NGHIÊN cứu ẢNH HƯỞNG của LƯỢNG DỊCH CHUYỂN DAO đến độ NHÁM bề mặt KHI TIỆN THEO MẠNG nơ RON

Để thực thi hệ thống, kỹ thuật thông minh nhân tạo như mạng nơ-ron đã được ứng dụng để chẩn đoán lượng mòn dao và điều chỉnh chế độ cắt hợp lý tương ứng với lượng mòn dao.. Trong nghiên

NGHIÊN C ỨU ẢNH HƯỞNG CỦA LƯỢNG DỊCH CHUYỂN DAO

ĐẾN ĐỘ NHÁM BỀ MẶT KHI TIỆN THEO MẠNG NƠ-RON

A STUDY OF THE INFLUENCE OF FEED RATE TO ROUGHNESS

SURFACE IN TURNING USING ARTIFICAL NEURAL NETWORKS

TS Tr ần Ngọc Hiềna, KS Võ Hoài Sơnb

Trường Đại học Giao thông vận tải, Hà Nội, Việt Nam

a tranhien.tkm@utc.edu.vn; b vhson@utc.edu.vn

TÓM TẮT

Chất lượng sản phẩm là một tiêu chí quan trọng của quá trình sản xuất Bài báo đề xuất xây dựng hệ thống điều khiển tự tối ưu nhằm đảm bảo chất lượng của chi tiết ngay trong quá trình gia công tiện Phương pháp tối ưu này còn gọi là tối ưu động Quá trình tối ưu động dựa trên mô hình động của quá trình cắt có chú ý tới các đặc điểm mang tính ngẫu nhiên hoặc thay đổi theo thời gian như lượng mòn dao Theo phương pháp này, trong quá trình cắt, các đại lượng xuất hiện trong quá trình gia công như kích thước, chiều cao nhấp nhô bề mặt, sai số hình dạng của bề mặt gia công, độ mòn dao, lực cắt, nhiệt cắt được phản hồi tới bộ phận xử

lý Sau đó bộ phận xử lý nhanh chóng xác định ngay chế độ cắt tối ưu và chuyển kết quả cho

bộ phận điều khiển để tiến hành tự động điều chỉnh máy làm việc theo chế độ công nghệ tối

ưu tương ứng với thời điểm đó Để thực thi hệ thống, kỹ thuật thông minh nhân tạo như mạng nơ-ron đã được ứng dụng để chẩn đoán lượng mòn dao và điều chỉnh chế độ cắt hợp lý tương ứng với lượng mòn dao

Từ khóa: độ nhám bề mặt, gia công tiện, mòn dao, mạng nơ-ron, tự tối ưu

ABSTRACT

Product quality is an important criterion of the production process The paper presentsa self-optimizing control system to ensure the optimal quality of product in the turning process This optimization method is called dynamic optimization Process optimization is based on the model of the cutting process with attention to the characteristics which are random or change over time as the amount of tool wear According to this method, during the cutting process, variables appearing in processes such as dimension, surface roughness, the shape error of the surface, the worn tool, cutting forces, heat of cuttingare sent to the processing module Then, this module quickly determines the optimal cutting condition and transfers the results to the control module to controlturning machine working under optimum cutting condition To implement the system, artificial intelligence techniques such as neural networks have been used to diagnose the amount of tool wearand adjust the cutting conditioncorresponding to the worn tool

Keywords: Surface roughness, Turning, Tool wear, Neural network, Self-optimization

1 ĐẶT VẤN ĐỀ

Trong các chỉ tiêu đánh giá chất lượng gia công, độ nhám bề mặt là một thông số quan

trọng để đánh giá chất lượng của sản phẩm được gia công Trong quá trình gia công, độ nhám

bề mặt đạt được có thể bị ảnh hưởng bởi nhiều yếu tố, chẳng hạn như chế độ cắt (lượng dịch dao, tốc độ cắt và chiều sâu cắt), các đặc tính của phôi, vật liệu làm dao, mòn dao,… Trong các yếu tố ảnh hưởng tới nhám bề mặt, mòn dao là yếu tố ảnh hưởng trực tiếp Mặt khác, mòn dao cũng gây ra các sai số về hình dạng của chi tiết gia công Vì vậy đây là yếu tố cần được chú ý đến trong tối ưu quá trình gia công nhằm đảm bảo chất lượng sản phẩm Hơn nữa, tối

ưu chế độ gia công cắt gọt có xem xét đến tuổi thọ dao giúp giảm chi phí sản xuất và tăng năng suất gia công vì sử dụng tối đa tuổi thọ của dao và giảm thời gian phụ cho việc thay dao

Nếu mòn dao trong quá trình gia công không được giám sát liên tục, chất lượng bề mặt gia công bị ảnh hưởng, gây những thiệt hại về chi phí cũng như thời gian gia công [1] Vì vậy,

việc giám sát điều kiện dao và tự điều chỉnh chế độ cắt có ý nghĩa vô cùng quan trọng trong phát triển các hệ thống gia công thông minh

Bài báo trình bày hệ thống điều khiển tự tối ưu cho phép giám sát và điều khiển quá trình gia công tiện một cách thông minh Hệ thống này cho phép xác định được điều kiện cắt

và trạng thái của quá trình gia công hiện tại Trong nghiên cứu này, tự tối ưu của một hệ thống gia công bao gồm sự thích nghi tới các mục tiêu chất lượng như nhám bề mặt, dung sai hình

học có xem xét tới các yếu tố nhiễu như rung động, mòn dao, sự không đồng nhất vật liệu của phôi, sự thay đổi nhiệt độ Sự thích nghi này không cần tới sự can thiệp của người vận hành

Để chứng minh khả năng của hệ thống như tự giám sát và tự điều chỉnh, bài báo đã xét tới quá trình gia công liên quan tới điều kiện làm việc của dao như mòn dao

Mạng nơ-ron nhân tạo (artificial neural network – ANN) được áp dụng trong nghiên

cứu này để phát triển hệ thống điều khiển tự thích nghi trong gia công tiện nhằm dự đoán lượng mòn dao hiện tại sau đó tự điều chỉnh thông số cắt theo các chỉ tiêu tối ưu và đảm bảo

chất lượng bề mặt gia công đáp ứng được yêu cầu Ưu điểm của việc sử dụng ANN trong dự đoán độ nhám bề mặt có thể được kể đến như: thích hợp với dạng dữ liệu ngõ vào, ngõ ra phi tuyến; dễ dàng thay đổi các thông số ngõ vào; khả năng khử nhiễu; và đã được ứng dụng thành công trong nhiều nghiên cứu tương tự

2 C ẤU TRÚC HỆ THỐNG ĐIỀU KHIỂN TỰ TỐI ƯU TRONG GIA CÔNG TIỆN

Trong hệ thống gia công, các máy công cụ giữ vai trò quan trọng để có được sản phẩm

chất lượng cao với giá thành sản xuất thấp và năng suất cao Quá trình gia công trên máy ảnh hưởng lớn tới việc vận hành và năng suất của toàn bộ hệ thống gia công Tuy nhiên các hệ

thống điều khiển số (Computer Numerical Control – CNC) hiện tại không cho phép điều khiển chất lượng trực tiếp ngay trong quá trình gia công do cấu trúc điều khiển của nó Ví dụ, trong trường hợp xuất hiện các lỗi như mòn dao thì các giá trị tối ưu ban đầu của thông số cắt không còn phù hợp và chúng phải được thay đổi để đảm bảo chất lượng của chi tiết được gia công Hiện tại, trình tự gia công hoặc chế độ cắt không được phép thay đổi trong suốt quá trình gia công bởi vì các thao tác gia công tự động được lập trình sẵn bởi chương trình NC Trong quá trình gia công trên máy tiện, để xét tới các lỗi đồng thời xét tới chất lượng

