Sieci neuronowe w zagadnieniach klasyfikacji stanu ostrzy narzędzi urabiających

• Autorzy: Gajewski J. , Jonak K.

Warianty tytułu

EN

Neural networks in excavating tools' blades condition classification

• Języki publikacji: PL

Abstrakty

PL

W artykule zaprezentowano wyniki klasyfikacji stanu ostrzy narzędzi pracujących zespołowo na głowicy urabiającej. Jako narzędzie do oceny zastosowano sztuczne sieci neuronowe. Badania realizowano dla sieci o radialnych funkcjach bazowych, perceptronu wielowarstwowego oraz sieci rozmytych. Porównano skuteczność klasyfikacji stanu noży dla poszczególnych modeli neuronowych.

EN

The paper presents the results of excavating tools' blades for machines' combined work on a cutting head classification. Artificial neural networks were used as a rating tool. The research was carried out for basie radial functions networks, multilayer perceptrons and fuzzy networks. The effectiveness of blades condition for particular neural models was compared.

Słowa kluczowe

PL

sztuczne sieci neuronowe; proces urabiania; głowica wielonarzędziowa

EN

artificial neural network; rock mining process; multi-tool head

• Wydawca: Wydawnictwo SIGMA-NOT ; Sieć Badawcza Łukasiewicz - Instytut Mechanizacji Budownictwa i Górnictwa Skalnego
• Czasopismo: Przegląd Mechaniczny
• Rocznik: 2014
• Tom: nr 3
• Strony: 21--24
• Opis fizyczny: Bibliogr. 8 poz., rys., wykr.

Twórcy

autor

Gajewski J.

• Katedra Podstaw Konstrukcji Maszyn, Politechnika Lubelska, ul. Nadbystrzycka 36, 20-618 Lublin

autor

Jonak K.

• Instytut Technologicznych Systemów Informacyjnych, Politechnika Lubelska, ul. Nadbystrzycka 36, 20-618 Lublin

Bibliografia

• 1. Chungchoo C, Saini D.: On-line tool wear estimation in CNC turning operations using fuzzy neural network model. International Journal of Machine Tools & Manufacture 42, 2002, pp. 29 - 40.
• 2. Dimla E. Dimla Snr. Application of perceptron neural networks to tool-state classification in a metalturning operation. Engineering Applications of Artificial Intelligence, Vol. 12, No. 4, August 1999, pp. 471 - 477.
• 3. Mathworks Academia http://www.mathworks.com.
• 4. Gajewski J., Jonak J.: Utilisation of neural networks to identify the status of the cutting tool point. Tunnelling and Underground Space Technology incorporating Trenchless Technology Research, Vol. 21, Issue 2, March 2006, pp. 180 - 184.
• 5. Gajewski J., Jonak J.: Towards the Identification of worn picks on cutterdrums based on torque and power signals using Artificial Neural Networks. Tunnelling and Underground Space Technology incorporating Trenchless Technology Research, Vol. 26, Issue. 1, January 2011, pp. 22 - 28.
• 6. Gajewski J.: Ocena stanu ostrzy noży głowicy wielonarzędziowej do urabiania węgla. Rozprawa doktorska, Politechnika Lubelska, 2008.
• 7. Jonak J., Gajewski J.: Identification of ripping tool types with the use of characteristic statistical parameters of time graphs. Tunnelling and Underground Space Technology incorporating Trenchless Technology Research, Vol. 23, Issue. 1, January 2008, pp. 18 - 24.
• 8. Litak G., Syta A., Gajewski J,, Jonak J.: Detecting and identifying non-stationary courses in the ripping head power consumption by recurrence plots. Meccanica, Vol. 45, Issue. 4, 2010, DOI 10.1007/s11012-009-9265-4, pp. 603 - 608.