PhD értekezés. Intelligens módszerek gyártási folyamatok modellezésében és optimalizálásában. Viharos Zsolt János

Átírás

1 PhD értekezés Intelligens módszerek gyártási olymtok modellezésében és optimlizálásábn Vihros Zsolt János Témvezetők: Dr. Monostori László Dr. Alpek Ferenc Budpesti Műszki Egyetem MTA Számítástechniki és Automtizálási Kuttóintézet Budpest 1999

2 Köszönetnyilvánítás A dolgozt z MTA Számítástechniki és Automtizálási Kuttóintézet Intelligens Gyártási és Üzleti Folymtok csoportjábn és BME Gépészmérnöki Kr Gépgyártástechnológi Tnszékén 1996-bn kezdett kuttómunkám eredményeit ogllj össze. A kuttás mjd z értekezés megírás során többek támogtását és segítségét élveztem. Ezúton is szeretném kiejezni köszönetemet témvezetőimnek Dr. Monostori Lászlónk és Dr. Alpek Ferencnek ill. Dr. Mrkos Sándornk kik ktív részvétellel mindvégig igyelemmel kisérték és támogtták munkámt. Köszönet illeti Dr. Erdélyi Ferencet Dr. Stépán Gábort Dr. Szly Tibort Dr. Váncz Józseet kik ötleteik sokságávl és támogtásukkl segítették munkámt. Külön köszönet illeti Dr. Tóth Tibort ki többszöri konzultációvl és írásos nygok rendelkezésemre bocsátásávl is új szempontokr hívt el igyelmemet. Hálás vgyok Dr. Horváth Mátyásnk Dr. Somló Jánosnk és Dr. Peter Herbert Osnn-nk és korábbi egyetemi okttóimnk hogy érdeklődésemet mesterséges intelligenci és nnk gépipri lklmzás elé ordították. Az értekezés megírás során nyújtott hsznos tnácsikért illetve dolgozt kivitelezése közbeni segítségükért köszönettel trtozom több munktársmnk elsősorbn Hornyák Józsenek Kádár Botondnk Gödri Istvánnk. 2

3 Jelöléslist - előtolás - ogásmélység κ - szerszámél-elhelyezési szög v - orgácsolási sebesség r ε - szerszám csúcssugár F c - eredő orgácsolási erő P - orgácsolási teljesítmény T - orgácsolási hőmérséklet R - elületi érdesség q - technológii intenzitás prméter G - orgácskeresztmetszet tényező α - momentum prméter - bckpropgtion tnulásnál η - lerning rte - bckpropgtion tnulásnál w i - optimlizálási szempontot kiejező prméterhez rendelt súly w ij - egy hálóbn z i. és j. csomópont közti súly N - egy olymt leírásához hsznált prméterek szám Ni - egy olymtmodell input prmétereinek szám No - egy olymtmodell output prmétereinek szám Rövidítéslist CAD - Computer Aided Design - számítógéppel segített termék és eszköztervezés CAM - Computer Aided Mnucturing - számítógéppel segített gyártás CAPP - Computer Aided Process Plnning - számítógéppel segített olymttervezés CAQ - Computer Aided Qulity - minőségszbályozás CAST - Computer Aided Storge nd Trnsporttion - számítógéppel segített tárolás és rktározás CIM - Computer Integrted Mnucturing - számítógéppel irányított termelés CNC - Computer Numericl Control - számítógépes számjegyvezérlés FMC - Flexible Mnucturing Cell - ruglms gyártócell FMS - Flexible Mnucturing System - ruglms gyártórendszer IMS - Intelligent Mnucturing System - intelligens gyártórendszer MC - Mchining Center - megmunkálóközpont MIS - Mngement Inormtion System - válllti inormációs rendszer MRP - Mnucturing Resources Plnning Mteril Requirement Plnning - gyártási termelési erőorrások tervezése NC - Numericl Control - számjegyvezérlés PPS - Production Plnning System - termeléstervezés és ütemezés ANN - Artiicil Neurl Network - mesterséges neurális háló MLP - Multilyer Perceptron - mesterséges neurális hálók egy jtáj rétegzett háló BP - bckpropgrion - mesterséges neurális hálók tnításánk egy jtáj EA - Eredeti Algoritmus - szimulált hűtés nevű keresési eljárás eredeti lgoritmus MA - Módosított Algoritmus - z EA áltlm módosított változt OA - Optimlizáló Algoritmus - z MA áltlm módosított optimlizálásr hsználhtó változt 3

4 Trtlomjegyzék 1. Bevezetés célkitűzések A kuttás célkitűzései A orgácsolási olymt szimulációj és modellezése A modellezés áltlános eldti A orgácsolás szimulációjánk modellezésének szükségessége A orgácsolási olymt szimulációjánk műszki szempontji célji A orgácsolási olymt modellezésének típusi A modellek csoportosítási lehetőségei A orgácsolási olymt modellezésének technikái Anlitikus modellek Az nlitikus modellek hsznált Az nlitikus modellek tuljdonsági Empirikus modellek Az empirikus modellek hsznált Az empirikus modellek tuljdonsági Egyes orgácsolási jelenségek ismert iziki összeüggéseken lpuló modelljei Alpvető orgácsolási összeüggéseken lpuló modellek Alpvető orgácsolási összeüggéseken lpuló modellek tuljdonsági Mesterséges intelligenci módszereken lpuló modellek A mesterséges intelligenci módszereken lpuló modellek hsznált A mesterséges intelligenci módszereken lpuló modellek tuljdonsági A orgácsolási olymt modelljeinek pontosság A gyártási olymt struktúráj olymtok tervezése A gyártási olymtok szintjei A gyártási olymtok tervezésének szintjei lépései A gyártási orgácsolási olymtok optimlizálás A mesterséges neurális hálók A mesterséges neurális hálók tudásábrázolás A tnulás olymt Mesterséges neurális hálók hsznált gyártástechnológiábn A mesterséges neurális hálók klsszikus lklmzás A mesterséges neurális hálók klsszikus lklmzásánk problémái A tudás újrhsznosításánk problémáj A nem-invertálhtó összeüggések modellezésének problémáj A gyártás gyártástervezés különböző területein szintjein megoldndó eldtok problémáj Kpcsolt olymtok gyártósorok modellezésének problémáj A mesterséges neurális hálók klsszikus lklmzás során elmerült problémák megoldás hálómodell input-output konigurációjánk utomtikus meghtározásávl A problém ok A problémák megoldás mesterséges neurális hálómodell input-output konigurációjánk utomtikus meghtározásávl: z áltlános modell elépítése Az lgoritmus tesztelése A nem-invertálhtó összeüggések modellezési problémájánk megoldás Az lgoritmus tesztelése orgácsolási olymt leírásához hsznált empirikus üggvényeken A gykorltbn jelentkező különböző eldtok megoldás z áltlános modell elhsználásávl

5 9.1. Az lgoritmus tesztelése Feldtmegoldás nem-invertálhtó összeüggés esetén A gyártás gyártástervezés különböző szintjein jelentkező eldtok megoldás Ugynzon orgácsolási olymttl kpcsoltos különböző eldtok megoldás Gyártási olymtok gyártósorok különböző szempontú optimlizálás olymt(ok) áltlános modell(jei)nek elhsználásávl. A szempontok közötti lehetséges kompromisszumok meghtározás. A "ProcessMnger" A "ProcessMnger" tesztelése A gyártás gyártástervezés különböző szintjein jelentkező eldtokhoz trtozó lehetséges prmétertrtományok meghtározás "ProcessMnger" lklmzásávl Az áltlános modell elépítése eldtmegoldás és optimlizálás síkesztergálási olymt esetén. A lehetséges kompromisszumok meghtározás A olymt áltlános modelljének elépítése Az dott eldt megoldás A síkesztergálási olymt optimlizálás Összeogllás Summry Irodlomjegyzék

