Algorytm diagnostyki zużycia ostrza oparty na wielu sieciach neuronowych

• Autorzy: Bombiński S. , Kossakowska J.

Identyfikatory

DOI

doi.org/10.17814/mechanik.2017.3.42

Warianty tytułu

EN

Algorithm of the tool condition monitoring system based on many neural networks

• Języki publikacji: PL

Abstrakty

PL

Porównano różne sposoby określania zużycia ostrza – z wykorzystaniem sieci neuronowych RBF, metody hierarchicznej oraz standardowego zliczania czasu pracy. Analizę sygnałów z procesu skrawania przeprowadzono dla trzech różnych zestawów badań doświadczalnych. Wyniki otrzymane w przypadku zespołu sieci neuronowych są zbliżone do wyników z algorytmu hierarchicznego – jest to potencjalnie bardzo skuteczna metoda szacowania zużycia ostrza.

EN

Presented is a comparison of different methods of estimating tool wear – obtained for group of RBF neural networks, hierarchical methods and the standard time counting. The analysis of the signals from the machining process carried out for three different experiments, clearly demonstrating the effect of presented methods. The results obtained for group of RBF neural networks are similar to results obtained for hierarchical methods.

Słowa kluczowe

PL

diagnostyka stanu narzędzia; sieci neuronowe RBF

EN

tool condition monitoring; RBF neural network

• Wydawca: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
• Czasopismo: Mechanik
• Rocznik: 2017
• Tom: R. 90, nr 3
• Strony: 220--223
• Opis fizyczny: Bibliogr. 15 poz., rys., tabl.

Twórcy

autor

Bombiński S.

• Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem Politechniki Warszawskiej

autor

Kossakowska J.

• Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem Politechniki Warszawskiej

Bibliografia

• 1. Sick B. “On-line and indirect tool wear monitoring in turning with artificial neural networks: a review of more than a decade of research”. Mechanical Systems and Signal Processing. 16, 4 (2002): s. 487–546.
• 2. Chen S.-L., Jen Y.W. “Data fusion neural network for tool condition monitoring in CNC milling machining”. International Journal of Machine Tools and Manufacture. 40, 3 (2000): s. 381–400.
• 3. Dimla D.E. “Application of perceptron neural networks to tool-state classification in a metal-turning operation”. Engineering Applications of Artificial Intelligence. 12, 4 (1999): s. 471–477.
• 4. Pai P.S., Nagabhushana T.N., Rao P.K.R. „Flank wear estimation in face milling based on radial basis function neural networks”. The International Journal of Advanced Manufacturing Technology. 20, 4 (2002): s. 241–247.
• 5. Jemielniak K., Bombiński S. „Hierarchical strategies in tool wear monitoring”. Proceedings of the Institution of Mechanical Engineers. Part B: Journal of Engineering Manufacture. 220, 3 (2006): s. 375–381.
• 6. Govekar E., Grabec I. “Self-organizing neural network application to drill wear classification”. Journal of Engineering for Industry. 116 (1994): s. 233.
• 7. Yao Y., Li X., Yuan Z. “Tool wear detection with fuzzy classification and wavelet fuzzy neural network”. International Journal of Machine Tools and Manufacture. 39, 10 (1999): s. 1525–1538.
• 8. Dimla D., Lister P. “On-line metal cutting tool condition monitoring. Part I: Force and vibration analyses”. International Journal of Machine Tools and Manufacture. 40, 5 (2000): s. 739–768.
• 9. Tansel I.N. et al. “Tool wear estimation in micro-machining.: Part I: Tool usage–cutting force relationship”. International Journal of Machine Tools and Manufacture. 40, 4 (2000): s. 599–608.
• 10. Kim H.-Y., Ahn J.-H. “Chip disposal state monitoring in drilling using neural network based spindle motor power sensing”. International Journal of Machine Tools and Manufacture. 42, 10 (2002): s. 1113–1119.
• 11. Das S., Bandyopadhyay P.P., Chattopadhyay A.B. “Neural-networks-based tool wear monitoring in turning medium carbon steel using a coated carbide tool”. Journal of Materials Processing Technology. 63, 1–3 (1997): s. 187–192.
• 12. Szecsi T. “A DC motor based cutting tool condition monitoring system”. Journal of Materials Processing Technology. 92 (1999): s. 350–354.
• 13. Bombiński S., Jemielniak K. „Analiza przydatności różnych sztucznych sieci neuronowych do diagnostyki zużycia ostrza”. XLI Sympozjon „Modelowanie w mechanice”. Wisła (2002).
• 14. Kuo R.J., Cohen P.H. “Multi-sensor integration for on-line tool wear estimation through radial basis function networks and fuzzy neural network”. Neural Networks. 12, 2 (1999): s. 355–370.
• 15. Bombiński S., Błażejak K., Nejman M. „Możliwości zastosowania sieci neuronowej RBF do diagnostyki zużycia ostrza w systemie online”. Mechanik. 89 (2016): s. 1056–1057.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).