지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 석종원
- 발행연도
- 2015
- 저작권
- 중앙대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 엔드밀 공구를 이용한 가공에서 비절삭에너지 예측모델을 개발하고 최적화 기법을 통해 이를 최소로 만드는 가공조건을 찾는 연구를 수행하였다. 절삭 가공 시 윤활은 공정 비용과 가공물의 표면조도를 고려하였을 때 가장 우수하다고 알려진 MQL기법을 사용하였다. 비절삭에너지 모델의 변수로는 공구회전속도, 절삭 깊이, 이송속도, MQL유량을 사용하였으며, 예비실험을 통하여 안정적인 절삭이 가능한 절삭조건의 범위를 선택하였다. 또한, 가공 조건에 따른 비절삭에너지를 계산하고 이를 분석하였다.
비절삭에너지 모델은 인공신경망을 이용하여 개발하였다. 인공신경망은 Levenverg-Marquardt back propagation algorithm을 사용하였으며, 실험데이터와 비교하여 가장 적합한 은닉층(hidden layer)의 개수를 찾게 된다. 본 연구에서는 인공신경망을 이용하여 가공조건에 따른 비절삭에너지를 구하였다. 비절삭에너지를 최소로 하는 최적화된 변수 값을 찾기 위해서 particle swarm optimization(PSO)을 사용하였다. PSO는 실험 범위 내에서 계산을 하도록 제한 조건을 주었으며, 검증실험을 통하여 개발된 모델의 적합성을 증명하였다.
비절삭에너지 모델은 인공신경망을 이용하여 개발하였다. 인공신경망은 Levenverg-Marquardt back propagation algorithm을 사용하였으며, 실험데이터와 비교하여 가장 적합한 은닉층(hidden layer)의 개수를 찾게 된다. 본 연구에서는 인공신경망을 이용하여 가공조건에 따른 비절삭에너지를 구하였다. 비절삭에너지를 최소로 하는 최적화된 변수 값을 찾기 위해서 particle swarm optimization(PSO)을 사용하였다. PSO는 실험 범위 내에서 계산을 하도록 제한 조건을 주었으며, 검증실험을 통하여 개발된 모델의 적합성을 증명하였다.
목차
1. Introduction 12. Lubrication Strategies and cutting conditions 62.1. Experimental set-up 62.2. Experimental tests for the comparative analysis of the lubrication systems 102.3. Force and Power Consumption measurement 122.4. Surface roughness measurement 223. Specific cutting energy model 253.1. Experimental set-up 253.2. result of experiments 284. Estimation of the specific cutting energy using artificial neural network 354.1 The basic concept of the neural network 354.2. Application and validation of an artificial neural network 415. Optimization process 445.1 The basic concept of Particle Swarm Optimization 445.2. Application and validation of the cutting energy optimization model 476. Conclusions 50References 52국문초록 54
최근 본 자료
댓글(0)
0