Modern manufacturing requires reliable and accurate models for the prediction of machining performance. Predicting surface roughness before actual machining plays a very important role in machining practice. This paper presents the modeling methodology for predicting the surface roughness in turning of unreinforced polyamide based on artificial neural networks (ANNs), Taguchi method and genetic algorithm (GA). The machining experiment was conducted based on Taguchi's experimental design using L 27 orthogonal array. Input variables consisted of cutting speed, feed rate, depth of cut and tool nose radius, while surface roughness (R a ) was considered as output variable. To systematically identify optimum settings of ANN design and training parameters, Taguchi method was applied. Furthermore, a simple procedure based on GA for enhancing the ANN model prediction accuracy was applied. Statistically assessed as an accurate model, ANN model equation was graphically presented in the form of contour plots to study the effect of the cutting parameters on the surface roughness.
AbstraktModerní výroba vyžaduje spolehlivé a přesné modely pro predikci výkonu zpracování. Předvídání drsnost povrchu před vlastním zpracováním hraje velmi důležitou roli v obráběcí praxi. Tato práce představuje modelovou metodiku pro odhad drsnosti povrchu při soustružení z prostého polyamidu na bázi umělé inteligence neuronových sítí (ANNs), Taguchiho metodě a genetických algoritmů (GA). Obráběcí experiment byl proveden na základě experimentálního Taguchiho návrhu pomocí L27 ortogonální pole. Vstupními proměnnými jsou řezná rychlost, posuv, hloubka řezu a poloměru břitu, zatímco drsnost povrchu (Ra) je považována za výstupní proměnnou. Pro systematickou identifikaci optimálního nastavení ANN návrhu a odborné přípravy parametrů byla použita metoda Taguchi. Dále byl použit jednoduchý postup, založený na GA pro zvýšení přesnosti modelu ANN predikce. Statisticky vyhodnocený přesný model ANN rovnice byl graficky prezentován ve formě obrysů pro studium vlivu řezných parametrů na drsnost povrchu.