hóa trong một số phần mềm Mặt khác cũng có một số phương pháp sử dụng trí tuệ nhân tạo như: phương pháp GA với các dạng biến thể MOSGA, NAGAI, NAGAII

Với các phương pháp hiện có cũng đã giải quyết được bài toán tối ưu nhưng nhìn chung khả năng hội tụ và tìm được nghiệm tối ưu thực sự còn hạn chế

1.4 Đánh giá phương pháp truyền thống xác định chế độ công nghệ tối ưu

Trên cơ sở phân tích của hai phương pháp để thiết lập mối quan hệ thực nghiệm là bình phươngvcực tiểu và hồi qui thực nghiệm thấy rằng cả hai phương pháp đều xử lý được các loại dữ liệu trong giới hạn thí nghiệm Phương pháp qui hoạch thực nghiệm tuy thực hiện thí nghiệm ít nhưng khai thác được nhiều các thông tin, mô hình toán học có thể đơn giản

và là các hàm toán học tường minh Nhưng cả hai phương pháp đều tính toán dựa vào một

mô hình toán học giả định trước và sử dụng thí nghiệm để tìm các hệ số Tuy nhiên cũng

do sử dụng một số mô hình toán học xác định trước nên sẽ mất nhiều thời gian cho việc tính toán, lựa chọn mô hình thích hợp cho bộ dữ liệu Với mỗi mô hình đều xác định các hệ

số tính toán nên có tính cứng nhắc khi thay đổi một mô hình nào đó, do vậy sẽ khó đạt độ chính xác dự đoán mối quan hệ thực nghiệm cao Mặt khác tiêu chuẩn để xác định một hàm toán học quan hệ thực nghiệm theo hai phương pháp trên là tổng độ lệch bình phương khoảng cách giữa điểm thực nghiệm và điểm dự đoán E là nhỏ nhất Hình 1.5 thể hiện đường quan hệ thực đo và đường quan hệ dự đoán bởi phương pháp





 n

i i

E E

ido

itt ido i



i i tb

Nhược điểm đối với 2 phương pháp trên sử dụng tiêu chuẩn độ lệch E càng nhỏ cảng tốt

sẽ dẫn đến sai lệch tương đối tại các điểm có thể rất lớn và độ phân tán lớn trong khi vẫn đảm bảo tiêu chuẩn lệch E Cách tiếp cận theo tiêu chuẩn độ lệch E chưa thể đảm bảo tìm được một mối quan hệ tốt nhất cho tập dữ liệu thực nghiệm Vì vậy cách tiếp cận để nâng cao khả năng dự đoán chính xác mối quan hệ thực nghiệm là thay vì sử dụng tiêu chuẩn độ lệch E thì sử dụng tiêu chuẩn sai lệch trung bình tại các điểm tb và độ phân tán các sai số

 Một hàm quan hệ thực nghiệm dự đoán chính xác cao phải đảm bảo tb và  càng nhỏ càng tốt

Mặt khác trong quá trình gia công hay thu thập các thông tin trong và sau gia công luôn tồn tại các yếu tố không kiểm soát được (yếu tố nhiễu) do vậy một phương pháp xác định mối quan hệ thực nghiệm mà không ước lượng được mức độ ảnh hưởng của nhiễu sẽ khó xác định được mối quan hệ thực nghiệm đó có phản ánh được bản chất của mối quan hệ giữa các thông số công nghệ đến yếu tố đầu ra hay không Nếu ước lượng được mức độ của nhiễu lên kết quả đầu ra thì có thể quyết định tiếp tục thực hiện tìm hàm hồi qui thực nghiệm hay dừng lại để tiến hành thí nghiệm lại với việc cải thiện điều kiện thí nghiệm Các phương pháp truyền thống hiện nay ít quan tâm đến vấn đề này và do đó đã làm hạn chế khả năng dự đoán chính xác và phản ánh bản chất của mối quan hệ thực nghiệm Quá trình giải bài toán tối ưu hiện nay với các phương pháp cải tiến về cơ bản cũng đã đáp ứng nhưng xét về chiến lược thời gian thì còn hạn chế Qúa trình xác định chế độ công nghệ tối ưu là đưa ra được bộ thông số công nghệ cụ thể với đầy đủ các biến Thực chất đối với người làm công nghệ cơ khí không nhất thiết lúc nào cũng phải tối ưu cả 3 biến V, S, t

mà các biến này phụ thuộc vào từng giai đoạn công nghệ cụ thể (gia công thô, tinh) Nếu biết mức độ ảnh hưởng của từng thông số đó đến yếu tố đầu ra: V, S, t ảnh hưởng như thế nào đến Rz và mức độ ảnh hưởng bao nhiêu điều này rất quan trọng với người làm công nghệ Cách tiếp cận hiện nay kế thừa kinh nghiệm thực tế: gia công tinh thì nên đặt chế độ cắt V lớn, S và t nhỏ như vậy quá trình cũng chỉ định tính chưa có tính định lượng Do vậy cần có cách tiếp cận phân tích mức độ ảnh hưởng của từng yếu tố chế độ công nghệ đến đầu ra, trên cơ sở đó quyết định nên sử dụng những yếu tố nào để thay đổi khi đó mới đưa biến vào bài toán tối ưu Nếu một yếu tố ảnh hưởng đến đầu ra ít thì việc tham gia điều khiển yếu tố đó không có giá trị kinh tế cao trong khi cài đặt và tính toán giá trị cho yếu tố

đó mất nhiều thời gian và tài chính

Từ những phân tích trên thấy rằng mô hình hiện nay thiết lập hàm quan hệ thực nghiệm

và tính toán chế độ công nghệ tối ưu còn hạn chế, đặc biệt trong tương lai yêu cầu về độ chính xác ngày càng khắt khe Do đó cần có một cách tiếp cận mới làm tăng khả năng dự đoán mối quan hệ thực nghiệm, đánh giá được ảnh hưởng của nhiễu và các yếu tố thông số công nghệ đến hàm mục tiêu làm tiền đề ra quyết định chọn biến cho bài toán tối ưu và phương pháp giải bài toán tối ưu làm tăng độ chính xác dự đoán

Ngày nay với sự phát triển của khoa học máy tính, công nghệ thông tin, con người đã

mô phỏng quá trình nhận thức của mình trên các mô hình toán học để đưa vào ứng dụng trong thực tế Trong kỹ thuật điều khiển con người đang tiếp cận với bộ não của mình và

tìm kiếm các cơ chế tối ưu trong tự nhiên để giải quyết lớp các bài toán đó Trí tuệ nhân tạo là một trong những kỹ thuật mô phỏng của khoa học máy tính được ứng dụng ngày càng phổ biến trong kỹ thuật và có thể thay thế các phương pháp truyền thống trong lĩnh vực qui hoạch thực nghiệm và tính toán tối ưu

