neuronske mreze
DESCRIPTION
primjena neuronskih mreza u procjenjvanju kvalitete obradjene povrsineTRANSCRIPT
![Page 1: neuronske mreze](https://reader035.vdocuments.pub/reader035/viewer/2022081817/5695d4d81a28ab9b02a2ffd3/html5/thumbnails/1.jpg)
1IntroductionUvod
kovima u proizvodnom sustavu, uz sve izraženije pritiskeglobalizacije i rastuću konkurenciju na tržištu koje zahtijevamale serije i raznolikost proizvoda, teško je ostvarivo beznovih znanstvenih pristupa i primjene suvremenihinformacijskih tehnologija
cati naskraćenje vremena razvoja novih proizvoda i njihovukonkurentnost na tržištu, a transfer novih tehnološkihznanja u vlastite proizvodne sustave i inventivnostzaposlenih u pripremi i proizvodnji od presudnog suznačaja. Primjena računalskih sustava, naročito sustavatemeljenih na umjetnoj inteligenciji, utjecala je da segodinama stjecana pojedinačna znanja i iskustva djelatnikau odjelima pripreme proizvodnje, objedine i učine na razinipoduzeća općedostupnim, te iskoriste za ekspertnozaključivanj
S ciljem skraćenja vremena i smanjenja troškovaobrade p
]. Pri tome u obzir uzimaju veliki brojograničenja kao što su sila r
čkim algoritmima [ima obrade često se uz GA
Izabrani režimi obrade kasnije utječu na kvalitetuobrađivane površine. Bolja kvaliteta obrađivane površine
Postizanje optimalne kvalitete proizvoda, niskihtroškova proizvodnje, poštivanje rokova isporuke,racionalnije upravljanje materijalnim i informacijskimto
u pripremi proizvodnje, kao i usamoj proizvodnji.
Stalnim inovacijama proizvoda, inovacijama upripremi proizvodnje i proizvodnom procesu, podizanjemrazine organizacije pripreme i proizvodnje, upravljanjaproizvodnjom i kvalitetom, itd. pokušava se utje
e, procjenjivanje i optimiranje pripremnih iproizvodnih aktivnosti.
ojedini autori provode optimizaciju parametaraobrade [1, 2, 3
ezanja, snaga stroja, postojanostalata, temperatura u zoni rezanja, itd. Isti se ciljevipokušavaju ostvariti kontinuiranim poboljšanjem uvjetarezanja, odnosno razvojem i primjenom on-lineinteligentnog sustava za monitoring i optimizaciju uvjetarezanja temeljenog na geneti 4, 5]. Upostupcima optimiranja rež (eng.Genetic Algorithm) kombiniraju i neuronske mreže (NN)[6-9].
43
G. Šimunović, T. Šarić, R. Lujić
ISSN 1330-3651UDC/UDK 620.179.118 : 004.032.26
PRIMJENA NEURONSKIH MREŽA U PROCJENJIVANJUKVALITETE OBRAĐIVANE POVRŠINE
Goran Šimunović, Tomislav Šarić, Roberto Lujić
Površinska hrapavost se često uzima kao pokazatelj kvalitete obrađivanih radnih predmeta. Postizanje željene kvalitete površine od velike je važnosti zaobavljanje funkcije proizvoda. U radu je promatran utjecaj obrađivanog materijala, alata, dubine rezanja, posmaka i brzine rezanja na hrapavost obrađivanepovršine. Prikupljeni rezultati eksperimentalnih istraživanja, na radnom predmetu „razvodnik uređaja za ronjenje“, poslužili su za procjenjivanje površinskehrapavosti primjenom neuronskih mreža.Analizirane su različite neuronske mreže širenja unazad, te je izabrana
greške. Procjena površinske hrapavosti koju daje model, može olakšati rad manje iskusnim tehnolozima i na taj način skratiti vrijeme tehnološkepripreme proizvodnje.
mreža s najmanjom razinom RMS (eng. RootMean Square)
Ključne riječi: kvaliteta površine, umjetna inteligencija, neuronske mreže
Izvorni znanstveni članak
Surface roughness is often taken as an important indicator of the quality of machined parts. Achieving the desired surface quality is of great importance for theproduct function. In this paper, influence of material, type of tool, cutting depth, feed rate and cutting speed on surface roughness is observed. Collected resultsof experimental research are utilized for surface roughness prediction using neural networks. Various structures of a back-propagation neural network havebeen analyzed and the network with the minimum RMS error has been selected. Evaluation of surface roughness obtained by neural networks model can help toless experienced technologists and therefore production preparation technological time can be shorter.
Keywords: surface quality, artificial intelligence, neural networks
Original scientific paper
Surface quality prediction by artificial-neural-networks
Surface quality prediction by artificial-neural-networks
Technical Gazette 16, (2009), 432 -47
poz tribološka svojstva,
roblemom procjene bavemnogi autori [10, 11]. Za procjenu hrapavosti
[12, 13][14], ekspertni sustavi [15] i
neuronske mreže [16-20].U
bez obzira koji jeosnovni smisao (cilj) primjene neuronskih mreža,
prethodnoistrenirane neuronske mreže u informacijski sustav, uokviru kojeg bi se rezultati koje neuronska mreža daje moglivišestruko iskoristiti. Upravo se prohrapavosti površine radnih predmeta primjenom neuron-skih mreža bavi ovaj rad.
i razvrstati u nekoliko skupina
itivno utječe na dinamičkuizdržljivost, otpornost na koroziju i estetiku, aliistovremeno podiže troškove proizvodnje. Iz tog se razlogap hrapavosti obrađivanih površina
primjenjujuse različite tehnike: višestruka regresija ,matematičko modeliranje
spomenutim radovima zaključci uglavnompotvrđuju opravdanost primjene umjetne inteligencije zarješavanje konkretnih tehnoloških problema. Uvišedimenzionalnim problemima u kojima je teško iligotovo nemoguće uspostaviti matematičku ovisnostulaznih i izlaznih varijabli, značajnu primjenu svakakoimaju neuronske mreže. Međutim,
rijetkiautori govore o unaprjeđenju kroz integraciju
blemom predviđanja
Promatra li se obrada odvajanjem čestica, mnogo jeutjecajnih faktora na hrapavost obrađivane površine.Utjecajni faktori bi se mogl :faktori određeni radnim predmetom (kemijski sastav,mehanička svojstva, stanje površine,…), faktori određeniizabranim strojem (stabilnost, radne karakteristike,preciznost,…), faktori određeni izabranim alatom (vrstamaterijala alata, geometrija alata, stanje rezne površine,…),faktori određeni izabranim režimima obrade (dubinarezanja, posmak i brzina rezanja) i faktori određenisredstvom za hlađenje i podmazivanje (kemijski sastav,viskoznost, način i položaj hlađenja,…).
Tijekom realizacije količinski velike narudžbe, naprobnoj seriji je promatran utjecaj nekih od spomenutih
2Definicija problema i cilja istraživanjaThe problem and investigating goal definition
![Page 2: neuronske mreze](https://reader035.vdocuments.pub/reader035/viewer/2022081817/5695d4d81a28ab9b02a2ffd3/html5/thumbnails/2.jpg)
44
Primjena neuronskih mreža u procjenjivanju kvalitete obrađivane površine G. Šimunović, T. Šarić, R. Lujić
Tehni ki vjesnikč 16, (2009), 432 -47
faktorapoduzeć Đuro Đaković u Slavonskom Brodu planiralo seizraditi ukupno 12000 komada "razvodnika uređaja zaronjenje" (slika 1). U probnoj seriji od 250 komada zanaknadna ispitivanja u eksploatacijskim uvjetima, radni sepredmet izrađivao iz čelika 25CrMo4 (Č4730), ali uzsuglasnost naručitelja koristio se i zamjenski materijal čelik42CrMo4.V (Č4732.4). Na probnoj su seriji varirani alati(rezne pločice: TCMT 090204-PF; VBMT 110304-PF) iparametri obrade (posmak: mm/okr
abrana je CNC tokarilica proizvođača ,tip: Proton 460. Nakon provedene operacije tokarenjaslijedila je kontrola i mjerenje hrapavosti na promatranojpovršini. Podaci su dobiveni djelomičnim faktorskimplanom pokusa (faktori na različitim razinama) s dvaponavljanja. Hrapavost je mjerena na udaljenosti 20 mm odjednog i drugog čela radnog predmeta na temperaturi radneokoline 23 °
jeni neuronskih mreža. Neuronske sumreže izabrane za postavljanje modela jer je znanje oproblemu dostupno u obliku skupa diskretnih vrijednostielementa vektora stanja i izlaznih veličina iz procesa.Naravno, uz ovaj pristup primijenjen u radu, bilo biinteresantno promatrati i uspoređivati rezultate koje bi daovišeregresijski model.
skupiniproblema predviđanja, te je stoga primijenjena mreža
učenja cilj je omogućiti brzokonvergiranje i smanjiti globalnu grešku
na površinsku hrapavost. Naime, u pogonimaa
0,08; 0,12; 0,15; 0,2 ;dubina rezanja: 0,8, 1,0; 1,2; 1,5 mm; broj okretaja: 1800;2000; 2200; 2500 okr/min). Želja je bila tehnološkomoperacijom tokarenja ispuniti zahtjev površinske hrapavosti0,8 m na površini ø40h5. Polazni je materijal bila šipkapunog presjeka promjera 50 mm. Za promatranu operacijutokarenja iz "Knuth"
±1 C.Dobiveni podaci iskorišteni su za postavljanje
procesnog modela za procjenu hrapavosti površinetemeljenog na prim
Promatrano istraživanje pripada problemima skontinuiranim vrijednostima ulaza i izlaza, odnosno
"širenja unazad" ( ). Naslici 2 je prikazana struktura mreže širenja unazad s jednimskrivenim slojem (skrivenih slojeva može biti i više), a naslici 3 struktura umjetnog neurona.
Tijekom procesadanu izrazom (1).
μ
3
reže širenja unazad
3.1Izbor vrste neuronske mreže
Procjena kvalitete obrađivane površine primjenomneuronske m " "
– opći model
Evaluation of the surface quality by the application of theback-propagation neural network
Selection of the type of neural network - general model
eng. Back-Propagation Network
ø
Globalna se greška kod ove vrste mreže širi unazad krozmrežu sve do ulaznog sloja pri čemu se prema željenimvrijednostima izlaza neuronske mreže podešavaju težineveza u mreži. Povećanje ili smanjenje trenutnih vrijednostitežina utječe na opadanje globalne greške.
Primjenom pravila gradijentnog opadanja može seizraziti prirast težina veza u mreži :
Slika 1Figure 1 Part of the device for diving
Razvodnik uređaja za ronjenje
� �� ���2
5,0 kk xdE (1)
Slika 2Figure 2
Struktura mreže širenja unazadStructure of a back-propagation network
Slika 3Figure 3
Model strukture neuronaModel of a neuron structure
[ ]sijw
[ ]sjiw�
�
��
�
�
�����
[ ]sji
[ ]sji
w
Ew α
gdje je koeficijentα učenja.
( )2
![Page 3: neuronske mreze](https://reader035.vdocuments.pub/reader035/viewer/2022081817/5695d4d81a28ab9b02a2ffd3/html5/thumbnails/3.jpg)
45
G. Šimunović, T. Šarić, R. Lujić
Technical Gazette 16, (2009),2 43-47
Surface quality prediction by artificial-neural-networks
gdje je koeficijent predstavlja izlazno stanje -tog neurona u -tom sloju, a parametar koji predstavljagrešku i prolazi unazad kroz sve slojeve mreže definirakao
učenja,
:
α js
se
3.2Primjena neuronske mreže širenja unazad kodprocjene površinske hrapavostiApplication of the back-propagation network in evaluationsof surface roughness
Za promatrani problem vektor modela ima jednuizlaznu varijablu-hrapavost površine. Ulazne su
vrsta materijala,, dubine rezanja, posmaka i brzine rezanja (tablica
1).
varijablesljedeće: vrsta alata (pločica tvrdogmetala)
gdje je:- srednje kvadratno odstupanje
-ti izlaz neuronske mrežeželjena vrijednost -tog izlaza neuronske mreže.
Izrazom (9) dana je formula za Delta pravilo:
MSN -y - nd - n
broj parova ulazno-izlaznih vrijednosti skupa za učenje
Za učenje mreže primijenjeno je Delta pravilo. Ovopravilo učenja naziva se i Widrow/Hoff-ovo pravilo ilipravilo najmanjih srednjih kvadrata, a postalo je jedno odosnovnih u procesu učenja kod većine neuronskih mreža.
n
n
Derivacije u gornjem izrazu mogu izračunati kao:se
1]����
�
��
�
�
��
�
��
�
�
��
�
� [si
[ ]sj[ ]s
j
[ ]sj
[ ]sj
[ ]sji
xew
I
I
E
w
E(3)
Vrijednost prirasta težina veza u mreži sada glasi:[ ]sjiw�
1]����� [si
[ ]sj
[ ]sji xew α ( )4
[ ]sjx
[ ]sje
[ ]sj
[ ]sj
I
Ee
�
��� (5)
Stopa učenja nastoji držati na niskoj razini da bi seizbjegla divergencija (odstupanje), ali istovremeno ovakoniska razina učenja za posljedicu može imativeoma sporo učenje. Ovi suprotni zahtjevi riješeni suuvođenjem vrijednosti momentum u izraz (
se
koeficijenta
4):
[ ]sji
[si
[ ]sj
[ ]sji wmomentumxew ������� �1]� (6)
Osvježavanje težina veza u mreži može provoditi zasvaki vektor učenja posebno ili kumulativno što znatnopovećava brzinu učenja (konvergi
Dakle, cilj procesa učenja u neuronskoj mreži je postićišto manju razinu greške između izlaza dobivenih učenjemmreže i stvarnih (željenih) rezultata. Ovo se ostvarujepodešavanjem težina neurona, a prihvaćanjem funkcijecilja, koja je u nastavk
Opći oblik vektora modela pogodnog za ulaz uneuronsku mrežu je sljedeći:
se
ranja).
u definirana kroz minimalizacijusume kvadrata grešaka.
onooooiniiii yyyyYxxxxX ,...,,,,...,,, 321321 ��� (7)
iniiii xxxxX ,...,,, 321�onoooo yyyyY ,...,,, 321�
gdje vektor predstavlja ulaznevarijable, a vektor izlaznevarijable.
� �
N
yd
MSRMS
N
nnn�
�
��� 1
2
(8)
Tablica 1Table 1
Varijable s vrijednostima protezanja za predloženi model istraživanjaDomain of the variables for the proposed investigating model
Rb. Naziv varijable Donja vrijednost Gornja vrijednost1. vrsta materijala 1 22. vrsta alata (pločica tvrdog metala) 1 23. dubine rezanja, mm 0,8 1,54. posmaka, mm/o 0,08 0,25. broj okretaja (brzine rezanja), o/min 1800 2500
Kao kriterij za ocjenu mreže prihvaćena je RMS greškadefinirana izrazom:
icjji yw εα ���� (9)
gdje je vrijednost razlike težina neurona premaneuronu ostvarene u dva koraka ( -tom i 1),matem 10):
ji k k−
atički opisano izrazom (
jiw�
1������ kji
kjiji www ( )10
α je koeficijent je vrijednost izlaza neuronaje greška dana
kao:
učenja,izračunatog prema prijenosnoj funkciji,
y jcj
iε
dicii yy ��ε (11)
gdje je stvarni (željeni) izlaz. Vrlo rijetko se greška danaizrazom (11greške, ovisno o vrsti mreže.
