Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV NGHIÊN CỨU ẢNH HƯỞNG CỦA LƯỢNG DỊCH CHUYỂN DAO ĐẾN ĐỘ NHÁM BỀ MẶT KHI TIỆN THEO MẠNG NƠ-RON A STUDY OF THE INFLUENCE OF FEED RATE TO ROUGHNESS SURFACE IN TURNING USING ARTIFICAL NEURAL NETWORKS TS Trần Ngọc Hiềna, KS Võ Hoài Sơnb Trường Đại học Giao thông vận tải, Hà Nội, Việt Nam a tranhien.tkm@utc.edu.vn; bvhson@utc.edu.vn TÓM TẮT Chất lượng sản phẩm tiêu chí quan trọng trình sản xuất Bài báo đề xuất xây dựng hệ thống điều khiển tự tối ưu nhằm đảm bảo chất lượng chi tiết trình gia công tiện Phương pháp tối ưu gọi tối ưu động Quá trình tối ưu động dựa mô hình động trình cắt có ý tới đặc điểm mang tính ngẫu nhiên thay đổi theo thời gian lượng mòn dao Theo phương pháp này, trình cắt, đại lượng xuất trình gia công kích thước, chiều cao nhấp nhô bề mặt, sai số hình dạng bề mặt gia công, độ mòn dao, lực cắt, nhiệt cắt phản hồi tới phận xử lý Sau phận xử lý nhanh chóng xác định chế độ cắt tối ưu chuyển kết cho phận điều khiển để tiến hành tự động điều chỉnh máy làm việc theo chế độ công nghệ tối ưu tương ứng với thời điểm Để thực thi hệ thống, kỹ thuật thông minh nhân tạo mạng nơ-ron ứng dụng để chẩn đoán lượng mòn dao điều chỉnh chế độ cắt hợp lý tương ứng với lượng mòn dao Từ khóa: độ nhám bề mặt, gia công tiện, mòn dao, mạng nơ-ron, tự tối ưu ABSTRACT Product quality is an important criterion of the production process The paper presentsa self-optimizing control system to ensure the optimal quality of product in the turning process This optimization method is called dynamic optimization Process optimization is based on the model of the cutting process with attention to the characteristics which are random or change over time as the amount of tool wear According to this method, during the cutting process, variables appearing in processes such as dimension, surface roughness, the shape error of the surface, the worn tool, cutting forces, heat of cuttingare sent to the processing module Then, this module quickly determines the optimal cutting condition and transfers the results to the control module to controlturning machine working under optimum cutting condition To implement the system, artificial intelligence techniques such as neural networks have been used to diagnose the amount of tool wearand adjust the cutting conditioncorresponding to the worn tool Keywords: Surface roughness, Turning, Tool wear, Neural network, Self-optimization ĐẶT VẤN ĐỀ Trong tiêu đánh giá chất lượng gia công, độ nhám bề mặt thông số quan trọng để đánh giá chất lượng sản phẩm gia công Trong trình gia công, độ nhám bề mặt đạt bị ảnh hưởng nhiều yếu tố, chẳng hạn chế độ cắt (lượng dịch dao, tốc độ cắt chiều sâu cắt), đặc tính phôi, vật liệu làm dao, mòn dao,… Trong yếu tố ảnh hưởng tới nhám bề mặt, mòn dao yếu tố ảnh hưởng trực tiếp Mặt khác, mòn dao gây sai số hình dạng chi tiết gia công Vì yếu tố cần ý đến tối ưu trình gia công nhằm đảm bảo chất lượng sản phẩm Hơn nữa, tối 104 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV ưu chế độ gia công cắt gọt có xem xét đến tuổi thọ dao giúp giảm chi phí sản xuất tăng suất gia công sử dụng tối đa tuổi thọ dao giảm thời gian phụ cho việc thay dao