1.5 Các nghiên cứu trong nước và ngoài nước

Bài toán tối ưu trong gia công cơ khí thực chất không phải là bài toán mới nhưng cho đến hiện tại qui trình giải cho bài toán tối ưu vẫn còn những tồn tại đã được phân tích Trí tuệ nhân tạo là ngành khoa học mới được phát triển mạnh mẽ trong những năm gần đây, hiệu quả ứng dụng trí tuệ nhân tạo trong các lĩnh vực phụ thuộc vào khả năng ứng dụng và mức độ ứng dụng của người thực hiện Hiện nay, tại Việt Nam những nghiên cứu về ứng dụng trí tuệ nhân tạo vào trong tối ưu hóa quá trình gia công cơ khí rất hạn chế, chưa được quan tâm và phát triển Tuy nhiên ứng dụng khoa học trí tuệ nhân tạo trong lĩnh vực tối ưu quá trình gia công cơ khí đang được nghiên cứu mạnh mẽ tại các nước phát triển Tác giả M.F.F Ab Rashid and M.R Abdul Lani [29] đã sử dụng mạng nơ ron nhân tạo (ANN) để thiết lập mối quan hệ thực nghiệm giữa chế độ cắt và độ nhám bề mặt khi phay Tác giả Chakguy Prakasvudhisarn, Siwaporn Kunnapapdeelert và Pisal Yenradee [30] đã sử dụng phương pháp ANN và cải tiến khi tìm chế độ cắt tối ưu để đáp ứng độ nhám bề mặt khi phay với dao phay ngón Tác giả Hazim El-Mounayri, Zakir Dugla, and Haiyan Deng [31]

sử dụng trí tuệ nhân tạo bầy đàn dự đoán độ nhám bề mặt khi phay Tác giả H AI-Wedyan

K Demirli R Bhat [32] và tác giả M Hanna [33] sử dụng mô hình Logic mờ để dự đoán mối quan hệ giữa chế độ cắt với độ nhám bề mặt trên trung tâm gia công Các tác giả trên

sử dụng mạng nơ ron nhân tạo và trí tuệ bầy đàn hay kỹ thuật Logic mờ để thiết lập mối quan hệ thực nghiệm, các giải pháp này đã cho kết qủa dự đoán tốt hơn các phương pháp truyền thống nhưng vẫn dựa trên tiêu chuẩn dừng độ lệch E nên hạn chế khả năng tăng độ chính xác dự đoán Ngoài ra tác giả Sanjit Moshat, Saurav Datta, Asish Bandyopadhyay và Pradip Kumar Pal [34] sử dụng phân tích Taguchi kết hợp với phân tích PCA xác định chế

độ cắt tối ưu cho quá trình phay CNC Qua những phân trên thấy rằng với cách tiếp cận ứng dụng trí tuệ nhân tạo thiết lập mối quan hệ thực nghiệm sẽ cho độ chính xác dự đoán cao hơn nhưng các tác giả vẫn tiếp cận hàm thực nghiệm từ góc độ tiêu chuẩn độ lệch bình phương E do đó sẽ làm hạn chế khả năng nâng cao độ chính xác dự đoán quan hệ thực nghiệm Một số tác giả đã sử dụng phân tích Taguchi xác định mức độ ảnh hưởng của các yếu tố chế độ cắt đến hàm mục tiêu nhưng các hàm mục tiêu và hàm biên lại được xây dựng bằng các phương pháp truyền thống Nhược điểm khi sử dụng phương pháp trí tuệ nhân tạo thiết lập hàm quan hệ thực nghiệm là sự không tường minh trong quan hệ toán học nên khó giải thích cơ chế tác động của chế độ cắt với đầu ra (tỷ lệ thuận hay tỷ lệ nghịch ) Mặt khác các giải thuật trí tuệ nhân tạo tiến hóa hay bầy đàn được các tác giả sử dụng giải bài toán tối ưu có tính ưu việt tìm chính xác nghiệm tối ưu nhưng lại dựa trên các hàm mục tiêu và hàm biên tường minh do vậy chưa có sự kết nối tính ưu việt của trí tuệ nhân tạo trong thiết lập quan hệ thực nghiệm và gải bài toán tối ưu triệt để

Xuất phát từ những phân tích trên, luận án mong muốn và giải quyết bài toán tối ưu trong kỹ thuật gia công với hướng ứng dụng trí tuệ nhân tạo và phân tích Taguchi nhằm nâng cao độ chính xác dự đoán chất lượng gia công, đáp ứng nhu cầu gia tăng độ chính xác trong tương lai

KẾT LUẬN CHƯƠNG 1

- Khảo sát các chỉ tiêu đánh giá chất lượng gia công và năng suất gia công

- Xác định các yếu tố công nghệ ảnh hưởng đến chất lượng bề mặt, năng suất gia công, mòn dụng cụ khi phay: vận tốc cắt, lượng tiến dao, chiều sâu cắt trên cơ sở đó thấy rằng điều khiển các thông số chế độ cắt là phương pháp cơ bản và hiệu quả để kiểm soát chất lượng gia công, nâng cao hiệu quả sử dụng thiết bị

- Khảo sát các ưu điểm, nhược điểm của các phương pháp truyền thống xác định mối quan hệ thực nghiệm và tìm thông số chế độ cắt tối ưu trong gia công cơ khí trên cơ sở

đó đề xuất phương pháp tiếp cận mới xây dựng hàm quan hệ thực nghiệm và xác định thông số chế độ cắt tối ưu chính xác hơn, đem lại hiệu quả khai thác thiết bị và đảm bảo chất lượng gia công

Chương 2: GIẢI PHÁP TRÍ TUỆ NHÂN TẠO VÀ ỨNG

DỤNG

2.1 Phương pháp trí tuệ nhân tạo [8], [9]

Bộ não con người là một sản phẩm hoàn hảo trong tiến trình phát triển tiến hóa, có khả năng học và tư duy sáng tạo Hiện nay, trong lĩnh vực điều khiển, con người đang cố gắng tiếp cận bộ não của mình Trí tuệ nhân tạo là một trong những ngành nghiên cứu, tiếp cận khả năng tư duy của bộ não và khả năng học Trí tuệ nhân tạo bao gồm trí tuệ nhân tạo truyền thống và trí tuệ nhân tạo tính toán

Trí tuệ nhân tạo truyền thống bao gồm các phương pháp hiện được phân loại là các phương pháp học máy (machine learning), hệ hình thức (formalism) và phân tích thống kê Các phương pháp gồm có:

- Hệ chuyên gia: áp dụng các khả năng suy luận để đạt tới một kết luận Một hệ chuyên gia có thể xử lý các lượng lớn thông tin đã biết và đưa ra các kết luận dựa trên các thông tin đó

- Lập luận theo tình huống

- Mạng Bayes

Trí tuệ nhân tạo tính toán là một trong những hướng nghiên cứu, tiếp cận của trí tuệ nhân tạo mà chủ yếu là nghiên cứu việc học và phát triển lặp Việc học dựa trên dữ liệu kinh nghiệm và có quan hệ với trí tuệ nhân tạo phi ký hiệu, có nhiều trường phái khác nhau Các phương pháp chính gồm có:

- Mạng neuron (Neural network): các hệ thống mạnh về nhận dạng mẫu

- Hệ mờ (Fuzzy system): các kỹ thuật suy luận không chắc chắn, đã được sử dụng rộng rãi trong các hệ thống công nghiệp hiện đại và các hệ thống quản lý sản phẩm tiêu dùng

- Tính toán tiến hóa (Evolutionary computation): ứng dụng các khái niệm sinh học như quần thể, biến dị và đấu tranh sinh tồn để sinh các lời giải ngày càng tốt hơn cho bài toán Các phương pháp này thường được chia thành các thuật toán tiến hóa (thuật toán gen) và trí tuệ bầy đàn (swarm intelligence)

- Trí tuệ nhân tạo dựa hành vi (Behavior based AI): phương pháp mô-đun để xây dựng các hệ thống trí tuệ nhân tạo bằng tay

Ngoài ra hiện nay còn phát triển các hệ thống trí tuệ nhân tạo lai (hybrid intelligent system), trong đó kết hợp hai trường phái này Các luật suy diễn của hệ chuyên gia có thể được sinh ra bởi mạng nơron hoặc các luật dẫn xuất từ việc học

Các phương pháp trí tuệ nhân tạo thường được dùng trong các công trình nghiên cứu khoa học nhận thức, mô phỏng, dự đoán…

2.2 Mạng nơron nhân tạo

2.2.1 Mạng nơron sinh học

Trên cơ sở nhận thức của con người về cấu tạo hệ thần kinh và qui luật nhận thức, thu thập, tiếp nhận và xử lý thông tin Các nơ ron xử lý thông tin từ cấp thấp dần chuyển lên cấp cao hơn và cuối cùng là ra quyết định Với ưu điểm của các nơron trong bộ não người

là xử lý song song, phân tán và phi tuyến

Phần tử xử lý cơ bản của một mạng nơron sinh học là một nơron, phần tử này có thể chia làm bốn thành phần cơ bản như trong hình 2.1: dendrites, soma, axon, và synapses

- Dendrites: là phần nhận tín hiệu đầu vào

- Soma: là hạt nhân

- Axon: là phần dẫn ra tín hiệu xử lý

- Synapses: là đường tín hiệu điện hóa giao tiếp giữa các nơron

Kiến trúc cơ sở này của bộ não con người có một vài đặc tính chung Một nơron sinh học hoạt động dựa trên nguyên tắc là: nhận tín hiệu đầu vào, kết hợp các thông tin và thực thi

tổ hợp phi tuyến các tín hiệu sau đó cho ra một tín hiệu cuối cùng ở đầu ra

Do đặc tính xử lý thông tin như vậy nên khả năng xử lý thông tin của một nơron là rất yếu nhưng với cấu trúc tầng lớp và phân vùng, các nơron liên kết với nhau để thực hiện quá trình xử lý thông tin liên tục và song song phát huy sức mạnh của khối nơron liên kết, nên bộ não người có thể xử lý các thông tin nhanh và chính xác đây cũng là ưu điểm của cấu trúc liên kết trong bộ não người Hình 2.2 thể hiện sự liên kết trong xử lý thông tin giữa 2 nơron Thông tin sau khi kết xuất tại đầu ra của nơron này sẽ được chuyển lên nơron cao hơn để xử lý

Dựa trên cơ sở tiếp nhận thông tin, xử lý thông tin và cấu trúc mạng nơron sinh học thiết lập mạng nơron nhân tạo nhằm có được cách tiếp cận xử lý thông tin của mạng nơron sinh học

2.2.2 Mô hình mạng nơron nhân tạo [8]

2.2.1.1 Mô hình toán học

Với bài toán thực nghiệm cần dự đoán một mối quan hệ giữa các yếu tố đầu vào và yếu

tố đầu ra như hình 2.3 Trong đó, đầu vào có thể là một hay nhiều tín hiệu vào và đầu ra cũng có một hay nhiều tín hiệu ra Vậy cần xác định các thông số hệ thống để đảm bảo mối quan hệ có mức độ chính xác mong muốn

Trên cơ sở cấu trúc, tiếp nhận và xử lý thông tin của mạng nơron sinh học thiết lập mô hình mạng nơron nhân tạo Hình 2.4 là một mô hình mạng nơron nhân tạo với 2 lớp ẩn

Trong đó:

- Lớp vào gồm một hay nhiều tín hiệu vào, trong đó mỗi tín hiệu đặc trưng cho một loại tín hiệu chứa đựng một loạt các thông tin về một đại lượng vào: tốc độ cắt V, lượng tiến dao S, chiều sâu cắt t, tần số rung động bên ngoài f,…Các tín hiệu vào được thể hiện bởi một vector đầu vào x gồm nhiều thành phần, mỗi thành phần là một loại tín hiệu đặc trưng Tại thời điểm i vector đầu vào được thể hiện:

T

m i x i x i x i

x()[ 1( ), 2(), ( )] (2.1)

- Lớp ẩn gồm một lớp hay nhiều lớp, mỗi lớp gồm một hay nhiều nơron Tùy mức độ phức tạp và yêu cầu của bài toán mà lớp ẩn có thể là một lớp hay nhiều lớp, mỗi lớp chứa đựng nhiều nơron Số lượng nơron trong mỗi lớp được điều chỉnh mềm dẻo tùy thuộc vào yêu cầu mức độ phức tạp của bài toán Tuy nhiên nếu số lớp quá nhiều hay

số nơron trong một lớp quá lớn sẽ làm gia tăng thời gian xử lý và tính hiệu quả của

mô hình bị giảm Do vậy không nên chọn quá lớn hay quá nhỏ, việc lựa chọn phụ thuộc vào mức độ phức tạp và yêu cầu độ chính xác dự đoán trong bài toán

- Lớp ra gồm một hay nhiều đầu ra: độ nhấp nhô tế vi Rz, bước nhám Rsm, năng suất gia công Q, lượng mòn dao hs, lực cắt F…tại thời điểm i vector đầu ra được thể hiện:

T

m i d i d i d i

d( )[ 1( ), 2( ), ()] (2.2)

- Trọng số wij sử dụng để đánh giá mức độ ảnh hưởng của mỗi yếu tố đầu vào với mỗi nơron Trên mỗi lớp nơron của lớp ẩn 1 thì các biến đầu vào là lớp vào, giá trị kết xuất của mỗi nơron này lại là đầu vào cho lớp nơron tiếp theo…tại thời điểm i vector trọng số được thể hiện:

T

m i w i w i w i

w( )[ 1(), 2(), ()] (2.3)

- Trên mỗi nơron đặt một bias đánh giá mức độ ảnh hưởng của tổng tất cả các yếu tố vào Hàm tác động vào mỗi nơron là f(u) Hàm tác động ở mỗi lớp có thể giống nhau hoặc khác nhau

1 2

d

n

j

d j ij d

u f d y

y r

Khi có n bộ dữ liệu đầu vào xi và tương ứng có n giá trị ra mong muốn yi Vì vậy cần phải xác định các bộ trọng số wij sao giá trị đầu ra kết xuất bởi mạng nơron phải bám sát được giá trị đầu ra tương ứng từ tập giá trị thực nghiệm Với những bài toán qui hoạch thực nghiệm thì có thể chỉ cần một lớp nơron là có thể thiết lập được qui luật quan hệ giữa các yếu tố đầu vào và đầu ra chính xác Nếu cần thiết thì có thể tăng thêm số nơron trong lớp

ẩn lên thay vì tăng số lớp

Gọi e là giá trị sai lệch giữa giá trị cần di và giá trị kết xuất ra bởi mạng yi tại vòng lặp thứ n là:

)()()(n d n y n

Tổng trung bình bình phương các sai lệch cho các nơron đầu ra tại vòng lặp thứa n là:

2 1

1

2

)()((2

1)(2

1)

m

i

e n

1

)(

1)

Cần tìm trong không gian các lời giải một bộ trọng số w* để hàm sai lệch E đạt giá trị nhỏ nhất có thể vì vậy giá trị hàm sai lệch ei là cơ sở để điều chỉnh cho giá trị trọng số Bản chất của quá trình giải tìm bộ trọng số cũng là bài toán tối ưu Hiện nay có nhiều phương pháp tìm kiếm nhưng phổ biến là phương pháp phương pháp giảm dốc Gradient

Quá trình điều chỉnh trọng số nhằm mục đích để giá trị ra kết xuất bởi mạng nơron y(i) luôn bám theo giá trị cần mong muốn d(i) tương ứng với mỗi cặp đầu vào x(i) Nghĩa là trong không gian các lời giải của các vector trọng số w(1), w(2),…,w(n) tìm ra bộ trọng số tốt nhất w* để giá trị hàm sai lệch nhỏ nhất (giá trị đầu ra kết xuất bởi mạng bám theo được giá trị đầu ra mong muốn)

)()(w* E w

Quá trình thí nghiệm thu được các cặp mẫu tín hiệu vào-ra là:

x(i),d(i)) với k=1,2…n (2.11) Trong đó:

m i x i x i x i

x( ) 1(), 2(), , ()

d là bộ giá trị đầu ra tương ứng với x(i):  T

m i d i d i d i

d() 1(), 2( ), , () Quá trình học điều chỉnh giá trị trọng số qua hai bước:

- Bước 1: Các bộ mẫu dữ liệu đầu vào x(i) lan truyền theo chiều thuận từ lớp vào qua các lớp ẩn đến lớp ra để tạo tín hiệu ra y(i) quá trình này nhằm mục đích tính toán giá trị dự đoán y kết xuất của mạng tương ứng với bộ trọng số w(i) là một lời giải cho bài toán

- Bước 2: Giá trị sai lệch e=d-y được sử dụng để lan truyền theo hướng ngược lại từ lớp ra qua các lớp ẩn để trở về lớp vào, quá trình này nhiệm vụ để điều chỉnh lại các giá trị trọng số giữa các lớp sao cho tín hiệu ra y luôn bám theo được tín hiệu đầu ra

d

Mô hình mạng nơron cho phép điều chỉnh mềm dẻo mô hình toán học thể hiện mối quan hệ của các yếu tố đầu vào với yếu tố đầu ra Mỗi bộ trọng số trong quá trình điều chỉnh thể hiện một qui luật chi phối cho mối quan hệ này Tuy nhiên mạng nơron không thể hiện rõ mối quan hệ tường minh, khó giải thích sự quan hệ của các yếu tố Do mạng nơron có khả năng học nên cần một số lượng mẫu nhất định cho quá trình huấn luyện mạng, đồng nghĩa với việc phải thí nghiệm một số lượng mẫu, do đó sẽ làm tăng chi phí khi thí nghiệm thực nghiệm Mặt khác khi dữ liệu thu thập được: độ nhấp nhô tế vi, bước nhám, lực cắt cũng chỉ thu thập được giá trị đo với một mức độ chính xác nhất định nghĩa

là giá trị thu thập được cũng là những giá trị mờ xung quanh một giá trị thực Các thông số cài đặt như chế độ cắt trên máy (vận tốc cắt V, lượng tiến dao S, chiều sâu cắt t) cũng có giá trị thực tế là những giá trị mờ xung quang giá trị thực đưa vào Vì vậy mỗi giá trị thu thập được hay giá trị cài đặt là những giá trị mờ có thể đặc trưng bằng giá trị chính nó và

một mức độ tin cậy nhất định Do đó cần sử dụng phương pháp kể đến sự không chắc chắn trong các dữ liệu như vậy

2.3 Logic mờ [4]

Lôgic mờ ( Fuzzy logic) được phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách xấp xỉ thay vì lập luận chính xác theo logic vị từ cổ điển Lôgic mờ có thể được coi là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp Trong các bài toán kĩ thuật cũng như trong các bài toán thực tế tồn tại những biến

số mà không thể định lượng chính xác được Bởi vậy, sự ra đời của logic mờ đã giúp giải quyết rất nhiều các bài toán điều khiển trong kĩ thuật cũng như bài toán thực tế Trong mô hình tính toán bằng logic mờ các đại lượng sẽ được mờ hóa, việc tính toán dựa trên các hàm liên thuộc và đươc xác định dựa trên kinh nghiệm của người điều khiển Tập mờ và lôgic mờ đã dựa trên các thông tin không đầy đủ về đối tượng để điều khiển đầy đủ về đối tượng một cách chính xác

Lôgic mờ và xác xuất thông kê đều nói về sự không chắn chắn Tuy nhiên mỗi lĩnh vực định nghĩa một khái niệm khác nhau về đối tượng Trong xác suất thống kê sự không chắc chắn liên quan đến sự xuất hiện của một sự kiện chắc chắn nào đó Sự không chắc chắn trong ngữ nghĩa, liên quan đến ngôn ngữ của con người, đó là sự không chính xác trong các từ ngữ mà con người dùng để ước lượng vấn đề và rút ra kết luận Mặc dù các khái niệm không được định nghĩa chính xác nhưng con người vẫn có thể sử dụng chúng cho các ước lượng và quyết định phức tạp Bằng sự trừu tượng và óc suy nghĩ, con người có thể giải quyết câu nói mang ngữ cảnh phức tạp mà rất khó có thể mô hình bởi toán học chính xác Sự không chắc chắn theo ngữ vựng như đã nói trên, mặc dù dùng những phát biểu không mang tính định lượng nhưng con người vẫn có thể thành công trong các ước lượng phức tạp Trong nhiều trường hợp, con người dùng sự không chắc chắn này để tăng thêm

độ linh hoạt

Trong thực tế, không định nghĩa một luật cho một trường hợp mà định nghĩa một số luật cho các trường hợp nhất định Khi đó những luật này là những điểm rời rạc của một tập các trường hợp liên tục và con người xấp xỉ chúng Gặp một tình huống cụ thể, con người

sẽ kết hợp những luật mô tả các tình huống tương tự Sự xấp xỉ này dựa trên sự linh hoạt của các từ ngữ cấu tạo nên luật, cũng như sự trừu tượng và sự suy nghĩ dựa trên sự linh hoạt trong Lôgic của con người Để thực thi lôgic của con người trong kỹ thuật cần phải có một mô hình toán học của nó Từ đó lôgic mờ ra đời như một mô hình toán học cho phép

mô tả các quá trình quyết định và ước lượng của con người theo dạng giải thuật Dĩ nhiên cũng có giới hạn, đó là lôgic mờ không thể bắt trước trí tưởng tượng và khả năng sáng tạo của con người Tuy nhiên, lôgic mờ cho phép rút ra kết luận khi gặp những tình huống không có mô tả trong luật nhưng có sự tương đương Vì vậy, nếu mô tả những mong muốn của mình đối với hệ thống trong những trường hợp cụ thể vào luật thì lôgic mờ sẽ tạo ra giải pháp dựa trên tất cả những mong muốn đó

2.3.1 Mô hình toán học của Logic mờ

Trên cơ sở suy luận mờ thiết lập mô hình toán học cho logic mờ thể hiện trong hình 2.7 với 4 lớp

- Lớp 1: Là lớp đầu vào, mỗi một biến đầu vào được đại diện bởi một nút trong đó nút

1 là đầu vào cho biến x1 (vận tốc cắt V), nút 2 là đầu vào cho biến x2 (lượng tiến dao), nút 3 là đầu vào cho biến x3 (chiều sâu cắt t)

- Lớp 2: Mỗi một nút là một hàm liên thuộc, hàm liên thuộc có thể là hàm Gauss, hàm chuông, hàm tam giác Trong mỗi nút chứa một hàm số đại diện cho hàm liên thuộc của nó

- Lớp 3: chứa các luật hợp thành mờ, các luật này có thể là Min hoặc Prod Từ lớp này xác định được giá trị đầu ra ứng với mỗi 1 luật mờ

Với mô hình toán học của logic mờ đã giải quyết được nhiều bài toán trong thực tế Với

ưu điểm có các luật suy luận đơn giản và gần với ngôn ngữ xử lý của con người, thời gian suy luận ngắn Mặt khác Logic mờ cho quá trình dự đoán tường minh, dễ kiểm chứng hoạt động và dễ sửa đổi Do vậy khả năng ứng dụng của logic mờ phổ biến và rộng dãi Tuy nhiên Logic mờ không có khả năng học nên nó đã làm hạn chế quá trình khai phá dữ liệu

từ tập dữ liệu thực nghiệm Vì vậy để tăng khả năng dự đoán và suy luận với quá trình học của mạng nơron đem kết hợp logic mờ với mạng nơron để tạo mạng mờ nơron sẽ kết hợp được các ưu điểm của hai mô hình

- Khả năng thích nghi và tự tổ chức: mạng có thể xử lý thích nghi và điều chỉnh bền vững dựa vào các thuật toán học thích nghi và qui tắc tự tổ chức

- Khả năng dung thứ lỗi: mạng bắt trước khả năng dung thứ lỗi của não theo nghĩa hệ thống, có thể tiếp tục làm việc và điều chỉnh khi nhận tín hiệu vào một phần thông tin

bị sai lệch hoặc bị thiếu

- Xử lý các quá trình phi tuyến: đây là đặc điểm nổi bật quan trọng nhất của mạng nơron Mạng có thể xấp xỉ các hàm phi tuyến phức tạp, miễn nhiễm (chấp nhận nhiễu) và có khả năng phân lớp

Với các ưu điểm nổi bật như vậy mạng nơron được ứng dụng ngày càng nhiều đặc biệt trong các lĩnh vực

- Lĩnh vực phân lớp, tách cụm, dự đoán và liên kết: mạng nhận tín hiệu vào tĩnh hay tín hiệu vào theo thời gian và nhận dạng, phân lớp chúng

- Lĩnh vực các bài toán tối ưu: ở lĩnh vực này thường tìm những thuật toán huấn

luyện mạng sao cho góp phần tìm nghiệm cho nhiều lớp bài toán tối ưu toàn cục, thường sử dụng kết hợp mạng với các giải thuật tiến hóa

- Lĩnh vực ứng dụng trong hồi qui: sử dụng mô hình toán học mềm dẻo của mạng

nơron để tìm mô hình hồi qui tuyến tính và phi tuyến chính xác khớp với mẫu trong các bài toán hồi qui thường sử dụng các thuật học có giám sát

- Lĩnh vực hoàn chỉnh dạng: mạng hoàn chỉnh đủ dữ liệu ban đầu sau khi đã bị mất đi một phần dữ liệu (hay chỉ thu được một phần)

Nhược điểm của mạng nơron:

- Mô hình toán học không tường minh

- Khó giải thích mối quan hệ giữa các dữ liệu vào và dữ liệu ra

Với logic mờ dựa trên sự suy luận của con người lên quá trình suy luận sẽ tường minh,

rõ ràng giữa các dữ liệu vào và ra, nhưng nhược điểm của logic mờ là không có khả năng học Dựa trên cơ sở ưu nhược điểm của cả mạng nơron và logic mờ để kết hợp tạo hệ mờ nơron Cả logic mờ và mạng nơron đều có những điểm tương đồng nhau:

- Cả hai hệ đều làm tăng thêm tri thức, tăng độ thông minh cho các hệ thống với sự trợ giúp của các hệ thống kỹ thuật, đặc biệt trong môi trường bất định, có nhiễu, thiếu thông tin và tri thức thiếu chính xác

- Cả hai hệ đều là hệ động, là công cụ ước lượng bằng số mà không dùng mô hình số chọn trước

- Cả hai khi ước lượng hàm số không đòi hỏi mô tả dạng toán học y=f(x) cho trước, thường mô hình học được từ mẫu dữ liệu, tiệm cận với các số liệu

- Cả hai hệ thống và công nghệ đang được ứng dụng rộng dãi

Sự kết hợp logic mờ và mạng nơron tạo nên hệ mờ nơron bổ sung cho nhau và kết hợp được cả ưu điểm của hai hệ Logic mờ sẽ trực tiếp suy rộng mạng nơron bằng khái niệm

mờ, đặc biệt là tập mờ và số mờ vào mạng nơron và xem xét những bài toán nào, thuật toán nào còn đúng, tác động của lớp thuật toán như thế nào Sự kết hợp thường ở 4 Loại suy rộng

- Tín hiệu vào là số thực, trọng số mờ

- Tín hiệu vào là tập mờ, trọng số là số thực

- Cả tín hiệu vào và trọng số đều là mờ

- Khai thác các phép toán t-chuẩn, t-đối chuẩn

Với những ưu điểm trên nên mạng mờ nơ ron ngày được ứng dụng phổ biến trong các bài toán kỹ thuật Trong luận án mạng mờ nơ ron được sử dụng để thiết lập mối quan hệ thực nghiệm giữa chế độ cắt với các yếu tố đầu ra: độ nhám bề mặt, lực cắt, lượng mòn dụng cụ, năng suất cắt

