Diagnostika rieżuszczego instrumienta s ispolzowanijem ałgoritma Treebagger wo wriemia swierlenija driewiesnost

• Autorzy: Jegorowa Albina , Górski Jarosław , Kurek Jarosław , Iurev Maksim

Identyfikatory

DOI

10.5604/01.3001.0014.5556

• Języki publikacji: EN

Abstrakty

EN

Диагностика режущего инструмента с использованием алгоритма Treebagger во время сверления древесностружечной плиты. Целью работы была оценка возможности использования алгоритма Treebagger так называемого ансамбля деревьев, для оценки состояния износа режущей кромки инструмента используемого в деревообработке в режиме реального времени и без участия человека. Оценка точности классификации при использовании данного алгоритма. В результате использования данного метода удалось получить точность классификации на уровне 80 %. Что важно, использованный классификатор Treebagger не путает между собой крайние классы, „зеленый” и „красный”. Это позволяет сделать вывод, что при соответствующем усовершенствовании алгоритма можно получить более высокую точность классификации и возможно использовать его для создания системы неинвазивной оценки состояния режущего инструмента.

PL

Diagnostyka narzędzi skrawających z wykorzystaniem algorytmu Treebagger podczas wiercenia w płycie wiórowej. Celem pracy była ocena możliwości wykorzystania algorytmu Treebagger, tzw. zespołu drzew decyzyjnych, do oceny stanu zużycia ostrzy narzędzi wykorzystywanych w obróbce drewna oraz materiałów drewnopochodnych w czasie rzeczywistym i bez udziału operatora, a także ocena dokładności klasyfikacji przy zastosowaniu danego algorytmu. W wyniku zastosowania tej metody udało się uzyskać dokładność klasyfikacji na poziomie 80%. Co ważne, zastosowany klasyfikator Treebagger nie myli skrajnych klas: „zielonej” i „czerwonej”. Pozwala to stwierdzić, że wraz z odpowiednim ulepszeniem algorytmu można uzyskać wyższą dokładność klasyfikacji, jak i na jego podstawie stworzyć system do nieinwazyjnej oceny stanu narzędzi skrawających.

Słowa kluczowe

EN

diagnostics; tool wear; non-invasive method; chipboard; drill

• Wydawca: Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie
• Czasopismo: Annals of Warsaw University of Life Sciences - SGGW. Forestry and Wood Technology
• Rocznik: 2020
• Tom: No. 110
• Strony: 126--130
• Opis fizyczny: Bibliogr. 13 poz., tab.

Twórcy

autor

Jegorowa Albina

• Warsaw University of Life Sciences – SGGW, Institute of Wood Sciences and Furniture

autor

Górski Jarosław

• Warsaw University of Life Sciences – SGGW, Institute of Wood Sciences and Furniture

autor

Kurek Jarosław

• Warsaw University of Life Sciences – SGGW, Institute of Information Technology

autor

Iurev Maksim

Bibliografia

• 1. BALAZINSKI M., CZOGALA E., JEMIELNIAK K., LESKI. J. 2002: Tool condition monitoring using artificial intelligence methods. Engineering Applications of Artificial Intelligence, 15, 73-80.
• 2. CZARNIAK P., GÓRSKI J. The effect of tool wear on feed force in chipboard drilling. Annals of Warsaw University of Life Sciences – SGGW, Forestry and Wood Technology 2008, nr 63, s. 150-152.
• 3. GÓRSKI, J., SZYMANOWSKI, K., PODZIEWSKI, P., ŚMIETAŃSKA, K., CZARNIAK, P., AND CYRANKOWSKI, M. 2019: Use of cutting force and vibro-acoustic signals in tool wear monitoring based on multiple regression technique for compreg milling. BioRes. 14(2), 3379-3388.
• 4. HU J., SONG W., ZHANG W., ZHAO Y., AND YILMAZ A. 2019: Deep learning for use in lumber classification tasks. Wood Science and Technology, 53(2), 505-517. DOI: 10.1007/s00226-019-01086-z.
• 5. JEGOROWA A., GÓRSKI J., MOREK R., PODZIEWSKI P., SZYMANOWSKI K., CZARNIAK P. 2015: Значение виброакустических сигналов таких как вибрация и шум в диагностике износа инструмента во время сверления в древесностружечной ламинированной плите. Annals of Warsaw University of Life Sciences – SGGW, Forestry and Wood Technology, No. 92, 141-145.
• 6. JEGOROWA A., GÓRSKI J., KUREK J., AND KRUK M. 2019: Initial study on the use of support vector machine (SVM) in tool condition monitoring in chipboard drilling. European Journal of Wood and Wood Products, 77, 957-959. DOI: 10.1007/s00107-019-01428-5.
• 7. JEGOROWA A., GÓRSKI J., KUREK J., KRUK M. 2020: Use of nearest neighbors (k-NN) algorithm in tool condition identification in the case of drilling in melamine faced particleboard. Maderas. Ciencia y tecnologia, 22 (2), 189-196. DOI: 10.4067/S0718-221X2020005000205.
• 8. JEMIELNIAK K. Tool Wear Monitoring by Means of Artificial Neural Networks. International Journal for Manufacturing Science and Technology 4, 2003.
• 9. KUREK J., KRUK M., OSOWSKI S., HOSER P., WIECZOREK G., JEGOROWA A., GÓRSKI J., WILKOWSKI J., ŚMIETAŃSKA K., KOSSAKOWSKA J. 2016: Developing automatic recognition system of drill wear in standard laminated chipboard drilling process. Bulleting of the Polish Academy of Science. Technical Sciences, 64, 633-640. DOI: 10.1515/bpasts-2016-0071.
• 10. SZWAJKA K. AND GÓRSKI J. 2006: Evaluation tool condition of milling wood on the basis of vibration signal. Journal of Physics: Conference Series, 48, 1205–1209.
• 11. SZWAJKA K., ZIELIŃSKA-SZWAJKA J. 2008A: Sensors signals for tool – wear monitoring in wood cutting operations – a review of methods. Annals of Warsaw University of Life Sciences - SGGW. Forestry and Wood Technology, 66, 113- 116.
• 12. SZWAJKA K., ZIELIŃSKA-SZWAJKA J. 2008B: Sensors signals for tool – wear monitoring in wood cutting operations – a review of methods. Annals of Warsaw University of Life Sciences - SGGW. Forestry and Wood Technology, 66, 117- 120.
• 13. WILKOWSKI J. GÓRSKI J. 2011: Vibro-acoustic signals as a source of information about tool wear during laminated chipboard milling. Wood Research 56(1), 57–66.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).