Hostname: page-component-78c5997874-v9fdk Total loading time: 0 Render date: 2024-11-11T07:31:00.142Z Has data issue: false hasContentIssue false

Un modèle intégré pour la prédiction de l’état de surface enfraisage pour alliages d’aluminium*

Published online by Cambridge University Press:  23 December 2011

Get access

Abstract

Cet article propose une approche structurée permettant l’élaboration d’un modèle généralet intégré capable de prédire avec une précision convenable l’état de surface obtenue parfraisage sur des pièces en alliages d’aluminium de structure et de propriétés mécaniquesvariées. L’approche proposée est construite progressivement en commençant par analyser, àtravers un design expérimental structuré, les effets de l’ensemble des facteurs connuspour avoir une influence sur la qualité de la surface pour ensuite examiner leursinteractions et leur sensibilité face aux conditions dynamiques du procédé. Suite à cetteanalyse et en combinant, design d’expériences, réseaux de neurones, optimisationmulticritère et divers outils statistiques, l’identification de la nature et de la formedu modèle ainsi que du type et du nombre de variables à y inclure, est obtenue enexécutant une procédure systématique d’optimisation de modèle. Les résultats démontrentque l’approche proposée a permis de converger vers un modèle général capable de prédirel’état de surface avec précision, fiabilité et robustesse pour des alliages d’aluminium destructure et de propriétés mécaniques variées et une gamme étendue de conditionsd’usinage.

Type
Research Article
Copyright
© EDP Sciences, 2011

Access options

Get access to the full version of this content by using one of the access options below. (Log in options will check for institutional or personal access. Content may require purchase if you do not have access.)

References

Références

Watanabe, T., Iwai, S., J. Dyn. Sys. Meas. Control 105 (1983) 192-200
Fuh, K.H., Wu, C.F., Int. J. Mach. Tools Manuf. 35 (1995) 1187-1200
Dae, K.B., Tae, J.K., Hee, S.K., Precis. Eng. 20 (1997) 171-178
Tlusty, J., Andrews, G.C., CIRP Ann. 32 (1983) 563-572
Lundholm, T., Yngen, M., Lindstrom, B., Robot. Comput. Integr. Manuf. 4 (1988) 413-421
Benardos, P.G., Vosniakos, G.-C., Int. J. Mach. Tools Manuf. 43 (2003) 833-844
Benardos, P.G., Vosniakos, G.-C., Robot. Comput. Integra. Manuf. 18 (2002) 343-354
Huang, B., Chen, J.C., Int. J. Adv. Manuf. Technol. 21 (2003) 339-347
D. Villasenor, R. Morales-Menéndez, C. Rodrıguez, J.R. Alique, Neural networks and Statistical Based models for Surface Roughness Prediction, Proceedings of the 25th IASTED International Conference, Modeling, Identification, and control, Lanzarote, Canary Islands, Spain, 2006, pp. 326-331
Lou, S.J., Chen, J.C., Int. J. Adv. Manuf. Technol. 15 (1999) 200-209
Chen, J.C., Savage, M., Int. J. Adv. Manuf. Technol. 9 (2001) 670-676
Tsai, Y.H., Chen, J.C., Lou, S.J., Int. J. Mach. Tools Manuf. 39 (1999) 583-605
Grabec, I., Kuljanic, E., CIRP Ann. 43 (1994) 77-80
Liang, S.Y., Hecker, R.L., Landers, R.G., J. Manuf. Sci. Eng. 126 (2004) 297-311
Chung, K.T., Geddam, A., J. Mater. Proc. Technol. 139 (2003) 15-20
Okafor, A.C., Adetona, O., J. Intell. Manuf. 6 (1995) 389-400
Lo, M.S., Chen, J.C., Li, C.M., J. Industrial Technol. 15 (1998) 1-6
Wang, M.Y., Chang, H.Y., Int. J. Mach. Tools Manuf. 44 (2004) 51-57
Öktem, H., Erzurumlu, T., Kurtaran, H., J. Mater. Proc. Technol. 170 (2005) 11-16
Lo, S.P., J. Mater. Proc. Technol. 142 (2003) 665-675
G.E.P. Box, W.G. Hunter, J.S. Hunter, Statistics for Experimenters, Wiley & Sons, 1978
P.J. Ross, Taguchi techniques for quality engineering, McGraw-Hill, New York, 1988