Nếu mòn dao trình gia công không giám sát liên tục, chất lượng bề mặt gia công bị ảnh hưởng, gây thiệt hại chi phí thời gian gia công [1] Vì vậy, việc giám sát điều kiện dao tự điều chỉnh chế độ cắt có ý nghĩa vô quan trọng phát triển hệ thống gia công thông minh Bài báo trình bày hệ thống điều khiển tự tối ưu cho phép giám sát điều khiển trình gia công tiện cách thông minh Hệ thống cho phép xác định điều kiện cắt trạng thái trình gia công Trong nghiên cứu này, tự tối ưu hệ thống gia công bao gồm thích nghi tới mục tiêu chất lượng nhám bề mặt, dung sai hình học có xem xét tới yếu tố nhiễu rung động, mòn dao, không đồng vật liệu phôi, thay đổi nhiệt độ Sự thích nghi không cần tới can thiệp người vận hành Để chứng minh khả hệ thống tự giám sát tự điều chỉnh, báo xét tới trình gia công liên quan tới điều kiện làm việc dao mòn dao Mạng nơ-ron nhân tạo (artificial neural network – ANN) áp dụng nghiên cứu để phát triển hệ thống điều khiển tự thích nghi gia công tiện nhằm dự đoán lượng mòn dao sau tự điều chỉnh thông số cắt theo tiêu tối ưu đảm bảo chất lượng bề mặt gia công đáp ứng yêu cầu Ưu điểm việc sử dụng ANN dự đoán độ nhám bề mặt kể đến như: thích hợp với dạng liệu ngõ vào, ngõ phi tuyến; dễ dàng thay đổi thông số ngõ vào; khả khử nhiễu; ứng dụng thành công nhiều nghiên cứu tương tự CẤU TRÚC HỆ THỐNG ĐIỀU KHIỂN TỰ TỐI ƯU TRONG GIA CÔNG TIỆN Trong hệ thống gia công, máy công cụ giữ vai trò quan trọng để có sản phẩm chất lượng cao với giá thành sản xuất thấp suất cao Quá trình gia công máy ảnh hưởng lớn tới việc vận hành suất toàn hệ thống gia công Tuy nhiên hệ thống điều khiển số (Computer Numerical Control – CNC) không cho phép điều khiển chất lượng trực tiếp trình gia công cấu trúc điều khiển Ví dụ, trường hợp xuất lỗi mòn dao giá trị tối ưu ban đầu thông số cắt không phù hợp chúng phải thay đổi để đảm bảo chất lượng chi tiết gia công Hiện tại, trình tự gia công chế độ cắt không phép thay đổi suốt trình gia công thao tác gia công tự động lập trình sẵn chương trình NC Trong trình gia công máy tiện, để xét tới lỗi đồng thời xét tới chất lượng sản phẩm, báo đề xuất hệ thống điều khiển tự tối ưu (Self-Optimizing Control-SOC) Cấu trúc hệ thống thể Hình Theo đó, sau đường chạy dao, hệ thống SOC thu thập thông tin trình gia công thông qua cảm biến lắp đặt máy gia công Sau xử lý tín hiệu trích xuất giá trị cần thiết từ cảm biến, giá trị chuyển đến hệ thống chẩn đoán để đưa dự đoán trạng thái gia công lượng mòn dao, tuổi thọ dao hay nhám bề mặt Hệ thống chẩn đoán dựa kỹ thuật thông minh nhân tạo (Artificial Intelligent – AI) Trên sở chẩn đoán, hệ thống cung cấp thông số cắt tối ưu cho đường chạy dao sau thông số chuyển đến hệ thống điều khiển số máy công cụ Như vậy, để thực tự thích nghi tới trình gia công, hệ thống điều khiển tự tối ưu đặc trưng ba chức [2]: - Phân tích trạng thái tại: hệ thống gia công xác định trạng thái thông qua phân tích thông số thiết lập tín hiệu nhận từ cảm biến mối liên hệ với hàm mục tiêu - Xác định mục tiêu: tối ưu yêu cầu việc xác định mục tiêu nội Mục tiêu nội định nghĩa cách hệ thống gia công thực để đạt mục tiêu tổng thể 105 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV - Điều chỉnh