సర్నోబాట్ SS మరియు రావల్ HK
కాంపోనెంట్ యొక్క ఇన్-సర్వీస్ ఫంక్షనాలిటీని కలిగి ఉండటం వలన యంత్ర ఉపరితల నాణ్యత చాలా ముఖ్యమైనది. మెషీన్ చేయబడిన భాగాల యొక్క సేవలో కార్యాచరణ, ట్రైబోలాజికల్ పనితీరు, భాగం యొక్క అలసట జీవితం మొదలైనవి; ఉపరితల ప్రొఫైల్ లక్షణం మరియు మ్యాచింగ్ తర్వాత ఉత్పన్నమయ్యే ఉపరితల కరుకుదనంపై ఎక్కువగా ఆధారపడి ఉంటాయి. అయినప్పటికీ, ఉపరితలం యొక్క నాణ్యత అనేక ప్రక్రియ పారామితుల సంక్లిష్టతలపై ఆధారపడి ఉంటుంది. మెటల్ కట్టింగ్ యొక్క మెకానిక్స్ తప్పనిసరిగా ప్రక్రియ యొక్క డైనమిక్ అస్థిరతకు దారి తీస్తుంది, ఫలితంగా కటింగ్ టూల్ వైబ్రేషన్లకు దారి తీస్తుంది. మునుపటి పరిశోధన కట్టింగ్ టూల్ కంపనాలు మరియు ఉపరితల కరుకుదనం మధ్య అనుబంధాన్ని సూచిస్తుంది. ఈ అధ్యయనంలో టాంజెన్షియల్ మరియు యాక్సియల్ డైరెక్షన్లో కట్టింగ్ టూల్ వైబ్రేషన్లు ఇన్పుట్ పారామితులతో ఏకీకృతం చేయబడ్డాయి; రిగ్రెషన్ అనాలిసిస్ మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ మెథడాలజీలను ఉపయోగించి ప్రయోగాత్మకంగా పొందిన డేటా నుండి ఉపరితల కరుకుదనం కోసం ప్రిడిక్షన్ మోడల్లను అభివృద్ధి చేయడానికి కట్టింగ్ స్పీడ్, ఫీడ్ రేట్, డెప్త్ ఆఫ్ కట్, వర్క్ మెటీరియల్ కాఠిన్యం మరియు టూల్ ఎడ్జ్ జ్యామితి. రిగ్రెషన్ మోడల్స్ మరియు న్యూరల్ నెట్వర్క్ల మోడల్ ఫలితాలు పోల్చబడ్డాయి. రెండు మోడల్ల కోసం ప్రయోగాత్మక మరియు అంచనా వేయబడిన విలువల మధ్య మంచి ఒప్పందం కనిపిస్తుంది, అయితే న్యూరల్ నెట్వర్క్లు రిగ్రెషన్ విశ్లేషణను సహేతుకమైన మార్జిన్తో అధిగమించాయి. ఉపరితలం యొక్క నాణ్యత సాధనం అంచు జ్యామితి మరియు ఫీడ్ రేటు ద్వారా గణనీయంగా ప్రభావితమవుతుందని కూడా గుర్తించబడింది.