TỐI ƯU HÓA ĐỘ NHÁM BỀ MẶT TRONG GIA CÔNG XUNG ĐIỆN CÓ HỖ TRỢ DAO ĐỘNG SIÊU ÂM BẰNG MÔ HÌNH GAUSSIAN PROCESS REGRESSION

Tóm tắt

Trong nghiên cứu này, một mô hình hồi quy quá trình Gaussian (Gaussian Process Regression – GPR) đã được xây dựng nhằm dự đoán và tối ưu hóa chính xác độ nhám bề mặt (Ra) trong quá trình gia công xung điện có hỗ trợ rung động siêu âm (UV-EDM). Thiết kế thí nghiệm Box-Behnken (BBD) với năm thông số đầu vào gồm biên độ dao động siêu âm (A), thời gian phát xung (Ton), thời gian ngắt xung (Toff), dòng điện phóng điện (IP) và điện áp phóng điện (SV) đã được sử dụng để khảo sát ảnh hưởng của các thông số này đến Ra. Một mô hình hồi quy bậc hai (RSM) được xây dựng ban đầu để làm mô hình tham chiếu và được so sánh với mô hình GPR về độ chính xác dự đoán. Mô hình GPR đạt hệ số xác định cao (R² = 0,9284), vượt trội so với RSM, cho thấy khả năng mạnh mẽ của GPR trong việc mô hình hóa các đặc tính phi tuyến và nhiễu trong dữ liệu Ra. Tối ưu hóa được thực hiện bằng công cụ fmincon trong MATLAB® dựa trên mô hình GPR đã huấn luyện. Kết quả nghiên cứu khẳng định rằng GPR là một mô hình thay thế hiệu quả cho việc dự đoán và tối ưu hóa chất lượng bề mặt trong UV-EDM, đồng thời cung cấp định hướng thực tiễn cho việc lựa chọn thông số công nghệ tối ưu.

Title

SURFACE ROUGHNESS OPTIMIZATION IN ULTRASONIC VIBRATION-ASSISTED EDM USING GAUSSIAN PROCESS REGRESSION

Abstract

In this study, a Gaussian Process Regression (GPR) model was developed to accurately predict and minimize surface roughness (Ra) in ultrasonic vibration-assisted electrical discharge machining (UV-EDM). A five-factor Box-Behnken design (BBD) was employed to investigate the effects of ultrasonic amplitude (A), pulse on-time (Ton), pulse off-time (Toff), peak current (IP), and spark voltage (SV) on Ra. A second-order regression model (RSM) was initially constructed and compared with the GPR model in terms of prediction accuracy. The GPR model achieved a significantly higher coefficient of determination (R² = 0.9284) compared to RSM, demonstrating its superior capability in handling nonlinearities and noise in surface data. The optimal machining parameters were identified using fmincon in MATLAB, based on the trained GPR model. The findings confirm that GPR is an effective surrogate model for predicting and optimizing surface quality in UV-EDM, offering valuable guidance for selecting optimal process parameters.