Prediction of tool wear by using back propagation neural network modeling when cutting C45 steel with HSS tool

سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,617

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EASTTEHRANMECH01_120

تاریخ نمایه سازی: 2 اسفند 1389

چکیده مقاله:

There are various machining parameters have an effect on the tool life, but those effects have not been adequately quantified. In order for manufacturers to maximize their gains from utilizing machining, accurate predictive models for tool wear must be constructed. The aim of this work was to develop a neural network modeling of tool to predict flank wear during the turning process. Force signals are highly sensitive carriers of information about the machining process and, hence, they are the best alternatives for monitoring tool wear. The experimental force and relationship between flank wear and the ratio between the feed force and the cutting force components (Ff/Fc) were utilized to train the developed simulation environment based on back propagation neural network modeling. The developed prediction neural network was found to be capable of prediction tool wear. The developed neural network was verified by comparing the experimental values with the predicted values.

کلیدواژه ها:

نویسندگان

Hasan Heydari۱

۱Islamic Azad University,Tabriz Branch (Azarshahr)

Ali Mohammad Jafarpour۲

۲Islamic Azad University,Tabriz Branch (Azarshahr)

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :