Resumen

El mecanizado por electroerosión (EDM) se utiliza principalmente para la fabricación de matrices y también para el mecanizado de materiales duros. El cobre puro, las aleaciones basadas en cobre, el latón, el grafito y el acero son los materiales de electrodos convencionales para el proceso de electroerosión. Durante el mecanizado con los materiales de electrodos convencionales, el desgaste de la herramienta se convierte en el principal cuello de botella que conduce a un mayor coste de mecanizado. En el presente trabajo, se utilizó una punta de herramienta compuesta por un 80% de cobre y un 20% de carburo de silicio para el mecanizado de acero D2 endurecido. Para la fabricación de la punta de la herramienta compuesta se utilizó la vía pulvimetalúrgica. La tasa de desgaste del electrodo y la rugosidad de la superficie se evaluaron con respecto a los diferentes parámetros del proceso, como la corriente de entrada, el voltaje de separación, el tiempo de encendido, el tiempo de apagado y la presión de lavado dieléctrico. Durante el análisis se encontró que la corriente de entrada (I _p ), el tiempo de pulso encendido (T _on ) y el tiempo de pulso apagado (T _off ) eran los parámetros significativos que afectaban a la tasa de desgaste de la herramienta (TWR), mientras que la I _p , T _on y la presión de lavado afectaban más a la rugosidad superficial (SR). La micrografía SEM revela que el aumento de I _p conduce a un aumento de la tasa de desgaste de la herramienta. Los datos obtenidos de los experimentos se utilizaron para desarrollar modelos sustitutos basados en el aprendizaje automático. Los tres modelos de aprendizaje automático (ML) son el bosque aleatorio, la regresión polinómica y el árbol de gradiente reforzado. La capacidad predictiva de los modelos sustitutos basados en ML se evaluó contrastando la R ² y el error cuadrático medio (ECM) de predicción de las respuestas. El mejor modelo sustitutivo se utilizó para desarrollar una función objetivo compleja para su uso en la optimización basada en el algoritmo Firefly de los parámetros de mecanizado de entrada para la minimización de las respuestas de salida.

• Materias:Optimización de procesos Modelo de optimización Modelado Aprendizaje automático Predicción de desgaste
• Subjects:Process optimization Optimization model Modeling Machine learning Wear prediction
• Palabras claves:Modelado basado en datos; Maquinado por descarga eléctrica; Algoritmo de luciérnaga; Aprendizaje automático; Rugosidad superficial; Desgaste de herramientas
• Keywords:Data-driven modeling; Electric discharge machining; Firefly algorithm; Machine learning; Surface roughness; Tool wear