Microsoft Word 14 Material Removal

 
 
Fig.4 Membership function of Sugeno-Fuzzy 
Upon developing the membership function, precise rules have been fed into the system 
relating the FIS input-output variables. Each of these rules plays an important role in 
generating the fuzzy logic controller model and the accuracy of the numerical output.
Upon the rules determination, the fuzzy logic controller will simulate the FIS variables 
with respective rules and modeling of the controller toolbox will take place. The model 
controller toolbox to the system is shown in the Figure 5. 
Fig.5 Controller tool box for each rule. 
4. RESULTS AND DISCUSSION 
 
Fig. 6 and 7 are the Sugeno-Fuzzy based surface model showing an excellent 
relationship between the two sets of input variables: speed and feed rate and drill size. 
Fig.6 with the output material removal rate plotted against speed and feed rate and in the 
Fig.7 the output material removal rate is plotted against speed and drill size. The 

---

International Journal of Mechanical Engineering and Technology (IJMET), ISSN 0976 – 
6340(Print), ISSN 0976 – 6359(Online) Volume 3, Issue 2, May-August (2012), © IAEME 
135 
inference drawn is that for medium feed rate, drill size and spindle speed the MRR rate 
is higher for carbon silicon carbide composite. 
Fig.6 Sugeno Fuzzy model (spindle speed & feed rate) 
Fig.7 Sugeno Fuzzy model (spindle speed & drill size) 
Fig. 8 Sugeno Fuzzy model(spindle speed and drill size) 
 
 

---

International Journal of Mechanical Engineering and Technology (IJMET), ISSN 0976 – 
6340(Print), ISSN 0976 – 6359(Online) Volume 3, Issue 2, May-August (2012), © IAEME 
136 
Table 3 Output Result Table
Experiment
1 
2 
3 
Actual MRR 
0.0222 
0.0529 
0.0482 
Predicted 
MRR(BPN) 
0.0282 
0.0205 
0.0206 
Error(BPN) 
-0.0065 
-0.0323 
-0.0276 
Fuzzy MRR 
0.0010 
0.0025 
0.0206 
Error(fuzzy) 
0.0212 
0.0504 
0.0276 
From the numerical data, it is clear that the BPN system has produced closer output as 
compared to Sugeno-fuzzy system. It has been studied that Fuzzy has the ability of 
predicting the future (forecasting) based on the membership function of the input and the 
output variables, limits and rules fed. Although its values are not the best, but it also 
matches closely to the actual. 
5. CONCLUSION
• BPN has shown the capability of generalization and prediction of material 
removal rate in drilling within the range of experimental data. 
• The maximum deviation observed and estimated by BPN is minimal. 
• The present work can be extended with different process parameters, 
material thickness and type to test the ability of the expert systems in 
prediction of the output and these findings can then be applied to indirect 
tool condition monitoring in unmanned manufacturing system. 
• The predicted values of the ANN output can be further improved by 
increasing the weights of the experiments.