AI:นิวรอลเน็ตเวิร์ค กระบวนการอีดีเอ็ม

การคาดการณ์อัตราการกัดกร่อนเนื้อโลหะแบบกระแสไฟฟ้าสูงในกระบวนการอีดีเอ็มโดยโครงข่ายประสาทเทียม

บทคัดย่อ

งานวิจัยชิ้นนี้ขอนำเสนอการคาดการณ์ อัตราการกัดกร่อนเนื้อโลหะ(MRR)แบบกระแสไฟฟ้าสูงในกระบวนการอีดีเอ็ม โดยโครงข่ายประสาทเทียม(ANN) ข้อมูลจากการทดลองถูกรวบรวมจากกระบวนการ Die Sinking EDM โดยมีทองแดงเป็นอิเลโทรด และเหล็กเป็นชิ้นงาน  งานวิจัยชิ้นนี้มีวัตถุประสงค์ที่จะพัฒนาแบบจำลองคุณลักษณะของกระบวนการอีดีเอ็ม โดยใช้ข้อมูลดิบที่ได้จากการทดลอง  แบบจำลองคุณลักษณะของกระบวนการอีดีเอ็มที่หาได้ จะถูกใช้เพื่อคาดการณ์ อัตราการกัดกร่อนเนื้อโลหะ แล้วนำค่าที่ได้จากการคาดการณ์ไปเปรียบเทียบกับค่าอัตราการกัดกร่อนเนื้อโลหะจริง แบบจำลองที่สร้างขึ้นจากโครงข่ายประสาทเทียมให้ค่าอัตราการกัดกร่อนเนื้อโลหะเป็นที่น่าพอใจ

บทนำ

กระบวนการอีดีเอ็ม ถือได้เป็น กระบวรการผลิตแบบ non-conventional  อีดีเอ็มถูกนำมาใช้งานอย่างแพร่หลายในการผลิตแม่พิมพ์แบบฉีด แม่พิมพ์ตัด หรือเก็บความเรียบร้อยของผิวชิ้นงานของอุตสาหกรรมยานยนต์ ชิ้นส่วนอากาศยาน และชิ้นส่วนวัสดุทางการแพทย์ อีดีเอ็มจะกัดกร่อนชิ้นงานโดยการใช้ระบบควบคุมที่มีความแม่นยำจุดประกายไฟ(spark) ให้เกิดขึ้นระหว่างช่องว่างแคบของอิเลคโทรดและชิ้นงาน ในภาชนะเปิดบรรจุของเหลวที่มีสภาพไม่นำไฟฟ้า(dielectric fluid) เนื้อโลหะจะถูกกัดเซาะ โดยการปล่อยกระแสไฟฟ้าอย่างต่อเนื่องผ่านอิเลคโทรดไปยังชิ้นงาน ที่อของเหลวไม่นำไฟฟ้าไหลอยู่ระหว่างกลางเกิดเป็นแรงดันตกคล่อมระหว่างอิเลคโทรดและชิ้นงาน เครื่องจักรอีดีเอ็ม ซึ่งถือได้เป็นกระบวนการแบบ non-conventional มีความแตกต่างไปจากเครื่องจักรอื่น ๆ เพราะระหว่างกระบวนการกัดกร่อนเนื้อโลหะของชิ้นงาน อิเลคโทรดมิได้สัมผัสกับชิ้นงานเลย จึงไม่เกิดเสียงรบกวน หรือเสียงจากการสั่นสะเทือน