D
Prijenosna funkcija korištena u ovom istraživanju jeSigmoidna funkcija 12).
ydi
) vraća u mrežu, već se koriste drugi oblici
Za većinu stvarnih problema koriste se različite stopeučenja za različite slojeve s niskom razinom stope učenja zaizlazni sloj. Uobičajeno je da se stopa učenja postavi navrijednost bilo gdje u intervalu između 0,05 i 0,5, te setijekom procesa učenja smanjuje. Prilikom korištenjaalgoritma elta pravila učenja, važno je istaći da sekorišteni podaci iz skupa za učenje odabiru slučajno. Uprotivnom se mogu očekivati vrlo često oscilacije i greške ukonvergiranju rezultata.
koja se izračunava prema izrazu (
iulazGie
Izlaz���
�1
1(1 )2
gdje je – 1/ .
4.
[0,1].
G G= T Tprirast funkcije, a izračunava se kao jeprag funkcije. Ova funkcija se često koristi pri kreiranju iistraživanju neuronskih mreža. Graf funkcije jekontinuirano monoton, a prikazan je na slici Kao što sevidi sa slike, vrijednosti ove prijenosne funkcije kreću se uintervalu
![Page 4: neuronske mreze](https://reader035.vdocuments.pub/reader035/viewer/2022081817/5695d4d81a28ab9b02a2ffd3/html5/thumbnails/4.jpg)
Tehni ki vjesnikč 16, (2009),2 43-4746
Primjena neuronskih mreža u procjenjivanju kvalitete obrađivane površine G. Šimunović, T. Šarić, R. Lujić
3.3Ostvareni rezultatiObtained results
Mijenjanjematributa istraživane su različite arhitekture neuronskihmreža.
Istraživanje primjene mreže "širenja unazad"provedeno je za definirani model podataka.
Atributi mreže koja daje najmanju RMS greškuprikazani su u tablici 2. Ova arhitektura mreže generirala je
Slika 4Figure 4
Prikaz Sigmoidne prijenosne funkcijeGraph of a Sigmoid transfer function
Tablica 2Table 2
Atributi neuronske mreže s najmanjom RMS greškomNeural network attributes with the lowest RMS error
Rb. Naslov atributa Usvojeno obilježje1. Ulazni broj neurona 52. Izlazni broj neurona 13. Broj skrivenih neurona 54. Pravilo učenja Delta pravilo5. Prijenosna funkcija Sigmoidna6. Veličina epohe 107. Maksimalni broj epoha za učenje 650008. Broj epoha učenja između testova 2009. Broj pokušaja 4010. Stopa učenja 0,2; 0,05; 0,1; 0,811. Momentum 0,2; 0,05; 0,1; 0,912. RMSE u fazi učenja 0,046913. RMSE u fazi validacije 0,049314. Faktor korelacije 0,9896
izlaz mreže s razinom RMS greške 4,694,93 % u fazi validacije.
2 najbolje aproksimira rezultate dobiveneeksperimentalnim istraživanjem. Slika 5
U odnosu na definiranu strukturuneuronske mreže koja je imala najnižu razinu greške(tablica 2) slijedio je proces kod kojega promatranreducirani podatkovni model koji je sadržavao 4 ulazne i1izlaznu varijablu.
Dobiveni rezultati u ovom procesu, ukazuju
Testiranje izdvojenog modela pokazalopovršinske hrapavosti, na seriji
koja je uslijedila, uglavnom poštovala dopuštenu granicuodstupanja od 5 % (slika 6
ije).
% u fazi učenja,odnosno
Dakle, neuronska mreža čiji su atributi navedeni utablici
daje grafičkiprikaz rezultata koje daje ova struktura mreže u odnosu naeksperimentalne vrijednosti.
Naknadno je provedeno i istraživanje značaja pojedinihvarijabli za model neuronske mreže, a s ciljem mogućeredukcije njihovog broja.
Mreža je učena s reduciranimpodatkovnim modelom, te su potom analizirani dobivenirezultati. da jeza svaki korak (s reduciranim modelom za jednu varijablu)dobivena veća RMS greška nego što je ima početni model.Dakle, može se zaključiti da bi izbacivanje bilo kojevarijable iz modela značilo povećavanje greške.
se učin-kovitom, jer su predviđanja
- odstupanja površinskehrapavosti mjerene na slučajnim uzorcima iz ser
Slika 5Figure 5
Prikaz stvarnih i predviđenih vrijednosti koje daje NM za hrapavost površinePresentation of actual and predicted values given by NN for the surface roughness
![Page 5: neuronske mreze](https://reader035.vdocuments.pub/reader035/viewer/2022081817/5695d4d81a28ab9b02a2ffd3/html5/thumbnails/5.jpg)
47Technical Gazette 16, (2009),2 43-47
Surface quality prediction by artificial-neural-networks
4ZaključakConclusion
obrađivanog
potvrđuje
a pretpostavka je za generiranje programskog kodakoji će omogućiti da se
auč
sustav i na taj način
U nastavku istraživanja cilj je i nadalje prikupljatirealne podatke iz proizvodnje i time proširivati podatkovniuzorak. Za očekivati je da će nakon učenja i treniranja mrežadavati još bolje rezultate, odnosno nižu grešku. Cilj jeprovesti i optimalizaciju parametara obrade. Uoptimalizacijski postupak će biti uključeni GA, te bi sekombiniranom primjenom NN i GA trebali dobiti optimalniparametri na osnovi ulaznih podataka iz ERPsustava.
U radu su opisani rezultati primjene neuronskih mrežau procjenjivanju površinske hrapavosti radnogpredmeta. Model predikcije temeljen na neuronskimmrežama daje rezultate s greškom koja je manja od 5 % štoje u granicama rezultata (1,33 %-10 %) ostvarenih uistraživanjima objavljenim u citiranim radovima.
Ova greška prihvatljivost modela iopravdanost primjene dobivene mreže u praksi. Istreniranamrež
unosom ulaznih parametara ukratkom vremenu dobiju izlazne vrijednosti površinskehrapavosti. N ena mreža se može samostalno koristiti ilise može integrirati u ERP (eng. Enterprise ResourcePlanning) ubrzati ili potvrditi izborrežima obrade, te skratiti vrijeme tehnološke pripremeproizvodnje mladim i manje iskusnim inženjerima.
5LiteraturaReference
[1] Singh, G.; Choudhary, A. K.; Karunakaran, K. P.; Tiwari, M.K. An evolutionary approach for multi-pass turningoperations. Proceedings of the Institution of MechanicalEngineers Part B-Journal of Engineering Manufacture.220(2), 2006 .
[2] Sardinas, R. Q.; Santana, M. R.; Brindis, E. A. Geneticalgorithm-based multi-objective optimization of cuttingparameters in turning processes. Engineering Applications ofArtificial Intelligence. 19(2), 2006
.; Cukor, G. . Determination ofoptimal cutting parameters to im
[4] Cus, F.; Balic, J. Optimization of cutting process by GAapproach. Robotics And Computer-Integrated Manufacturing. 19(1-2), 2003
[5] Cus, F.; Milfelner, M.; Balic, J. An intelligent system formonitoring and optimization of ball-end milling process.Journal of Materials Processing Technology. 175(1-3)
2006[ ] Tansel, I. N.; Ozcelik, B.; Bao, W. Y.; Chen, P.; Rincon, D.;
Yang, S. Y.; Yenilmez, A. Selection of optimal cuttingconditions by using GONNS. International Journal ofMachine Tools & Manufacture. 46(1), 2006
2( ), str.
3( ), str. .[3] Jurković, Z ; Meštrović, T
prove surface roughnessbased on different optimization approaches // AMST´08Advanced Manufacturing Systems and Technology /Kuljanić, Elso (ur.). Udine : CISM, 2008. str. 105-110.
-2-4( ), str. .
,6( ), str. .
6
1( ), str. .
145-162
127-133
113-121
90-97
26-35
[7] Jain, R. K.; Jain, V. K. Optimum selection of machiningconditions in abrasive flow machining using neural network.Journal of Materials Processing Technology. 108(1),12(2000), str. .
[8] Zuperl, U.; Cus, F.; Mursec, B.; Ploj, T. A hybrid analytical-neural network approach to the determination of optimalcutting conditions Journal of Materials ProcessingTechnology. 157-58(Special Issue SI), 12(2004), str. .
[9] Zuperl, U.; Cus, F. Optimization of cutting conditions duringcutting by using neural networks Robotics and Computer-Integrated Manufacturing. 19(1-2), 2-4(2003), str. .
[10] Ozel, T.; Karpat,Y. Predictive modelling of surface roughnessand tool wear in hard turning using regression and neuralnetworks. International Journal of Machine Tools &Manufacture. 45(4-5), 4(2005), str. .
[12] Wang, X. F.; Feng, C. X. Development of empirical modelsfor surface roughness prediction in finish turning. Int J AdvManuf Technol 20(5) , str. 348–356.
[13] Naveen, Sait A.; Aravindan, S.; Noorul Haq, A. Influence ofmachining parameters on surface roughness of GFRP pipes,Advances in Production Engineering & Management 4, 1-2(2009), str. 47-58.
[14] Grzesik, W. A revised model for predicting surface roughnessin turning. Wear (1996)194, str. 143–148.
[15] Abburi, N. R.; Dixit, U. S. A knowledge-based system for theprediction of surface roughness in turning process, Roboticsand Computer-Integrated Manufacturing 22 (2006), str.363–372.
[16] Bernie, P.; Huanga, Joseph C.; Chenb, Ye Lib. Artificial-neural-networks-based surface roughness Pokayoke systemfor end-milling operations, Neurocomputing 71 (2008), str.544–549.
7 Bajić, D.;
vancedManufacturing Systems and Technology / Kuljanić, Elso(ur.). Udine : CISM, 2008. str. 123-133.
[18]
( ), str..
20 Bajić, D.;
str. .
62-67
82-90
189-199
467-479[11]
, str. .
2002
[18]
, str. .
.
.
Chen Lu. Study on prediction of surface quality in machiningprocess. Journal of materials processing technology 205(2008) 439–450
[1 ] Gjeldum, N.; Veža, I. Examinantion and Modelingof the Influence of Cutting Parameters on the SurfaceRoughness in Face Milling // AMST´08 Ad
Durmus, K. Prediction and control of surface roughness inCNC lathe using artificial neural network. Journal ofmaterials processing technology 209(7) 2009
Hasan, O.; Tuncay, E.; Fehmi, E. Prediction of minimumsurface roughness in end milling mold parts using neuralnetwork and genetic algorithm, Materials and Design 27(2006) 735–744
[ ] Lela, B.; Cukor, G. Examination and Modelling ofthe Influence of Cutting Parameters on the Cutting Force andthe Surface Roughness in Longitudinal Turning, Journal ofMechanical Engineering 54 (2008)5, 322-333
3125-3137
Adresa autoraAuthors' address
prof. dr. sc.prof. dr. sc.prof. dr. sc.
Goran Šimunović,Tomislav ŠarićRoberto Lujić
Sveučilište J. J. Strossmayera u Osijeku
Trg Ivane Brlić-Mažuranić 2Strojarski fakultet u Slavonskom Brodu
35000 Slavonski Brode-mail: [email protected]
G. Šimunović, T. Šarić, R. Lujić
Slika 6Figure 6
Odstupanje površinske hrapavosti na radnim predmetimaDeviation of the actual from predictedvalue of surface roughness