سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,578
تعداد مقالات71,072
تعداد مشاهده مقاله125,696,073
تعداد دریافت فایل اصل مقاله98,925,446
مهدوی نژاد, رمضانعلی, تمیمی, کامران. (1388). پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی. , 43(1), -.
رمضانعلی مهدوی نژاد; کامران تمیمی. "پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی". , 43, 1, 1388, -.
مهدوی نژاد, رمضانعلی, تمیمی, کامران. (1388). 'پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی', , 43(1), pp. -.
مهدوی نژاد, رمضانعلی, تمیمی, کامران. پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی. , 1388; 43(1): -.

پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی

نشریه دانشکده فنی
مقاله 10، دوره 43، شماره 1 - شماره پیاپی 165655، اردیبهشت 1388    اصل مقاله (291.33 K)
نویسندگان
رمضانعلی مهدوی نژاد؛ کامران تمیمی
دانشگاه تهران
چکیده
پیش بینی زبری سطح یک پیش نیاز اساسی برای ایجاد یک مرکز ماشین کاری خودکار می باشد. بهینه سازی فرآیند ماشین کاری در این راستا از اهمیت خاصی برخوردار است. در این مقاله از رهیافت ترکیبی فازی- عصبی (سیستم استنتاج فازی- عصبی تطبیقی ANFIS) به منظور پیش بینی زبری سطح در تراش کاری خشک استفاده شده است. به طوری که داده های حاصل از آزمایش ها به منظور ایجاد قواعد فازی و ویرایش این قواعد به کمک شبکه های عصبی به کار گرفته شده است. برای این منظور پس از ایجاد مدل پیش بینی کننده از تعدادی داده های آزمایش برای آزمون کارآیی مدل استفاده شده و نتایج به دست آمده از مدل پیش بینی کننده با زبری واقعی مقایسه گردیده اند. نتایج حاصل نشان می دهند که مدل ایجاد شده نسبت به سایر مدل های موجود در زمینه زبری سطح، کارآیی بهتری دارد.
کلیدواژه‌ها
تابع عضویت؛ زبری سطح؛ سیستم استنتاج فازی؛ سیستم استنتاج فازی از نوع سوگنو؛ عصبی تطبیقیANFIS؛ قواعد فازی
عنوان مقاله [English]
Surface Roughness Prediction via Fuzzy-Neural Networks in Dry Machining
نویسندگان [English]
Ramezanali Mahdavinejad؛ Kamran Tamimi
چکیده [English]
Optimization of machining parameters is very important and the main goal in every machining process. Surface finishing prediction is a pre-requirement to establish a center for automatic machining operations. In this research, a neuro-fuzzy approach is used in order to model and predict the surface roughness in dry turning. This approach has both the learning capability of neural network and linguistic representation of complex and indefinite phenomena in lingual phrases forms. A model which represents the influence of machining parameters and tool properties on surface roughness is established first. Then, this model is edited via the usage of results of training data. Finally, the efficiency of neuro-fuzzy model is evaluated via the comparison between the model's output and the output of surface roughness obtained from the theoretical formula.
کلیدواژه‌ها [English]
Adaptive Neural Fuzzy Intelligent System, Fuzzy Rules, Membership function, Surface Roughness
آمار
تعداد مشاهده مقاله: 1,639
تعداد دریافت فایل اصل مقاله: 2,303





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب