Investigation of the effect of vibration in the multi-objective optimization of dry turning of hardened steel
Notice bibliographique
Résumé
Purpose This study aims to investigate the effect of vibration on ceramic tools under dry cutting conditions and find the optimum cutting condition for the hardened steel machining process in a computer numerical control (CNC) lathe machine. Design/methodology/approach In this research, an integrated fuzzy TOPSIS-based Taguchi L9 optimization model has been applied for the multi-objective optimization (MOO) of the hard-turning responses. Additionally, the effect of vibration on the ceramic tool wear was investigated using Analysis of Variance (ANOVA) and Fast Fourier Transform (FFT). Findings The optimum cutting conditions for the multi-objective responses were obtained at 98 m/min cutting speed, 0.1 mm/rev feed rate and 0.2 mm depth of cut. According to the ANOVA of the input cutting parameters with respect to response variables, feed rate has the most significant impact (53.79%) on the control of response variables. From the vibration analysis, the feed rate, with a contribution of 34.74%, was shown to be the most significant process parameter influencing excessive vibration and consequent tool wear. Research limitations/implications The MOO of response parameters at the optimum cutting parameter settings can significantly improve productivity in the dry turning of hardened steel and control over the input process parameters during machining. Originality/value Most studies on optimizing responses in dry hard-turning performed in CNC lathe machines are based on single-objective optimization. Additionally, the effect of vibration on the ceramic tool during MOO of hard-turning has not been studied yet.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».