Frezeleme işlemlerinde sanal zeki adaptif kontrol sisteminin geliştirilmesi

Bu çalışmada, frezeleme işlemlerinde verimliliği artırmak ve kesme koşullarını iyileştirmek amacıyla süreç içi adaptif kontrol yerine sanal zeki adaptif kontrol sistemi geliştirilmiştir. Sistem adaptif sinirsel bulanık çıkarım sistemi(ASBÇS), yapay sinir ağları(YSA) zeki sistemleri ve parçacık sürü optimizasyonu (PSO) tekniğinden oluşmaktadır. Sistemin eğitimi için yapılan deneysel çalışmalarda, farklı kesme parametrelerinin etkisinde takım aşınması, yüzey pürüzlülüğü ve kesme kuvvetlerindeki değişmelerin sisteme öğretilmesi için gerekli veriler, yapılan deneylerle elde edilmiştir. 25 farklı kesme parametresi ve 6 tekrardan oluşan bir deney planı ile deneyler yapılmış ve kesme kuvvetleri, aşınma ve yüzey pürüzlülükleri ölçülmüştür. Deneyler sonunda elde edilen veriler kullanılarak kesme parametreleri ile takım ömrü ve yüzey pürüzlülüğü matematik model denklemleri oluşturulmuştur. Yapay sinir ağı ve ASBÇS yapıları deney verileri kullanılarak eğitilmiş ve test edilmiştir. PSO, YSA ve ASBÇS modelleri, arasında ilişki ağı kurularak sanal zeki adaptif sistemin oluşturulmuştur. Programa verilen rastgele parametrelerden adaptif çıkış elde edilmektedir. Bir parçanın sürekli işlenmesi sürecinde meydana gelen takım aşınması ile parçadaki geometrik değişimler, sanal sistemin çıktısı olan kesme parametrelerinin adaptif olarak değişmesini neden olmaktadır. Elde edilen bu parametrelerin CNC programlarına girilmesi sağlanmakta ve uyarımlı kontrol gerçekleştirilmektedir In this study, virtual intelligent adaptive control was developed instead of in-process adaptive control in order to improve productivity and cutting conditions of milling. Adaptive neuro-fuzzy inference system (ANFIS) is composed of Artificial neural networks (ANN) intelligent systems and particle swarm optimization. Data, required to train change in tool wear, surface roughness and cutting forces under different cutting parameters to the system, were obtained by experiments. Experiments were proven under the scheme of a plan consisting of 25 different cutting parameters and six repetetion and cutting forces, wear and surface roughness were measured. Mathematical model equations are generated for tool life and surface roughness by using cutting parameters data obtained from experiments. ANN and ANFIS structure were trained and verified by experiments data. Virtual intelligent adaptive system was built by setting interrelaiton network between PSO, ANN and ANFIS models. Adaptive output are held depending on random input parameters. With the continuous changes in part geometry processing tool wear occurred in a part of the process and provides adaptive change of cutting parameters, the output of the virtual system. The obtained these parameters is provided to be entered into the CNC program and stimulated control is performed. 164