Rajrkar[2] ได้อธิบาย ทิศทาง ความสนใจในการศึกษากระบวนการอีดีเอ็ม เช่น การนำไปใช้งานกับวัสดุพิเศษ การทำให้เกิดผิวเงาแบบกระจกโดยการเพิ่มสารบางอย่างลงไปในของเหลวที่มีสภาพไม่นำไฟฟ้า หรือการใช้ระบบสั่นสะเทือนความถี่สูงที่อิเลคโทรด(ultrasonic-assisted EDM)  การควบคุมกระบวนการอีดีเอ็ม และ การประยุกต์ใช้ระบบอัตโนมัติในกระบวนการอีดีเอ็ม นอกจากนี้แล้วยังมีนักวิจัยจำนวนหนึ่งให้ความสนใจที่จะศึกษาค้นคว้า เรื่องประสิทธิภาพของกระบวนการอีดีเอ็ม[3-8]  หนึ่งในงานที่ได้รับความสนใจก็คือการเลือกใช้พารามิเตอร์ที่เหมาะสมในกระบวนการอีดีเอ็มเพื่อเพิ่มอัตราการผลิต ลดเวลาการกัดกร่อนเนื้อโลหะในกระบวนการอีดีเอ็ม[9,10] การเลือกพารามิเตอร์ของกระบวนการอีดีเอ็มเพื่อให้ได้ประสิทธิภาพสูงสุดยังเป็นเรื่องที่ไม่ง่ายนัก เพราะ กระบวนการอีดีเอ็มมีความซับซ้อน และมีลักษณะของกระบวนการสโตแคสติค (stochastic process)[11] การคำนวณค่า MRR โดยวิธีทางคณิตศาสตร์ สามารถพบในรายงาน [9] ซึ่งใช้เทคนิคการวิเคราะห์มิติ(dimensional analysis) การใช้โครงข่ายประสาทเทียมเพื่อคาดการณ์ค่า MRR จากกระบวนการอีดีเอ็มแบบใช้กระแสไฟฟ้าต่ำถูกนำเสนอใน [12] และในงานวิจัยชิ้นนี้ โครงข่ายประสาทเทียมจะถูกใช้เป็นแบบจำลองคุณลักษณะของกระบวนการอีดีเอ็มเพื่อคาดการณ์ค่า MRR จากกระบวนการอีดีเอ็มแบบใช้กระแสไฟฟ้าสูง

การประยุกต์ใช้โครงข่ายประสาทเทียมเพื่อคาดการณ์ค่า MRR

ตลอด 20 ปีที่ผ่านมาโครงข่ายประสาทเทียมถูกแสดงให้เห็นว่ามี เป็นแบบจำลองที่มีความยืดหยุ่นสูงสามารถที่จะเรียนรู้และสามารถสร้างความสัมพันธ์แบบไม่เชิงเส้นระหว่างข้อมูลขาเข้าและขาออกโครงข่ายประสารเทียมเป็นลำดับวิธี(algorithm)ที่เลียนแบบระบบประสาทของสิ่งมีชีวิต มีคุณลักษณะคล้ายคลึงกับเครือข่ายเส้นประสาททางชีวภาพหัวใจสำคัญของลำดับวิธีนี้ก็คือโครงสร้างของการประมวลผลข้อมูล ซึ่งประกอบไปด้วยการเชื่อมต่อกันระหว่างนิวรอล กลายเป็นโครงข่ายที่มีความสัมพันธ์กันโครงข่ายประสาทเทียมจะถูกสร้างขึ้นเพื่อแก้ปัญหาเฉพาะด้าน เช่น การเรียนรู้รูปร่างต่างๆ(Pattern Recognition) การแยกแยะข้อมูล(Data Classification) ตลอดจนการเรียนรู้กระบวนการต่าง ๆ (Learning Process)  การเรียนรู้ของสิ่งมีชีวิตเกิดขึ้นจากการปรับไซแนพส์ของระบบโครงข่าย(synaptic connections) ที่อยู่ระหว่างนิวรอล

วัตถุประสงค์หลักของงานวิจัย คือการจำลองกระบวนการอีดีเอ็มเพื่อให้ได้แบบจำลองกระบวนการอีดีเอ็มที่มีประสิทธิภาพเหมาะสม สามารถนำไปใช้ในการแก้ปัญหาเฉพาะในสภาพแวดล้อมการผลิต ที่ไม่สามารถหาค่าที่เหมาะสมที่สุดของกระบวนการโดยวิธีการทางคณิตศาสตร์แบบเชิงเส้น

