Sélection et optimisation des paramètres du procédé d'usinage par décharges électriques pour les matériaux durs

Abstract

L'objectif de cette étude était d'améliorer les paramètres du processus d'usinage par électroérosion (EDM) en combinant la régression linéaire multiple et la méthode d'optimisation par essaim de particules. La recherche a été menée sur une machine à électroérosion par enfonçage ONA NX4, en ajustant des paramètres clés tels que le courant de décharge (I), la tension (V) et le temps d'impulsion (Ton). Trois principaux objectifs ont été définis : maximiser le taux d'enlèvement de matière (MRR), prolonger la durée de vie de l'électrode (TWR) et minimiser la rugosité de surface Ra de l'acier AISI 1095. Vingt-sept essais d'usinage ont été réalisés en modifiant ces paramètres pour établir des modèles mathématiques prédictifs pour MRR, TWR et Ra. Les résultats ont indiqué que l'approche d'optimisation par essaim de particules était efficace pour modéliser les paramètres d'entrée du processus d'électroérosion. La combinaison de cette méthode avec la régression linéaire multiple s'est avérée être une approche efficace pour optimiser les paramètres de l'EDM. Il a été observé que parmi les paramètres examinés, le courant d'étincelle (I) avait l'influence la plus significative sur le processus d'usinage, suivi du temps et de la tension. Pour parvenir à cette optimisation, des modèles mathématiques basés sur la régression linéaire ont été développés pour prédire MRR, TWR et Ra en fonction des paramètres du processus. Ces modèles ont démontré une précision élevée par rapport aux résultats expérimentaux, atteignant une exactitude de 97 % pour MRR, 94 % pour TWR et 82 % pour Ra.

The study aimed to optimize Electrical Discharge Machining (EDM) parameters using a combined approach of multiple linear regression and particle swarm optimization. The research was conducted on an ONA NX4 sinking electrical discharge machine by modifying key parameters such as discharge current (I), voltage (V), and pulse duration (Ton). Three main objectives were established: maximizing Material Removal Rate (MRR), increasing Tool Wear Rate (TWR), and minimizing the surface roughness Ra of AISI 1095 steel. Twenty-seven machining experiments were conducted, adjusting these parameters to establish predictive mathematical models for MRR, TWR, and Ra. The results showed that particle swarm optimization was effective in modeling the input parameters of the Electrical Discharge Machining process. The combination of particle swarm optimization and multiple linear regression proved to be an effective method for optimizing EDM parameters. It was observed that among the studied parameters, the spark current (I) had the most significant influence on the machining process, followed by time and voltage. To achieve this optimization, mathematical models based on linear regression were developed to predict MRR, TWR, and Ra based on process parameters. These models demonstrated high accuracy compared to experimental results, with an accuracy of 97% for MRR, 94% for TWR, and 82% for Ra.