Luận án Nghiên cứu giải pháp nâng cao tuổi bền dao phay cầu khi gia công trên máy CNC 5 trục

Nội dung text: Luận án Nghiên cứu giải pháp nâng cao tuổi bền dao phay cầu khi gia công trên máy CNC 5 trục

1. 117 vào mạng nơ-ron nhân tạo cho giá trị 퐿 푗 tương ứng. Hình 4.28 thể hiện đồ thị trực quan đối với chương trình gia công cũng như giá trị tính toán, từ đó dễ dàng nhận biết được vị trí nào của lưỡi cắt tham gia gia công theo chương trình và có nằm trong giới hạn làm việc hay không. Đồ thị bên trái cho thấy rõ ràng phân bố đai cắt làm việc chỉ tập trung tại một khoảng (300 ÷ 450), dao phay có thể gia công hết chương trình NC mà chưa hết tuổi bền, nhưng không thể tiếp tục gia công chi tiết tiếp theo vì tại vị trí lưỡi cắt 훽 = 400 đã gần hết tuổi bền. Với phương pháp dịch chuyển đoạn lưỡi cắt làm việc (bên phải - hình 4.28) thì sự phân bố đoạn lưỡi cắt làm việc đồng đều hơn (150 ÷ 600), dao phay có thể tiếp tục gia công thêm một chi tiết tiếp theo mới hết tuổi bền. Như vậy với mô hình gia công những chi tiết có bề mặt tự do bằng việc sử dụng phần mềm CAM hiện đại thì có thể kiểm soát góc nghiêng trục dao tốt như gia công trên mặt phẳng. Điều đó chứng tỏ giải pháp nâng cao tuổi bền bằng phương pháp dịch chuyển đoạn lưỡi cắt làm việc có thể khả thi trong thực tế sản xuất. Với sự hỗ trợ của công cụ dự đoán bằng mạng nơ-ron nhân tạo ta hoàn toàn có thể xác định được chiều dài cắt cho phép của từng đoạn lưỡi cắt, từ đó có kế hoạch điều khiển góc nghiêng trục dao sao cho khai thác nhiều nhất khả năng cắt của lưỡi cắt dao phay cầu. Những thí nghiệm trên chỉ mới áp dụng cho dạng bề mặt đơn giản (mặt phẳng gãy khúc như hình 4.20 và bề mặt đường cong Bézier bậc ba như hình 4.26), đây chưa phải đặc trưng cho các dạng bề mặt thường được gia công trên máy phay CNC 5 trục. Khi gia công các bề mặt tự do sẽ khó khăn xác định chiều dài chạy dao hoặc giới hạn góc để tránh va chạm dao nên thực hiện dịch đoạn lưỡi cắt làm việc khi gia công các bề mặt này sẽ khó khăn hơn. Lúc này cần có giải pháp phân chia bề mặt chi tiết gia công thành các vùng khác nhau, áp dụng dịch chuyển đoạn lưỡi cắt cho những vùng bề mặt khả dụng. Còn lại những bề mặt phức tạp không khả dụng thì phải gia công theo cách thông thường, nhưng chiều dài cắt đã sử dụng của các đai cắt làm việc được lưu trữ lại nhằm phục vụ cho lần gia công tiếp theo. Như vậy, kết quả nghiên cứu của luận án này chưa đủ khả năng nâng cao tuổi bền dao phay cầu một cách toàn diện vì lý do: chưa tự viết phần mềm hậu xử lý để thiết kế đường chạy dao, các
2. 119 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN KẾT LUẬN Luận án đã hoàn thành các mục tiêu đề ra và giải quyết được các vấn đề cần nghiên cứu về giải pháp nâng cao tuổi bền của dao phay cầu. Các kết quả của luận án này có thể là tài liệu bổ sung lý thuyết xử lý số liệu thực nghiệm, tạo công cụ hỗ trợ giải quyết các bài toán tối ưu trong lĩnh vực gia công cơ khí. Sau đây là một số kết luận chủ yếu như sau: 1. Có nhiều yếu tố ảnh hưởng đến tuổi bền dao phay cầu: ngoài chế độ cắt còn có định hướng dao và góc nghiêng dao. Xác định tuổi bền thông qua đo lượng mòn mặt sau được sử dụng phổ biến, dễ thực hiện và chính xác. 2. Phương pháp Taguchi và phân tích phương sai ANOVA dùng để tối ưu quy hoạch thực nghiệm và xác định được mức độ ảnh hưởng chế độ cắt đến mục tiêu đầu ra. 3. Mạng nơ-ron nhân tạo dễ sử dụng, có khả năng dự đoán chính xác, mở ra hướng ứng dụng trí tuệ nhân tạo trong lĩnh vực sản xuất cơ khí tiên tiến. 4. Đưa ra giải pháp dịch đoạn lưỡi cắt làm việc nhằm nâng cao tuổi bền dao phay cầu, một giải pháp có ý nghĩa thực tiễn khi các phương pháp tối ưu thông số công nghệ đã được thực hiện. 5. Xây dựng phần mềm CTMSoft với các chức năng: quy hoạch thực nghiệm, dự đoán bằng mạng nơ-ron nhân tạo và phân tích dữ liệu vị trí dao hỗ trợ cho giải pháp dịch đoạn lưỡi cắt làm việc. 6. Bằng thực nghiệm đã thiết lập được mối quan hệ thực nghiệm chế độ cắt và tuổi bền làm cơ sở chọn lựa chế độ cắt tối ưu, đồng thời khẳng định tính khả thi ứng dụng phương pháp dịch đoạn lưỡi cắt làm việc với những bề mặt gia công thực tế. HƯỚNG PHÁT TRIỂN Đề tài “Nghiên cứu giải pháp nâng cao tuổi bền dao phay cầu khi gia công trên máy CNC 5 trục” có tính khả thi cao khi được chứng minh bằng lý thuyết và thực nghiệm. Những kết quả đạt được của đề tài làm nền tảng để phát triển những nghiên cứu tiếp theo:
3. 121 DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ 1. Lê Văn Văn và Nguyễn Tài Hoài Thanh (2015), "Ảnh hưởng của góc nghiêng trục dao phay cầu tới độ nhám bề mặt khi gia công tinh trên máy phay CNC 5 trục", Tạp chí Khoa học và Kỹ thuật - Học viện KTQS. 169, tr. 9. 2. Nguyễn Tài Hoài Thanh và Dương Văn Ngụy (2016), "Nghiên cứu ảnh hưởng của chế độ công nghệ tới tuổi bền dao phay cầu khi gia công thép 40x sau nhiệt luyện, " Tạp chí hội nghị Khoa học và Công nghệ Toàn quốc về cơ khí - động lực. 1(1), tr. 4. 3. Nguyễn Tài Hoài Thanh và Dương Văn Ngụy (2017), "Nghiên cứu ảnh hưởng của lực cắt đến tuổi bền dao phay cầu khi gia công thép hợp kim cứng sau nhiệt luyện", Tạp chí hội nghị Khoa học và Công nghệ Toàn quốc về cơ khí - động lực. 3(1), tr. 5. 4. Nguyễn Văn Toàn, Nguyễn Tuấn Hiếu và Nguyễn Tài Hoài Thanh (2017), "Dự đoán nhám bề mặt khi phay cnc theo phương pháp hồi quy đa biến và phương pháp trí tuệ nhân tạo", Tạp chí nghiên cứu khoa học và công nghệ quân sự. 47, tr. 8. 5. Vũ Văn Tịnh, Dương Quốc Dũng và Nguyễn Tài Hoài Thanh (2018), "Nghiên cứu cơ chế mòn mảnh dao khi tiện cứng thép 40X", Tạp chí Giao thông Vận tải. 5, tr. 4. 6. Nguyễn Văn Đức, Nguyễn Tài Hoài Thanh và Nguyễn Tuấn Hiếu (2018), "Nghiên cứu ảnh hưởng chiến lược chạy dao và các thông số công nghệ tới chất lượng bề mặt gia công khi phay hợp kim Inconel 625 bằng dao phay cầu", Tạp chí Giao thông Vận tải. 5, tr. 4. 7. Nguyễn Tài Hoài Thanh và Hồ Việt Hải (2021), "Dự đoán tuổi bền dao phay đầu cầu khi gia công tinh thép hợp kim 40x sử dụng phương pháp mạng nơ-ron nhân tạo", Tạp chí Cơ khí. 12-2021, tr. 7.
4. 123 đa biến và phương pháp trí tuệ nhân tạo", Tạp chí nghiên cứu khoa học và công nghệ quân sự. 47, tr. 8. 12. Nguyễn Quốc Tuấn (2009), "Mối quan hệ chế độ cắt và tuổi bền dao phay cầu phủ TiAlN khi gia công thép Cr12MoV qua tôi", Tạp chí khoa học & công nghệ các trường đại học kỹ thuật. 71, tr.5. 13. Lê Văn Văn và Nguyễn Tài Hoài Thanh (2015), "Ảnh hưởng của góc nghiêng trục dao phay cầu tới độ nhám bề mặt khi gia công tinh trên máy phay CNC 5 trục", Tạp chí Khoa học và Kỹ thuật - Học viện KTQS. 169, tr. 9. 14. Bùi Long Vịnh, Nguyễn Ngọc Kiên và Trần Văn Địch (2017), "Tối ưu hóa chế độ cắt và góc nghiêng dao khi phay trên trung tâm gia công bằng dao phay cầu", Tạp chí Cơ khí Việt Nam. 5, tr. 5. Tiếng Anh 15. Arsecularatne, J. A., et al. (1996), "Prediction of tool life in oblique machining with nose radius tools", Wear. 198(1), pp. 220-228. 16. Astakhov, Viktor (2007), "Effects of the cutting feed, depth of cut, and workpiece (bore) diameter on the tool wear rate", The International Journal of Advanced Manufacturing Technology. 34(7), pp. 631-640. 17. Astakhov, Viktor and Davim, J. (2008), "Tools (Geometry and Material) and Tool Wear", pp. 29-57. 18. Athreya, Srinivas and Y.D.Venkatesh (2012), "Application Of Taguchi Method For Optimization Of Process Parameters In Improving The Surface Roughness Of Lathe Facing Operation", International Refereed Journal of Engineering and Science. 1, p. 7. 19. Azeem, Abdullahil and Feng, Hsi-Yung (2013), "Cutting force prediction for ball-end mills with non-horizontal and rotational cutting motions", The International Journal of Advanced Manufacturing Technology. 67(5), pp. 1833-1845. 20. Benardos, P.G. and Vosniakos*, G.C. (2002), "Prediction of surface roughness in CNC face milling using neural networks and Taguchi’s design of experiments", Robotics and Computer Integrated Manufacturing. 18, p. 12. 21. Bhuiyan, Md Sayem and Choudhury, Imtiaz (2015), "Investigation of Tool Wear and Surface Finish by Analyzing Vibration Signals in
5. 125 The International Journal of Advanced Manufacturing Technology. 47(5), pp. 527-534. 34. Erdim, Huseyin and Sullivan, Alan (2013), "Cutter Workpiece Engagement Calculations for Five-axis Milling Using Composite Adaptively Sampled Distance Fields", Procedia CIRP. 8, pp. 438-443. 35. Erzurumlu, Tuncay and Oktem, Hasan (2007), "Comparison of response surface model with neural network in determining the surface quality of moulded parts", Materials & Design. 28(2), pp. 459-465. 36. Fan, Jianhua (2014), "Cutting speed modelling in ball nose milling applications", The International Journal of Advanced Manufacturing Technology. 73(1), pp. 161-171. 37. Ferry, W. and Yip-Hoi, Derek (2008), "Cutter-Workpiece Engagement Calculations by Parallel Slicing for Five-Axis Flank Milling of Jet Engine Impellers", Journal of Manufacturing Science and Engineering- transactions of The Asme - J MANUF SCI ENG. 130. 38. Giusti, F., Santochi, M., and Tantussi, G. (1987), "On-Line Sensing of Flank and Crater Wear of Cutting Tools", CIRP Annals - Manufacturing Technology. 36(1), pp. 41-44. 39. Graupe, Daniel (2007), Principles of Artificial Neural Network, Vol. 6, World Scientific Publishing, 320. 40. Haber, Rodolfo E. and Alique, A. (2003), "Intelligent process supervision for predicting tool wear in machining processes", Mechatronics. 13(8–9), pp. 825-849. 41. Huang, Bernie P., Chen, Joseph C., and Li, Ye (2008), "Artificial-neural- networks-based surface roughness Pokayoke system for end-milling operations", Neurocomputing. 71(4–6), pp. 544-549. 42. Iwabe, Hiroyasu and Enta, Kazufumi (2008), "Tool life of small diameter ball end mill for high speed milling of hardened steel". 43. J, Caldeirani and Diniz, Anselmo (2002), "Influence of Cutting Conditions on Tool Life, Tool Wear and Surface Finish in the Face Milling Process", Journal of the Brazilian Society of Mechanical Sciences. 24. 44. Jung, S. K. and McDonald, K. (2011), "Visual gene developer: a fully programmable bioinformatics software for synthetic gene optimization", BMC Bioinformatics. 12, p. 340. 45. Kadam, S.V. and Rathi, M.G. (2014), "Review of Different Approaches to Improve Tool Life". 3, p. 8.
6. 127 57. Naidu, Anurag and Asati, Sanjay (2014), "Cutting Tool Life Determination Using Vibration Based Signals and Innovative Approach - A Review". 3, p. 9. 58. Nasri, A., Slaimi, J., and Sai, W. Bouzid (2016), "3D Parametric Modelling of Milling Cutter Geometry from Analytical Analysis", International Journal of Science, Technology and Society. 4(2), p. 5. 59. Ng, E. G., et al. (2000), "Experimental Evaluation of Cutter Orientation When Ball Nose End Milling Inconel 718™", Journal of Manufacturing Processes. 2(2), pp. 108-115. 60. Öktem, H. (2009), "An integrated study of surface roughness for modelling and optimization of cutting parameters during end milling operation", The International Journal of Advanced Manufacturing Technology. 43(9), pp. 852-861. 61. Olufayo, O. and Abou-El-Hossein, K. (2015), "Tool life estimation based on acoustic emission monitoring in end-milling of H13 mould- steel", The International Journal of Advanced Manufacturing Technology. 81(1), pp. 39-51. 62. Ozturk, Erdem, Tunc, L. Taner, and Budak, Erhan (2009), "Investigation of lead and tilt angle effects in 5-axis ball-end milling processes", International Journal of Machine Tools and Manufacture. 49(14), pp. 1053-1062. 63. P, Lakshmi and S, Visalakshmi (2016), "Exploring the usage of econometric techniques in nonlinear machine learning and data mining", International Journal of Mathematics in Operational Research. 9, p. 349. 64. Palanisamy, P., Rajendran, I., and Shanmugasundaram, S. (2008), "Prediction of tool wear using regression and ANN models in end- milling operation", International Journal of Advanced Science and Technology, p. 13. 65. Panagopoulos, G., Panagopoulou, M., and Nikolakopoulos, Pantelis (2021), "Friction - wear modeling in drilling process of H-13 tool steel", IOP Conference Series: Materials Science and Engineering. 1037, p. 012013. 66. Patel, Mihir (2015), "Experimental Investigation of Material Removal Rate in CNC TC Using Taguchi Approach", Journal of Emerging Technologies and Innovative Research. 2, pp. 203-210.
