Geometriai pontosság előrejelzése esztergálás esetén: ANFIS és lineáris regresszió összehasonlító modellezése
DOI:
https://doi.org/10.12700/bk.2026.8.1.262Kulcsszavak:
ANFIS, esztergálás, geometriai pontosság, Taguchi módszer, prediktív modellezésAbsztrakt
A nagy pontosságú megmunkálási folyamatokban a geometriai eltérések megbízható előrejelzése kulcsfontosságú a technológiai paraméterek optimális megválasztásához és a gyártási költségek csökkentéséhez. Jelen kutatás célja a zsákfuratok simító esztergálásakor fellépő geometriai eltérések prediktív modellezésére irányult. A Taguchi L9 kísérletterv adatain alapuló vizsgálatban az ANFIS és a lineáris regresszió teljesítményét hasonlítottuk össze a forgácsolósebesség, az előtolás és a vizsgálati mélységek függvényében . Az eredmények igazolják az ANFIS fölényét, mivel az átmérőhiba és a köralakhiba esetén is kisebb becslési hibát és magasabb determinációs együtthatót (R2) produkált. A hibrid modell hatékonyan kezeli a nemlineáris összefüggéseket, támogatva ezzel a gyártásoptimalizálást.
Hivatkozások
E. Tóth-Laufer, R. Horváth (2017). Fuzzy Model Based Surface Roughness Prediction of Fine Turning. FME Transactions, 45, 181-188. https://doi.org/10.5937/fmet1701181T
S.O. Sada, S.C. Ikpeseni (2021). Evaluation of ANN and ANFIS modeling ability in the prediction of AISI 1050 steel machining performance. Heliyon, 7 (2). https://doi.org/10.1016/j.heliyon.2021.e06136
R. Horváth, E. Tóth-Laufer (2014). Fuzzy Model-Based Cutting Parameter Combination. IEEE 18th International Conference on Intelligent Engineering Systems (INES 2014), 151-155. https://doi.org/10.1109/INES.2014.6909359
Kriti B., Deepika M. & Ravi S. P. (2022). Optimization of Surface Roughness: Effect of Machining Parameters on EN23, Advanced Production and Industrial Engineering, 666-671, https://doi.org/10.3233/ATDE220811
Leleń, M., Zawada-Michałowska, M., Pieśko, P., Biruk-Urban, K., Józwik, J., Korpysa, J., Anasiewicz, K., Habrat, W., & Lisowicz, J. (2025). Analysis of the Effect of Machining Parameters on the Cutting Tool Deflection in Curved Surface Machining. Applied Sciences, 15(20), 11013. https://doi.org/10.3390/app152011013
Huo, D., Chen, W., Teng, X., Lin, C., & Yang, K. (2017). Modeling the Influence of Tool Deflection on Cutting Force and Surface Generation in Micro-Milling. Micromachines, 8(6), 188. https://doi.org/10.3390/mi8060188
Yang, M., Yang, Y., Zhang, Fangyuan, Li, T., Qu, X., Wang, W., Zhang, R., Ren, D., Zhang, Feng, & Teramoto, K. (2026). A Temperature-Based Statistical Model for Real-Time Thermal Deformation Prediction in End-Milling of Complex Workpiece. Machines, 14(1), 85. https://doi.org/10.3390/machines14010085
Siamak P., Mahsa H., Mohammad R. C. Q., Hadi P., Sajjad P., Mir M. E. & Adeel H. S. (2022). Machine Learning-Based Modelling and Meta-Heuristic-Based Optimization of Specific Tool Wear and Surface Roughness in the Milling Process. Axioms, 11, 430. https://doi.org/10.3390/axioms11090430
Arif Gok (2015). A new approach to minimization of the surface roughness and cutting force via fuzzy TOPSIS, multi-objective grey design and RSA. Measurement, 70, 100-109. https://doi.org/10.1016/j.measurement.2015.03.037
Imhade Princess Okokpujie, Jude Ebieladoh Sinebe (2023). An Overview of the Study of ANN-GA, ANN-PSO, ANFIS-GA, ANFIS-PSO and ANFISFCM Predictions Analysis on Tool Wear During Machining Process. Journal Européen des Systèmes Automatisés, 56 (2) 269-280. https://doi.org/10.18280/jesa.560212
I. Shivakoti, Lewlyn L. R. Rodrigues, R. Cep, P. M. Pradhan, A. Sharma & A. K. Bhoi (2020). Experimental Investigation and ANFIS-Based Modelling During Machining of EN31 Alloy Steel. Materials, 13 (14), 3137, https://doi.org/10.3390/ma13143137
N. Rajesh, R. Lokanadham (2024). Optimization of machining parameters & studies on characteristics of Monel k400 alloy using abrasive water jet Machining using ANFIS. Materials Today, 98, 40-46. https://doi.org/10.1016/j.matpr.2023.08.376
J.A. Ghani, I.A. Choudhury, H.H. Hassan (2004). Application of Taguchi method in the optimization of end milling parameters. Journal of Materials Processing Technology, 145, 84-92. https://doi.org/10.1016/S0924-0136(03)00865-3
V. G. Ráczi, B. Mikó (2024). Furatmegmunkálási eljárások összehasonlító vizsgálata. Mérnöki Szimpózium a Bánkin: (ESB 2024), 326, 314-319. ISBN 978-963-449-382-2
Dilek D., East S. A. & İlknur K. (2024). Optimization of adaptive neuro–fuzzy inference system (ANFIS) parameters via Box-Behnken experimental design approach: The prediction of chromium adsorption, Heliyon, 10(3), https://doi.org/10.1016/j.heliyon.2024.e25813
##submission.downloads##
Megjelent
Hogyan kell idézni
Folyóirat szám
Rovat
License
Copyright (c) 2026 Viktor Gergely Ráczi, Balázs Mikó, Edit Laufer
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
