Geometriai pontosság előrejelzése esztergálás esetén: ANFIS és lineáris regresszió összehasonlító modellezése

Abstract

A nagy pontosságú megmunkálási folyamatokban a geometriai eltérések megbízható előrejelzése kulcsfontosságú a technológiai paraméterek optimális megválasztásához és a gyártási költségek csökkentéséhez. Jelen kutatás céljaa zsákfuratok simító esztergálásakor fellépő geometriai eltérések prediktív modellezésére irányult. A teljes faktoriáliskísérletterv adatain alapuló vizsgálatban az adaptív neuro-fuzzy következtető rendszer (ANFIS)és a lineáris regresszió teljesítményét hasonlítottuk össze a forgácsolósebesség, az előtolás és a vizsgálati mélységekfüggvényében. Az eredmények igazolják az ANFIS fölényét, mivel az átmérőhiba és a köralakhiba esetén is kisebb becslési hibát és magasabb determinációs együtthatót(R2)produkált. A hibrid modell hatékonyan kezeli a nemlineáris összefüggéseket, támogatva ezzel a gyártásoptimalizálást.

Reliable prediction of geometrical deviations in high-precision machining is essential for optimizing technological parameters and reducing manufacturing costs. This study focuses on predictive modeling of deviations occurring during the finish turning of blind holes. Based on data obtained from a full factorial experimental design, the performance of ANFIS and linear regression models was compared as a function of cutting speed, feed rate, and measurement depth. The results confirm the superiority of ANFIS, yielding lower prediction errors and higher coefficients of determination (R²) for both diameter and roundness errors. The hybrid model effectively captures nonlinear relationships, thereby supporting process optimization.