Neural networks applications in parameter setting of tube hydroforming and metal cutting processes

Abstract

Bu çalışmanın amacı yapay sinir ağlarının üretim proseslerinin optimizasyonu için kullanılabilirliğini test etmektir. Bu amaç için iki üretim prosesine sinir ağı tabanlı çözüm yöntemleri önerilmiştir. Dikkate alınan ilk problem çelişen iki amaca sahip tüp şekillendirme prosesidir. Problemin çözümü için iki aşamalı yapay sinir ağı ve melez bir yapay sinir ağı-genetik algoritma yaklaşımı önerilmiştir. Önerilen yaklaşım kullanılarak elde edilen sonuçlar, Taguchi yaklaşımı ile karşılaştırılmıştır. Elde edilen sonuçlara göre yapay sinir ağlarının diğer çözüm yöntemleri ile birlikte kullanılması tüp şekillendirme prosesinin performansında daha iyi gelişmeler sağlamaktadır. İkinci problem, amacı birim maliyeti minimize etmek olan bir metal işleme prosesinin optimizasyonudur. Enerji fonksiyonunu oluşturmak için penaltı yaklaşımı kullanılmış ve problemin çözümü için literatürde önerilmiş tamsayı formülasyonu kullanılmıştır. Bu problem için, birbirini etkileyen bir maksimum ve bir sürekli sinir ağı modeli önerilmiştir. Önerilen yaklaşım bir üretim prosesinin optimizasyonu probleminde test edilmiş ve sonuçlar dinamik programlama, tamsayı programlama ve doğrusal olmayan programlama ile kıyaslanmıştır. Elde edilen sonuçlara göre yapay sinir ağları metal işleme prosesleri için yöneylem tekniklerine karşı etkin bir alternatif oluşturmaktadır ve Hopfield türevi ağların penaltı yaklaşımı ile birlikte kullanılması sonucu çok geniş çözüm uzayı içerisinde son derece kısa sürelerde istenilen sonuçlara ulaşma avantajı sağlamaktadır. Bu çalışmanın sağladığı katkılar iki yönlüdür. Bunlardan biri, dikkate alınan prosesler için ilk yapay sinir ağları uygulaması olması sebebi ile üretim prosesleri literatüre sağlanan katkıdır. Bu çalışma ile sağlanan bir diğer katkı ise, yapay sinir ağlarının üretim proseslerinde kullanımı için başka çözüm yöntem yöntemleri ile birlikte kullanılması ile yapay sinir ağları literatürüne sağlanmıştır. The objective of this research is to test and conclude about the efficiency of ANNs for optimization of manufacturing processes. For this purpose, ANN based methods are proposed to deal with two different manufacturing processes. The first problem is the tube hydroforming process with two conflicting objectives. A two-stage neural network approach and a hybridization of ANNs with genetic algorithm are proposed for the solution of the problem. Simulation outcomes of the proposed approaches are compared with Taguchi approach. The results show that ANNs need to be integrated by other solution techniques since combining neural networks with genetic algorithm provide the best process performance for tube hydroforming process under consideration. The second problem is the process parameters optimization of a metal cutting process with unit cost minimization. The original integer programming model of the problem given in the literature is used to construct the energy function by using penalty approach. For this problem, a maximum and continuous neural network interacting with each other are proposed. The results are compared with optimum results of dynamic programming, integer programming and non-linear programming. The results show that neural networks are an effective alternative to operation research techniques and combining Hopfield-type networks with penalty approach gives the advantage of obtaining optimal solution in an extremely large solution space within a reasonable computation time. The contribution of this thesis is two fold. One is to the manufacturing process literature as this study is the first attempt to solve the parameter optimization problems of the manufacturing processes under consideration. This thesis also makes contribution to ANN literature as combining ANNS with different techniques for optimization of manufacturing processes.