| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 2 / 2
First pagePrevious page1Next pageLast page
1.
Modeliranje in optimizacija CNC obdelav s skupinsko inteligenco
Marko Hrelja, 2015, doctoral dissertation

Abstract: Izboljševanje obstoječe proizvodnje in obdelovalnih sistemov zahteva nenehno posodabljanje in integracijo najnovejših tehnologij v proizvodne sisteme. Proizvodnih spremenljivk je čedalje več, s tem pa se povečuje množica podatkov, ki jo moramo obdelati, tu pa velikokrat klasične analitične metode optimizacije odpovedo. Zaradi tega smo prisiljeni bolje izkoristiti razpoložljive proizvodne vire, zato pa moramo poseči po naprednejših pristopih reševanja problemov. Za reševanje zahtevnih problemov čedalje pogosteje uporabljajo različna področja umetne inteligence, še zlasti strojnega učenja. Pregled do sedaj opravljenih raziskav je pokazal, da so obstoječi razviti sistemi precej ozko usmerjeni. V disertaciji predlagamo popolnoma nov pristop k modeliranju CNC-obdelav s pomočjo novega gravitacijskega iskalnega algoritma (GSA), ki spada med metode skupinske inteligence. Razviti inteligentni sistem deluje na osnovi osnovnih Newtonovih fizikalnih zakonov oziroma na osnovi interakcij med masnimi telesi v prostoru. Za primerjavo in potrditev ustreznosti rezultatov doktorske disertacije smo uporabili tudi metodo modeliranja z rojem delcev (PSO). Primerjava je pokazala, da je GSA algoritem primeren za modeliranje obdelav z odrezovanjem, saj so odstopanja od eksperimentalnih podatkov v sprejemljivih mejah. Dobljeni modeli so dobro opisali postopek odrezovanja materiala s struženjem, ki smo ga uporabili kot postopek odrezovanja. Posebej velja omeniti, da je GSA algoritem v najslabšem primeru vsaj dvakrat hitrejši od enakovrednega PSO algoritma. Dobljen model CNC-obdelave smo nato uporabili za večkriterijsko optimiranje obdelovalnih parametrov: optimalne hrapavosti obdelane površine, rezalnih sil in časovne obstojnosti orodja. Vsaka izmed omenjenih odvisnih spremenljivk prispeva k optimalnemu delovanju CNC-obdelovalnega stroja, kar znižuje stroške proizvodnje. Večkriterijsko optimiranje smo izvedli s pomočjo NSGA-II algoritma. Za optimiranje smo morali določiti tudi omejitve. Te smo določili s pomočjo teoretičnih izračunov in jih preverili s pomočjo eksperimentalnih podatkov. Zaradi obsega dela smo se omejili na struženje, hkrati pa so v delu predstavljene osnove prilagoditev za uporabo metod na ostalih obdelovalnih strojih, saj je predlagan pristop univerzalen.
Keywords: inteligentni obdelovalni sistem, CNC-obdelovalni stroj, odrezovanje, struženje, skupinska inteligenca, optimizacija z rojem delcev, gravitacijski iskalni algoritem, genetski algoritmi, večkriterijska optimizacija, NSGA-II algoritem
Published: 04.02.2015; Views: 1414; Downloads: 182
.pdf Full text (3,55 MB)

2.
Določitev materialnih parametrov zaprto-celične pene pri tlačni obremenitvi
Luka Vodišek, 2017, master's thesis

Abstract: Zaradi uporabnih lastnosti kovinskih pen jih inženirji vse pogosteje vključujejo v nove izdelke. Njihove materialne lastnosti lahko navdano določijo z eksperimentalnimi preizkusi, saj so matematični modeli pen na podlagi enostavnih standardnih testov skoraj nedoločljivi. V tej nalogi se bomo seznanili z drugim načinom, kjer bomo materialne lastnosti določili tako, da bomo dva različna eksperimenta poskušali ponoviti s trdnostno analizo po metodi končnih elementov. Okvirne vrednosti so dane, vendar pa bi iskanje rešitev po vseh spremenljivkah trajalo predolgo, če bi jih spreminjali ročno, zato si bomo pomagali z genetskimi algoritmi in programom, ki to spreminja sam, oziroma se uči iz prejšnjih rešitev in išče boljše. Ker smo obravnavali dva eksperimenta, bomo tudi rešitve ocenjevali po dveh kriterijih, zato bomo potrebovali Paretto fronte, ki jih bomo dobili s pomočjo algoritma NSGA II. Metoda, po kateri smo v tej nalogi iskali najboljše rešitve, se je izkazala za dobro, predvsem obetavna je optimizacija po več parametrih. Ker ima še veliko možnosti za nadgradnjo, lahko vključimo večje število spremenljivk in večje število parametrov optimiziranja z dodajanjem različnih enostavnih preizkusov. Za komercialno uporabo bi bilo treba raziskati, kateri preizkusi dajejo najboljše rezultate. Obravnavani način določanja materialnih lastnosti s pomočjo eksperimentalnih poizkusov ter ponovitvijo v simulacijskem okolju ima velik potencial, ki se lahko razširi tudi na druge materiale, ne le na kovinske pene.
Keywords: aluminijeva zlitina, kovinska pena, materialni model, ABAQUS, genetski algoritem, NSGA II
Published: 07.11.2017; Views: 398; Downloads: 44
.pdf Full text (2,12 MB)

Search done in 0.07 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica