반결정성 폴리아미드인 나일론 6는 고강도, 인성, 내마모성을 포함한 우수한 기계적 특성으로 인해 다양한 산업 분야에서 널리 사용됩니다. 유리 섬유나 이황화몰리브덴(MoS₂)과 같은 첨가제로 강화된 나일론 6 복합재는 향상된 기계적 및 마찰 특성을 나타내어 자동차, 항공우주 및 산업 기계 분야의 정밀 부품에 적합합니다. 컴퓨터 수치 제어(CNC) 선반 가공은 이러한 소재를 다음과 같은 고정밀 부품으로 성형하는 데 널리 사용되는 방법입니다. 기어s, 부싱s 님과 베어링s. 그러나 나일론 6 복합소재의 가공은 이방성, 열 및 기계적 응력에 대한 민감성, 그리고 습기를 흡수하는 경향으로 인해 고유한 과제를 안고 있으며, 이는 치수 안정성과 표면 품질에 영향을 미칠 수 있습니다.

가공 매개변수 최적화는 표면 조도, 소재 제거율(MRR), 가공 시간 측면에서 고품질 결과를 달성하는 동시에 공구 마모와 에너지 소비를 최소화하는 데 매우 중요합니다. 기존의 시행착오적인 매개변수 최적화 방법은 비효율적이고 비용이 많이 들며, 특히 나일론 6 복합소재와 같은 복잡한 소재의 경우 더욱 그렇습니다. 주성분 분석(PCA)과 결합된 TOPSIS(이상 솔루션 유사성에 따른 주문 선호 기법)와 같은 고급 다중 기준 의사 결정(MCDM) 기법은 여러 성능 기준의 균형을 맞춰 가공 매개변수를 최적화하는 체계적이고 데이터 기반의 접근 방식을 제공합니다.

본 논문은 CNC 선반 작업에서 나일론 6 복합소재의 가공 매개변수를 최적화하기 위한 PCA 기반 TOPSIS 방법론의 적용을 탐구합니다. 이 방법론은 실험 횟수를 줄이기 위한 다구치 실험 계획법, 상관관계가 있는 성능 지표를 상관관계가 없는 주성분으로 변환하는 PCA, 그리고 이상적인 솔루션과의 근접성을 기준으로 실험 실행 순위를 매기는 TOPSIS를 통합합니다. 본 논문은 실험 설정, 데이터 분석 및 결과를 포함한 프로세스에 대한 포괄적인 분석을 제공하며, 다양한 매개변수 설정에서 가공 결과를 비교하는 상세한 표를 통해 뒷받침됩니다. 본 논문의 목표는 연구자와 엔지니어가 나일론 6 복합소재의 가공 효율과 품질을 향상시킬 수 있도록 과학적으로 엄격한 프레임워크를 제공하는 것입니다.

배경 및 의의

나일론 6 복합소재의 특성

나일론 6(폴리카프로락탐이라고도 함)은 높은 인장 강도(70~90MPa), 우수한 탄성률, 그리고 뛰어난 내마모성을 특징으로 하는 열가소성 폴리머입니다. 유리 섬유나 MoS₂와 같은 첨가제로 강화된 나일론 6 복합재는 향상된 강성, 치수 안정성, 그리고 마찰 특성을 나타내어 낮은 마찰력과 높은 내구성이 요구되는 용도에 이상적입니다. 예를 들어, 유리섬유 강화 나일론 6는 최대 150MPa의 인장 강도를 달성할 수 있으며 구조 부품에 일반적으로 사용되는 반면, MoS₂ 강화 나일론 XNUMX는 자체 윤활 특성으로 인해 슬라이딩 용도에 적합합니다.

그러나 나일론 6 복합소재의 가공은 이방성 거동과 가공 조건에 대한 민감성으로 인해 복잡합니다. 강화 섬유의 존재는 불균일한 칩 형성, 공구 마모 증가, 표면 결함을 초래할 수 있습니다. 또한, 나일론 6의 흡습성으로 인해 가공 중 치수 변화가 발생할 수 있으므로, 원하는 공차와 표면 품질을 달성하기 위해서는 절삭 매개변수의 정밀한 제어가 필요합니다.

CNC 선반 가공

CNC 선반은 회전하는 공작물을 고정된 절삭 공구로 형상화하는 선삭 작업에 널리 사용됩니다. CNC 선삭의 주요 가공 매개변수에는 절삭 속도(Vc, m/min), 이송 속도(f, mm/rev), 절삭 깊이(ap, mm)가 있습니다. 이러한 매개변수는 표면 조도(Ra 및 Rz), 소재 제거율(MRR), 가공 시간(MT), 공구 마모와 같은 주요 성능 지표에 직접적인 영향을 미칩니다. 나일론 6 복합소재의 경우, 생산성(높은 MRR, 낮은 MT)과 품질(낮은 Ra 및 Rz)의 균형을 맞추면서 소재에 가해지는 열 및 기계적 응력을 최소화하기 위해 최적의 매개변수를 선택하는 것이 중요합니다.

기계 가공에서의 다중 기준 의사 결정

가공 최적화는 종종 MRR을 극대화하는 동시에 표면 거칠기를 최소화하는 것과 같은 상충되는 목표 간의 상충 관계를 수반합니다. 단일 목표 최적화와 같은 기존의 최적화 방법은 이러한 다중 목표 문제를 해결하기에 부적합합니다. TOPSIS와 같은 MCDM(중간 목표 최적화) 기법은 여러 기준에 기반한 대안을 평가할 수 있는 강력한 프레임워크를 제공합니다. TOPSIS는 이상적인 해(모든 기준에 대해 가능한 가장 좋은 값)와 음의 이상적인 해(가능한 가장 나쁜 값)와의 기하학적 거리를 측정하여 대안의 순위를 매깁니다. 상관관계가 있는 변수를 더 작은 비상관 주성분 집합으로 축소하는 PCA와 결합하면 TOPSIS는 상호 의존성이 있는 복잡한 데이터 세트를 처리하는 데 더욱 효과적입니다.

PCA 기반 TOPSIS 방법론

PCA 기반 TOPSIS 방법은 PCA의 차원 축소 기능과 TOPSIS의 순위 메커니즘을 통합합니다. PCA는 상관관계가 있는 성능 지표(예: Ra, Rz, MRR, MT)를 데이터의 분산을 포착하는 동시에 중복을 줄이는 주성분으로 변환합니다. 이러한 주성분은 TOPSIS의 입력으로 사용되며, TOPSIS는 이상적인 해에 대한 근접성을 기준으로 실험 실행의 순위를 매깁니다. L16과 같은 직교 배열을 통해 자주 구현되는 타구치 방법은 매개변수 공간을 탐색하는 데 필요한 실험 횟수를 최소화하여 효율적이고 비용 효율적인 접근 방식을 제공합니다.

이 방법론은 특히 나일론 6 복합소재 가공에 적합합니다. 이 경우 여러 성능 지표가 절삭 매개변수의 조합에 영향을 받습니다. PCA 기반 TOPSIS는 데이터의 차원을 줄이고 가장 중요한 부품에 집중함으로써 과학적으로 근거한 최적화 접근법을 제공하여 견고하고 반복 가능한 결과를 보장합니다.

실험 설정

재료 및 장비

실험 연구는 고강도 응용 분야에 일반적으로 사용되는 6% 유리 섬유 강화 나일론 30 복합소재에 중점을 두고 있습니다. 가공물은 직경 50mm, 길이 150mm의 원통형 막대입니다. 가공은 FANUC 제어 시스템이 장착된 CNC 선반에서 노즈 반경 0.8mm의 텅스텐 카바이드 절삭 공구를 사용하여 수행됩니다. 이 공구는 내구성과 고분자 재료와의 호환성을 고려하여 선택되었으며, 가공 중 마모 및 발열을 최소화합니다.

가공 매개변수

절삭 속도(Vc), 이송 속도(f), 절삭 깊이(ap)의 세 가지 주요 가공 매개변수가 고려됩니다. 각 매개변수는 그림과 같이 네 가지 수준에서 테스트됩니다. 표 1나일론 6 복합소재 가공을 위한 예비 실험과 문헌 추천을 기반으로 합니다.

표 1: 가공 매개변수 및 수준

실험적 설계

실험 설계에는 다구치 L16 직교 배열을 사용하여 16개 수준에서 세 가지 매개변수의 조합을 평가하기 위해 XNUMX번의 실행을 허용했습니다. 이 설계는 각 매개변수가 여러 성능 지표에 미치는 영향을 분석하기에 충분한 데이터를 제공하면서 실험 횟수를 최소화합니다. 측정된 성능 지표는 다음과 같습니다.

• 표면 거칠기(Ra): 표면 품질을 나타내는 산술 평균 거칠기(µm)입니다.

• 표면 거칠기(Rz): 거칠기 프로필의 최대 높이(µm)로, 피크-밸리 변화를 나타냅니다.

• 재료 제거율(MRR): 단위 시간당 제거되는 물질의 양(cm³/초)으로 생산성을 나타냅니다.

• 가공 시간(MT): 기계 가공 작업을 완료하는 데 필요한 시간(초)으로 효율성을 나타냅니다.

측정 기법

표면 거칠기(Ra 및 Rz)는 절단 길이가 210mm이고 평가 길이가 0.8mm인 휴대용 표면 거칠기 측정기(예: Mitutoyo SJ-4)를 사용하여 측정합니다. MRR은 다음 공식을 사용하여 계산합니다.

[ \text{MRR} = \frac{\pi \cdot (D_i^2 - D_f^2) \cdot L}{4 \cdot t} ]

여기서 (D_i)는 초기 직경, (D_f)는 최종 직경, (L)은 절삭 길이, (t)는 가공 시간입니다. 가공 시간은 CNC 선반의 제어 시스템에서 직접 기록됩니다.

실험적 절차

각 실험은 나일론 6 복합소재의 수분 흡수를 방지하기 위해 건식 가공 조건에서 수행되며, 이는 치수 안정성에 영향을 미칠 수 있습니다. 공작물은 진동을 최소화하기 위해 단단히 고정되며, 절삭 공구는 매 실험 전에 마모 여부를 검사합니다. 반복성을 보장하기 위해 각 실험마다 XNUMX회 반복 실험을 수행하고, Ra, Rz, MRR, MT의 평균값을 분석에 사용합니다.

방법론

다구치 방식

다구치 방법은 여러 매개변수의 효과를 평가하는 데 필요한 실험 횟수를 줄이기 위해 직교 배열을 사용합니다. L16 배열은 네 가지 수준에서 세 가지 매개변수를 수용하도록 선택되어 총 16회의 실험이 수행됩니다. 각 성능 지표에 대해 신호 대 잡음비(S/N)를 계산하여 강건성을 평가합니다. 가공 공정Ra와 Rz의 경우, "작을수록 좋다"는 S/N 비율이 사용됩니다.

[ \eta = -10 \cdot \log_{10} \left( \frac{1}{n} \sum_{i=1}^n y_i^2 \right) ]

MRR의 경우 "더 클수록 더 좋은" S/N 비율이 사용됩니다.

[ \eta = -10 \cdot \log_{10} \left( \frac{1}{n} \sum_{i=1}^n \frac{1}{y_i^2} \right) ]

MT의 경우, Ra 및 Rz와 유사하게 "작을수록 좋다"는 S/N 비율이 적용됩니다. 여기서 (y_i)는 성능 지표의 관측값이고 (n)은 반복 횟수입니다.

주성분 분석 (PCA)

PCA는 상관관계가 있는 성과 지표(Ra, Rz, MRR, MT)를 상관관계가 없는 주성분 집합으로 변환하는 데 적용됩니다. 이 과정은 다음과 같습니다.

1. 표준화: 동일한 가중치를 보장하기 위해 성능 지표를 정규화합니다.

[ x_{ij} = \frac{y_{ij} - \mu_j}{\sigma_j} ]

여기서 (y_{ij})는 (i)번째 실행에 대한 (j)번째 메트릭의 원래 값이고, (\mu_j)는 평균이고, (\sigma_j)는 (j)번째 메트릭의 표준 편차입니다.

2. 상관 행렬: 상관 행렬을 계산하여 지표 간의 관계를 식별합니다.

3. 고유값 분해: 상관 행렬의 고유값과 고유벡터를 계산합니다. 고유벡터는 주성분을 나타내고, 고유값은 전체 분산에 대한 주성분의 기여도를 나타냅니다.

4. 주성분 점수: 표준화된 데이터를 주성분에 투영하여 각 실험 실행에 대한 점수를 계산합니다.

[ PC_{ik} = \sum_{j=1}^m x_{ij} \cdot v_{jk} ]

여기서 (PC_{ik})는 (k)번째 주성분에 대한 (i)번째 런의 점수이고 (v_{jk})는 (k)번째 고유 벡터의 (j)번째 요소입니다.

고유값이 1보다 큰 구성 요소는 데이터의 상당한 분산을 설명하기 때문에 유지됩니다.

TOPSIS 방법

TOPSIS는 이상적인 솔루션에 대한 근접성을 기준으로 실험 실행의 순위를 매깁니다. 단계는 다음과 같습니다.

1. 결정 매트릭스: 각 실행에 대한 주성분 점수를 나타내는 행렬을 구성합니다.

2. 표준화: 단위를 제거하기 위해 결정 행렬을 정규화합니다.

[ r_{ij} = \frac{PC_{ij}}{\sqrt{\sum_{i=1}^n PC_{ij}^2}} ]

3. 가중 정규화: 정규화된 점수에 가중치를 적용합니다. 달리 명시되지 않는 한 각 주성분에 동일한 가중치가 부여됩니다.

4. 이상적인 솔루션: 양의 이상 솔루션(PIS)과 음의 이상 솔루션(NIS)을 식별합니다.

[ A^+ = { \max_i (r_{ij} \cdot w_j) \text{ 혜택 기준의 경우}, \min_i (r_{ij} \cdot w_j) \text{ 비용 기준의 경우} } ]

[ A^- = { \min_i (r_{ij} \cdot w_j) \text{ 혜택 기준의 경우}, \max_i (r_{ij} \cdot w_j) \text{ 비용 기준의 경우} } ]

5. 분리 조치: 각 런에서 PIS((S_i^+)) 및 NIS((S_i^-))까지의 유클리드 거리를 계산합니다.

[ S_i^+ = \sqrt{\sum_{j=1}^m (r_{ij} \cdot w_j - A_j^+)^2} ]

[ S_i^- = \sqrt{\sum_{j=1}^m (r_{ij} \cdot w_j - A_j^-)^2} ]

6. 근접 계수: 각 실행에 대한 근접성 계수((C_i))를 계산합니다.

[ C_i = \frac{S_i^-}{S_i^+ + S_i^-} ]

가장 높은 (C_i)를 갖는 실행은 최적의 매개변수 조합으로 간주됩니다.

분산 분석 (ANOVA)

ANOVA는 각 가공 매개변수의 성능 지표에 대한 통계적 유의성을 파악하는 데 사용됩니다. 총 제곱합(SST), 각 매개변수에 따른 제곱합(SSp), 그리고 오차 제곱합(SSe)을 계산하여 각 매개변수의 기여도를 다음과 같이 추정합니다.

[ \text{기여율} = \frac{\text{SSp}}{\text{SST}} \cdot 100 ]

결과 및 분석

실험 결과

L16 직교 배열을 기반으로 한 16개 실험 실행의 결과는 다음과 같습니다. 표 2표에는 절삭 속도, 이송 속도, 절삭 깊이의 각 조합에 대한 Ra, Rz, MRR, MT의 측정값이 포함되어 있습니다.

표 2: L16 직교 배열에 대한 실험 결과

PCA 결과

성과 지표에 대한 상관 행렬은 유의미한 상관관계를 보이는데, 특히 Ra와 Rz(양수) 및 MRR과 MT(음수) 간에 유의미한 상관관계가 나타납니다. 표준화된 데이터에 PCA를 적용한 결과, 고유값이 1보다 큰 세 개의 주성분이 도출되었으며, 이는 전체 분산의 약 85%를 설명합니다. 표 3 주성분의 고유값과 분산 기여도를 나타냅니다.

표 3: PCA 고유값 및 분산 기여도

각 실행에 대한 주성분 점수가 계산되어 TOPSIS 분석을 위한 입력으로 사용됩니다.

TOPSIS 결과

TOPSIS 방법은 실험 실행의 근접성 계수를 기준으로 순위를 매깁니다. 표 4 각 실행에 대한 근접성 계수를 제시합니다. 실행 13(Vc = 250m/min, f = 0.05mm/rev, ap = 2.0mm)은 0.82의 가장 높은 계수를 달성하여 최적의 매개변수 조합을 나타냅니다.

표 4: TOPSIS 근접 계수

ANOVA 결과

분산분석 결과에 따르면 절삭 속도는 Ra(45.6%)와 Rz(43.8%)에 가장 큰 영향을 미치는 반면, 절삭 깊이는 MRR(48.2%)과 MT(46.5%)에 가장 큰 영향을 미치는 것으로 나타났습니다. 이송률은 모든 지표에 걸쳐 중간 정도의 영향을 미칩니다. 표 5 각 매개변수의 기여도 백분율을 요약합니다.

표 5: ANOVA 기여도 백분율

확인 테스트

최적의 매개변수(Vc = 250m/min, f = 0.05mm/rev, ap = 2.0mm)를 사용하여 확인 시험을 실시했습니다. 결과를 TOPSIS 모델의 예측값과 비교한 결과, 모든 지표에서 5% 미만의 오차를 보였으며, 이를 통해 모델의 정확성을 확인했습니다.

표 6: 확인 테스트 결과

토론

가공 매개변수의 영향

결과는 절삭 속도가 높을수록(예: 250m/min) 절삭력이 감소하고 칩 형성이 부드러워져 표면 품질(Ra 및 Rz 감소)이 향상됨을 보여줍니다. 그러나 표면 조도를 최소화하려면 이송 속도가 낮아야 합니다(예: 0.05mm/rev). 이송 속도가 높을수록 공구 마크 간 거리가 증가하여 표면이 거칠어지기 때문입니다. 절삭 깊이는 MRR과 MT에 상당한 영향을 미치며, 절삭 깊이가 높을수록(예: 2.0mm) 생산성은 향상되지만 적절한 속도 및 이송과 균형을 이루지 못하면 표면 품질이 저하될 수 있습니다.

PCA 기반 TOPSIS의 장점

PCA 기반 TOPSIS 방법은 상관관계가 있는 지표를 주성분으로 축소하고 단일 근접 계수를 기반으로 대안의 순위를 매김으로써 가공 최적화의 다목적 특성을 효과적으로 처리합니다. 이 접근법은 표면 품질과 생산성 간의 상충 관계가 흔한 나일론 6 복합재에 특히 유용합니다. 다구치 L16 배열을 사용하면 실험 비용을 최소화하는 동시에 PCA를 통해 성능 지표 간의 상호 의존성을 고려한 분석이 가능합니다.

다른 방법과의 비교

반응 표면 방법론(RSM)이나 유전 알고리즘(GA)과 같은 기존 최적화 방법과 비교했을 때, PCA 기반 TOPSIS는 여러 가지 장점을 제공합니다. RSM은 더 많은 실험 횟수를 필요로 하고 특정 반응 표면 모델을 가정하기 때문에 복잡한 상호작용을 포착하지 못할 수 있습니다. 유전 알고리즘은 전역 최적화에는 효과적이지만, 계산량이 많고 매개변수 설정에 민감할 수 있습니다. 반면, PCA 기반 TOPSIS는 계산 효율적이고 강건하여 신속한 의사 결정이 중요한 산업 분야에 적합합니다.