sản phẩm, bài báo đề xuất hệ thống điều khiển tự tối ưu (Self-Optimizing Control-SOC) Cấu trúc của hệ thống được thể hiện ở Hình 1 Theo đó, sau mỗi đường chạy dao, hệ thống SOC thu thập thông tin của quá trình gia công thông qua các cảm biến được lắp đặt trên máy gia công Sau khi xử lý tín hiệu và trích xuất các giá trị cần thiết từ cảm biến, những giá trị này được chuyển đến hệ thống chẩn đoán để đưa ra dự đoán về trạng thái gia công hiện tại như lượng mòn dao, tuổi thọ dao hay nhám bề mặt Hệ thống chẩn đoán này dựa trên kỹ thuật thông minh nhân tạo (Artificial Intelligent – AI) Trên cơ sở chẩn đoán, hệ thống cung cấp các thông số cắt tối ưu cho đường chạy dao kế tiếp và sau đó các thông số được chuyển đến hệ

thống điều khiển số của máy công cụ Như vậy, để thực hiện sự tự thích nghi tới quá trình gia công, hệ thống điều khiển tự tối ưu được đặc trưng bởi ba chức năng [2]:

- Phân tích trạng thái hiện tại: hệ thống gia công xác định trạng thái hiện tại của nó thông qua phân tích các thông số thiết lập và tín hiệu nhận được từ các cảm biến trong mối liên hệ với các hàm mục tiêu

- Xác định các mục tiêu: sự tối ưu yêu cầu việc xác định các mục tiêu nội tại Mục tiêu

nội tại định nghĩa cách hệ thống gia công sẽ thực hiện để đạt được mục tiêu tổng thể

- Điều chỉnh cư xử của hệ thống: so sánh trạng thái hiện tại với mục tiêu hệ thống nhằm đảm bảo điều kiện tối ưu hệ thống Nó cho phép hệ thống gia công ra quyết định nhằm thích ứng các mục tiêu nội tại để đạt được mục tiêu tổng thể

Hình 1 Mô hình h ệ thống điều khiển tối ưu động

Việc xây dựng và kiểm tra đánh giá hệ thống điều khiển tự tối ưu được thực hiện qua các bước sau: thiết lập hệ thống đa cảm biến và xử lý các tín hiệu thu được; xây dựng bộ điều khiển

để điều chỉnh thông số cắt; kết nối tới bộ điều khiển CNC của máy công cụ; triển khai bộ điều khiển được xây dựng trên máy thực; và tiến hành kiểm tra đánh giá hệ thống được xây dựng

3 H Ệ THỐNG CHẨN ĐOÁN LƯỢNG MÒN DAO

Mòn dao là một hiện tượng tất yếu trong quá trình gia công gây ra bởi sự tác động qua

lại giữa dụng cụ cắt và phôi Sự tiến triển của mòn dao cần được theo dõi và nếu quá trình gia công vẫn tiếp tục được thực hiện, dao cắt bị mòn có thể làm giảm chất lượng chi tiết gia công, tăng thời gian sản xuất và chi phí, thậm chí gây ra hư hỏng máy móc nếu dụng cụ cắt hỏng đột

ngột Để tránh những thiệt hại đáng tiếc, sự tiến triển của mòn dao từ lúc bắt đầu gia công

phải được dự đoán ngay và theo dõi liên tục trong suốt quá trình gia công Có nhiều phương pháp để xác định lượng mòn dao, các phương pháp này được chia làm hai loại: trực tiếp và gián tiếp [3] Đối với phương pháp trực tiếp, giá trị mòn dao được đo trực tiếp trong khi ở phương pháp gián tiếp, người ta đo giá trị các thông số có ảnh hưởng đến lượng mòn dao Phương pháp gián tiếp được sử dụng để chẩn đoán lượng mòn dao đã được thực hiện trong nhiều công trình nghiên cứu trước đây