cư xử hệ thống: so sánh trạng thái với mục tiêu hệ thống nhằm đảm bảo điều kiện tối ưu hệ thống Nó cho phép hệ thống gia công định nhằm thích ứng mục tiêu nội để đạt mục tiêu tổng thể Hình Mô hình hệ thống điều khiển tối ưu động Việc xây dựng kiểm tra đánh giá hệ thống điều khiển tự tối ưu thực qua bước sau: thiết lập hệ thống đa cảm biến xử lý tín hiệu thu được; xây dựng điều khiển để điều chỉnh thông số cắt; kết nối tới điều khiển CNC máy công cụ; triển khai điều khiển xây dựng máy thực; tiến hành kiểm tra đánh giá hệ thống xây dựng HỆ THỐNG CHẨN ĐOÁN LƯỢNG MÒN DAO Mòn dao tượng tất yếu trình gia công gây tác động qua lại dụng cụ cắt phôi Sự tiến triển mòn dao cần theo dõi trình gia công tiếp tục thực hiện, dao cắt bị mòn làm giảm chất lượng chi tiết gia công, tăng thời gian sản xuất chi phí, chí gây hư hỏng máy móc dụng cụ cắt hỏng đột ngột Để tránh thiệt hại đáng tiếc, tiến triển mòn dao từ lúc bắt đầu gia công phải dự đoán theo dõi liên tục suốt trình gia công Có nhiều phương pháp để xác định lượng mòn dao, phương pháp chia làm hai loại: trực tiếp gián tiếp [3] Đối với phương pháp trực tiếp, giá trị mòn dao đo trực tiếp phương pháp gián tiếp, người ta đo giá trị thông số có ảnh hưởng đến lượng mòn dao Phương pháp gián tiếp sử dụng để chẩn đoán lượng mòn dao thực nhiều công trình nghiên cứu trước Những thông số sử dụng để dự đoán lượng mòn dao thường sử dụng thông số chế độ cắt, cụ thể là: tốc độ cắt, lượng dịch dao, chiều sâu cắt [4] Ngoài ra, có thông số khác như: lực cắt, rung động, tiếng ồn, xạ âm thanh, nhiệt độ, nhám bề mặt Tuy nhiên, đo toàn thông số xử lý chúng không hiệu kinh tế phận xử lý nhiều thời gian việc dự đoán lượng mòn dao, hiệu đạt không cao Shiddhpura tổng hợp nghiên cứu dự đoán lượng mòn dao, phân loại thông số mà nhà nghiên cứu sử dụng (xem Hình 2)[3] Theo đó, lực cắt yếu tố sử dụng nhiều để dự đoán lượng mòn dao Thực tế, cảm 106 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV biến dùng để đo lực cắt có độ tin cậy cao, giá thành rẻ dễ sử dụng nên việc sử dụng chúng phù hợp với môi trường công nghiệp Hình Số công trình nghiên cứu dự đoán lượng mòn dao Hình Cấu trúc ANN#1 – Chẩn đoán lượng mòn dao Mạng nơ-ron nhân tạo (ANN) công cụ sử dụng làm thuật toán để dự đoán lượng mòn dao thông qua thông số đầu vào Mạng nơ-ron nhân tạo phát triển nhằm mô chức não người hệ nơ-ron, hình thành hữu hạn lớp với phần tử tính toán gọi nơ-ron Một ANN gồm có lớp: lớp ngõ vào (input layer), lớp ẩn (hidden layer) lớp ngõ (output layer) Khả xử lý mạng thực kết nối bên nơ-ron với trọng số tương ứng, điều chỉnh trình học Thuật toán dạy (hay học) định nghĩa tiến trình điều chỉnh trọng số (weights) tham số (bias) mạng nhằm tối thiểu hóa sai lệnh ngõ thực tế giả thiết [5] Trong nghiên cứu này, cấu trúc ANN#1 thể Hình dùng để mô hình hóa dự đoán lượng mòn dao gia công tiện Cấu hình ANN#1 6-10-1 Lớp ngõ vào gồm nơ-ron: tốc độ cắt v, lượng dịch dao f, chiều sâu cắt a p , lực cắt, thời gian gia công, lượng mòn ban đầu dao Một lớp ẩn gồm 10 nơ-ron Lớp ngõ chứa nơ-ron cho biết giá trị dự đoán lượng mòn dao trình tiện Để có cấu trúc này, số lần học dừng lại sau 2000 lần lặp với sai lệch nhỏ thu 0.025 Kết dự đoán thử nghiệm