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.
hu_HU
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.