Những thông số được sử dụng để dự đoán lượng mòn dao thường được sử dụng là các thông số về chế độ cắt, cụ thể là: tốc độ cắt, lượng dịch dao, chiều sâu cắt [4] Ngoài ra, còn

có các thông số khác như: lực cắt, rung động, tiếng ồn, bức xạ âm thanh, nhiệt độ, nhám bề

mặt Tuy nhiên, nếu đo toàn bộ các thông số trên và xử lý chúng thì sẽ không hiệu quả về kinh

tế và bộ phận xử lý cũng sẽ mất nhiều thời gian hơn trong việc dự đoán lượng mòn dao, do đó

hiệu quả đạt được sẽ không cao Shiddhpura đã tổng hợp các nghiên cứu về dự đoán lượng mòn dao, trong đó phân loại các thông số mà các nhà nghiên cứu đã sử dụng (xem Hình 2)[3] Theo đó, lực cắt là yếu tố được sử dụng nhiều nhất để dự đoán lượng mòn dao Thực tế, cảm

biến dùng để đo lực cắt có độ tin cậy cao, giá thành rẻ và dễ sử dụng nên việc sử dụng chúng

rất phù hợp với môi trường công nghiệp

Hình 2 S ố công trình nghiên cứu dự đoán lượng mòn dao

Hình 3 Cấu trúc ANN#1 – Chẩn đoán lượng mòn dao

Mạng nơ-ron nhân tạo (ANN) là công cụ được sử dụng làm thuật toán để dự đoán lượng mòn dao thông qua các thông số đầu vào Mạng nơ-ron nhân tạo được phát triển nhằm mô

phỏng chức năng của bộ não con người hoặc hệ nơ-ron, hình thành bởi một hữu hạn các lớp

với các phần tử tính toán cơ bản gọi là các nơ-ron Một ANN cơ bản gồm có 3 lớp: lớp ngõ vào (input layer), lớp ẩn (hidden layer) và lớp ngõ ra (output layer) Khả năng xử lý của mạng được thực hiện bởi sự kết nối bên trong giữa các nơ-ron với các trọng số tương ứng, được điều chỉnh trong quá trình học Thuật toán dạy (hay học) được định nghĩa là một tiến trình điều chỉnh các trọng số (weights) và các tham số (bias) của mạng nhằm tối thiểu hóa sai lệnh

giữa ngõ ra thực tế và giả thiết [5]

Trong nghiên cứu này, cấu trúc ANN#1 được thể hiện ở Hình 3 được dùng để mô hình hóa và dự đoán lượng mòn dao trong gia công tiện Cấu hình của ANN#1 là 6-10-1 Lớp ngõ vào gồm 6 nơ-ron: tốc độ cắt v, lượng dịch dao f, chiều sâu cắt a p, lực cắt, thời gian gia công, lượng mòn ban đầu của dao Một lớp ẩn gồm 10 nơ-ron Lớp ngõ ra chỉ chứa một nơ-ron cho

biết giá trị được dự đoán của lượng mòn dao trong quá trình tiện Để có được cấu trúc này, số

lần học dừng lại sau 2000 lần lặp với sai lệch nhỏ nhất thu được là 0.025 Kết quả dự đoán thử nghiệm được thể hiện ở Bảng 1

B ảng 1: Kết quả dự đoán lượng mòn dao của ANN#1 so với dữ liệu thực nghiệm

L ần

th ử L c ắt ực

(N)

Lượng

d ịch dao (mm/vg)

Chi ều sâu

c ắt (mm)

Th ời gian gia công (mm)

T ốc

độ cắt (m/ph)

Lượng mòn ban đầu (mm)

Lượng mòn

th ực tế (mm)

Lượng mòn d ự đoán (mm)

Sai

l ệch (mm)

1 609 0.1449 1.5 5 160 0 0.140 0.133 0.007

2 608 0.1398 1.5 10 160 0 0.174 0.173 0.001

3 607 0.1347 1.5 20 160 0 0.208 0.205 0.003

4 609 0.1449 1.5 30 160 0 0.292 0.279 0.013

5 619 0.1680 2.0 5 160 0 0.165 0.147 0.015

6 610 0.1500 2.0 20 160 0 0.195 0.216 -0.021

4 HỆ THỐNG ĐIỀU KHIỂN TỰ TỐI ƯU CÁC THÔNG SỐ CẮT GỌT

Tối ưu hóa các thông số cắt là công việc quan trọng trong việc lập kế hoạch gia công, quyết định đến các mục tiêu của quá trình gia công Trước đây, các phương pháp tối ưu hóa thường được phát triển với chỉ một mục tiêu được chú ý đến, chẳng hạn như chỉ tối thiểu hóa chi phí hoặc tối đa hóa lợi nhuận Tuy nhiên, trong thực tế hiện nay, nhà sản xuất đang phải giải quyết các vấn đề tối ưu hóa nhiều mục tiêu Những mục tiêu này thường đối lập và không

so sánh được Ví dụ, trong quá trình tiện, những mục tiêu sau cần được chú ý: tối thiểu hóa chi phí vận hành, tối đa hóa năng suất và tối đa hóa chất lượng gia công Khi đó, việc tăng tốc

độ cắt góp phần làm tăng tốc độ gia công, nhưng cũng làm tăng chi phí sản xuất do tốc độ mòn dao nhanh và giảm chất lượng gia công do ảnh hưởng đến độ nhám bề mặt

Mạng nơ-ron được áp dụng để thực hiện việc tối ưu hóa các mục tiêu như: tối thiểu hóa

thời gian gia công và chi phí, tối đa hóa chất lượng sản phẩm gia công Trong quá trình cắt

gọt kim loại, dựa vào các giá trị phản hồi từ hệ thống chẩn đoán quá trình gia công, quá trình

tối ưu nhằm xác định một chế độ cắt bao gồm tốc độ cắt v c , lượng dịch dao f và chiều sâu cắt

a p thỏa mãn các giá trị giới hạn và đồng thời cân bằng các mục tiêu đối lập

4.1 Các hàm m ục tiêu

Tốc độ gia công (T p ): Là toàn bộ thời gian cần thiết để gia công một sản phẩm, phụ thuộc vào tốc độ tách bóc phôi MRR (metal removal rate) và tuổi thọ dao T, được tính theo

công thức sau [6]:

T T

MRR

+

trong đó T s, Tc, Ti và V lần lượt là thời gian cài đặt máy, thời gian thay dao, thời gian

chạy không và thể tích phôi gỡ bỏ Thông thường, các giá trị này là hằng số nên T p là hàm của

MRR và T

T ốc độ tách phôi được tính theo công thức sau:

1000 . p

Tu ổi thọ dao được tính theo công thức Taylor:

3

T

p

k T

v fα α aα

trong đó k T, α1, α2 và α3 là các hằng số dương, được xác định bằng thực nghiệm [6,7]

Chi phí gia công (C p ): Là chi phí tính trên m ỗi sản phẩm, phụ thuộc vào T vàTp, được

xác định như sau [8]:

t

C

T

với C t, Cl và Co là chi phí dao cụ, chi phí lao động và phí tổn

Ch ất lượng gia công: Được đánh giá thông quá độ nhám bề mặt R a Công thức (5) cho phép tính toán nhám bề mặt của chi tiết được gia công có xét đến lượng mòn dao vừa chẩn đoán [9]:

2

0,7315

0,125

(1 1, 6103 )

E

f

r

×

r E là bán kính mũi dao (mm);f là tốc độ dịch dao (mm/vòng); và T w là lượng mòn dao (mm)

Các giá tr ị giới hạn:

Các thông số của chế độ cắt được giới hạn bởi loại dụng cụ cắt được lựa chọn, khả năng công nghệ của máy và độ an toàn, do đó:

min v vmax ; min max ; pmin p pmax

Công su ất P và lực cắt F:

Công suất tiêu thụ của máy trong quá trình gia công có thể được biểu diễn thông qua lực

cắt F(N)và tốc độ cắt v (m/ph) như sau [10]:

3 ,

61, 2.10

Fv

η

trong đó η là hiệu suất của máy, lực cắt của máy được tính theo công thức sau:

với K F, β1, β2 là các hằng số phụ thuộc dụng cụ cắt và phôi

Giới hạn của công suất và lực cắt được cho như sau:

min max, min max

Hình 4 Sơ đồ mối quan hệ giữa hàm mục tiêu và các thông số cắt gọt

Dựa trên các hàm mục tiêu kể trên, cấu trúc của việc tối ưu hóa các thông số cắt gọt để

thỏa mãn các hàm mục tiêu có thể được biểu diễn bằng sơ đồ phân tầng như Hình 4 Như vậy,

vấn đề tối ưu hóa các thông số cắt gọt chính là xác định các giá trị các hàm:

minT v f a p , , p , minC p v f a, , p , minR v f a a , , p theo các giá trị giới hạn (6) và (9)

4.2 Mô hình t ối ưu hóa các thông số cắt gọt

Thiết kế thực nghiệm theo phương pháp Taguchi cho phép thu được giá trị tối ưu của thông số cắt khi gia công tiện Tuy vậy, phương pháp này chỉ được sử dụng để xác định chế

độ cắt tối ưu khi lập kế hoạch gia công, còn gọi là điều khiển chất lượng không trực tuyến (off-line quality control) Mạng nơ-ron nhân tạo cho phép sinh ra giá trị tối ưu ngay trong quá trình gia công tiện đang thực hiện, còn gọi là điều khiển chất lượng trực tuyến (online quality control) [11,12]

Trong quá trình gia công, nếu lượng mòn dao ảnh hưởng đến chất lượng gia công R a thì

thông số cắt mới được sinh ra sử dụng mạng nơ-ron nhân tạo ANN#2 Cấu trúc ANN#2 là 3-3-6-1 với hai lớp ẩn Các thông số đầu vào là: tốc độ cắt v, lượng mòn dao Tw, chiều sâu cắt

a p L ớp ngõ ra gồm một thông số chính là lượng dịch dao mong muốn f Số lần học dừng lại

sau 2000 lần lặp với lỗi nhỏ nhất thu được là 0.28 Kết quả sinh lượng dịch dao tối ưu tương ứng lượng mòn dao được thể hiện ở Bảng 2

B ảng 2: Kết quả sinh lượng dịch dao tối ưu của ANN#2 so với dữ liệu thực nghiệm

L ần

th ử T (m/phút) ốc độ cắt

Lượng mòn dao (mm)

Chi ều sâu c ắt (mm)

Lượng dịch dao mong mu ốn (mm/vòng)

Lượng dịch dao sinh ra (mm/vòng)

Sai

s ố

1 160 0.158 1.635 0.29 0.270 0.020

2 160 0.174 1.755 0.45 0.423 0.027

3 160 0.180 1.800 0.55 0.500 0.050

4 160 0.230 2.175 1.11 1.010 0.100

5 160 0.290 2.626 1.61 1.580 0.030

6 160 0.248 2.310 1.19 1.170 0.020

5 TÍCH HỢP HỆ THỐNG CHẨN ĐOÁN LƯỢNG MÒN DAO VÀ HIỆU CHỈNH LƯỢNG DỊCH DAO

Hình 5 Hệ thống chẩn đoán lượng mòn dao và sinh chế độ cắt mới

Hình 5 thể hiện sự tích hợp các mô đun được xây dựng để chẩn đoán lượng mòn dao khi gia công và sinh ra chế độ cắt mới tương ứng với lượng mòn dao vừa chẩn đoán để đảm bảo giá trị nhám bề mặt của chi tiết được gia công trong giới hạn cho phép Theo đó, các tín hiệu ghi nhận được từ cảm biến sẽ được khuếch đại và chuyển đến mạng nơ-ron ANN#1 xử lý,

nhằm dự đoán lượng mòn dao Nếu giá trị của nhám bề mặt tính theo lượng mòn dao áp dụng công thức (5) vượt quá giới hạn cho phép, hệ thống sẽ ra thông báo thay dao Ngược lại, ANN#2 được sử dụng để sinh ra chế độ cắt mới

K ẾT LUẬN

Bài báo trình bày hệ thống điều khiển tự tối ưu cho các hệ thống gia công thông minh