6 1. Bevezetés célkitűzések Npjinkbn z inormtik előretörése ejlődése szinte beláthttln. Htássl vn z élet z ipr szinte minden területére ngymértékben hozzájárul minőségi techniki gzdsági ejlődéshez lklmzásávl eddig megoldhttlnnk tűnő eldtok válnk kezelhetővé. Így vn ez gyártástechnológi területén is. Meghtározó méröldkőként jelölhető meg z első számjegyvezérlésű (NC - numericl control) mrógép kiejlesztése 1952-ben mely lyukszlgon tárol progrm cseréjével könnyen átállíthtó volt lényegében tetszőleges munkdrbok gyártásár [39]. M z NC gépekben már ngyteljesítményű számítógépek működnek zz létrejöttek számítógépes számjegyvezérlésű (Computer Numericl Control - CNC) gépek. A megmunkáló szerszámok CNC gépeken történő tárolásávl és z utomtikus cseréjével kilkultk megmunkálóközpontok (Mchining Centers - MCs) mjd munkdrbok utomtikus tárolásávl és cseréjével ruglms gyártócellák (Flexible Mnucturing Cells - FMCs). A ruglms gyártócellákt irányítási hálózttl összekötve szállítás és rktározás utomtizálásávl épültek ki ruglms gyártórendszerek (Flexible Mnucturing Systems - FMSs) mjd továbbejlesztésükkel létrejött számítógéppel irányított gyártás (Computer Integrted Mnucturing - CIM). Így lkult ki mgsokú gyártási utomtizáltság mely ruglmsságánk köszönhetően egyre gzdságosbbá vált. A válllti inormációs rendszer (Mngement Inormtion System - MIS) vállltvezetést látj el inormációvl és segíti döntéseiben (1. Ábr.). MIS CAD MRP CAQ CAPP PPS CAST CAM 1. Ábr. A termelés integrációs struktúráj [39] A CAD (Computer Aided Design - CAD) termék- és gyártóeszköztervezést CAPP (Computer Aided Process Plnning - CAPP) gyártási olymtok CAST (Computer Aided Storge nd Trnsport - CAST) szállítás rktározás tervezését szolgálj. A CAQ (Computer Aided Qulity - CAQ) minőségszbályozás PPS (Production Plnning System) termelésszervezés és ütemezés z MRP (Mnucturing Resources Plnning ill. Mteril Requirement Plnning - MRP) gyártási termelési erőorrások tervezésének eszköze CAM (Computer Aided Mnucturing) pedig számítógéppel segített gyártás elogdott kiejezése. 6

7 Az inormtiki támogtottság tette lehetővé zt is hogy gykorltbn korábbi tpsztlti kísérleti lpokon nyugvó olymtszbályozás helyett m már egyre inkább természettudományos rendszertechniki irányítástechniki eredményeket elhsználó szbályozás vlósul meg. Az inormtiki támogtás gykorlti hsznát npjinkbn is olymtosn érzékeljük z egyre jobb minőségű és ezzel szemben egyre olcsóbb termékek szolgálttások megjelenésén keresztül. Az 1970-es évek közepén z kkori NSZK-bn elmérést végeztek hogy kézi vezérlésű orgácsoló szerszámgépek hogyn hsznosítják éves időlpjukt zz mennyit tesz ki z z idő mely ltt gép ténylegesen orgácsol. Arr meghökkentő eredményre jutottk hogy ez mindössze 6% tehát különböző szervezési műszki okok mitt időlpj 94%-ábn gép áll [39]. Intelligens gyártórendszerek [34] lklmzásávl z időlp kihsználtság 80%-r zz hgyományoshoz képest több mint 13-szorosr növelhető beruházási költségek 2-3-szoros növekedése mellett (2. Ábr.). Műszki szempontok Csökkentett org. dtok 2% 100%= 365 x 24h Szervezési irányítási szempontok Munkerő szervezetlenség 2% 12% Gépbeállítás üresjárti mozgás szerszám és mukdrbcsere 2. Műszk hiány 3. Műszk hiány Betegség munkrőhiány pihenőnpok 22% 22% 34% 6% NC 3% dptív szbályzás 6% - orgácsol 80% Rktár nygmozgtás utomtizálás Integrált intelligens gyártórend. elügyelet 25% 40% 2. Ábr. Szerszámgépek időlpj [39] 7

8 Az inormtiki támogtottság tlán legszembetűnőbb sjátosság hogy intelligens unkciókt vlósít meg zz biztosítj korábbn elhlmozott tudás beogdásánk és tárolásánk tnulásnk és tudás hsznosításánk képességét. A szerszámgépek dptív irányítását tekinthetjük tnulásnk és tudáshsznosítás első megjelenési ormáink. A következő lépés volt z lgoritmusok dtbázisok vezérlésbe építése mjd npjinkbn jelennek meg tnulásnk és tudás lklmzásánk modern módszerei mint pl. szkértői rendszerek mesterséges neurális hálók uzzy logikán lpuló következtető rendszerek ill. ezek integrációi. A modern intelligens módszerek iránti igényt muttt be már 1983-bn Htvny Józse is ki megoglmzt hogy z intelligens gyártórendszereknek bizonyos korlátok között lklmsnk kell lenniük hiányos és ponttln inormációk lpján ismeretlen előre nem láthtó problémák megoldásár is [34]. A gyártási olymtok modellezése szervezése z intelligens gyártórendszerek megvlósításánk egyik meghtározó lpkövét jelenti A kuttás célkitűzései Npjink lp- és lklmzott kuttási irányink áttekintése lpján megállpíthtó hogy gyártástechnológiábn z inormtiki támogtottság olymtosn növekszik és ezzel párhozmosn jvul z előállított termékek minősége csökken költsége. A mi inormtiki ejlődés egyik legngyobb kihívás z intelligens gyártórendszerek megvlósítás. Bár Htvny Józse igen jól deiniált hogy melyek z elvárások z intelligens gyártórendszerekkel szemben ennek kpcsán mégis célszerűnek trtom megvizsgálni z intelligenci Új Mgyr Lexikonbn tlálhtó deinícióját [103]: Intelligenci - Az értelmi működés okmérője. Elsősorbn mint z egyénnek új körülményekhez vló lklmzkodó képessége muttkozik meg mely szorosn összeügg z előzőleg szerzett tpsztlti nyg lklmzásávl helyzet mozzntink széleskörű igyelembevételével és gondolkodóképességgel. Megkülönböztetünk elméleti intelligenciát: z elméleti problémákbn vló tájékozódásnk zok megoldásánk képességét megszerzett ismeretnyg értelmes elhsználás lpján vlmint gykorlti intelligenciát: vlmely ismeretnyg gykorlti hsznosításánk lklmzásánk közvetlen tevékenységben megnyilvánuló képességét. A deinícióból két lényeges tuljdonságot emelnék ki: 1. A tudás megszerzésének és tárolásánk képességét tnulási képességet. 2. A tudás lklmzásánk képességét. Ebből deinícióból is láthtó hogy z intelligens gyártórendszereknek képesnek kell lenniük tnulásr tudásszerzésre és e tudást hsználtár hsznosításár is. A számítógéppel integrált gyártás nyújt segítséget lpot z intelligens gyártórendszerek megvlósításár. Npjinkbn ez olyn progrmok progrmrendszerek létrehozását jeleni melyek képesek ezeket z elvárásokt megvlósítni. Értekezésemben is tnulási képességgel rendelkező mesterséges neurális háló lpú olymtmodellezéssel ogllkozom. Kuttómunkám kezdetén következő eldtokt tűztem ki: 8

9 A mesterséges neurális hálók gykorlti gyártástechnológii lklmzási módszereinek vizsgált. Az lklmzás áltlános lépéseinek megállpítás értékelése. A gyártás gyártástervezés különböző szintjein jelentkező eldtok vizsgált különbségek zonosságok megállpítás. Feldttól (gyártás(tervezés)i szinttől) üggetlen pontossági követelményeket kielégítő áltlános neurális háló modell elépítését végző módszer kidolgozás tudás elhlmozás és tárolás. Az áltlános neurális háló modell lklmzási lgoritmusánk kidolgozás gyártás különböző szintjein és területein dódó eldtok megoldásár. Olyn lgoritmus kidolgozás mely z áltlános neurális háló modellt hsználj gyártási olymtok optimlizálásár. Gyártósorok lexibilis modellezésére lklms módszer kiejlesztése. Gyártósorok gyártási olymtok különböző szintű és célú optimlizálásár lklms eljárás kidolgozás és megvlósítás. Gyártósorok gyártási olymtok többcélú optimlizálás esetén z optimlizálási szempontok között lévő lehetséges kompromisszumok eltárásár lklms eljárás kiejlesztése és megvlósítás. 9

10 2. A orgácsolási olymt szimulációj és modellezése 2.1. A modellezés áltlános eldti Bli lpján orgácsolás z dott szilárd test lkját változttó olyn nygszétválsztási eljárás melynek során munkdrbról mechniki úton meghtározott eszközzel ( szerszámml) nygrészeket (orgácsot) válsztnk le [7]. E olymt modellezési technikáink bemuttás előtt úgy gondolom szükséges és érdemes zzl ogllkozni hogy miért vn jelentősége modellezésnek és mi célj modelllkotásnk. Ennek megértéséhez először szimuláció oglmát szükséges tisztázni. A szimuláció Idegen Szvk és Kiejezések Szótárábn [42] tlálhtó deiníciój következő: SZIMULÁCIÓ: 1. Szimulált tettetés színlelés; 2. tudományos: vlmilyen rendszer összetevői várhtó ejlődésének lkulásánk számbvétele mtemtiki modell segítségével. Ebből deinícióból is láthtó hogy szimuláció vlmilyen modell segítségével végezhető el rr támszkodik. A modellt Természettudományi Lexikon [96] következőképpen deiniálj: MODELL: Bonyolult rendszerek egyszerűsített minden részletében áttekinthető gykorltilg megvlósított vgy szemléletesen elképzelt rányosn lekicsinyített vgy elngyított mtemtikilg szbdosn leírhtó idelizált más mely többé-kevésbé helyesen szemlélteti vizsgált rendszer vgy olymt sjátosságit. A modelllkotásnál tudtábn kell lenni nnk hogy modell nem zonos vizsgált rendszerrel vgy olymttl és nem tükrözi mrdéktlnul z összes tuljdonságit. A helyesen meglkotott modell mégis mgán viseli z objektív világbn meglévő rendszer vgy lejátszódó olymt ontos ismérveit és így lklms döntő törvényszerűségek eltárásár és szemléltetésére. A szimuláció deiníciójábn szereplő két lényeges részt kiemelkedően ontosnk trtok: 1. A szimuláció vlmely rendszer várhtó lkulásánk számbvételével ogllkozik. 2. A szimuláció mtemtiki modelleken lpszik. A szimuláció deiníciój mgábn ogllj szimuláció lklmzásánk okát is: Akkor célszerű szimulációt lklmznunk h vlmely rendszer jövőbeli viselkedését szeretnénk vizsgálni mert meg krjuk htározni hogy jelenben hozott döntéseinknek milyen következményei lesznek jövőben. A számítógéppel támogtott szimuláció ő célj z hogy számszerűen becsülje zokt változókt melyeket más módszerek nem képesek megelelő pontossággl becsülni [57]. Persze hhoz hogy döntéseink következményeit meg tudjuk htározni nem minden esetben vn szükség szimulációr. Pl. nem szükséges szimuláció h z egyes döntések jövőbeli htás egyértelműen meghtározhtó. A szimuláció inkább kkor kerül előtérbe h vizsgált rendszer ngyon összetett döntéshozó számár nehezen átláthtó. Ebben z esetben egy megelelően elépített szimuláció viszont igen jó eszközt d jövőbeli események vizsgáltához. A modell deiníciójábn kiemelkedően ontosnk trtom következőket: 1. A modell egy mtemtikilg szbtosn leírhtó idelizált más vlóságnk. 2. A modell bár teljesen pontosn leírni nem tudj de szemlélteti vizsgált rendszer ontosbb ismérveit. 10

11 A két deiníció egyértelműen muttj hogy modellek elengedhetetlenek szimuláció elvégzéséhez A orgácsolás szimulációjánk modellezésének szükségessége Ahhoz hogy megindokoljuk hogy miért szükséges megmunkálási olymtok modellezése elegendő kimuttni szimulációjuk szükségességét. A orgácsolás modellezésének z egyik legkiemelkedőbb legismertebb személyének Merchnt-nk z 1998-bn megrendezett CIRP (The Interntionl Institution o Production Engineering Reserch) áltl szponzorált Interntionl Workshop on Modeling o Mchining Opertions konerencián megjelent cikke szerint [60]: 1. A különböző termékek előállításkor megmunkálás legszéleskörűebben lklmzott gép áltl végzett olymt. 2. A megmunkálási olymtok gzdsági vonzt óriási: A mi iprosodott országokbn előállított összes termék teljes értékének több mint 15%-át megmunkálási költségek teszik ki üggetlenül ttól hogy ezek termékek gépek vgy sem. A megmunkálási olymtok szimulációjánk szükségességét indokolj világszerte ismert vállltok érdeklődése is. Az közismert hogy egy picorientált termelő válllt csk kkor ogllkozik vlmely témkörrel h ráordított erőorrások várhtón megtérülnek későbbiekben hsznot hoznk. Azz h egy tudományos vgy lklmzási terület iránt erős ipri érdeklődés tpsztlhtó kkor z zt muttj hogy eredményei vlószínűleg jövőbeli hszonnl kecsegtetnek. Így vn ez orgácsolási olymt szimulációjávl is. Indoklásul következő részben z ipri érdeklődést és különböző spektusit muttom be egyes világszerte ismert vállltok megközelítésén keresztül: Generl Motors [92] - Az áltluk legontosbbknk trtott orgácsolási prméterek: inputok: olymt típusok nyg- szerszám- hűtőközeg- gépbeállítási prméterek; outputok: erő hőmérséklet orgács- és sorj-prméterek szerszámkopás stb. A megemlített modellezési típusok: empirikus modellek számítógéppel végzett szimuláció. Igen ontosnk trtom z áltluk ismertetett modellezési technikák előnyeinek és hátrányink tárgylását is ezt z egyes modellezési típusok bemuttáskor részletesebben ismertetem. Ford Motor Co. [5] - Fogllkoztk zzl kérdéssel hogy miért szükséges orgácsolási olymtot szimulálni melyek modellezéssel támsztott követelmények mit kell trtlmzni egy modellnek milyen ktorok szerepelnek egy orgácsolási modellben melyek jövő irányzti. The Boeing Co. [85] - Ismertették hogy mrás és úrás két domináns olymt ebben z iprágbn hvont urtok millióit készítik el. A repülőgépiprbn viszonylg kicsi z egy dott lktrészre vetített előállított mennyiség így itt ruglms gyártórendszerekre vn szükség. Ismertették hogy modellezés segít orgácsolási olymt megértésében és kihngsúlyozták prediktív modellek szükségességét. Cterpillr Inc. USA [14] - Említették hogy olymtokbn hibák jelentkeznek és ezek hibák különböző orrásokból szármznk ill. hogy ezek hibák legtöbbször egyszerre jelentkeznek. Fontosnk trtom kiemelni hogy megoglmzták nnk szükségességét hogy z 11

