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

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

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

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

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: gsimun@sfsb.hr

G. Šimunović, T. Šarić, R. Lujić

Slika 6Figure 6

Odstupanje površinske hrapavosti na radnim predmetimaDeviation of the actual from predictedvalue of surface roughness