Use of soft computing technique for modelling and prediction of CNC grinding process

Zbog složenosti procesa brušenja višeslojne keramike te osiguranja zahtijevane kvalitete proizvoda, odabir optimalnih tehnoloških parametara je izazovan zadatak za proizvođače. Osigurati traženu izlaznu kvalitetu proizvoda (paralelnost površina) u funkciji ulaznih parametara (stroj, operater stroja, folija i proizvodna linija) predstavlja glavni cilj istraživanja. "Tehnike mekog računalstva" dobivaju pozornost istraživača za modeliranje procesnih parametara složenih tehnoloških procesa. U ovom radu koristi se tehnika mekog računalstva poznata kao umjetne neuronske mreže (ANN) za modeliranje i predviđanje parametara tehnološkog procesa CNC brušenja višeslojne keramike. Rezultati su pokazali da ANN s algoritmom širenja unazad potvrđuje primjenu i na ovaj problem. Oblikovanjem različitih arhitektura ANN (pravila učenja, prijenosne funkcije, broj i strukture skrivenih slojeva i drugi) na setu podataka iz proizvodno – tehnološkog procesa ostvaren je najbolji rezultat RMS greške od 10,76 % u procesu učenja i 12,07 % u procesu validacije. Ostvareni rezultati potvrđuju prihvatljivost i primjenu ovog istraživanja u tehnološkoj i operativnoj pripremi proizvodnje.Due to the complexity of grinding process of multilayer ceramics, and the need for a specific product quality, the choice of optimal technological parameters is a challenging task for the manufacturers. The main aim of investigation is to secure the demanded final product quality (plane parallelism) in the function of input parameters (machine, machine operator, foil and production line). "Soft computing techniques" are becoming more interesting to the researchers for the modelling of processing parameters of complex technological processes. In this paper, a soft computing technique, known as the Artificial Neural Networks (ANN), is used for the modelling and prediction of parameters of technological process of CNC grinding of multilayer ceramics. The results show that the ANN with the back-propagation algorithm justifies the application also to this problem. By designing different architectures of ANN (learning rules, transfer functions, number and structure of hidden layers and other) on the set of data from the production - technological process, the best result of RMS error (10,76 %) in the process of learning and 12,07 % in the process of validation was achieved. The achieved results confirm the acceptability and the application of this investigation in the technological and operational preparation of production