12 egyes beszállítók beszállított termék megmunkálási dtit átdják megbízóiknk. Felismerték hogy különböző szbványok z dtcsere htékony megvlósulását támogtják. Kennmetl Inc. USA [106] - A orgácsolási szerszámgyártó cégek egyik jeles képviselője z USA-bn picvezető világon második helyet ogllj el ben 1.7 billió USD orglmt bonyolítottk le lklmzottl vevőjük volt és mintegy termékjtát kínáltk. A modellezést ebben z iprágbn négy ngy területen hsználják: 1. tudásreprezentációs eszközként 2. lpkgeometrii tervezéstámogtó eszközként 2.1. gykorlti hsznált támogtásár 2.2. szerszámok kiválsztásár és optimlizálásr z üzem szintjén. Fontosnk trtom megjegyezni hogy z egyes eldtokhoz kimeneti és bementi prmétercsoportokt is rendeltek mely csoportok különböző eldtokbn ngymértékben átedik egymást. Colding Interntionl Corportion USA [20] - Bertil N. Colding leírt hogy kidolgozott egy progrmrendszert orgácsolási olymtok optimlizálásár. Együttműködött több ismert válllttl is pl. KHT Sdik Ford Generl Motors stb. A elállított dtbázis 3000 nyg és szerszámkombinációr vontkozik. Ipri lklmzást ismertetett Srtori és Zhng [86] is geometrii hibák számítógéppel megvlósított kompenzálásán keresztül. A szerzők bemuttták hogy megelelő progrmokkl termelési költséget 5-50%-os mértékben csökkenthetők geometrii pontosság növekedése és minőségellenőrzésre ordított idő egyidejű csökkenése mellett. Bár e tevékenység nem vlmely orgácsolási olymt modellezésére irányult de mesterséges neurális háló lpú modellezés iránti ipri érdeklődést muttj z is hogy én is végigvittem egy ipri projektet itt Mgyrországon székesehérvári gyárbn hol z összeszerelt indítómotorok neurális háló lpú működési modelljét kellett meglkotni [112]. Úgy gondolom hogy már enti néhány péld is messzemenőleg bemuttj hogy orgácsolás olymtávl kpcsoltos döntések következményei meghtározó módon beolyásolják termelő vállltok jövőbeli működését htékonyságát és jövedelmezőségét is. A szimuláció pedig pontosn rr d eszközt hogy mi döntések jövőbeli htását meg lehessen vizsgálni így jobb eredményesebb döntéseket lehessen hozni A orgácsolási olymt szimulációjánk műszki szempontji célji Felismerve orgácsolási olymt szimulációjánk ontosságát CIRP létrehozt Forgácsolás Munkcsoportját mely szerint orgácsolási olymt szimulációjánk műszki célji következők [57]: 1. A olymtok tervezése. Elvileg már egyszerűbb modellek is megelelőek ezen eldt elvégzésekor melyek lehetővé teszik hogy kiválsszuk megelelő típusú megmunkálást és orgácsolószerszám ő prmétereit és nygát. Az egyik legproblemtikusbb pont ebben lépésben hogy z dott megmunkálás olymt szempontjából biztonságosn elvégezhető-e. A kérdés megválszolásához meg kell állpítni biztonságos trtomány htárit. Ez z elvárás megelelő szimuláció elvégzésével elégíthető ki mi legtöbbször ezen 12

13 szinten nem dott. Néhány bizonytln szbályr kell ekkor döntéshozóknk támszkodniuk. 2. A olymtok optimlizálás. Ez eldt már részletesebb pontosbb modelleket igényel. Az optimlizálásnál különösen ontosnk trtom kiemelni hogy legtöbbször több nem csk műszki hnem pl. pénzügyi pici egyéb sokszor egymásnk is ellentmondó szempontot egyszerre kell igyelembe venni z optimlizálásnk szempontok közti lehetséges kompromisszumokt kell megtlálni eltárni. 3. A olymtok szbályzás. Tlán olymtszbályzás megvlósításához szükséges legpontosbb legrészletesebb modell. Megelelő modellek ismeretében és ezek megelelő hsználtávl csökkenthető megmunkálási olymt prmétereinek szórás mi ngymértékben csökkentheti selejt mennyiségét. Ebben lépésben kell meghtározni hogy megmunkálási olymtot beolyásoló prmétereket milyen lsó és első htárok közt kell trtni h olymt minőségét leíró prméterek lsó és első htári dottk. 4. A olymtok szimulációj. A orgácsolási olymtok szimulációj m még gyermekcipőben jár. Ennek ok megelelően pontos modellek hiány. A eldt elvégzésének egyik ígéretes megközelítését képviselik pl. végeselemes módszerek. 5. A olymtok körülményeinek környezetének tervezése. Vn néhány egyszerű modell mely képes orgácsolási erő teljesítmény stb. értékeit becsülni segítségükkel pl. kiválszthtó megelelő szerszám h dott megmunkálás és megmunkálndó munkdrb. 13

14 3. A orgácsolási olymt modellezésének típusi 3.1. A modellek csoportosítási lehetőségei A orgácsolási olymt modelljeit sokéleképpen lehet csoportosítni. A CIRP "Modelling o Mchining Opertions" nevű munkcsoportjánk z 1998-s beszámolój következő csoportosítási lehetőségeket ismerteti [57]: 1. A megmunkálás típus szerint: 1.1. Esztergálás 1.2. Mrás 1.3. Fúrás 1.4. Egyéb megmunkálási típusok 2. A megmunkálás spektus szerint: 2.1. Forgácsképződés 2.2. Forgácsolási erő teljesítmény becslése 2.3. A orgácsolási hőmérséklet leírás orgácsképző deormációs zónábn 2.4. Feszültségek nyúlások és hőmérsékletmező orgácsolószerszámbn 2.5. A orgácsolószerszám kopás és szerszáméltrtm 2.6. Felületi minőség 2.7. Munkdrb pontosság 2.8. A vegyes és további modellek 3. A orgácsolási olymtbn résztvevő elemek szerint 3.1. Munkdrbmodellek 3.2. Szerszámmodellek 3.3. Gépmodellek 3.4. Készülékmodellek 3.5. Szerszámtrtó modellek 3.6. Folymtmodellek - z idelizált geometrii modell - z egyes iziki elemek közti geometrii kpcsolt leírás 4. A modellezési technik szerint: 4.1. Leíró modellek - lpvető primitív összeüggések leírás megoglmzás 4.2. Kvlittív modellek - hsonlók leíró modellekhez de részletesebb leírást dnk 4.3. Kvntittív modellek: Anlitikus modellek Empirikus modellek A orgácsolás lpvető ismert iziki összeüggésein lpuló modellezési technikák pl. végeselemes modellezés dierenciálegyenletek hsznált Mesterséges intelligenci módszereken lpuló modellek - melyek lehetnek kvlittív ill. kvntittív modellek is Hibrid modellek - z előzőek vlmilyen kombinációi 14