7. 129 and Surface Texture during Ball End Milling of Low Curvature Convex Surfaces", The Scientific World Journal. 2014, p. 374526. 79. Souza, Adriano, et al. (2014), "Investigating the cutting phenomena in free-form milling using a ball-end cutting tool for die and mold manufacturing", The International Journal of Advanced Manufacturing Technology. 71. 80. Standardization, International Organization for (1989), "ISO 8688- 2:1989 Tool life testing in milling — Part 2: End milling"( p. 26. 81. Sun, Yujing, et al. (2013), "Modeling of cutting force under the tool flank wear effect in end milling Ti6Al4V with solid carbide tool", The International Journal of Advanced Manufacturing Technology. 69(9), pp. 2545-2553. 82. Sunday, Joshua, et al. (2014), "A Study of Effects of Machining Parameters on Tool Life", International Journal of Applied Materials Science. 319, pp. 183-199. 83. Taguchi, G. and Jugulum, R. (2002), The Mahalanobis-Taguchi Strategy: A Pattern Technology System, Vol. 1, John Wiley & Sons, 234. 84. Tan, Liang, et al. (2016), "Effect of cutter path orientations on cutting forces, tool wear, and surface integrity when ball end milling TC17", The International Journal of Advanced Manufacturing Technology, pp. 1-14. 85. Tandon, V. and El-Mounayri, H. (2001), "A Novel Artificial Neural Networks Force Model for End Milling", International Journal Advanced Manufacture Technology. 2001, p. 8. 86. Tandon, V., El-Mounayri, H., and Kishawy, H. (2002), "NC end milling optimization using evolutionary computation", International Journal of Machine Tools and Manufacture. 42(5), pp. 595-605. 87. Taylor, F. W. (1906), On the Art of Cutting Metals, American society of Mechanical Engineers, American Society of Mechanical Engineers, 248. 88. Tsai, Yu-Hsuan, Chenb, Joseph C., and Louc, Shi-Jer (1999), "An in- process surface recognition system based on neural networks in end milling cutting operations", International Journal of Machine Tools & Manufacture. 39, p. 23. 89. Vavruska, Petr (2012), "Machine Tool Control Systems and Interpolations of Spline Type", Mechanical Engineering. 19, p. 219.
8. 131 101. Zain, Azlan Mohd, et al. (2012), "Regression and ANN models for estimating minimum value of machining performance", Applied Mathematical Modelling. 36(4), pp. 1477-1492. 102. Zhang, Chen and Zhang, Jilin (2013), "On-line tool wear measurement for ball-end milling cutter based on machine vision", Computers in Industry. 64(6), pp. 708-719. 103. Zhang, Song and Li, Jian-feng (2010), "Tool wear criterion, tool life, and surface roughness during high-speed end milling Ti-6Al-4V alloy", Journal of Zhejiang University-SCIENCE A. 11(8), pp. 587-595. 104. Zhang, Zheng, Li, Liang, and Zhao, Wei (2016), "Tool Life Prediction Model Based on GA-BP Neural Network", Materials Science Forum. 836-837, pp. 256-262. 105. Živković, Srdjan (2016), "NX CAM post processing errors: Machine data file generator vs. Post Builder", FME Transaction. 44, pp. 159-164. 106. Zuperl, U., Kiker, E., and Cus, F. (2003), Optimization in ball-end milling by using adaptive neural controller, IEEE International Conference on Industrial Technology, 2003, pp. 393-398 Vol.1.
9. 133 Phụ lục 2. Giá trị tính toán đường kính cắt hiệu dụng, tốc độ trục chính và tốc độ tiến dao (Tính toán tốc độ quay trục chính n và tốc độ tiến dao f là các thông số điều khiển nhập vào phần mềm CAM khi lập trình chương trình NC) Tốc độ trục Tốc độ tiến Vc fz ap Def STT chính n dao f (m/ph) (mm/răng) (mm) (mm) (vòng/phút) (mm/phút) 1 90 0.05 0.05 3.92 7,308 730.8 2 90 0.1 0.1 6.62 4,328 865.5 3 90 0.15 0.15 8.58 3,339 1001.7 4 90 0.2 0.2 9.71 2,950 1180.2 5 120 0.05 0.10 8.34 4,580 458.0 6 120 0.10 0.05 9.28 4,116 823.2 7 120 0.15 0.20 5.19 7,360 2,208.0 8 120 0.20 0.15 6.96 5,488 2,195.3 9 150 0.05 0.15 9.62 4,963 496.3 10 150 0.10 0.20 8.77 5,444 1,088.9 11 150 0.15 0.05 6.17 7,739 2,321.6 12 150 0.20 0.10 4.46 10,706 4,282.3 13 180 0.05 0.20 7.22 7,936 793.6 14 180 0.10 0.15 4.86 11,790 2,357.9 15 180 0.15 0.10 9.48 6,044 1,813.2 16 180 0.20 0.05 8.00 7,162 2,864.9 17 90 0.05 0.05 9.28 3,087 308.7 18 90 0.15 0.10 6.62 4,328 1,298.3 19 90 0.20 0.20 5.19 5,520 2,208.0 20 120 0.05 0.05 9.28 4,116 411.6 21 120 0.10 0.15 8.58 4,452 890.4 22 120 0.20 0.20 5.19 7,360 2,944.0 23 150 0.05 0.05 9.28 5,145 514.5 24 150 0.10 0.15 6.96 6,860 1,372.1 25 150 0.20 0.20 5.19 9,200 3,680.0 26 180 0.05 0.05 9.28 6,174 617.4 27 180 0.15 0.10 8.34 6,870 2,061.1 28 180 0.20 0.20 5.19 11,040 4,416.0
10. 135 Thí nghiệm 7 - 600 Thí nghiệm 7 - 600 Thí nghiệm 7 - 600 Thí nghiệm 7 - 600 lcắt: 2.2m lcắt: 61.6m lcắt: 124.3m lcắt: 188.1m Thí nghiệm 8 - 450 Thí nghiệm 8 - 450 Thí nghiệm 8 - 450 Thí nghiệm 8 - 450 lcắt: 2.2 m lcắt: 56.1 m lcắt: 113.3 m lcắt: 171.6 m Thí nghiệm 9 - 450 Thí nghiệm 9 - 450 Thí nghiệm 9 - 450 Thí nghiệm 9 - 450 lcắt: 2.2 m lcắt: 55.0 m lcắt: 116.6 m lcắt: 166.1 m Thí nghiệm 10 - 600 Thí nghiệm 10 - 600 Thí nghiệm 10 - 600 Thí nghiệm 10 - 600 lcắt: 2.2 m lcắt: 41.8 m lcắt: 82.5 m lcắt: 125.4 m Thí nghiệm 11 - 150 Thí nghiệm 11 - 150 Thí nghiệm 11 - 150 Thí nghiệm 11 - 150 lcắt: 2.2 m lcắt: 68.2 m lcắt: 136.4 m lcắt: 206.8 m Thí nghiệm 12 - 300 Thí nghiệm 12 - 300 Thí nghiệm 12 - 300 Thí nghiệm 12 - 300 lcắt: 2.2 m lcắt: 47.3 m lcắt: 94.6 m lcắt: 143.0 m
11. 137 Phụ lục 4. Giá trị các yếu tố đầu ra trong các thí nghiệm S Chiều dài Thời gian Sai lệch V f a θ MRR T c z p cắt cắt TB (m/ph) (mm) (mm) (độ) (mm3/ph) T (m) (phút) (µm) 1 90 0.05 0.05 15 452.1 618.6 11.30 0.71 2 90 0.1 0.1 30 383.9 443.5 23.58 0.94 3 90 0.15 0.15 45 311.3 310.8 47.82 1.35 4 90 0.2 0.2 60 194.7 165.0 69.22 1.58 5 120 0.05 0.1 45 289.3 631.6 15.00 0.81 6 120 0.1 0.05 60 262.9 319.3 11.56 0.74 7 120 0.15 0.2 15 188.1 85.2 136.60 1.16 8 120 0.2 0.15 30 171.6 78.2 108.98 1.14 9 150 0.05 0.15 60 166.1 334.6 19.89 0.88 10 150 0.1 0.2 45 125.4 115.2 57.20 1.11 11 150 0.15 0.05 30 206.8 89.1 31.64 0.63 12 150 0.2 0.1 15 143.0 33.4 137.23 0.71 13 180 0.05 0.2 30 140.8 177.4 48.09 0.94 14 180 0.1 0.15 15 151.8 64.4 94.75 0.55 15 180 0.15 0.1 60 103.4 57.0 48.25 0.71 16 180 0.2 0.05 45 112.2 39.2 42.33 0.68 17 90 0.05 0.05 60 411.4 1332.6 4.50 1.01 18 90 0.15 0.1 30 347.6 267.7 40.88 1.00 19 90 0.2 0.2 15 247.5 112.1 147.66 1.39 20 120 0.05 0.05 60 303.6 737.6 6.36 0.83 21 120 0.1 0.15 45 231.0 259.4 42.71 1.02 22 120 0.2 0.2 15 130.9 44.5 196.87 1.13 23 150 0.05 0.05 60 222.2 431.9 7.74 0.58 24 150 0.1 0.15 30 163.9 119.5 60.21 0.68 25 150 0.2 0.2 15 77.0 20.9 242.79 1.13 26 180 0.05 0.05 60 198.0 320.7 8.78 0.54 27 180 0.15 0.1 45 129.8 63.0 67.35 0.71 28 180 0.2 0.2 15 57.2 13.0 284.75 1.13
12. 139 2 ∑n(Y −Ŷ) Sai số bình phương trung bình: MSE = 1 t t = 64.05 n n|Yt−Ŷt| ∑1 Sai số phần trăm tuyệt đối trung bình: MAPE = Yt = 0.026 n Phụ lục 6. Bảng kết quả dự đoán tuổi bền bằng phần mềm CTMSoft ̂ Thí Tuổi bền Tuổi bền dự ̂ 2 |Yt − Yt| |Yt − Yt| (Yt − Ŷt) nghiệm thực tế đoán Yt 1 452.1 452.2 0.1 0.0 0.0002 2 383.9 401.5 17.6 311.4 0.0460 3 311.3 311.3 0.0 0.0 0.0001 4 194.7 194.7 0.0 0.0 0.0001 5 289.3 289.2 0.1 0.0 0.0002 6 262.9 262.9 0.0 0.0 0.0000 7 188.1 188.1 0.0 0.0 0.0002 8 171.6 171.6 0.0 0.0 0.0000 9 166.1 165.9 0.2 0.1 0.0015 10 125.4 172.6 47.2 2223.5 0.3760 11 206.8 206.8 0.0 0.0 0.0001 12 143.0 143.0 0.0 0.0 0.0002 13 140.8 140.9 0.1 0.0 0.0004 14 151.8 151.6 0.2 0.0 0.0013 15 103.4 103.4 0.0 0.0 0.0001 16 112.2 112.2 0.0 0.0 0.0003 17 411.4 411.3 0.1 0.0 0.0003 18 347.6 387.9 40.3 1625.7 0.1160 19 247.5 247.4 0.1 0.0 0.0003 20 303.6 303.7 0.1 0.0 0.0005 21 231.0 231.0 0.0 0.0 0.0001 22 130.9 131.2 0.3 0.1 0.0020 23 222.2 222.0 0.2 0.0 0.0008 24 163.9 164.5 0.6 0.3 0.0034 25 77.0 76.5 0.5 0.3 0.0068 26 198.0 162.4 35.6 1267.4 0.1798
13. 141 Góc nghiêng Phần mềm Visual Gene Phần mềm CTMSoft (độ) Tuổi bền (m) Ra (μm) Tuổi bền (m) Ra (μm) 30 374.3 1.489 380.3 1.549 31 373.2 1.493 376.2 1.533 32 372.1 1.498 381.1 1.548 33 371.0 1.503 374.0 1.523 34 369.9 1.507 365.9 1.437 35 368.7 1.512 372.7 1.552 36 367.5 1.516 361.5 1.596 37 366.3 1.521 369.3 1.461 38 365.0 1.525 359.0 1.465 39 363.7 1.529 356.7 1.529 40 362.5 1.533 367.5 1.623 41 361.1 1.537 364.1 1.517 42 359.8 1.541 357.8 1.601 43 358.5 1.544 351.5 1.594 44 357.1 1.548 360.1 1.468 45 355.7 1.552 352.7 1.532 46 354.3 1.555 346.3 1.505 47 352.9 1.559 357.9 1.489 48 351.5 1.562 352.5 1.492 49 350.1 1.565 340.1 1.525 50 348.6 1.568 358.6 1.568 51 347.2 1.571 349.2 1.481 52 345.7 1.574 346.7 1.494 53 344.2 1.577 336.2 1.647 54 342.8 1.580 345.8 1.680 55 341.3 1.583 351.3 1.683 56 339.8 1.586 344.8 1.566 57 338.3 1.588 347.3 1.668 58 336.8 1.591 342.8 1.591 59 335.3 1.593 334.3 1.533 60 333.8 1.596 324.8 1.566