Please use this identifier to cite or link to this item: http://nuir.lib.nu.ac.th/dspace/handle/123456789/5741
Full metadata record
DC FieldValueLanguage
dc.contributorSomchai Kongnooen
dc.contributorสมชาย คงหนูth
dc.contributor.advisorKawin Sonthipermpoonen
dc.contributor.advisorกวิน สนธิเพิ่มพูนth
dc.contributor.otherNaresuan Universityen
dc.date.accessioned2023-09-25T02:21:53Z-
dc.date.available2023-09-25T02:21:53Z-
dc.date.created2565en_US
dc.date.issued2565en_US
dc.identifier.urihttp://nuir.lib.nu.ac.th/dspace/handle/123456789/5741-
dc.description.abstractAn NC Mandrel-Less Rotary Draw Bending (MLRDB) machine is used to bend metal tubes. When the clamp die takes are unloaded, the shape of the tube will be restored and springback will inevitably occur. which directly affects the forming accuracy and quality of the metal tube. Therefore, accurate springback prediction of metal tube bending is the key to springback compensation and control. Many researchers have studied the input factors affecting springback prediction in an attempt to calculate the springback angle in advance but there is no convincing empirical evidence to establish a relationship between the input and output factors of the tube bending process variables in springback problem. This would reduce setup time and prevent other losses that may occur if the predicted value is inaccurate. In this research, the factors affecting the springback angle by the Taguchi method in bending seamless tubes ASTM A-210 Gr. A1, outside diameter 44.45 mm, were established. The Taguchi method is used for medium carbon seamless tubes for steam boilers. The four factors that were considered included wall thickness, bending radius, dwell time and bending angle. The results showed that all factors have a significant influence on the springback angle in the tube bending process, and each factor affects the springback angle differently. The factors that affect the springback angle the most are Bending Radius with an impact of 43.01%, Bending Angle 25.16%, Wall Thickness 16.05%, and Dwell Time 15.78%. As well, the time-dependent springback principle has a significant effect on the springback response in tube bending.  In addition, this research also uses a Neural Network to help predict the springback angle. Different prediction methods were analyzed by comparing the results using different activation functions. The results showed that the optimal neural network structure is 4-98-1, consisting of an input layer of 4 neurons, a hidden layer of 98 neurons and an output layer 1 neuron. These results were achieved using the Sigmoid function, giving the lowest mean squared error (MSE) = 0.001892. The resulting coefficient of determination (R2) = 99.42% and the ReLU function calculated the next best R2 = 98.99%. The third best outcome was achieved from the TanH function, whose R2 = 98.53%. The lowest R2 value was calculated by the Identity function, which was 79.53%. It was also found that the best prediction of the springback angle using the best regression equation, with R2 = 82.32%, was better than the prediction using the 65 neutral with the Identity function, which gave R2 = 79.53%, a 2.79% difference in favor of the regression equation. Testing results from predictions by real experiment. The tube bending test was performed and compared between the predictions from the conventional bending method, prediction from regression equations and the prediction from the artificial neural network. It was found that tube bending using the conventional method, whose R2 = 94.91%. tube bending by regression equation, with was R2 = 99.47%. and tube bending by ANN method the best, with R2 = 99.97%, an increase of 5.06 percent from the previous method.  en
dc.description.abstractNC Mandrel-Less Rotary Draw Bending (MLRDB) เป็นเครื่องจักรที่ใช้ในการดัดท่อโลหะที่นิยมใช้กันทั่วไปในปัจจุบัน เมื่อชิ้นส่วนจับยึดในเครื่องจักรเพื่อการดัดถอยออก รูปร่างของท่อจะคืนสภาพและการสปริงกลับ (Springback) จะเกิดขึ้นอย่างหลีกเลี่ยงไม่ได้ รูปทรงที่แท้จริงทางเรขาคณิตของการดัดท่อจะเบี่ยงเบนไปจากข้อกำหนดการออกแบบ ซึ่งส่งผลโดยตรงต่อความแม่นยำในการขึ้นรูปและคุณภาพของท่อโลหะ ดังนั้น การทำนายสปริงกลับที่แม่นยำของการดัดท่อโลหะจึงเป็นกุญแจสำคัญในการชดเชยและควบคุมสปริงแบ็ค หลายงานวิจัยได้พยายามศึกษาปัจจัยนำเข้าที่มีผลกระทบต่อการเกิดการสปริงกลับจากการดัดท่อ และจนถึงขณะนี้ยังไม่มีการพิสูจเชิงประจักษ์ที่น่าเชื่อถือในการสร้างความสัมพันธ์ระหว่างปัจจัยนำเข้าและปัจจัยส่งออกระหว่างตัวแปรของกระบวนการดัดท่อที่มีต่อการสปริงกลับ ทั้งนี้เพื่อการทำนายค่ามุมปริงกลับล่วงหน้า เพื่อการลดเวลาการตั้งเครื่องและความสูญเสียอื่น ๆ ที่อาจเกิดขึ้นตามมาหากค่าทำนายขาดความแม่นยำ งานวิจัยนี้ ได้ทำการวิเคราะห์ปัจจัยที่มีผลกระทบต่อค่ามุมสปริงกลับโดยวิธีทากูชิในการดัดท่อไร้ตะเข็บ ASTM A-210 Gr. A1 ขนาดความโตภายนอก 44.45 มิลลิเมตร เป็นท่อที่ใช้กับงาน Stream Boiler ชนิดท่อไร้ตะเข็บคาร์บอนปานกลาง โดยใช้ปัจจัย 4 ปัจจัย คือ ความหนาของท่อ (Wall Thickness), รัศมีดัด (Bending Radial), เวลาหยุด (Dwell Time) และมุมองศาการดัด (Bending Angle) ผลการวิจัยพบว่า ทั้ง 4 ปัจจัย มีอิทธิพลต่อค่ามุมสปริงกลับในกระบวนการดัดท่ออย่างมีนัยสำคัญ และแต่ละปัจจัยให้ผลกระทบต่อค่ามุมสปริงกลับที่แตกต่างกัน ปัจจัยที่ส่งผลต่อมุมการสปริงกลับมากที่สุด ได้แก่ รัศมีการดัดโดยมีผล 43.01%, มุมดัด 25.16%, ความหนาของผนัง 16.05% และเวลาหยุดนิ่ง 15.78% และพบว่า Time-dependent ในกระบวนการผลิตส่งผลกระทบอย่างมีนัยสำคัญต่อการสปริงกลับต่อกระบวนการดัดท่อ นอกจากนี้ งานวิจัยได้นำ Neural Network มาช่วยในการทำนายผลค่ามุมสปริงกลับ ด้วยวิธีการทำนายที่แตกต่างกันโดยการเปรียบเทียบผลการใช้ฟังก์ชันกระตุ้นชนิดต่าง ๆ  ผลการวิจัยพบว่า โครงสร้างของโครงข่ายประสาทเทียมที่เหมาะสมคือ 4-98-1 ประกอบด้วยนิวรอนในชั้นนำเข้า (Input Layer) จำนวน 4 นิวรอน นิวรอนในชั้นซ่อน (Hidden Layer) จำนวน 98 นิวรอน และนิวรอนในชั้นแสดงผล (Output Layer) จำนวน 1 นิวรอน จากการใช้ฟังก์ชันกระตุ้น Sigmoid โดยให้ค่าเฉลี่ยความคาดเคลื่อนกำลังสอง (MSE) ต่ำที่สุดคือ 0.001892 เมื่อทำนายผลให้ค่า R2 = 99.42% ลำดับถัดมาคือฟังก์ชันกระตุ้น TanH มีค่า R2 = 98.99% ลำดับที่ 3 คือฟังก์ชันกระตุ้น ReLU มีค่า R2 = 98.53% และฟังก์ชันกระตุ้นลำดับสุดท้ายที่ให้ค่า R2 ต่ำที่สุดคือ Identity Function มีค่า R2 = 79.53% และพบว่าการทำนายค่ามุมสปริงกลับโดยใช้สมการถดถอยนั้นกลับให้ค่า R2 ที่สูงกว่าการทำนายโดยการใช้โครงข่ายประสาทเทียม 1 ชั้นซ่อน 65 นิวรอน ด้วยฟังก์ชันกระตุ้น Identity Function ซึ่งมีค่า R2 = 79.53% แต่การทำนายโดยใช้สมการถดถอยมีค่า R2 = 82.32% มีค่ามากกว่าถึง 2.79% เมื่อทำการทดสอบผลจากการทำนายโดยการปฏิบัติจริง ได้ทำการทดสอบการดัดท่อแล้วเปรียบเทียบระหว่างการทำนายจากการดัดแบบวิธีเดิม การทำนายจากสมการถดถอย และการทำนายจากโครงข่ายประสาทเทียม พบว่า การดัดท่อตามแบบวิธีเดิม มีค่า R2 = 94.91% การดัดท่อโดยสมการถดถอย มีค่า R2 = 99.47% การดัดท่อโดยวิธี ANN มีค่า R2 = 99.97% ให้ประสิทธิภาพที่เพิ่มขึ้นจากแบบวิธีเดิมร้อยละ 5.06th
dc.language.isothen_US
dc.publisherNaresuan Universityen_US
dc.rightsNaresuan Universityen_US
dc.subjectดัดท่อth
dc.subjectมุมสริงกลับth
dc.subjectTube bendingen
dc.subjectSpringback angleen
dc.subject.classificationEngineeringen
dc.subject.classificationEngineeringen
dc.subject.classificationManufacturingen
dc.subject.classificationMechanics and metal worken
dc.titleการหาค่าที่เหมาะสมสปริงกลับของเครื่องซีเอ็นซีดัดท่อบนพื้นฐานโครงข่ายประสาทเทียมth
dc.titleSpringback optimization for CNC tube bending machine base on an Artificial Neural Network (ANN)en
dc.typeThesisen
dc.typeวิทยานิพนธ์th
dc.contributor.coadvisorKawin Sonthipermpoonen
dc.contributor.coadvisorกวิน สนธิเพิ่มพูนth
dc.contributor.emailadvisorsonkawin@nu.ac.then_US
dc.contributor.emailcoadvisorsonkawin@nu.ac.then_US
dc.description.degreenameDoctor of Philosophy (Ph.D.)en
dc.description.degreenameปรัชญาดุษฎีบัณฑิต (ปร.ด.)th
dc.description.degreelevelDoctoral Degreeen
dc.description.degreelevelปริญญาเอกth
dc.description.degreedisciplineDepartment of Industrial Engineering(IE)en
dc.description.degreedisciplineภาควิชาวิศวกรรมอุตสาหการth
Appears in Collections:คณะวิศวกรรมศาสตร์

Files in This Item:
File Description SizeFormat 
SomchaiKongnoo.pdf6.65 MBAdobe PDFView/Open


Items in NU Digital Repository are protected by copyright, with all rights reserved, unless otherwise indicated.