thể Bảng 107 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Bảng 1: Kết dự đoán lượng mòn dao ANN#1 so với liệu thực nghiệm Lần Lực Lượng Chiều Thời Tốc Lượng Lượng Lượng Sai thử cắt dịch sâu gian gia độ cắt mòn ban mòn mòn dự lệch (N) dao cắt công (m/ph) đầu thực tế đoán (mm) (mm/vg) (mm) (mm) (mm) (mm) (mm) 609 0.1449 1.5 160 0.140 0.133 0.007 608 0.1398 1.5 10 160 0.174 0.173 0.001 607 0.1347 1.5 20 160 0.208 0.205 0.003 609 0.1449 1.5 30 160 0.292 0.279 0.013 619 0.1680 2.0 160 0.165 0.147 0.015 610 0.1500 2.0 20 160 0.195 0.216 -0.021 HỆ THỐNG ĐIỀU KHIỂN TỰ TỐI ƯU CÁC THÔNG SỐ CẮT GỌT Tối ưu hóa thông số cắt công việc quan trọng việc lập kế hoạch gia công, định đến mục tiêu trình gia công Trước đây, phương pháp tối ưu hóa thường phát triển với mục tiêu ý đến, chẳng hạn tối thiểu hóa chi phí tối đa hóa lợi nhuận Tuy nhiên, thực tế nay, nhà sản xuất phải giải vấn đề tối ưu hóa nhiều mục tiêu Những mục tiêu thường đối lập không so sánh Ví dụ, trình tiện, mục tiêu sau cần ý: tối thiểu hóa chi phí vận hành, tối đa hóa suất tối đa hóa chất lượng gia công Khi đó, việc tăng tốc độ cắt góp phần làm tăng tốc độ gia công, làm tăng chi phí sản xuất tốc độ mòn dao nhanh giảm chất lượng gia công ảnh hưởng đến độ nhám bề mặt Mạng nơ-ron áp dụng để thực việc tối ưu hóa mục tiêu như: tối thiểu hóa thời gian gia công chi phí, tối đa hóa chất lượng sản phẩm gia công Trong trình cắt gọt kim loại, dựa vào giá trị phản hồi từ hệ thống chẩn đoán trình gia công, trình tối ưu nhằm xác định chế độ cắt bao gồm tốc độ cắt v c , lượng dịch dao f chiều sâu cắt a p thỏa mãn giá trị giới hạn đồng thời cân mục tiêu đối lập 4.1 Các hàm mục tiêu Tốc độ gia công (T p ): Là toàn thời gian cần thiết để gia công sản phẩm, phụ thuộc vào tốc độ tách bóc phôi MRR (metal removal rate) tuổi thọ dao T, tính theo công thức sau [6]: (1 + Tc / T ) + T Tp = Ts + V i MRR (1) T s , T c , T i V thời gian cài đặt máy, thời gian thay dao, thời gian chạy không thể tích phôi gỡ bỏ Thông thường, giá trị số nên T p hàm MRR T Tốc độ tách phôi tính theo công thức sau: MRR = 1000.v f a p (2) Tuổi thọ dao tính theo công thức Taylor: T= kT (giờ) v f α aαp α1 (3) k T , α , α α số dương, xác định thực nghiệm [6,7] 108 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Chi phí gia công (C p ): Là chi phí tính sản phẩm, phụ thuộc vào T vàT p , xác định sau [8]: C  C= Tp  t + Cl + Co  p T  (4) với C t , C l C o chi phí dao cụ, chi phí lao động phí tổn Chất lượng gia công: Được đánh giá thông độ nhám bề mặt Ra Công thức (5) cho phép tính toán nhám bề mặt chi tiết gia công có xét đến lượng mòn dao vừa chẩn đoán [9]: 0,125 × f = Ra × (1 + 1, 6103 × Tw )0,7315 rE (5) r E bán kính mũi dao (mm);f tốc độ dịch dao (mm/vòng); T w lượng mòn dao (mm) Các giá trị giới hạn: Các thông số chế độ cắt giới hạn loại dụng cụ cắt lựa chọn, khả công nghệ máy độ an toàn, đó: vmin ≤ v ≤ vmax ; f ≤ f ≤ f max ; a p ≤ a p ≤ a p max (6) Công suất P lực cắt F: Công suất tiêu thụ máy trình gia công biểu diễn thông qua lực cắt F(N)và tốc độ cắt v (m/ph) sau [10]: P= Fv , kW 61, 2.103η (7) η hiệu suất máy, lực cắt máy tính theo công thức sau: F = K F f β1 a βp , N (8) với K F , β , β số phụ thuộc dụng cụ cắt phôi Giới hạn công suất lực cắt cho sau: Pmin ≤ P ≤ Pmax , Fmin ≤ F ≤ Fmax (9) Hình Sơ đồ mối quan hệ hàm mục tiêu thông số cắt gọt Dựa hàm mục tiêu kể trên, cấu trúc việc tối ưu hóa thông số cắt gọt để thỏa mãn hàm mục tiêu biểu diễn sơ đồ phân tầng Hình Như vậy, vấn đề tối ưu hóa thông số cắt gọt xác định giá trị hàm: Tp ( v, f , a p ) , C p ( v, f , a p ) , Ra ( v, f , a p ) theo giá trị giới hạn (6) (9) 109 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV 4.2 Mô hình tối ưu hóa thông số cắt gọt Thiết kế thực nghiệm theo phương pháp Taguchi cho phép thu giá trị tối ưu thông số cắt gia công tiện Tuy vậy, phương pháp sử dụng để xác định chế độ cắt tối ưu lập kế hoạch gia công, gọi điều khiển chất lượng không trực tuyến (off-line quality control) Mạng nơ-ron nhân tạo cho phép sinh giá trị tối ưu trình gia công tiện thực hiện, gọi điều khiển chất lượng trực tuyến (online quality control) [11,12] Trong trình gia công, lượng mòn dao ảnh hưởng đến chất lượng gia công R a thông số cắt sinh sử dụng mạng nơ-ron nhân tạo ANN#2 Cấu trúc ANN#2 33-6-1 với hai lớp ẩn Các thông số đầu vào là: tốc độ cắt v, lượng mòn dao T w , chiều sâu cắt a p Lớp ngõ gồm thông số lượng dịch dao mong muốn f Số lần học dừng lại sau 2000 lần lặp với lỗi nhỏ thu 0.28 Kết sinh lượng dịch dao tối ưu tương ứng lượng mòn dao thể Bảng Bảng 2: Kết sinh lượng dịch dao tối ưu ANN#2 so với liệu thực nghiệm Lần Tốc độ cắt Lượng Chiều Lượng dịch dao Lượng dịch dao Sai thử (m/phút) mòn dao sâu cắt mong muốn sinh số (mm) (mm) (mm/vòng) (mm/vòng) 160 0.158 1.635 0.29 0.270 0.020 160 0.174 1.755 0.45 0.423 0.027 160 0.180 1.800 0.55 0.500 0.050 160 0.230 2.175 1.11 1.010 0.100 160 0.290 2.626 1.61 1.580 0.030 160 0.248 2.310 1.19 1.170 0.020 TÍCH HỢP HỆ THỐNG CHẨN ĐOÁN LƯỢNG MÒN DAO VÀ HIỆU CHỈNH LƯỢNG DỊCH DAO Hình Hệ thống chẩn đoán lượng mòn dao sinh chế độ cắt 110 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Hình thể tích hợp mô đun xây dựng để chẩn đoán lượng mòn dao gia công sinh chế độ cắt tương ứng với lượng mòn dao vừa chẩn đoán để đảm bảo giá trị nhám bề mặt chi tiết gia công giới hạn cho phép Theo đó, tín hiệu ghi nhận từ cảm biến khuếch đại chuyển đến mạng nơ-ron ANN#1 xử lý, nhằm dự đoán lượng mòn dao Nếu giá trị nhám bề mặt tính theo lượng mòn dao áp dụng công thức (5) vượt giới hạn cho phép, hệ thống thông báo thay dao Ngược lại, ANN#2 sử dụng để sinh chế độ cắt KẾT LUẬN Bài báo trình bày hệ thống điều khiển tự tối ưu cho hệ thống gia công thông minh Chức chẩn đoán lượng mòn dao trình gia công lập đánh giá thực nghiệm Sau đó, thông tin chẩn đoán mòn dao sử dụng để sinh chế độ cắt nhằm đảm bảo chất lượng chi tiết gia công Để lập trình hệ thống, mô hình hệ thống điều khiển tự tối ưu hướng tới chất lượng gia công đề xuất kỹ thuật mạng nơ-ron nhân tạo áp dụng Kết thực nghiệm thể hệ thống đề xuất chẩn đoán lượng mòn dao tự điều chỉnh chế độ cắt phù hợp nhằm đảm bảo chất lượng chi tiết trình gia công tiện LỜI CẢM ƠN Nghiên cứu tài trợ Quỹ Phát triển khoa học công nghệ Quốc gia (NAFOSTED) đề tài mã số 107.01-2014.23 TÀI LIỆU THAM KHẢO [1] Ghasempoor, A at el Real time implementation of on-line tool condition monitoring in turning International