MURAT MAYDA, Hüseyin R. BÖRKLÜ, Faruk MENDİ

Ruppert hız mekanizmalarında optimum dişli çark boyutlandırılması için yapay sinir ağları kullanımı

Makina sistemlerinde genelde farklı özellik ve değerlerde dairesel hareket ve güç iletimine gereksinim duyulur. Bu kademeli hız / tork gereksinimini karşılamak için ise, hız / dişli kutuları yaygın kullanılmaktadır. Bu makalede çok kademeli bir hız mekanizması olan Ruppert hız kutuları ve bunlarda kullanılan dişlilere ait optimum boyutları belirleme konusu incelenmektedir. Bu amaçla dört, altı ve sekiz kademeli Ruppert hız mekanizmalarının kinematik analiz optimizasyonunda kullanılacak Visual Basic 6.0 kodunda bir bilgisayar programı hazırlanmıştır. Hazırlanan programla dört kademeli Ruppert hız kutusunda kullanılacak dişlilerin optimum diş sayıları belirlenmiş ve Excel dosya formatında kaydedilmiştir. Daha sonra bu sonuçlar, Yapay Sinir Ağları (YSA) kullanan Pythia yazılımı eğitiminde kullanılmış ve bir ağ yapısı belirlenmiştir. Arkasından bu ağ yapısı Excel ortamında test edilmiştir ve yüksek öğrenme / düşük sapma oranı elde edilmiştir. Böylece bu araştırma, YSA’nın Ruppert hız kutusu tasarımında etkin kullanılabileceğini göstermiştir. Ayrıca optimum toplam diş sayısı, sadece ilk girdiler (giriş devri, en büyük ve küçük devir değerlerleri) verilmesi halinde, bulunan YSA formülü ile de, ara işlem gerekmeden hızlı, güvenilir ve hassas olarak belirlenebilmektedir.

The use of artificial neural networks for the determination of optimal gear dimensions in Ruppert gearboxes

Usually, the transmission of various rotational motions and powers, which may have different magnitudes and properties, are required in machine systems. In order to cover such requirements of motions or torques, gearboxes are widely used. This paper investigates the kinematic analysis of Ruppert gearboxes, which are special gearboxes and mostly used in manufacturing machines, and the determination of optimal gear dimensions used in that mechanisms. For this purpose, a computer program written in Visual Basic 6.0 programming language, which can be used for the optimisation of kinematic analysis of multispeed gearboxes including four, six and eight speeds, has been developed. Then, this program was used for the determination of optimal number of gear teeth for a four speed case and the results were saved in Excel files. Next, these calculated results were used for the ANN training within the software of Pythia, which is an Artificial Neural Networks based system, and a proper network structure was determined. After that, that network was tested and high learning / low deviation ratio was obtained. Therefore, the conducted research shows that the ANN can be efficiently used for the design of Ruppert gearboxes. Moreover, the optimal number of gear teeth can be easily and quickly determined by the use of Formula that was drived during the ANN training.

PDF

___

1. Abersek, B., Flasker J., and Balic, J., “Expert system for designing and manufacturing of a gear box”, Expert Systems with Applications, Volume 11, Issue 3, Pages 397-405, 1996.
2. Zeyveli, M., Saruhan, H., Göloğlu, C., “Dişli kutularında parametrelerin hacim ve mukavemete etkilerinin araştırılması”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 24 (1-2), 315- 333, 2008.
3. Rosic, B., “Multicriterion optimization of multistage gear train transmission”, Mechanical Engineering, FACTA UNIVERSITATIS, Vol.1, No 8, 2001, pp. 1107 – 1115, 2001.
4. Coudert, N.,Dauphin-Tanguy G., Rault, A., “Mechatronic design of an automatic gear box using Bond graphs”, IEEE Systems, Man and Cybernetics Conference Proceedings, 1993.
5. “http://www.carbibles.com/transmission_bible.html”, Erişim tarihi: 9 Ocak 2009.
6. Mendi, F., “Takım tezgahlarına uyarlanan Ruppert hız kutusunun bilgisayar yardımıyla kinematik tasarımı”, Uluslar Arası Makine Tasarımı ve İmalatı Kongresi (UMTİK), 2000.
7. Forest, S., “Genetic algorithms: principle of naturel selection applied to computation”, Science, 261: 872-878, 1993.
8. Martin T, Howard B, Mark H. “Neural network design”, Thomson learning; 2002.
9. Fausett, L., “ Fundamentals of Neural Networks: Architectures, Algorithms, and Applications”, Prentice-Hall, Inc., New Jersey pp. 461, 1994.
10. Joergensen, S.E., Bendoricchio, G., “Fundamentals of Ecological Modelling” (third ed.), Elsevier, Oxford, UK p.530, 2001.
11. Negnevitsky, M., “Artificial Intelligence” (second edition), Addison-Wesley pp. 185–189, 2005.
12. Anderson D., McNeill G., “Artificial neural networks technology”, Kaman Sciences Corporation, Newyork, 89-82, 1992.
13. Spall, J.C. and Cristion, J.A., “A neural network controller for treatment”, IEEE Trans Syst, Man Cybernet Part B: Cybernet 27 (3) pp. 369–375, 1997.
14. Sağıroğlu, Ş., Beşdok, E. ve Erler, M., “Mühendislikte yapay zekâ uygulamaları I: Yapay sinir ağları”, Kayseri: Ufuk Kitabevi, 2003.