ارزیابی و پیش بینی زبری و میکروسختی سطح در فرآیند بال برنیشینگ عمیق با رویکرد یادگیری ماشین

کیفیت سطح قطعات به طور مستقیم بر عملکرد و طول عمر آن ها تاثیر می گذارد. فرایندهای ماشین کاری متداول، به ویژه در شرایطی که زبری سطح بالا و تنش های کششی ایجاد می شود، قادر به تضمین کیفیت نهایی سطح نیستند. در نتیجه، استفاده از روش های اصلاح سطح مانند بال برنیشینگ عمیق (DBB) برای بهبود کیفیت سطح ضروری است. در این مطالعه، اثر هم زمان پارامترهای موثر در DBB شامل قطر گوی، عمق نفوذ و نرخ پیشروی بر شاخص های کیفیت سطح؛ Ra، Rz و میکروسختی سطح، مورد تحلیل قرار گرفت. با استفاده از مدل های پیشرفته یادگیری ماشین، به ویژه مدل SVR، پیش بینی دقیقی از این شاخص ها انجام شد. مدل SVR با R² برابر با ۰.۹۲۵، ۰.۹۴۲ و ۰.۹۱ به ترتیب برای Ra، Rz و میکروسختی، بهترین عملکرد را از خود نشان داد. همچنین مدل XGBoost نیز نتایج قابل قبولی داشت، اما دقت آن در مقایسه با مدل SVR پایین تر بود. به کارگیری نمودارهای وابستگی جزئی، امکان ارزیابی کمی اثرات نسبی پارامترهای ورودی را فراهم کرد، به گونه ای که عمق نفوذ برنیشینگ به عنوان پارامتر غالب در تمامی خروجی ها شناسایی شد و در حدود ۴۱ تا ۴۷ درصد از تغییرات پیش بینی شده کیفیت سطح را به خود اختصاص داد. با این حال، قطر گوی و نرخ پیشروی نیز با سهم های قابل توجه، هر یک در بازه ای حدود ۲۳ تا ۳۰ درصد، تاثیر معناداری بر پارامترهای کیفیت سطح نشان دادند که بیانگر نقش غیرقابل چشم پوشی آن ها در تنظیم و بهینه سازی فرایند DBB است. در مجموع، این مطالعه یک رویکرد نوین با استفاده از مدل های یادگیری ماشین برای تحلیل و بهینه سازی فرایند DBB و بهبود کیفیت سطح ارائه می دهد.

کلیدواژه ها:

بال برنیشینگ عمیق ، کیفیت سطح ، میکروسختی ، یادگیری ماشین