Journal of Machine Tools and Manufacture, 1999, Vol 39 (12), p.1883–1902 [2] Bocker, J at el Self-Optimization as a Framework for Advanced Control Systems IECON 2006 - 32nd Annual Conference on IEEE Industrial Electronics, 2006, p 46714675 [3] Siddhpura, A & Paurobally, R., A review of flank wear prediction methods for tool condition monitoring in a turning process The International Journal of Advanced Manufacturing Technology, 2012, Vol 65 (1-4), p 371–393 [4] Viktor P Astakhov, Effects of the cutting feed, depth of cut, and workpiece (bore) diameter on the tool wear rate The International Journal of Advanced Manufacturing Technology, 2006, Vol 34 (7-8), p 631-640 [5] Asiltürk, İ., & Çunkaş, M., Modeling and prediction of surface roughness in turning operations using artificial neural network and multiple regression method Expert Systems with Applications, 2011, Vol 38 (5), p 5826–5832 [6] Malakooti, B at el, A sensor-based acceleratedapproach for multi-attribute machinabilityand tool life evaluation.International Journal of Production Research, 1990, Vol 28 (12), p 2373–2392 [7] Li, X., Dong, S., & Venuvinod, P K., Hybrid Learning for Tool Wear Monitoring The International Journal of Advanced Manufacturing Technology, 2000, Vol 16 (5), p 303– 307 [8] Lee, B & Tarng, Y., Cutting-parameter selection for maximizing production rate or minimizing production cost in multistage turning operations Journal of Materials Processing Technology, 2000, Vol 105 (1-2), p 61–66 111 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV [9] Pal, S et al., Tool wear monitoring and selection of optimum cutting conditions with progressive tool wear effect and input uncertainties Journal of Intelligent Manufacturing, 2009, Vol 22 (4), p 491–504 [10] Shin, Y & Joo, Y., Optimization of machining conditions with practical constraints International Journal of Production Research, 1992, Vol 30 (12), p 2907-2919 [11] Nguyễn Ngọc Kiên, Ứng dụng phương pháp trí tuệ nhân tạo phân tích Taguchi để xác định chế độ cắt tối ưu gia công máy phay CNC, Luận án tiến sĩ kỹ thuật khí, 2014 [12] Krishankant, Jatin Taneja, Mohit Bector, Rajesh Kumar, Application of Taguchi Method for Optimizing Turning Process by the effects of Machining Parameters International Journal of Engineering and Advanced Technology, 2012, Vol 2(1), p 263-274 THÔNG TIN TÁC GIẢ TS Trần Ngọc Hiền Trường Đại học Giao thông vận tải, Hà Nội Email: tranhien.tkm@utc.edu.vn ĐT: 0904.194.293 KS Võ Hoài Sơn Trường Đại học Giao thông vận tải – Cơ sở II, TP Hồ Chí Minh Email: vhson@utc.edu.vn ĐT: 0972.351.535 112 ... Kết sinh lượng dịch dao tối ưu tương ứng lượng mòn dao thể Bảng Bảng 2: Kết sinh lượng dịch dao tối ưu ANN#2 so với liệu thực nghiệm Lần Tốc độ cắt Lượng Chiều Lượng dịch dao Lượng dịch dao Sai... chi phí dao cụ, chi phí lao động phí tổn Chất lượng gia công: Được đánh giá thông độ nhám bề mặt Ra Công thức (5) cho phép tính toán nhám bề mặt chi tiết gia công có xét đến lượng mòn dao vừa... tốc độ mòn dao nhanh giảm chất lượng gia công ảnh hưởng đến độ nhám bề mặt Mạng nơ-ron áp dụng để thực việc tối ưu hóa mục tiêu như: tối thiểu hóa thời gian gia công chi phí, tối đa hóa chất lượng