Zastosowanie modelowania rozmytego TSK do oceny zużycia narzędzia w procesie wiercenia stopu Ti6Al4V – cz. I

Termiczna ekspansja wiertła

Okazało się, że dominującym efektem była termiczna ekspansja wiertła, która prowadziła do zwiększenia średnicy otworu wraz ze wzrostem głębokości wiercenia. Prasanna i in. [18] przeprowadzili eksperyment polegający na optymalizacji parametrów procesowych wiercenia na sucho dla małych otworów w Ti6Al4V za pomocą metody Taguchiego i teorii szarych systemów. Wyniki tych badań wykazały, że prędkość obrotowa wrzeciona ma największy wpływ na dokładność wymiarową otworu. Poza tym niektórzy badacze skupili się na analizie powstawania zadziorów w procesie wiercenia [15-17].

Modelowanie rozmyte TSK oparte na klastrowaniu subtraktywnym

Identyfikacja systemu z wykorzystaniem klastrowania obejmuje tworzenie klastrów w przestrzeni danych i translację tych klastrów na reguły TSK tak, aby uzyskany model był zbliżony do identyfikowanego systemu. Celem algorytmu identyfikacji grupowania subtraktywnego jest oszacowanie zarówno liczby, jak i początkowej lokalizacji centrów skupień oraz wyodrębnienie reguł rozmytych TSK z danych wejściowych/wyjściowych. Grupowanie subtraktywne działa poprzez znalezienie optymalnego punktu danych w celu zdefiniowania centrum klastra na podstawie gęstości otaczających punktów danych. Ta metoda jest szybką metodą grupowania przeznaczoną do rozwiązywania problemów o dużych wymiarach z umiarkowaną liczbą punktów danych. Dzieje się tak, ponieważ jego obliczenia rosną liniowo wraz z wymiarem danych i kwadratem liczby punktów danych.

Logika rozmyta

Klasyczna logika nie zapewnia odpowiednich narzędzi do analizy złożonych systemów, w których cele oraz zależności wejścia – wyjście są często nieprecyzyjne określone. C...