2.4.1 Mô hình mạng mờ nơron

Dựa trên cơ sở hệ suy luận mờ được Jang đề xuất (1992) [9], [10], [11], [14], [15] Sử dụng các luật học mờ dạng TSK (Takagi, Sugeno) Mạng mờ nơ ron là sự kết hợp các ưu điểm của mạng nơ ron và Logic mờ Mô hình toán học mạng mờ nơ ron được trình bày trong hình 2.8 Xây dựng mô hình mạng mờ nơron học thông số với cải tiến mới khi tìm các thông số của mạng

Tại luật học thứ j là Rj

là sự suy luận:

Nếu x1 là A1j và x2 là A2j và xi là Aij và xn là Anj thì:

).(

- Aij(xi) là các biến ngôn ngữ mờ của biến đầu vào xi

- μAij(xi) là hàm liên thuộc của mỗi biến ngôn ngữ ở đầu vào (j=1,2,3,…,M)

- pijR là các trọng số đánh giá mức độ ảnh hưởng của mỗi biến xi đến luật học thứ j Cấu trúc mạng mờ nơron gồm 3 phần chính: bộ phận mờ hóa giữ liệu đầu vào, bộ phận suy diễn mờ, bộ phận giải mờ bao gồm các lớp sau:

Lớp 1: là lớp dữ liệu đầu vào, mỗi nơron thứ i có một tín hiệu vào xi (x1 là vận tốc cắt V,

x2 là lượng tiến dao S, x3 là chiều sâu cắt t)

Lớp 2: là lớp mờ hóa dữ liệu đầu vào, mỗi giá trị đầu vào được mờ hóa Mỗi phần tử là

một hàm liên thuộc A j(x i)có dạng Gauss hoặc một dạng nào đó được lựa chọn Mỗi biến xi được mờ hóa thành j khoảng mờ

Lớp 3: mỗi nơron trong lớp này biểu diễn một luật Rj:

1

)(

j j

n j i j

Lớp 6: tính toán giá trị kết xuất ra của mạng nơron mờ:

j m

j j M

j j

M

j j j

2.4.1.1 Các tham số hệ thống mô hình mạng cần xác định

- Các giá trị trọng số đánh giá mức độ ảnh hưởng của các yếu tố đầu vào p=[p0, p1,

p2,…,pi,…pn]T Vector trọng số bao gồm (n+1) trọng số tương ứng với n biến độc lập đầu vào và một giá trị trọng số như một bias của mạng nơron

- Các tham số của hàm liên thuộc, số lượng các tham số này phụ thuộc vào từng loại hàm liên thuộc gọi là r Đối với hàm liên thuộc dạng Gauss thì số tham số xác định hàm là 2 Ngoài ra tùy thuộc vào số lượng khoảng mờ được sử dụng để mờ hóa dữ liệu đầu vào và đầu ra mà xác định số lượng tham số của hàm liên thuộc Trong luận

án này số khoảng mờ được chọn cho quá trình mờ hóa các biến vào và biến ra là như nhau Nếu số khoảng mờ hóa dữ liệu là m khoảng thì số biến xác định các tham

số hệ thống của các hàm liên thuộc là (r.m.n) biến

Vậy tổng các tham số cần tìm để xác định mô hình toán học cho mạng mờ nơron là (n+1)+(r.m.n) Giá trị các tham số cần tìm để thỏa mãn được giá trị sai lệch E giữa đầu ra kết xuất bởi mạng và giá trị thực đưa vào là nhỏ nhất Do vậy bản chất cần tìm một bộ các tham số w*

tối ưu để E(w*)<E(w) Hiện nay các thuật giải sử dụng để tìm bộ tham số tối ưu thường sử dụng giải thuật lan truyền ngược (BP-Back Propagtion) Giải thuật BP có ưu điểm là nhanh hội tụ nhưng nhược điểm lại là độ chính xác của nghiệm hội tụ lại phụ thuộc nhiều vào nghiệm khởi tạo ban đầu và các hệ số học Ngược lại với giải thuật ABC thì thời gian hội tụ sẽ lâu hơn nhưng không phụ thuộc nhiều vào nghiệm khởi tạo ban đầu và cho kết quả rất chính xác Vì vậy trong luận án này tác giả kết hợp cả hai giải thuật để tìm bộ thông số tối ưu của mạng Sử dụng giải thuật ABC để tạo nghiệm khởi tạo cho giải thuật lan truyền ngược Vì vậy kết quả sẽ vừa chính xác và lại nhanh hội tụ

2.4.1.2 Phương phá xác định các tham số hệ thống mạng mờ nơ ron

Phương pháp điều chỉnh các giá trị trọng số xử dụng phương pháp lan truyền ngược với nguyên lý điều chỉnh trọng số theo 2 giai đoạn:

- Giai đoạn đầu bộ mẫu tín hiệu vào x lan truyền theo chiều thuận từ lớp vào qua lớp

ẩn đến lớp ra để tạo tín hiệu ra y

- Giai đoạn hai là xuất phát từ sai lệch giữa giá trị dự đoán y bởi mạng và giá trị thực

đo vào d tương ứng lan truyền theo hướng ngược lại từ lớp ra qua các lớp ẩn trở về lớp vào, có nhiệm vụ điều chỉnh lại giá trị trọng số giữa các lớp sao cho giá trị bộ thông số được điều chỉnh qua mỗi vòng lặp, vòng lặp sau sẽ giảm được giá trị sai lệch E của giá trị kết xuất bởi mạng và giá trị thực Thực hiện phép khai triển Taylor hàm sai lệch E cho vòng lặp thứ (n+1) từ vòng lặp thứ n được:

(2.17) Trong đó:

)()1()(n w n w n

Vector Gradient của E ứng với bộ tham số w:

T

n

w

E w

E w

E w

)(, ,)()

(

)(,

)()

(

)(

)()

(

)(, ,

)(

)(,)()

(

)(

)()

(

)(, ,

)()

(

)(,

)(

)(

)(

2 2

2 2

1 2

2

2

2 2

1 2

2

1 2

2 1

2

1 2

2

n w

n E n

w n w

n E n

w n w

n E

n w n w

n E n

w

n E n w n w

n E

n w n w

n E n

w n w

n E n

w

n E

w E H

n n

Để giảm giá trị hàm E thì chọn:

)(

))(()

(

n w

n w E n

Trong đó  là bước giảm Gradient (hệ số học)

Thay (3.13) vào (3.12) được:

2

))(())

(())1((

))((.))(())

(())1((

n w E n

w E n

w E

n w E n w E n

w E n

)()

()1(

)()

()1(

n w

n E n

w n

w

n w n w n

w

ij ij

ij

ij ij

) (

2 ) (

)

j i

j

c x

)()

()1(

n c

n E n

c n

)()

()1(

n

n E n

i

j i j

)()

()1(

n p

n E n

p n

i p j

i j

i

i A

j m

j n

i

i A r

k

r

m

j j

m

j j j r

k

r

r r k

r r

r r r

r x

f r x d

f d

E

y d e

E

y d e

2

1 2

1

)) ( (

)) ( ( 2

1

2 1

2

1 2

j i j i

j

j j

j

j

j r

r r

r j

f f

y y

e e

E c

r r r r

y d e e

j

j

x p p

m

j

j j

j j

i j i j

i

j

r x

, 1

))((

2

)

))(())

(()

(

2 2

j i

j i i i

j i j

i

j i i

c r x

j i

j

r x c

r x e

c

j

j i

j j

m j

j j n

i i j i j j r

r

j

i

c r x r x r x x

p p

y d

c

E

, 1

2 2

1

1 1

0

) ) ( ( )).

( ( )).

( (

).

1 ).(

j i

j i i r j r r m

j j

j j

i

c r x y f d y c

j i j i

j

j j

j

j

j r

r r

r j i

f f

y y

e e

E E

.(

2

)

)(

2 2

j i

j i i

c r x

j i

j

e j

j i

j i

j i i r j r r m

j j

j j i

c r x c

E E

c r x y f d y E

(

1.)(

i j

j r

r r

r j

f f

y y

e e

E p

f

i j j i

E

i r r m

j j

j j

1

) (

1 ) ( )) ( ( ) ( ) ( ) ( ) ( ) (

) ( )

( )

1

(

n n c n r x n y n f n d n y n

n n

c n

c

j i

j i i

r j r r m

j j

j c j i j

1 ) ( )) ( ( ) ( ) ( ) ( ) ( ) (

) ( )

( ) 1

(

n n

c n r x n y n f n d n y n

n n

n

j i

j i i

r j r r m

j

j j

i j

 ( ) ( ) ( ( )))

(

)()

()1(

1

n r x n d n y n

n n

p n

j j

j p j

i j

b

j i

j i i

i A

a

c x

x

2

1

1)

)()

()1(

n a

n E n

a n

i a j

i j

)()

()1(

n b

n E n

b n

i b j

i j

)()

()1(

n c

n E n

c n

i b j

i j

)()

()1(

n p

n E n

p n

i p j

i j

Trong đó: a, b, c, p là các hệ số học cho các tham số tương ứng

Đạo hàm sai lệch trung bình bình phương theo các tham số điều chỉnh của mô hình mạng:

j i

j i j i

j

j j

j

j

j r

r r

r j

f f

y y

e e

E a

   2 1

2 2

2

.)

(1

)( 2

j

b j i b

j i

j i i

b j i i j i j

i

j i

a a

c r x

c r x b a

))(ln(

ln.2

j i i

j i i

j i j

i

j i

a

c r x

c r x a

1 2

.)

(1

)( 2

j

b j i b

j i

j i i

b j i i

j i j

i

j i

a a

c r x

c r x b c

E

i r r m

j j

j j

     j

i

j i i A r

j r r m

j j

j j

b r x y

f d y a

E

j( ( )).1

))(ln(

ln.))((1

1

j i i j i j i

j i j i j i

j i i j

i i

A r

j r r m

j j

j j i

c r x a

b

a a

E b

E

c r x a

r x y

f d y b

j i j i j i

j i i

j i i

A r

j r r m

j j

j j

i

c r x

a a

E c

E

c r x

b r

x y

f d y c

)(.))((1

.2

E

i r r m

j j

j j

) (

) ( ))) ( ( ( 1 ) ( ) ( ) ( ) ( ) (

) ( )

n b n r x n

y n f n d n y n

n n

A r

j r r m

j j

j a j

(

) ( )

y n f n d n y n

n n

b

n

j j

j b j

) (

))) ( ( ( 1 ) ( ) ( ) ( ) ( ) (

) ( 2 ) (

n b n

r x n

y n f n d n y n

n n

c

n

i i

j i i

A r

j r r m

j j

j b j

(

)()

()

1

(

1

n r x n d n y n

n n

p

n

j j

j p j

i j

hệ thống tối ưu phụ thuộc vào các hệ số học  Không có một giá trị hằng số học nào phù

hợp cho mọi bộ dữ liệu và các loại hàm liên thuộc, giá trị hệ số học  được chọn theo kinh nghiệm Nếu hệ số học lớn sẽ làm tăng tốc độ hội tụ học, nhưng có nhược điểm là có thể dẫn đến sự quá điều chỉnh lớn do vậy sẽ khó tiếp cận được bộ tham số hệ thống tối ưu Nếu

hệ số học có giá trị quá nhỏ thì quá trình học sẽ chậm, làm gia tăng thời gian hội tụ và cũng chỉ có tác dụng bù Mặt khác nếu chọn được giá trị  phù hợp cho giai đoạn đầu để học mạng nhưng nó lại không phù hợp cho gia đoạn luyện mạng sau Do vậy kết hợp giải thuật lan truyền ngược với một số giải thuật trong trí tuệ nhân tạo tiến hóa là xu hướng trong giải pháp tương lai tạo các giải pháp lai hóa

2.5 Trí tuệ nhân tạo tiến hóa [6]

Bản chất của quá trình xác định chính xác một hệ thống các hàm toán học phù hợp nhất cho những mối quan hệ giữa các yếu tố đầu vào và yếu tố đầu ra là đi tìm kiếm trong không gian nghiệm chứa các lời giải một nghiệm phù hợp nhất cho bộ dữ liệu Nghiệm được tìm phải đáp ứng đảm bảo tổng sai số của toàn bộ dữ liệu là nhỏ nhất Vậy bản chất là

đi tìm một nghiệm tối ưu trong không gian nghiệm Thực chất của bài toán xác định mối quan hệ thực nghiệm cũng đưa được về bài toán tối ưu

Trên cơ sở của mối quan hệ thực nghiệm đó xác định các thông số công nghệ sao cho đáp ứng một hàm mục tiêu nào đó thì quá trình đó cũng dẫn đến đi tìm nghiệm tối ưu và bài toán cũng đưa về bài toán tối ưu

Với khả năng hiện nay, máy tính đã giúp giải quyết được rất nhiều bài toán khó Mặc dù vậy, vẫn còn một số lớn các bài toán nhưng chưa có thuật giải để giải quyết chúng một cách triệt để Trong số đó thì các bài toán tối ưu là những bài toán thường xuyên gặp phải trong các ứng dụng thực tiễn Hiện nay, có một vài thuật toán tìm kiếm đang được phát triển để giải quyết các bài toán tối ưu như: tối ưu tổ hợp, tối ưu số… Những thuật toán này

có thể được phân thành rất nhiều nhóm khác nhau, tùy thuộc vào các tiêu chuẩn hay các cơ

sở được đặt ra để xem xét

- Nếu như một bài toán tối ưu được giải quyết bằng cách đặt ra trước một hoặc vài nghiệm, sau đó cố gắng cải tiến các nghiệm đó thành nghiệm chính xác hơn thì thuật toán đó giải quyết dựa trên cơ sở tập hợp (population based)