Chức năng chẩn đoán lượng mòn dao trong quá trình gia công đã được lập và đánh giá thực nghiệm Sau đó, thông tin chẩn đoán mòn dao được sử dụng để sinh ra chế độ cắt mới nhằm đảm bảo chất lượng của chi tiết được gia công Để lập trình hệ thống, mô hình của hệ thống điều khiển tự tối ưu hướng tới chất lượng gia công đã được đề xuất và kỹ thuật mạng nơ-ron nhân tạo đã được áp dụng Kết quả thực nghiệm thể hiện rằng hệ thống được đề xuất đã chẩn đoán được lượng mòn dao cũng như tự điều chỉnh chế độ cắt phù hợp nhằm đảm bảo chất lượng của chi tiết trong quá trình gia công tiện

LỜI CẢM ƠN

Nghiên cứu này được tài trợ bởi Quỹ Phát triển khoa học và công nghệ Quốc gia (NAFOSTED) trong đề tài mã số 107.01-2014.23

TÀI LIỆU THAM KHẢO

[1] Ghasempoor, A at el Real time implementation of on-line tool condition monitoring in

turning International Journal of Machine Tools and Manufacture, 1999, Vol 39 (12),

p.1883–1902

[2] Bocker, J at el Self-Optimization as a Framework for Advanced Control Systems

IECON 2006 - 32nd Annual Conference on IEEE Industrial Electronics, 2006, p

4671-4675

[3] Siddhpura, A & Paurobally, R., A review of flank wear prediction methods for tool

condition monitoring in a turning process The International Journal of Advanced Manufacturing Technology, 2012, Vol 65 (1-4), p 371–393

[4] Viktor P Astakhov, Effects of the cutting feed, depth of cut, and workpiece (bore)

diameter on the tool wear rate The International Journal of Advanced Manufacturing Technology, 2006, Vol 34 (7-8), p 631-640

[5] Asiltürk, İ., & Çunkaş, M., Modeling and prediction of surface roughness in turning

operations using artificial neural network and multiple regression method Expert Systems with Applications, 2011, Vol 38 (5), p 5826–5832

[6] Malakooti, B at el, A sensor-based acceleratedapproach for multi-attribute

machinabilityand tool life evaluation.International Journal of Production Research,

1990, Vol 28 (12), p 2373–2392

[7] Li, X., Dong, S., & Venuvinod, P K., Hybrid Learning for Tool Wear Monitoring The International Journal of Advanced Manufacturing Technology, 2000, Vol 16 (5), p 303–

307

[8] Lee, B & Tarng, Y., Cutting-parameter selection for maximizing production rate or

minimizing production cost in multistage turning operations Journal of Materials Processing Technology, 2000, Vol 105 (1-2), p 61–66

[9] Pal, S et al., Tool wear monitoring and selection of optimum cutting conditions with

progressive tool wear effect and input uncertainties Journal of Intelligent Manufacturing,

2009, Vol 22 (4), p 491–504

[10] Shin, Y & Joo, Y., Optimization of machining conditions with practical constraints

International Journal of Production Research, 1992, Vol 30 (12), p 2907-2919

[11] Nguyễn Ngọc Kiên, Ứng dụng phương pháp trí tuệ nhân tạo và phân tích Taguchi để xác định chế độ cắt tối ưu khi gia công trên máy phay CNC, Luận án tiến sĩ kỹ thuật cơ khí,

2014

[12] Krishankant, Jatin Taneja, Mohit Bector, Rajesh Kumar, Application of Taguchi Method

for Optimizing Turning Process by the effects of Machining Parameters International Journal of Engineering and Advanced Technology, 2012, Vol 2(1), p 263-274

THÔNG TIN TÁC GI Ả

1 TS Tr ần Ngọc Hiền Trường Đại học Giao thông vận tải, Hà Nội

Email: tranhien.tkm@utc.edu.vn ĐT: 0904.194.293

2 KS Võ Hoài Sơn Trường Đại học Giao thông vận tải – Cơ sở II, TP Hồ Chí Minh

Email: vhson@utc.edu.vn ĐT: 0972.351.535