การเรียนรู้ของโครงข่ายประสารเทียมโดยใช้ข้อมูลจากการทดลอง

การทดลองมีขึ้นเพื่อรวบรวมข้อมูลนำมาใช้ในการสอนโครงข่ายประสาทเทียม ข้อมูลสอน(training data)มาจากการผลการทดลองจำนวนหนึ่ง ซึ่งผลการทดลองจะประกอบไปด้วยค่าที่ได้จากอินพุตที่ และเอาพุตของระบบ สิ่งแรกที่จะต้องตัดสินใจคือ ตัวแปรใดบ้างที่ควรถูกนำมาใช้และควรจะทำการทดลองกี่ครั้งและจะเก็บรวบรวมผลอย่างไร ในเบื้องต้นอาจต้องใช้การลองผิดลองถูก นักวิจัยที่มีประสบการณ์พอจะสามารถทราบได้ว่า ตัวแปรอินพุทใดบ้างที่จะมีอิทธิพลต่อระบบ การทำลองกระบวนอีดีเอ็มจะใช้ทองแดงเป็นอิเลคโทรด และเหล็กเป็นชิ้นงานสามารถศึกษาได้จาก [10]  ผลการทดลองได้บันทึกค่า MRR และนำเสนอในรูปแบบตารางดังแสดงในตารางที่ 1. ตารางที่ 2. และ ตารางที่ 3. BP200 ถูกใช้เป็นของเหลวไม่นำไฟฟ้า(dielectric fluid)ในกระบวนการอีดีเอ็ม  “Open flushing” ถูกนำมาใช้เพื่อหมุนเวียนของเหลวไม่นำไฟฟ้าให้ไหลท่วม อิเลคโทรดและชิ้นงาน อิเลคโทรจะมีลัษณะทรงกลมเส้นผ่านศูนย์กลาง 20 มิลิเมตร แรงดันตกคล่อมในช่องว่างระหว่างอิเลคโทรดและชิ้นงานถูกกำหนดไว้ที่ 160 โวลต์ การทำลองเกิดขึ้นหลายครั้งโดยการปรับเปลี่ยนค่า  และ  เพื่อปรับค่าความถี่ในการเกิดประกายไฟ (spark) ให้ได้อัตราการกัดกร่อนเนื้อโลหะ(MRR) มากที่สุด ค่าแรงดันตกคล่อมช่องว่างระหว่างอิเลคโทรดและชิ้นงานอาจจะตกลงมาเหลือ 25 โวลต์ในขณะที่กระแสวิ่งผ่านช่องว่างเพิ่มขึ้น ตามค่าที่กำหนดไว้ 25A , 36A และ 50A ค่า MRR ที่ได้จากกระบวนการอีดีเอ็มจะผ่านการวิเคราะห์ข้อมูลและเปรียบเทียบกับผลการจำลองกระบวนการอีดีเอ็มใน Matlab

จากตารางที่ 1 , 2 และ 3 ค่าตัวแปร  ,  ,  และความถี่ในการเกิดประกายไฟ  ถูกเลือกใช้ในการทดลองโดยให้เป็นตัวแปรอินพุตที่สามารถแปรผันได้ และค่า MRR เป็นตัวแปรเอาพุตที่ขึ้นอยู่กับตัวแปรอินพุต

ในการศึกษานี้ ได้เลือกใช้โครงข่ายประสาทเทียมที่มี  4 อินพุต ,  1 ชั้นซ้อน และ 1 ชั้นอาพุต เพื่อเป็นแบบจำลองกระบวนการอีดีเอ็มดังแสดงในรูปที่ 1. อินพุตของโครงข่ายประสาทเทียมประกอบด้วยตัวแปร  ,  ,  และ  ส่วนเอ้าพุตคือค่า MRR

รูปที่ 1. สถาปัตยกรรมของโครงข่ายประสาทเทียม

ชุดของข้อมูลที่ได้จากการทดลองจะถูกแยกออกเป็น 2 ส่วนคือ ข้อมูลสอน (training data) และ ข้อมูลทดสอบ(predicting set) โดยข้อมูลทดสอบจะไม่ถูกนำมาใช้ในการสอนโครงข่ายประสาทเทียม ดังแสดงในรูปที่ 2.

 รูปที่ 2. แสดงการแบ่งผลการทดลองออกเป็น 2 ส่วน

จำนวนของข้อมูลที่จะใช้สอนโครงข่ายประสาทเทียมเพื่อให้ได้แบบจำลองที่ดีมีความสำคัญเป็นอย่างยิ่ง ถ้าหากข้อมูลที่จะใช้ในการสอนไม่ครอบคลุมตลอดช่วงการทำงานของกระบวนการ แบบจำลองโครงข่ายประสาทเทียมที่ได้อาจจะให้ค่าที่ไม่ค่อยดีนัก แต่ไม่ว่าจะกรณีใดก็ตามจำนวนของข้อมูลสอน(training set) จะต้องไม่น้อยกว่าจำนวนตัวน้ำหนักในโครงข่ายประสาทเทียม  จำนวนของข้อมูลสอนที่เหมาะสมจะประมาณ 10 เท่าของจำนวนตัวน้ำหนักในโครงข่ายฯ หรืออย่างน้อยที่สุดไม่ควรต่ำกว่า 3 เท่าของจำนวนตัวน้ำหนัก ขนาดของโครงข่ายประสาทเทียมควรจะต้องถูกสร้างอย่างระมัดระวัง หากจำนวนชั้น หรือจำนวนนิวรอลในแต่ละชั้นน้อยเกินไป โครงข่ายฯ อาจจะไม่สามารถที่จะนำมาใช้ในการประมาณการณ์ได้ ในทางกลับกันหากจำนวนของชั้นในโครงข่ายหรือจำนวนนิวรอลในแต่ละชั้น มีมากเกินไป ประสิทธิภาพก็อาจจะไม่ดีได้เหมือนกัน

ความสามารถในการคาดการณ์ของแบบจำลองโครงข่ายประสาทเทียม สามารถคำนวณได้จาก

การศึกษาอย่างหลากหลาย ว่าสถาปัตยกรรมโครงข่ายประสาทเทียมแบบใดจะมีความเหมาะสมต่อการแก้ปัญหาข้างต้น แบบจำลองที่มี 4 อินพุต , 3 นิวรอลใน 1 ชั้นซ่อน และ 1 เอาพุต จากการค้นข้อมูลวิจัยก่อนหน้าพบว่ามีการใช้ค่า อัตราการเรียนรู้ (learning rate)เท่ากับ 0.57 ค่าโมเมนตัม(momentum) เท่ากับ 0.8 และข้อมูลที่ได้จากการทดลอง 22 ชุด จะถูกแบ่งออกเป็น 19 ชุดสำหรับการสอนโครงข่ายฯ และ 3 ชุดสำหรับใช้ในการทดสอบประสิทธิภาพของการคาดการณ์จากแบบจำลองที่ได้

ผลของการวิจัยและความเห็นผู้ทำวิจัย

จากที่ได้กล่าวมาก่อนหน้านี้เพื่อให้โครงข่ายประสาทเทียมแบบ  4 อินพุต, 1 เอาพุต และ 1 ชั้นซ้อน ถูกนำมาใช้เป็นแบบจำลองสำหรับกระบวนการอีดีเอ็มที่มีประสิทธิภาพจึงได้มีการดำเนินการใน 2ขั้นตอนดังนี้

1.ขั้นตอนการสอนโครงข่ายประสาทเทียมโดยใช้ผลการทดลองจำนวน 19 ชุดข้อมูล ในขั้นตอนนี้ Levenberg-Marquardt ถูกนำมาใช้ในการปรับตัวน้ำหนักของแบบจำลองโครงข่ายประสาทเทียม หลังจากการสอนแบบจำลองโครงข่ายฯ จำนวน 1,000 รอบ (epoch) พบว่าค่า Mean Square Error ที่ได้คือ 0.00895

รูปที่ 3 แสดงค่า Target และ Output ANN

รูปที่ 3 เป็นกราฟแสดงค่า MRR ของกระบวนการอีดีเอ็ม  2 ค่า คือค่าจริงในกระบวนการอีดีเอ็ม (Target) และค่าที่ได้จากแบบจำลองโครงข่ายประสาทเทียม (Output ANN)  จากกราฟค่าจริงถูกแสดงโดยวงกลมและค่าที่ได้จากแบบจำลองฯ ถูกแสดงโดยรูปดาว

2.ขั้นตอนการทดสอบแบบจำลองฯ โดยการใช้ชุดข้อมูลจากการทดลองที่เหลืออยู่จำนวน 3 ชุด ซึ่งมิได้ถูกใช้ในการสอนแบบจำลองฯ มาก่อน ตารางที่ 4 แสดงชุดข้อมูลทดสอบและเปรียบเทียบผลลัพธ์ค่า MRR ที่ได้จากการทดลอง และที่ได้จากแบบจำลองฯ พบว่าความผิดผลาดจากการคาดการณ์ของแบบจำลองฯ ผิดผลาดมากสุด 5.40% และค่าเฉลี่ยของความผิดผลาดอยู่ที่ 3.06%

ค่าความผิดผลาดจากการคาดการณ์ค่า MRR ของแบบจำลองฯ เปรียบเทียบกับค่าที่ได้จากการทดลอง แสดงตามรูปที่ 4 ในแบบกราฟแท่ง พบว่าแบบจำลองสามารถคาดการณ์ค่า MRR ได้เป็นอย่างดีและมีค่าความผิดพลาดเพียงเล็กน้อย

รูปที่ 4 กราฟแท่งเปรียบเทียบค่า MRR จากการทดลอง และจาก ANN

จากที่ได้กล่าวมาแล้วก่อนหน้านี้ แบบจำลองโครงข่ายประสาทเทียมถูกพัฒนาขึ้นเพื่อคาดการณ์ค่า MRR จากอินพุดใด ๆ ที่อยู่ในช่วงทำงาน แต่ก็ไม่อาจที่จะให้ค่า MRR ที่สมบูรณ์แบบ 100 % ในทุก ๆ ช่วงการทำงาน เช่นกัน ในขั้นตอนการสอนแบบจำลองฯ เราพบว่า  Mean Square Error = 0.00895 ซึ่งหมายความว่า ค่า MRR จริงที่ได้จากการทดลองและค่าที่ได้จากเอาพุตของแบบจำลองมีความแตกต่างกันบ้างแต่สามารถยอมรับได้ หรืออาจจะมองว่าค่าที่ได้จากแบบจำลองโครงข่ายประสาทเทียมยังมีความผิดพลาดเพราะค่า Mean Square Error ยังมีขนาดไม่น้อยพอทั้งนี้ขึ้นอยู่กับผู้ใช้งานจะยอมรับค่าความผิดพลาดได้มากน้อยเพียงใด แต่เมื่อทดสอแบบจำลองโดยใช้อินพุตที่มิได้อยู่ในชุดข้อมูลสอนแบบจำลองก็สามารถให้ค่า MRR ที่มีความแม่นยำเพียงพอ

งานวิจัยสามารถที่จะพัฒนาต่อยอด โดยนำแบบจำลองโครงข่ายประสาทเทียมไปใช้เพื่อการหาค่าพารามิเตอร์ที่เหมาะสมที่สุดในกระบวนการอีดีเอ็ม

แปลและเรียบเรียงจาก

Predicting Material Removal Rate of Electrical Discharge Machining (EDM) using Artificial Neural Network for High  current

International Conference on Electrical , Control and Computer EngineeringPahang, Malaysia, June 21-22 , 2011

Related Articles

CAN open ตอนที่ 2

พรีซิชั่น แมชชีน คอนโทรล , 12 Aug 2019 CAN open Message Format การสื่อสารข้อมูลตามมาตรฐาน CAN open จะทำในรูปของ message telegrams  ซึ่งสามารถแยกออกเป็น 2 ส่วนประกอบสำคัญคือ COB-Identifier(COB-ID) ขนาด 11 bits และ…

EV:การชาร์ตแบตเตอร์รี่ระหว่างรถไฟฟ้ากำลังวิ่ง

การชาร์ตพลังงานไฟฟ้าแบบไร้สาย(WPT)ระหว่างที่รถยนต์ไฟฟ้ากำลังเคลื่อนที่ ได้ถูกทำการทดลองที่ Oak Ridge National Laboratory(ORNL) โดยการใช้ Electrochemical Capacitors ติดตั้งที่ Grid Side และที่รถยนต์ไฟฟ้าทำให้สัญญาณไฟฟ้ามีความราบเรียบ ลด Pulsation ด้าน Grid Side ลงไปได้ 81%  และ 84%ที่รถยนต์ เทคโนโลยีการชาร์ตพลังงานไฟฟ้าแบบไร้สายมีขึ้นตั้งแต่ปี 1950  ถูกนำมาใช้กับรถยนต์ในงานเหมืองแร่และรถรางเพื่อแก้ปัญหาาการเชื่อมต่อที่แตกต่างกันงานวิจัยชิ้นนี้นำเสนอการชาร์ตพลังงานไฟฟ้าแบบไร้สายในขณะที่รถยนต์ไฟฟ้ากำลังเคลื่อนที่ปัญหาที่พบคือ…

CAN open ตอนที่ 1

พรีซิชั่น แมชชีน คอนโทรล , 12 Aug 2019 CAN ย่อมากจากคำว่า Controller Area Network พัฒนาขึ้นโดย Bosch Germany สำหรับใช้ในการควบคุมอุปกรณ์ภายในรถยนต์ ต่อมาก็ถูกนำมาใช้ในอุตสาหกรรมอย่างแพร่หลาย CAN เป็นระบบที่สามารถมีได้หลาย Master เพราะอุปกรณ์ทุกตัวสามารถเข้าถึง Bus ได้ตลอดเวลาที่ไม่มีการส่งสัญญาณ CAN มิได้ทำงานในแบบ…

DMCNET Delta Motion Control Networks

พรีซิชั่น แมชชีน คอนโทรล , 1 Sep 2019 หลังจากที่ Delta Electronics Inc ได้เริ่มทำการตลาดสินค้ากลุ่ม Delta Servo Motors and Drives ก็ได้รับการตอบรับอย่างท่วมท้นจากภาคอุตสาหกรรม จึงมีการพัฒนา Motion Controller Card รุ่น PCI-DMC-A01 ขึ้นมาเพื่อเป็นเครื่องมือในการเชื่อมโยง…

Delta CNC Solution the Complete total solution ตอนที่ 3

พรีซิชั่น แมชชีน คอนโทรล , 22 Aug 2019 Delta CNC Solution ยังมีคุณสมบัติที่โดดเด่นอีกมากมาย เรียกได้ว่าสมบูรณ์แบบไม่แพ้ ซีเอ็นซี คอนโทรลเลอร์ (CNC Controller) จากค่ายยุโรป และยังเป็น Total Solution อีกด้วยเนื่องจาก CNC Controller , Servo…

Responses

Your email address will not be published. Required fields are marked *