15 5. Az egyes modellek képességei szerint: 5.1. Mgyrázó modellek - bizonyos összeüggéseket mgyráznk. Legtöbbször leíró és kvlittív modellek Empirikus modellek - megigyeléseken méréseken lpuló modellek. Az egyes olymtokt kísérletek megigyelések lpján írják le. Egy részük interpolációr is képes Prediktív modellek - zok modellek mely hsználtához nem szükséges vizsgált olymthoz hsonló vgy megegyező körülményeket tnulmányozni. Ezen modellek elépítése csk kkor lehetséges h rendelkezésre állnk orgácsolást leíró lpvető iziki összeüggések. Legtöbbször extrpolációr is képesek. 6. A modell természete szerint: 6.1. Átogó modellek melyek áltlánosságbn írják le orgácsolás olymtát nélkül hogy igyelembe vennék z dott konkrét eldtot nnk pillntnyi prmétereit Alklmzott modellek melyek csupán bizonyos meghtározott orgácsolási körülmények közt érvényesek de melyek már igyelembe veszik konkrét eldt pillntnyi prmétereit "Pre-process" modellek melyek orgácsolási olymt megkezdése előtt z ismert prméterek körülmények lpján becslik olymt eredményét "In-process" modellek - olymt közben szerzett inormációk prméterek lpján "Pre-process" modelleknél pontosbbn tudják becsülni orgácsolás eredményeit A orgácsolási olymt modellezésének technikái A orgácsolási olymt összetettségét bonyolultságát sokjt modellezési cél és eszköz is muttj. A modellezési technik szempontjából négy ngy csoportb lehet rendezni kvntittív modelleket: Anlitikus modellek Anlitikus modellek: A orgácsolási olymt tlán legősibb klsszikus modelljei. Az nlitikus modellek első képviselője Merchnt ki egy nyírási sík eltételezésével meglpozt orgácsolás nlitikus modellezését [61]. Merchnt munkáj két lpvető iziki eltételezésen lpszik [57]: 1. Forgácsegyensúly: orgács úgy tekinthető mint egy merev test melyre külső erők htnk. 2. Az eredő erő és nyírási sík orgácsolás során egy meghtározott szöget zár be. Ezt muttt be Bli is [7]. A modell egyik legngyobb hátrány hogy orgácsolási erő becsléséhez nyírási sík szögét és orgács-szerszám közti súrlódási együtthtót ismerni kell. A olymt leírásár m még nincsen teljesen kielégítő megbízhtó modell. Merchnt jvsolt először hogy e problém leírásár z energiminimum elvét célszerű lklmzni. A mi irodlom számtln különböző megoldást jvsol problém megoldásár (pl. különböző orgácsolási esetekből szármzttott dtbázisok létrehozás (pl. INFOS-Németország)). A nyírási síkr lpozott modellt többször 15

16 több szempont szerint is tovább ejlesztették (pl. nyírási sík helyett nyírási elületet eltételezve görbült nyírási elületeket lklmzv; nyírási sík helyett nyírási zónát eltételezve; orgács görbültségét igyelembe véve; stb.) Láthtó hogy z nlitikus modellek orgácsolás olymtánk iziki összeüggéseinek megértésén értelmezésén és egyben Newton-i izik lklmzásán lpsznk. A tpsztlt zt muttj hogy z nlitikus modellek lklmzásánk eredményei csk korlátozottn esnek egybe vlós tpszltokkl. Egyik legngyobb problém hogy orgácsolás olymtát legtöbbször mint egy stcionárius olymtot tekintik így nehezen tudnk válszt eszközt dni z időben dinmikusn változó olymtok leírásár Az nlitikus modellek hsznált Az irodlom lpján z nlitikus modellek különböző eldtokbn hsználhtók: Li és munktársi orgácsolási erő három komponensét orgácsolási hőmérsékletet és orgácsképződés prmétereit becsülték nlitikus modell lklmzásávl [53]. Ezen prméterekre lpozv három mesterséges neurális hálót hsználtk kopottság munkdrb elületi érdessége és orgács törési tuljdonságánk becslésére ( orgácsduzzdást leíró prméter segítségével) így z lklmzás szempontjából z áltluk hsznált modell hibrid de z nlitikus rész és neurális rész htározottn elkülönül így modellezés szempontjából két részre bonthtó. Az nlitikus rész igyelembe vette szerszám geometriáját orgácsolási prmétereket és munkdrb nygtuljdonságit. Peklenik és Jerele orgácsolási erő komponenseit és orgácsolási teljesítményt becsülték egy orgácsolási olymt energiátdási modelljét elhsználv [82]. A modell orgácsolás teljes energiáját két részre bontott z lkváltozáshoz szükséges és súrlódás áltli energiár mely energitrtmok összegeként dódik z összenergi. A orgácsolás dinmiki htásink leírásához z energitrtmot egy átlgos és egy dinmiki összetevőre bontották el. Chryssolouris és munktársi orgácsolási olymttl kpcsoltos döntések támogtásár ejlesztettek ki egy eszközt mely ogácsolási erő meghtározásár egy z energiminimum elvén lpuló nlitikus modellt hsznált [17]. A orgácsolási erők segítségével szerszám kopottságát is meg tudták htározni. Az így meghtározott prmétereket ún. intelligens szbályozásr hsználták hol e prméterekből egy mátrixos tudásábrázolási technik lklmzásávl hozhtók meg olymttl kpcsoltos döntések. P. Oxley munkásságán [81] lpuló nlitikus modellt hsználtk Jwhir és munktársi orgácsolási olymt "belső" prmétereinek meghtározásár [44]. A modell számár meg kellett dni orgácsolási sebességet ogásmélységet orgácsszélességet szerszámgeometriát munkdrb kémii összetételét és modell meghtározz nyírási sík szögét orgácsolási erőket eszültségeket nyúlásokt szerszám-munkdrb érintkezési hosszát stb. Az így meghtározott összeüggéseket kihsználv optimlizálták szerszámválsztást gépbeállítási prméterek válsztását simító megmunkálásr. 16

