Optimización de fresado de alta precisión con técnicas metaheurísticas e Inteligencia Artificial: revisión sistemática

Bryan Guillermo Guananga Rodríguez, Eugenia Mercedes Naranjo Vargas

Resumen


La optimización de los parámetros de fresado de alta precisión es esencial en la industria manufacturera, y las técnicas metaheurísticas y la inteligencia artificial son herramientas efectivas para abordar este problema. En este artículo, se realiza una revisión sistemática de la literatura para identificar las principales tendencias y avances en la aplicación de estas técnicas en la optimización del fresado de alta precisión. La metodología de la revisión se basó en una búsqueda exhaustiva en bases de datos científicas y se identificaron tendencias y patrones comunes en los estudios revisados. Los resultados muestran que la selección adecuada de los parámetros de corte puede mejorar la eficiencia del fresado y reducir los costos de producción. Se sugiere que la combinación de técnicas de fresado de alta precisión y técnicas de metrología de alta precisión podría mejorar aún más la calidad de las piezas producidas. Además, se ha observado que la optimización de los parámetros de fresado, considerando múltiples objetivos y restricciones, ha sido el enfoque de diversas investigaciones y se han propuesto diferentes técnicas metaheurísticas e inteligencia artificial para abordar este desafío. Se han utilizado técnicas de optimización multiobjetivo y aprendizaje automático, así como análisis de vibración, para evaluar la calidad de las piezas producidas.


Palabras clave


Fresado de alta precisión; técnicas metaheurísticas; inteligencia artificial; optimización

Texto completo:

PDF HTML XML

Referencias


Wang, W., Tian, G., Chen, M., Tao, F., Zhang, C., AI-Ahmari, A., Li, Z., & Jiang, Z. (2020). Dual-objective program and improved artificial bee colony for the optimization of energy-conscious milling parameters subject to multiple constraints. Journal of Cleaner Production, 245, 118714. https://doi.org/10.1016/j.jclepro.2019.118714

Zhou, J., Gao, L., Yao, X., Chan, F. T. S., Zhang, J., Li, X., & Lin, Y. (2019). A decomposition and statistical learning based many-objective artificial bee colony optimizer. Information Sciences, 496, 82-108. https://doi.org/10.1016/j.ins.2019.05.014

Zhou, J., Yao, X., Lin, Y., Chan, F. T. S., & Li, Y. (2018). An adaptive multi-population differential artificial bee colony algorithm for many-objective service composition in cloud manufacturing. Information Sciences, 456, 50-82. https://doi.org/10.1016/j.ins.2018.05.009

Zhang, H., Deng, Z., Fu, Y., Lv, L., & Yan, C. (2017). A process parameters optimization method of multi-pass dry milling for high efficiency, low energy and low carbon emissions. Journal of Cleaner Production, 148, 174-184. https://doi.org/10.1016/j.jclepro.2017.01.077

Yan, J., & Li, L. (2013). Multi-objective optimization of milling parameters – the trade-offs between energy, production rate and cutting quality. Journal of Cleaner Production, 52, 462-471. https://doi.org/10.1016/j.jclepro.2013.02.030

Ding, P., Huang, X., Zhang, X., Li, Y., & Wang, C. (2022). Reliability optimization of micro-milling cutting parameters using slime mould sequence algorithm. Simulation Modelling Practice and Theory, 119, 102575. https://doi.org/10.1016/j.simpat.2022.102575

Han, F., Li, L., Cai, W., Li, C., Deng, X., & Sutherland, J. W. (2020). Parameters optimization considering the trade-off between cutting power and MRR based on Linear Decreasing Particle Swarm Algorithm in milling. Journal of Cleaner Production, 262, 121388. https://doi.org/10.1016/j.jclepro.2020.121388

Krimpenis, A. A., Fountas, N. A., Mantziouras, T., & Vaxevanidis, N. M. (2016). Optimizing CNC wood milling operations with the use of genetic algorithms on CAM software. Wood Material Science & Engineering, 11(2), 102-115. DOI: 10.1080/17480272.2014.961959

Abdellahi, M., Bahmanpour, M., & Bahmanpour, M. (2014). The use of artificial bee colony algorithm to speed up the nanopowders synthesis during high energy ball milling. Powder Technology, 264, 61-70. https://doi.org/10.1016/j.powtec.2014.05.014

Chen, Y., Sun, Y., Lin, H., & Zhang, B. (2020). Prediction Model of Milling Surface Roughness Based on Genetic Algorithms. In Z. Xu, K. K. Choo, A. Dehghantanha, R. Parizi, & M. Hammoudeh (Eds.), Cyber Security Intelligence and Analytics. CSIA 2019. Advances in Intelligent Systems and Computing (Vol. 928). Springer. https://doi.org/10.1007/978-3-030-15235-2_179

Sun, H., Li, L., Yan, C., Song, L., Huang, Y., & Zhou, C. (2022). Optimization of High-speed Dry Milling Process Parameters Based on Improved ELM and Genetic Algorithm. Highlights in Science, Engineering and Technology, 7, 272-283. https://doi.org/10.54097/hset.v7i.1082

Cheng, D. J., Xu, F., Xu, S. H., & Tan, Y. M. (2020). Minimization of Surface Roughness and Machining Deformation in Milling of Al Alloy Thin-Walled Parts. International Journal of Precision Engineering and Manufacturing, 21(9), 1597-1613. https://doi.org/10.1007/s12541-020-00366-0

Bai, L., Xu, F., Chen, X., Tan, Y. M., & Liu, G. (2022). A hybrid deep learning model for robust prediction of the dimensional accuracy in precision milling of thin-walled structural components. Frontiers of Mechanical Engineering, 17(1), 32. https://doi.org/10.1007/s11465-022-0688-0

Ntemi, M., Paraschos, S., Karakostas, A., Gialampoukidis, I., Vrochidis, S., & Kompatsiaris, I. (2022). Infrastructure monitoring and quality diagnosis in CNC machining: A review. CIRP Journal of Manufacturing Science and Technology, 38, 631-649. https://doi.org/10.1016/j.cirpj.2022.06.001

Lohithaksha M. Maiyar, R. Ramanujam, K. Venkatesan, & J. Jerald. (2013). Optimization of Machining Parameters for end Milling of Inconel 718 Super Alloy Using Taguchi based Grey Relational Analysis. Procedia Engineering, 64, 1276-1282. https://doi.org/10.1016/j.proeng.2013.09.208

Xiaohong Lu, Furui Wang, Xinxin Wang, & Likun Si. (2018). Modelling and optimisation of cutting parameters on surface roughness in micro-milling Inconel 718 using response surface methodology and genetic algorithm. International Journal of Nanomanufacturing, 14(1-2), 34-50. https://doi.org/10.1504/IJNM.2018.089178

Wang, J., Zou, B., Liu, M., et al. (2021). Milling force prediction model based on transfer learning and neural network. Journal of Intelligent Manufacturing, 32(4), 947-956. https://doi.org/10.1007/s10845-020-01595-w

Shahriar Tanvir Alam, A.N.M Amanullah Tomal, & Moddassir Khan Nayeem. (2023). High-Speed Machining of Ti–6Al–4V: RSM-GA based Optimization of Surface Roughness and MRR. Results in Engineering, 17, 100873. https://doi.org/10.1016/j.rineng.2022.100873

Ma, J.-W., Wang, F.-J., Jia, Z.-Y., & Gao, Y.-Y. (2016). Machining Parameter Optimization in High-Speed Milling for Inconel 718 Curved Surface. Materials and Manufacturing Processes, 31(13), 1692-1699. https://doi.org/10.1080/10426914.2015.1117623

Chang, C.-Y., & Wu, T.-Y. (2018). Identification of Milling Status Using Vibration Feature Extraction Techniques and Support Vector Machine Classifier. Inventions, 3(2), 25. https://doi.org/10.3390/inventions3020025

Ambhore, N., Kamble, D., & Chinchanikar, S. (2020). Evaluation of Cutting Tool Vibration and Surface Roughness in Hard Turning of AISI 52100 Steel: An Experimental and ANN Approach. Journal of Vibration Engineering & Technologies, 8(4), 455-462. https://doi.org/10.1007/s42417-019-00136-x

Pimenov, D.Y., Bustillo, A. & Mikolajczyk, T. (2018). Artificial intelligence for automatic prediction of required surface roughness by monitoring wear on face mill teeth. J Intell Manuf, 29, 1045–1061. https://doi.org/10.1007/s10845-017-1381-8

Xu, L., Huang, C., Li, C., Zhang, W., & Xie, G. (2021). Estimation of tool wear and optimization of cutting parameters based on novel ANFIS-PSO method toward intelligent machining. J Intell Manuf, 32, 77–90. https://doi.org/10.1007/s10845-020-01559-0

Savković, B. I., Kovač, P., Stoić, A., & Dudić, B. (2020). Optimización de Parámetros de Mecanizado Mediante Taguchi y Análisis ANOVA en el Planeado de Aleaciones de Aluminio AL7075. Diario Técnico, 27(4), 1221-1228. https://doi.org/10.17559/TV-20190621105149

Pare, V., Agnihotri, G., & Krishna, C. (2015). Selection of Optimum Process Parameters in High Speed CNC End-Milling of Composite Materials Using Meta Heuristic Techniques – a Comparative Study. Strojniški vestnik - Journal of Mechanical Engineering, 61(3), 176-186. doi:http://dx.doi.org/10.5545/sv-jme.2014.1914

Wu, T.-Y., & Lin, C.-C. (2021). Optimization of Machining Parameters in Milling Process of Inconel 718 under Surface Roughness Constraints. Appl. Sci., 11, 2137. https://doi.org/10.3390/app11052137

Grzenda, M., & Bustillo, A. (2019). Semi-supervised roughness prediction with partly unlabeled vibration data streams. J Intell Manuf, 30, 933–945. https://doi.org/10.1007/s10845-018-1413-z

Jafrey Daniel James Dhilip, J., Jeevan, J., Arulkirubakaran, D., & Ramesh, M. (2020). Investigation and optimization of parameters for hard turning of OHNS steel. Materials and Manufacturing Processes, 35(10), 1113-1119. DOI: 10.1080/10426914.2020.1765254




DOI: https://doi.org/10.23857/pc.v8i3.5342

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/