Resumen de Optimization of machining parameters for product quality and productivity in turning process of aluminum

Sepideh Abolghasema, Nicolás Mancilla Cubides

• español

  La producción moderna afronta desafíos en la reducción del impacto ambiental relacionado con los procesos de mecanizado y, particularmente, el proceso de torneado utilizado en la creación de componentes de ingeniería. Debido a esto, se han realizado numerosos estudios en el tema, buscando mejorar y facilitar el proceso de toma de decisiones. El objetivo del presente trabajo es optimizar la calidad de los productos mecanizados y el índice de productividad del proceso de torneado. Para esto, realizamos un estudio donde el Aluminio fue el material de prueba y, la velocidad de corte, velocidad de avance, profundidad de corte y radio de punta de la herramienta fueron los factores de diseño. La calidad del producto fue medida mediante la rugosidad superficial (R_a) del material y la tasa de productividad según la tasa de remoción (MRR). Con dicha información desarrollamos un modelo predictivo y de optimización, mediante redes neuronales artificiales (ANN) y la técnica optimización multiobjetivo del Enjambre de partículas (PSO), para predecir la respuesta del modelo (R_a) primero y luego buscar el valor óptimo de los parámetros. Esto, buscando minimizar la R_a y maximizar la MRR. Los resultados obtenidos mostraron concordancia entre los valores predichos y experimentales, validando que el modelo de ANN es capaz de predecir la R_a con precisión. Además, el modelo de optimización PSO ha proporcionado un Frente de Pareto para la solución óptima que determina los parámetros de mecanizado que generan un R_a mínimo y MRR máximo. Los resultados de este estudio ofrecen aplicación en la industria real, donde la selección de los parámetros de mecanizado óptimos contribuye con la gestión de los objetivos en conflicto, facilitando la toma de decisiones en los procesos de los productos mecanizados.

• English

  Modern production process is accompanied with new challenges in reducing the environmental impacts related to machining processes. The turning process is a manufacturing process widely used with numerous applications for creating engineering components. Accordingly, many studies have been conducted in order to optimize the machining parameters and facilitate the decision-making process. This work aims to optimize the quality of the machined products (surface finish) and the productivity rate of the turning manufacturing process. To do so, we use Aluminum as the material test to perform the turning process with cutting speed, feed rate, depth of cut, and nose radius of the cutting tool as our design factors. Product quality is quantified using surface roughness (R_a) and the productivity rate based on material removal rate (MRR). We develop a predictive and optimization model by coupling Artificial Neural Networks (ANN) and the Particle Swarm Optimization (PSO) multi-function optimization technique, as an alternative to predict the model response (R_a) first and then search for the optimal value of turning parameters to minimize the surface roughness (R_a) and maximize the material removal rate (MRR). The results obtained by the proposed models indicate good match between the predicted and experimental values proving that the proposed ANN model is capable to predict the surface roughness accurately. The optimization model PSO has provided a Pareto Front for the optimal solution determining the best machining parameters for minimum R_a and maximum MRR. The results from this study offer application in the real industry where the selection of optimal machining parameters helps to manage two conflicting objectives, which eventually facilitate the decision-making process of machined products