17 Az nlitikus modellek tuljdonsági Az nlitikus modellek széleskörű értékelését dj Armrego és DeVor cikke [3]. Ismertették hogy z nlitikus modellek orgácsolási olymt lpvető olymtink megértésén és bizonyos esetekben egy további dtbázison lpsznk. Az nlitikus modellezésnek z legngyobb előnye hogy egy igzi prediktív eszközt d orgácsolási olymt leírásár zz h ismerjük olymt izikáját kkor z rögtön lklmzhtó legkülönbözőbb körülmények közt. A legtöbb nlitikus modell sjnos csk orgácsolási erő és teljesítmény meghtározásár korlátozódik jövőben további modellek szükségesek szerszám éltrtm orgács elületi érdesség rezgés és más prméterek leírásár. Ezen prméterek ismerete lpvetően lényeges orgácsolási olymt optimlizálásához. A szerzők szerint z nlitikus modellek lklmzásánk egyik problémáj hogy orgácsoló szerszám geometriáj igen komplex nehezen ill. csk ngyon sok prméter segítségével írhtó le pedig geometri ismerete lpvető z nlitikus modellek lklmzáskor. További problémát jelent hogy olymtosn új nygok jelennek meg és sokszor nehézséget okoz modellekhez trtozó konstns-dtbázisok rissítése rissítendő dtok meghtározás Empirikus modellek Empirikus modellek: Az empirikus modellek már kevésbé lpulnk orgácsolási olymt megértésén egzkt leírásán sokkl inkább gykorlti tpsztltokon megigyeléseken. Az empirikus modellek orgácsolási kísérletekre támszkodnk legtöbbször úgy hogy modelllkotók elvégeznek egy kísérletsoroztot mjd mérési dtokt vlmilyen üggvény segítségével interpolálják. Az empirikus modellezésről tárgylv meg kell említeni ngy meriki német orosz iskolákt ill. ezek képviselőit mint pl. König Mlloch Time Zvorikin Piispnen Rosenheim Sturney Kronenberg Merchnt Cook Finnie Shw Rozenberg Zorev Opitz Lee Scher Loldze Kobysi Thomsen Plmer Oxley neveit. Ezekről kuttási eredményekről részletes áttekintés olvshtó pl. Horváth munkáibn [40][41] Az empirikus modellek hsznált Armrengo és Whitield orgácsolási erőt és teljesítményt becsültek úgy hogy egy dott orgácsolási eldtot leíró prmétereket visszvezették lpvető konkrét lklmzástól üggetlen prméterekké (lpszögek eszültségek stb.) és z így kpott prméterek közti ismert összeüggéseket lklmzv kiszámították orgácsolási erőt és teljesítményt [4]. Az összeüggések leírásár empirikus üggvényeket hsználtk melynek prmétereit egy dtbázisból vették így igyelembe tudták venni különböző nyg- szerszám stb. jellemzőket. Schultz és Bimschs empirikus összeüggést hsználtk mrás esetén orgácsolási erő becslésére [87]. Az ily módon megkpott olymtmodellt hsználták rr hogy mrószerszám pályáját optimlizálják. A modell lklmzásávl 30%-os lkhib-csökkenést tudtk elérni nélkül hogy z dott munkdrb gyártási ideje csökkent voln. 17

18 Colding Colding Interntionl Corportion-tól is empirikus összeüggéseket hsznált orgácsolási olymt modellezésére [20]. Empirikus összeüggést keresett szerszám éltrtm és orgácsolási erő meghtározásár. A kidolgozott progrmrendszert (COMP Ver. 6) 23 különböző megmunkálási (l)típusokr lehet hsználni. Az empirikus összeüggések konstnsit DBGEN progrmon keresztül tárolt. Ngyon ngy számú (háromezer) különböző nyg és szerszámkombinációr htározt meg konstnsok értékeit. Egy másik cikkében empirikus modellt lkot orgácsolási hőmérséklet számításár is [19]. Az összeüggés ismeretében meg tudt keresni minimális hőmérséklethez ill. mximális szerszáméltrtmhoz trtozó orgácsolási prmétereket. Az nlitikus modellezéssel ellentétében z empirikus modellezés már képes pl. elületi érdesség becslésére is. A elületi érdességet meghtározó modellt (képletet) muttott be X. D. Fng esztergálás esetén [29]. A modell zz képlet közvetlenül igyelembe vette orgácsolási prméterek htását és közvetetten különböző munkdrb ill. szerszámpárosításokt is. Természetesen modell lklmzásához kísérleteket kellett elvégezni és mérési eredmények segítségével kellett képletben szereplő konstnsokt meghtározni. P. K. Wright és munktársi mrási olymt esetén orgácsolási erő és elületi érdesség leírásán túl még munkdrb pontosságár is dtk nlitikus-empirikus zz hibrid modellt [29]. Az így kiejlesztett modellt orgácsolás szimulációján keresztül orgácsolási prméterek optimlizálásár hsználják. Tönsho és munktársi empirikus modelleket zz képleteket gyűjtöttek össze köszörülési olymt leírásár. Képleteket dnk köszörülési erő és teljesítmény hőmérséklet elületi érdesség szerszámkopás stb. meghtározásár [98]. Empirikus összeüggéseket hsználtk Yerrmreddy és munktársi orgácsolási erő három komponensének elületi érdességnek és kopottságnk meghtározásár [98]. Az empirikus összeüggést összehsonlították egy mesterséges neurális háló modell becslési eredményeivel és egyértelműen rr következtettek hogy becslést tekintve mesterséges neurális háló lpú modell elülmúlj z empirikus megközelítést Az empirikus modellek tuljdonsági Merchnt is leírt hogy z empirikus modellezés mérési dtok vlmilyen interpolációján lpul így egy jobb könnyebben hsználhtó eszközt nyújt mint h csupán mérési dtink egy hlmz lenne megdv [60]. Ebből következik hogy z empirikus modellek csk mérési trtománybn lklmzhtók áltlábn jó interpolációs de rossz extrpolációs tuljdonsággl rendelkeznek. Az empirikus modellezés tlán legjelentősebb lkj Tylor közismert nevét viselő összeüggés meglkotój volt [95]. Az empirikus modellezés előnyeit és hátrányit ngyon jól összeogllt Stevenson Generl Motors Reserch nd Development Center munktárs [92]. Ilyen előny hogy könnyen lehet lklmzni gykorltbn jelentkező eldtok megoldásár. További előnye még hogy ngyobb számú mérési eredmény legtöbbször pontosbb modellt eredményez mint kisebb számú. Hátrány egyrészt hogy nem prediktív újbb eldtok esetén újbb kíséreteket kell elvégezni másrészt hogy z elvégzendő kísérletek szám jelentős 18

19 mértékben megnő z input változók számánk növekedésekor. Ngy hátrány z is hogy modelllkotók legtöbbször nem törekednek orgácsolási olymt iziki összeüggéseinek megértésére céljuk csupán z dtok interpolációj. Ez lehet látni Tönsho és munktársi cikkéből is hol szerzők rámuttnk hogy ugynzon olymt ugynzon prmétereinek becslésére különböző kuttók egészen más képleteket hsználnk [98]. A modellezésre hsznált üggvények legtöbbször mind igyelembe vett prméterekben mind lkjukbn is eltérnek így láthtó hogy z empirikus modellek ngymértékben üggnek válsztott modelltípustól. Hátrányi ellenére m még tlán ez modellezési technik áll legközelebb gykorlti lklmzásokhoz Egyes orgácsolási jelenségek ismert iziki összeüggéseken lpuló modelljei Egyes orgácsolási jelenségek ismert iziki összeüggéseken lpuló modelljei: A dierenciál egyenletek dierenciális lkú összeüggések trtoznk ebbe modellezési csoportb. A különböző dierenciálegyenletek elíráskor modelllkotó mindig vlmilyen iziki összeüggés(eket)t eltételez és ez(eke)t z összeüggés(eke)t oglmzz meg vlmilyen (legtöbbször) dierenciálegyenlet(ek) lkjábn. Ezt modellezési módszert sokn z nlitikus modellek egyik ágként ismertetik mert z összeüggések megoglmzáskor sokszor Newton-i izikát vgy vlmely lpvető kuttási eredményt lklmznk (pl. súrlódás olymt hőátdás stb.). Különböző technikák léteznek z egyenlet(rendszerek) megoldásár. Ilyen tlán legismertebb és leggykrbbn lklmzott technik végeselemes módszer de természetesen z egyenletek sokszor direkt módon is megoldhtók Alpvető orgácsolási összeüggéseken lpuló modellek Plástesztergálás olymtár munkdrb orgásából szármzó orgácsolás-dinmiki regenertív htás vizsgáltánk céljából elírt dierenciálegyenleteket direkt módon oldott meg Stépán és Klmár-Ngy [91]. A vizsgált dinmiki egyenlet megoldás során több egyszerűsítés után is igen érdekes eredményre jutottk mégpedig hogy már regenertív htás vizsgáltából is kimutthtó hogy orgács lkjától és ordultszámtól üggően léteznek stbil és instbil berezgést eredményező trtományok. Levezetésükből stbil és z instbil trtományok htár meghtározhtó biurkáció jelensége kimutthtó. Grbec ogácsolási olymtot egy nem lineáris kotikus olymtként ogj el [31] mely egzkt mtemtiki leírást igényel [79]. A káosz létezésének igzolásávl ogllkoztk Bukkptnm és munktársi kik ngy számú kísérletet végeztek esztergálás esetén miközben orgácsolási erőt ill. lcsony és mgs rekvenciájú rezgéseket mértek [12]. A mérési eredmények lpján rr következtetésre jutottk hogy orgácsolási olymt egy lcsony dimenziójú kotikus olymt így olymt prméterei közti összeüggéseket különböző tnuló lgoritmusok meg tudják tnulni és mivel z ilyen olymtok szbályozhtók így orgácsolási olymt is z. A orgácsolás kotikus viselkedésének ismerete vezette Govekr és Grbec-et rr hogy orgácsoló szerszám éltrtmánk meghtározásár orgácsolási erőből számított káoszelméletből szármzó prmétereket hsználjnk [32]. 19

20 A orgácsolási olymtokt leíró (dierenciál) egyenletek egyenletrendszerek megoldásánk tlán leggykoribb módszere végeselemes módszerek lklmzás. Ez módszer orgácsolásbn résztvevő testeket elosztj diszkrét véges elemekre mjd z egyenletrendszereket ezen véges elemekhez rendelt ismeretlen prméterek meghtározásán keresztül oldj meg. Természetesen végeselemes módszerek is csk z dott egyenletrendszert oldják meg így egy jól hsználhtó modell elépítéséhez olymtot megelelően jól leíró egyenletek kellenek hhoz hsonlón minth direkt megoldást keresnénk. A orgácsképződés olymtár épített végeselemes modellt Shirksi és Obikv [89]. A modellben igyelembe vették ruglms és képlékeny lkváltozást súrlódást. Ehhez hsonlón épített végeselemes módszert Ceretti is ki zt megoldást hsznált orgácsolási olymt törési olymtink modellezésére hogy h egy elem prméterei elérték törési kritériumot kkor zt z elemet törölte z nygból [13]. Mindketten ogllkoztk orgácsolási erő teljesítmény szerszámelhsználódás és eszültségek meghtározásávl épp úgy mint Lovell és munktársi kik igyelembe vették szerszámbevontolás htását is [56] Alpvető orgácsolási összeüggéseken lpuló modellek tuljdonsági Stevenson Generl Motors munktárs ismertette végeselemes módszerek előnyeit és hátrányit [92]. A végeselemes módszereknek legngyobb előnye hogy egy igzi prediktív eszközt dnk z lklmzó kezébe [56]. További előny hogy olymtot közvetlen módon szimulálják számszerű dtokt szolgálttnk. H modell rendelkezésre áll kkor sokkl ruglmsbb mint pl. z empirikus modellezés. Problém hogy szükség vn z eredmények jóváhgyásár gykorlti tpsztltokkl történő összevetésre. Sjnos modellek hsznált legtöbbször igen számításigényes bár rohmosn ejlődő inormtik egyre inkább kitolj vlósidejű lklmzásuk htárit. Sikeres lklmzásukhoz olymtot lpvetően jól leíró egyenletekre lpösszeüggésekre vn szükség [89]. A végeselemes módszerek ipri lklmzásánk lehetőségeit muttják Sndstrom Boeing gyár [85] és Athvle és Strenskowski Ford gyár [5] munktársink cikkei is. Sndstrom leírt hogy végeselemes módszernek z egyik legngyobb előnye hogy segítségével mind kvntittív mind kvlittív inormációt is kpunk orgácsolási olymtról. A Ford gyár munktársi végeselemes módszerek jövőjét is bemuttták. Jövőbeli ejlesztésként változttásként négy átogó területet jelölnek meg: Végeselemes ormulák keresése szerszám-munkdrb kpcsolt minél jobb leírásár. Átogóbb áltlánosbb modellek iziki összeüggések megtlálás orgácsolás térbeli szimulációjánk megvlósításár. Pontosbb áltlánosbb nygmodellek szükségesek z nygok széles skálájánk leírásár. A CAD/CAM és végeselemes számítási modellek összekpcsolás. 20

21 Mesterséges intelligenci módszereken lpuló modellek Mesterséges intelligenci módszereken lpuló modellek: A mesterséges intelligenci módszerek lklmzás egy viszonylg új trendet képvisel orgácsolási olymtok modellezésében. H megteremtjük gyártás inormtiki támogtottságát és e támogtás rendelkezik ezekkel z intelligens módszerekkel kkor így meg tudjuk vlósítni z intelligens gyártást z intelligens gyártórendszereket. Ahogy bevezetőben már leírtm z intelligens viselkedésnek egyik legontosbb lpköve rendszereink tnulási képességének biztosítás [78]. Különösen így vn ez orgácsolási olymt modellezésekor hiszen itt m még sokszor nem ismertek olymtot leíró prméterek közti pontos összeüggések kpcsoltok [114]. Az intelligenci egy másik igen ontos lpköve megszerzett tudás tárolásánk módj más néven tudásábrázolás. Ebből szempontból mesterséges intelligenci módszereket két ő részre lehet osztni: szimbolikus és szubszimbólikus módszerekre. A szimbolikus rendszereknek z z lpeltevésük hogy z érzékelő és megismerő olymtokt modellezni lehet ismeretszerző mnipuláló következtető és módosító olymtokként. Ezek módszerek állnk legközelebb z emberi kommunikációhoz oglmkhoz szbályokhoz beszédhez. A szubszimbólikus reprezentáció elemeit viszont nem tudjuk közvetlen módon megeleltetni vlós világ elemeinek A mesterséges intelligenci módszereken lpuló modellek hsznált Annk ellenére hogy pl. Junkr és munktársi szimbolikus modellt (egy döntési át) hsználtk rr hogy rezgésjelek lpján köszörűtárcs teljesítményét osztályozzák [47] vgy hogy Yun és munktársi rezgésjeleken lpuló neurouzzy rendszert jvsoltk úró kopottságánk becslésére [128] ill. Szly és munktársi mrás esetén uzzy rendszert hsználtk elületi érdesség becslésére [93] szimbolikus modelleket csk igen ritkán hsználnk orgácsolási olymt modellezésére [57]. A orgácsolási olymt modellezése gyártásszimuláció lsó szintjén helyezkedik el ezért inkább szubszimbólikus módszerek legtöbbször mesterséges neurális hálók ngyszámú lklmzás kerül előtérbe [2][110]. Li és munktársi mesterséges neurális hálót hsználnk rr hogy z nlitikus modellből számított erő hőmérséklet és orgács prméterek lpján megbecsüljék kopottságot munkdrb elületi érdességét és orgács törési tuljdonságát ( orgácssűrűség index prméter lklmzásávl) [53]. Ippolito és munktársi három z előtolás irányú orgácsoló-erőből számított prméter lpján orgácsolószerszám kopottságát becsülték mesterséges neurális háló lklmzásávl [43]. A szerszámkopottságot becsülte Dorneld is erő és kusztikus emissziós mérési jelekből számított prméterek elhsználásávl [25]. A mrószerszám kopottságánk meghtározás volt célj. Monostorink is ki erő- és rezgésmérésre lpozott monitoring rendszert vlósított meg [10][63][69][70]. A szerszám kopottságánk meghtározásához két jt input prmétert hsznált: 1. A mért orgácsolási erőből számított prmétereket és 2. gépbeállítási prmétereket. 21

