Πρόβλεψη των δυνάμεων κοπής και της επιφανειακής τραχύτητας κατά το φρεζάρισμα σκληρυμένου χάλυβα με χρήση νευρωνικών δικτύων

Βελαΐτης, Ηλίας; Velaitis, Ilias

dc.contributor.author	Βελαΐτης, Ηλίας	el
dc.contributor.author	Velaitis, Ilias	en
dc.date.accessioned	2019-10-08T09:57:47Z
dc.date.available	2019-10-08T09:57:47Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49274
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16972
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Κατεργασία υλικών	el
dc.subject	Φρεζομηχανή CNC	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Σκληρυμένος χάλυβας	el
dc.subject	Μοντέλο παλινδρόμησης	el
dc.subject	Machining of materials	el
dc.subject	Milling machine CNC	el
dc.subject	Neural networks	el
dc.subject	Hardened steel	el
dc.subject	Regression model	el
dc.title	Πρόβλεψη των δυνάμεων κοπής και της επιφανειακής τραχύτητας κατά το φρεζάρισμα σκληρυμένου χάλυβα με χρήση νευρωνικών δικτύων	el
heal.type	bachelorThesis
heal.generalDescription	Στην εργασία αυτή γίνεται πρόβλεψη των τιμών της δύναμης κοπής και της επιφανειακής τραχύτητας, μέσω των νευρωνικών δικτύων.	el
heal.classification	Μηχανολογία	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-07-19
heal.abstract	In this diploma thesis, we estimate the values of cutting forces and surface roughness during milling through neural networks and evaluate their performance by comparing them with the results of the regression models based on the experimental values collected from the experiments. In Chapter 1, a brief introduction is made to the characteristics and conditions prevailing during milling as well as to the prediction methods. In Chapter 2, we review several experimental steel milling studies with emphasis on milling of hardened steels, which helped to select experimental conditions. In Chapter 3, the experimental layout and the experimental results as well as the regression analysis are presented. The design of the experiments was done by the Taguchi method and 16 experiments were carried out. Then the regression analysis predicts the measured processing quantities and then the degree of effect of each parameter on the measured sizes was determined by the variance analysis (ANOVA). Finally, there is the MAPE percentage error for model evaluation. Chapter 4 describes the analysis in neural networks. Neural networks of two types, MLP and RBF, are used in which their characteristics are defined, namely the training algorithm and the number of neurons in the hidden layout. Through these, the forces and roughness values are predicted, and their percentage errors are then compared to the regression analysis errors to evaluate their performance. Finally, Chapter 5 generates conclusions based on the comparisons are made.	en
heal.abstract	Στην παρούσα διπλωματική εργασία γίνεται πρόβλεψη των τιμών των δυνάμεων κοπής και της επιφανειακής τραχύτητας κατά τη διάρκεια του φρεζαρίσματος μέσω νευρωνικών δικτύων και αξιολόγηση της απόδοσής τους μέσω σύγκρισης με τα αποτελέσματα των μοντέλων παλινδρόμησης βάση των πειραματικών τιμών που έχουν συλλεγεί από την διεξαγωγή των πειραμάτων. Στο Κεφάλαιο 1, πραγματοποιείται μία σύντομη εισαγωγή στα χαρακτηριστικά και τις συνθήκες που επικρατούν κατά τη διάρκεια του φρεζαρίσματος, καθώς και στις μεθόδους πρόβλεψης. Στο Κεφάλαιο 2 ,γίνεται ανασκόπηση σε διάφορες πειραματικές μελέτες φρεζαρίσματος χάλυβα με έμφαση στο φρεζάρισμα σκληρυμένων χαλύβων πράγμα το οποίο βοήθησε στην επιλογή των πειραματικών συνθηκών. Στο Κεφάλαιο 3, γίνεται παρουσίαση της πειραματικής διάταξης και των πειραματικών αποτελεσμάτων καθώς και η ανάλυση παλινδρόμησης. Ο σχεδιασμός των πειραμάτων έγινε με τη μέθοδο Taguchi και διεξήχθησαν 16 πειράματα. Έπειτα με την ανάλυση παλινδρόμησης υλοποιείται πρόβλεψη των μετρούμενων μεγεθών της κατεργασίας και έπειτα με την ανάλυση διακύμανσης (ANOVA) προσδιορίστηκε ο βαθμός επίδρασης κάθε παραμέτρου της κατεργασίας στα μετρούμενα μεγέθη. Τέλος, βρίσκεται το ποσοστιαίο σφάλμα MAPE για την αξιολόγηση του μοντέλου. Το Κεφάλαιο 4 περιγράφει την ανάλυση στα νευρωνικά δίκτυα. Χρησιμοποιούνται νευρωνικά δίκτυα δύο ειδών, το MLP και το RBF στα οποία γίνεται προσδιορισμός των χαρακτηριστικών τους δηλαδή των αλγόριθμων εκπαίδευσης και τον αριθμό νευρώνων στο κρυφό επίπεδο. Μέσω αυτών γίνεται η πρόβλεψη των δυνάμεων και των τιμών της τραχύτητας και έπειτα πραγματοποιείται σύγκριση των ποσοστιαίων σφαλμάτων τους με τα σφάλματα της ανάλυσης παλινδρόμησης για την αξιολόγηση της απόδοσής τους. Τέλος, στο Κεφάλαιο 5 εξάγονται γενικά συμπεράσματα με βάση τις συγκρίσεις που πραγματοποιήθηκαν.	el
heal.advisorName	Μαρκόπουλος, Άγγελος	el
heal.committeeMemberName	Μανωλάκος, Δημήτριος	el
heal.committeeMemberName	Μπενάρδος, Πανώριος	el
heal.committeeMemberName	Μαρκόπουλος, Άγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Τεχνολογίας των Κατεργασιών. Εργαστήριο Κατεργασιών των Υλικών (Μηχανουργικό και Μηχανολογικό Εργοστάσιο)	el
heal.academicPublisherID	ntua
heal.numberOfPages	116 σ.
heal.fullTextAvailability	true