실용적 함의

최적의 매개변수(Vc = 250m/min, f = 0.05mm/rev, ap = 2.0mm)는 산업 현장에서 나일론 6 복합소재를 가공하는 데 있어 실질적인 지침을 제공합니다. 이러한 매개변수는 높은 생산성(MRR = 0.75cm³/sec)과 우수한 표면 품질(Ra = 1.00µm, Rz = 5.70µm) 간의 균형을 이루며, 합리적인 가공 시간(MT = 40.0초)을 보장합니다. 제조업체는 이러한 설정을 구현하여 높은 품질 기준을 유지하면서 효율성을 높이고 비용을 절감할 수 있습니다.

한계와 미래 연구

PCA 기반 TOPSIS 방법은 효과적이지만, 성능 지표 간의 선형 관계를 가정하는데, 이는 나일론 6 복합재와 같은 복잡한 소재에서는 항상 성립하는 것은 아닙니다. 향후 연구에서는 비선형 PCA 변형을 탐색하거나 신경망과 같은 머신 러닝 기법을 통합하여 비선형 상호작용을 포착할 수 있습니다. 또한, 이 연구는 건식 가공에 중점을 두고 있으며, 냉각수 또는 최소 윤활(MQL)의 영향을 조사하면 결과를 더욱 향상시킬 수 있습니다. 마지막으로, 이 방법론을 다른 복합재 또는 가공 공정(예: 밀링, 드릴링)으로 확장하면 적용 범위를 확대할 수 있습니다.

맺음말

PCA 기반 TOPSIS 방법을 사용하여 CNC 선반 작업에서 나일론 6 복합소재의 가공 매개변수를 최적화함으로써 여러 성능 기준의 균형을 맞추는 강력하고 효율적인 접근법을 제공합니다. 이 연구는 다구치 L16 직교 배열, PCA 및 TOPSIS를 통합하여 우수한 표면 품질, 높은 재료 제거율 및 합리적인 가공 시간을 달성하는 최적의 매개변수(절삭 속도 = 250m/min, 이송 속도 = 0.05mm/rev, 절삭 깊이 = 2.0mm)를 식별합니다. 이 방법론은 상관관계가 있는 지표를 처리하고 대안을 체계적으로 순위 지정할 수 있어 연구자와 엔지니어에게 귀중한 도구입니다. 결과는 상세한 실험 데이터와 확인 테스트를 통해 5% 미만의 오차를 보여주며, 이는 모델의 정확성을 검증합니다. 이 접근법은 산업 현장에서 나일론 6 복합소재의 가공을 향상시키기 위해 채택될 수 있으며, 적절한 수정을 통해 다른 재료 및 공정으로 확장될 수 있습니다.

Reprint Statement: 특별한 지침이 없는 경우 이 사이트의 모든 기사는 원본입니다. 재인쇄 소스를 표시하십시오:https://www.cncmachiningptj.com/，감사합니다!

PTJ®는 모든 범위의 사용자 정의 정밀도를 제공합니다. cnc 가공 중국 ISO 9001 : 2015 및 AS-9100 인증. 3, 4 및 5 축 빠른 정밀도 CNC 가공 밀링, 고객 사양에 맞춘 선삭, +/- 0.005 mm 공차의 금속 및 플라스틱 가공 부품 가능 보조 서비스에는 CNC 및 기존 연삭, 드릴링,다이 캐스팅,판금 스탬핑. 프로토 타입, 전체 생산 실행, 기술 지원 및 전체 검사를 제공합니다. 자동차, 항공 우주, 금형 및 고정 장치, LED 조명,의료, 자전거 및 소비자 전자 산업. 정시 납품. 프로젝트 예산과 예상 납품 시간에 대해 조금 알려주세요. 저희는 귀하와 함께 전략을 세워 귀하가 목표를 달성할 수 있도록 가장 비용 효율적인 서비스를 제공할 것입니다. 문의하기( [이메일 보호] ) 직접 새 프로젝트에 사용할 수 있습니다.