Predicción de la Rugosidad Superficial del Acero cold rolled 1018 a través de la Metodología de Superficie de Respuesta y Redes Neuronales

Autores/as

  • Lázaro Rico Pérez Instituto Tecnológico de Ciudad Juárez.
  • Juan J. Díaz N Instituto Tecnológico de Ciudad Juárez.
  • Francisco J. Estrada O Universidad Autónoma de Ciudad Juárez.
  • Javier Molina Salazar Universidad Autónoma de Ciudad Juárez.

Palabras clave:

Parámetros de corte, Rugosidad superficial, Metodología de superficie de respuesta, Redes neuronales

Resumen

RESUMEN

Se propone la predicción de la rugosidad superficial sobre un acero cold rolled 1018 empleando una herramienta de corte de alta velocidad. Como objetivo secundario, predecir la temperatura de la herramienta de corte y del material de trabajo. Como variables independientes se incluyen tres parámetros de maquinado: la velocidad de corte, tasa de alimentación y profundidad de corte. Los modelos predictivos son obtenidos con el apoyo de la metodología de superficie de respuesta (RSM) y la teoría de redes neuronales (NN).

Palabras claves: Parámetros de corte, Rugosidad superficial, Metodología de superficie de respuesta, Redes neuronales.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Lázaro Rico Pérez, Instituto Tecnológico de Ciudad Juárez.

Estudiante del doctorado en Ingeniería Industrial. 

 

Juan J. Díaz N, Instituto Tecnológico de Ciudad Juárez.

Profesor investigado

Francisco J. Estrada O, Universidad Autónoma de Ciudad Juárez.

Profesor investigador. Depto. Ing. Industrial y Manufactura.

Javier Molina Salazar, Universidad Autónoma de Ciudad Juárez.

Profesor investigador. Depto. Ing. Industrial y Manufactura.

Citas

Benardos PG y Vosniakos GC. 2002. Prediction of surface roughness in CNC face milling using neural networks and Taguchi´s desing of experiments. Robotics and computer integrated manufacturing. 18: 343-354.

Choudhury GB. 2003. Role of temperature and surface finish in predicting tool wear using neural network and design of experiments International journal of machine tools & Manufacture. 43: 675-680.

Hagan MT, Demuth HB, Beale M. 1996. Neural network Design.

Hair JF, et al. 1999. Análisis multivariante. España: Prentice Hall Iberia.

Montgomery DC, 2004. Diseño y análisis de experimentos. México: Limusa Wiley. 427-510.

Özel T, Yigit K. 2004. Predictive modeling of surface roughness and tool wear in hard turning using regression and neural networks.International Journal of Machine Tools & Manufacture Vol. XX: 1–13.

Suresh, PVS, Rao PV, Deshmukh SG. 2002. A Genetic algorithmic approach for optimization of surface roughness prediction models. International Journal of machine tools & Manufacture. 675-680.

Spedding TA, Wang ZQ. 1997 Study on modeling of wire EDM process. Journal of Materials Processing Technology. Vol 69: 18-28.

Sahin Y, Riza MA. 2005. Surface roughness model for machining mild steel with coated carbide tool. Materials and Design. 26: 321-326.

Zuperl U. 2003. Optimization of cutting conditions during cutting by using neural networks. Robotics and Computer Integrated Manufacturing. 19: 189-19

Publicado

2015-06-17

Cómo citar

Rico Pérez, L., Díaz N, J. J., Estrada O, F. J., & Molina Salazar, J. (2015). Predicción de la Rugosidad Superficial del Acero cold rolled 1018 a través de la Metodología de Superficie de Respuesta y Redes Neuronales. Cultura Científica Y Tecnológica, (10). Recuperado a partir de http://erevistas.uacj.mx/ojs/index.php/culcyt/article/view/547