22 Felvetette olymt inverz modellezésének lehetőségét is és elépített egy neurális háló modellt mely mért erőből számított prméterek orgácsolási sebesség és z előtolás lpján meghtározt ogásmélységet [69]. Mesterséges neurális hálót hsználtk Yerrmreddy és munktársi orgácsolási erő három komponensének elületi érdességnek kopottságnk meghtározásár [127]. A modellnek három gépbeállítási prméter orgácsolószerszám csúcssugr és orgácsolási időtrtm z input prmétere. A neurális háló és z empirikus modell becslési eredményeinek összehsonlítás lpján egyértelműen rr következtetett hogy mesterséges neurális háló lpú modell jobb becslést d mint z empirikus A mesterséges intelligenci módszereken lpuló modellek tuljdonsági A mesterséges neurális háló lpú modellezés modellezési tuljdonságok szempontjából tlán z empirikus modellekhez áll legközelebb. Sem neurális háló lpú sem z empirikus modellezés nem törekszik olymt iziki megismerésére prméterek kpcsoltok mély lpvető iziki összeüggéseinek megértésére célj inkább egy könnyen módosíthtó gykorltbn közvetlenül hsználhtó modell meglkotás. Az dtok interpolációjánk módjábn viszont igen ngy eltérés igyelhető meg mesterséges neurális háló lpú és z empirikus modellek között. Az empirikus modellek esetén modellépítőnek már modellépítés kezdeti szkszábn el kell döntenie prméterek közti eltételezett összeüggések típusát. Pl. h vlmely üggvényt hsznál modellként kkor üggvény lkját (képletét) már modellépítés előtt meg kell dni modellépítés során már csk megdott üggvény prmétereit változttj így z empirikus modellek elépítése hsznált olymtról megszerzett előzetes tudást igényli. Ez hátrány z empirikus modelleknek neurális hálós modellekkel szemben viszont ngy előnyük hogy h ez tudás rendelkezésre áll kkor kevesebb mérési megigyelési kísérlet dt is elegendő modellek meglkotásához. A mesterséges neurális háló modellek ngyobb dtmennyiséget igényelnek viszont htlms előnye ennek technikánk z hogy nem szükséges prméterek közti összeüggések típusánk modelllkotás előtti ismerete mert ezt modelllkotás ( tnulás) során megtlálják. Ennek z előnynek viszont z z "ár" hogy modelllkotási zz tnulási ázis áltlábn hosszbb mint z empirikus modellek esetén. Munkdrb megmunkálási idejét becsülve ezekre következtetésre jutott pl. Wnk és Stockton is [123] A orgácsolási olymt modelljeinek pontosság A orgácsolási modellek sokszínűsége különböző modelltípusok modelltípusokon belül különböző megoldások és gykorlti tpsztlt is zt tükrözi hogy m még nem létezik egy kiorrott egzkt z igényeknek teljesen megelelő orgácsolási elmélet modell sokn sokjtképpen közelítenek e olymt modellezéséhez. A modellek jóságánk hsználhtóságánk egyik mérőszám modell pontosság. Az átogó egzkt modell hiány mitt ill. mert bizonyos szempontból mg olymt sem teljesen egzkt ill. sokszor bizonytln így modellek sem tudják teljesen pontosn leírni orgácsolás olymtát. Ez zt 22

23 jelenti hogy modellek áltl becsült prméterek szinte mindig eltérnek zok vlóságbn tpsztlhtó értékeitől és legtöbbször ez z eltérés több mint mit áltlábn különböző mérnöki olymtok modellezői elvárnk megszoktk [18]. Természetesen ki orgácsolás modellezésével ogllkozik nem lepődik meg ezen pl. Choi és munktársi modellezési hibát pl. olymt ngyokú nemlineritás és sztochsztikusság mitt természetesnek trtják [54]. Számszerűen ez zt jeleni hogy z orgácsolásmodell mely becsült prméterek értékeit 5-20%-os hibávl becsülni tudj már "jó" modellnek számít. A különböző szerzők gykrn eltérő mértékeket hsználnk hib mérésére de ennek ellenére z itt elsorolt cikkek jól tükrözik ezt véleményt: Gyártási időt becsült Wng és Stockton kik 1-15%-os becslési hibát kptk eredményül [123]. Az idő prméter becsült és vlós értéke közti eltérés jelentette hibát melyet vlós érték %-ábn mérték. A orgácsoló szerszámot z élettrtm lpján négy osztályb sorolt Grovekr és Grbec. A tesztelés során téves osztályb sorolás teljes mint %-át tette ki [32]. Jemielnik és munktársi szerszámkopottságot becsülték mesterséges neurális háló lpú modellel. A becsléshez orgácsoló erő rezgés és megmunkálás prmétereit hsználták. Kielégítőnek nevezték neurális hálómodellt mert kopottság becslésekor z áltluk hsznált becslési hib prméterek közül egyik sem muttott 20%-nál rosszbb eredményt. Wright és munktársi orgácsolási olymtot optimlizálták itertív módszerrel [126]. Az iterációt kkor állították le mikor megoldás z áltl megszbott eltételektől 5%-nál kisebb eltérést muttott. Empirikus összeüggést hsznált Colding orgácsolási erő és szerszáméltrtm meghtározásár. A tesztek zt muttták hogy mximum 7-15%-os átlgos eltérést jelentő becslési hibávl tudt becsülni z ismeretlen prmétereket [19]. Jó becslésként orgácsolási erő komponenseinél 5-15%-os szerszámkopottságnál 5%- os elületei érdességnél 20%-os átlgos hibát állpítottk meg Li és munktársi [53]. Kombinált nlitikus és neurális háló lpú modellt hsználtk becsléshez. Kpoor és munktársi homlokmrás esetén nlitikus modell lklmzásávl orgácsolási erő komponenseit "közeli" átlgosn 10-15%-os hibávl tudták becsülni. A sebesség z előtolás és különböző szenzorjelek voltk nnk mesterséges neurális hálónk bemenetei melynek segítségével Monostori ogásmélységet tesztelő dthlmzon vett 8.2%-os átlgos reltív hibávl tudt becsülni [69][66][67]. Nemlineáris regresszió-számítássl és neurális háló segítségével esztergálási erő elületi érdesség és szerszámkopottság becslési kísérleteket végeztek Yerrmreddy és munktársi Eredményül 10-30%-os átlgos eltérést kptk [127]. 23