NGHIÊN CỨU TỐI ƯU KIẾN TRÚC MẠNG NƠ RON VỚI THUẬT TOÁN TOÁN DI TRUYỀN NSGA-II, ỨNG DỤNG TRONG BÀI TOÁN DỰ ĐOÁN ĐỘ NHÁM BỀ MẶT SAU KHI TIỆN CNC VỚI THÉP SUM24L

Tóm tắt

Độ nhám bề mặt sau khi gia công là yếu tố then chốt ảnh hưởng đến độ bền, ma sát và tính năng vận hành của chi tiết cơ khí. Trong bối cảnh gia công thép SUM24L bằng phương pháp tiện, việc dự đoán chính xác độ nhám bề mặt từ các thông số cắt như tốc độ (v), chiều sâu (t) và lượng chạy dao (s) là cần thiết để tối ưu hóa quy trình và nâng cao chất lượng sản phẩm. Tuy nhiên, các mô hình dự đoán hiện tại thường thiếu cân bằng giữa độ chính xác và khả năng triển khai thực tế trong môi trường sản xuất thông minh. Bài báo này đề xuất một phương pháp tối ưu hóa đa mục tiêu dựa trên NSGA-II nhằm tự động thiết kế các mô hình mạng nơ-ron nhân tạo (ANN) cho bài toán dự đoán độ nhám sau tiện thép SUM24L. Hai mục tiêu được xem xét đồng thời là: (1) sai số dự đoán (MSE) và (2) kích thước mô hình sau lượng tử hóa (bytes). Thực nghiệm cho thấy phương pháp đã tạo ra một tập nghiệm Pareto hiệu quả, cung cấp các phương án mô hình ANN linh hoạt, sẵn sàng triển khai trên thiết bị biên với độ chính xác phù hợp yêu cầu công nghiệp

Title

A RESEARCH ON NEURAL NETWORK ARCHITECTURE OPTIMIZATION USING THE NSGA-II GENETIC ALGORITHM FOR SURFACE ROUGHNESS PREDICTION IN CNC TURNING OF SUM24L STEEL

Abstract

Surface roughness after machining is a key factor affecting the durability, friction, and operational performance of mechanical parts. In the context of turning SUM24L steel, the accurate prediction of surface roughness from cutting parameters such as speed (v), depth of cut (t), and feed rate (s) is necessary to optimize the process and enhance product quality. However, current prediction models often lack a balance between accuracy and practical deployment capability in smart manufacturing environments. This paper proposes a multi-objective optimization method based on NSGA-II to automatically design Artificial Neural Network (ANN) models for the problem of predicting surface roughness after turning SUM24L steel. Two objectives are considered simultaneously: (1) prediction error (MSE) and (2) post-quantization model size (bytes). Experiments show that the method has generated an effective Pareto front, providing flexible ANN model options, ready for deployment on edge devices with an accuracy suitable for industrial requirements