- Nếu giải bài toán tối ưu nhưng thuật toán lại sử dụng việc lặp đi lặp lại nhiều lần các nghiệm để tiến tới nghiệm chính xác thì thuật toán đó được coi như dựa trên cơ sở lặp (iterative based)

- Nếu thuật toán lại sử dụng các quy luật phân bố xác suất để tìm kiếm nghiệm tối ưu thì được xếp vào loại thuật toán sử dụng cơ sở xác suất (probabilistic)

Một dạng thuật toán khác tìm kiếm nghiệm tối ưu là dựa vào các qui luật tối ưu trong các hiện tượng tự nhiên Thuật toán này được phân chia ra làm hai hướng nghiên cứu:

- Thuật toán tiến hóa (Evolution algorithm)

- Thuật toán trí tuệ bầy đàn (Swarm intelligence based algorithm)

Thuật toán tiến hóa thường tập trung vào việc mô phỏng quá trình tiến hóa trong tự nhiên của các sinh vật để thông qua đó tìm kiếm cơ chế hay quy trình để tìm thấy được nghiệm tối ưu Thuật toán trí tuệ bầy đàn thì cố gắng xem xét các hệ thống hay bầy đàn có sẵn trong tự nhiên như: bầy ong (ABC), đàn kiếm (ANT), bầy chim (PSO)… để thu thập các tính chất tối ưu của chúng tạo phương pháp tìm kiếm tối ưu Ở đây, tác giả quan tâm đến thuật toán “quần thể bầy ong nhân tạo” (Artificial Bees Colony-ABC), đây là một dạng thuộc nhóm thuật toán trí tuệ bầy đàn Sở dĩ thuật toán bầy đàn được quan tâm là vì có khả năng khảo sát được trong vùng không gian rộng lớn của không gian nghiệm mà ít khi mác tại điểm tối ưu cục bộ

2.5.1 Thuật toán trí tuệ nhân tạo bầy đàn

Trong các giải thuật thuộc nhóm trí tuệ bầy đàn đều tập trung mô phỏng, nhân tạo quá trình tìm kiếm tối ưu của bầy đàn trong tự nhiên: bầy ong (ABC), đàn kiếm (ANT), bầy chim (PSO)… mỗi giải thuật đều có tính chất tìm kiếm nghiệm phù hợp cho bài toán tối

ưu Thuật toán bầy ong nhân tạo có thể tìm kiếm nghiệm tối ưu chính xác và khảo sát được trong không gian lớn của nhiều biến cũng như nhiều hàm mục tiêu Với đặc điểm của bài toán tối ưu trong công nghệ cơ khí là nhiều đầu vào và một hay nhiều đầu ra nên tác giả sử dụng thuật toán bầy ong nhân tạo (ABC) để gải bài toán tối ưu của luận án

Thuật toán ABC dựa trên việc mô phỏng quy trình tìm kiếm nguồn mật của một bầy ong về cho tổ của chúng Thuật toán bao gồm việc mô phỏng 3 nhóm ong khác nhau: Ong thợ, ong giám sát và ong tìm kiếm Quy trình tìm kiếm và trao đổi thông tin về nguồn mật của bầy ong tự nhiên được tóm tắt như sau:

- Ong thợ là ong được điều đi khắp nơi để tìm kiếm nguồn mật Sau khi tìm được nguồn mật, ong thợ bay về tổ và mang theo thông tin về lượng mật tại nguồn đó Trong tổ ong, có một khu vực gọi là trung tâm thông tin là nơi ong thợ truyền tải thông tin về số lượng mật hay là độ giàu có của nguồn mật nó tìm thấy

- Tại trung tâm thông tin có một loại ong là ong giám sát Ong giám sát đón nhận thông tin được truyền tải từ ong thợ về số lượng mật tại nguồn thức ăn và sẽ ra quyết định cho việc chọn nguồn mật 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

2.5.2 Đánh giá, ứng dụng thuật toán bầy ong nhân tạo

Giải thuật bầy ong nhân tạo thuộc trí tuệ nhân tạo bầy đàn là một giải pháp hiệu quả để giải các bài toán tối ưu, đặc biệt với những bài toán tối ưu đa điểm cục bộ Với những bài toán nhiều biến, đa điểm cục bộ thì khả năng trí tuệ bầy đàn càng phát huy tác dụng Quá trình huấn luyện mạng mờ nơron thực chất là giải bài toán tối ưu, đi tìm bộ các thông số của mạng để giá trị hàm sai lệch E đạt giá trị nhỏ nhất Vì vậy bài toán huấn luyện mạng mờ nơron hoàn toàn sử dụng có hiệu quả bởi giải thuật bầy ong nhân tạo Mặt khác

bộ các thông số mạng gồm nhiều các thông số biến do vậy rất thích hợp với giải thuật bầy ong

Với bài toán tối ưu đơn mục tiêu như đã đề cập hay những bài toán tối ưu đa mục tiêu thì giải thuật bầy ong là một giải pháp hiệu quả Tuy nhiên phương pháp này cũng là một trong nhưng phương pháp số để gải bài toán tối ưu sử dụng phương pháp lặp Do vậy nghiệm tối ưu tìm được qua thuật toán có thể đạt đến nghiệm tối ưu thực sự hay cũng chỉ xoay quanh nghiệm tối ưu ở một tiếp cận nào đó Để đánh giá khả năng đó thì vẽ đồ thị của các điểm tối ưu theo vòng lặp quan sát quan hệ giữa nghiệm tối ưu và vòng lặp khi đạt trạng thái bão hòa thì có thể chấp nhận được kết quả hay độ chênh lệch giữa các nghiệm trong một giới hạn chấp nhận của người quan sát Tuy nhiên với những phương pháp số này thì kết quả chênh lệch giữa nghiệm tối ưu thực và nghiệm tối ưu tiệp cận cũng chỉ khác nhau gần như đến phần vạn hay ít hơn Nếu số vòng lặp đủ lớn thì kết quả là như nhau

- Phân tích giải thuật đàn ong ABC làm tiền đề kết hợp giải thuật lan truyền ngược xác định tham số mô hình toán học mạng mờ nơ ron và giải bài toán tối ưu xác định chế

độ cắt

CHƯƠNG 3: PHƯƠNG PHÁP XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI

ƯU KHI GIA CÔNG TRÊN MÁY PHAY CNC

3.1 Xây dựng mô hình xác định chế độ cắt tối ưu 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:

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…

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

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:

i x i x i x i

x( ) 1(), 2(), 3( )

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):  T

i d i d i d i d i

d( ) 1(), 2(), 3( ), 4( )

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:

%100

i

i i i

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:

- Độ lệch trung bình bình phương của toàn bộ tập dữ liệu E:

Gọi e là độ lệch của mỗi điểm dữ liệu:

i i

e E

- 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

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:

T n

w w w

Giá trị kết xuất đầu ra của mạng là hàm quan hệ phụ thuộc vào bộ tham số mạng:

 w f

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

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

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:

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

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