Ocena przydatności miar sygnałów w diagnostyce zużycia ostrza

• Autorzy: Bombiński S. , Jemielniak K.

Warianty tytułu

EN

Assessment of signal feature applicability for tool wear monitoring

• Języki publikacji: PL

Abstrakty

PL

W artykule porównano skuteczność pięciu metod wyboru miar sygnałów, na podstawie których jest oceniane zużycie ostrza w strategiach wykorzystujących wiele miar. Pierwsza z nich polega na wybieraniu miar o przebiegu monotonicznym, w drugiej ocenia się miary na podstawie sumy bezwzględnych różnic wartości miary pomiędzy kolejnymi operacjami pierwszego okresu trwałości ostrza, w trzeciej zaś jest oceniany maksymalny przyrost miary między kolejnymi operacjami. Ponadto przeanalizowano dwie metody oparte na analizie pierwiastka ze średniokwadrato-wego błędu aproksymacji. Użyto przy tym aproksymacji wielomianem drugiego stopnia oraz opartej na średnich wartościach z czterech równych przedziałów trwałości ostrza.

EN

Paper presents comparison of efficiency of five signal feature selection strategies used in tool 'wear monitoring. The first one is based on selection of monotonous features. The second and the third method evaluates the features using sum of absolute value differences or maximum increase value between subsequent operations of the first too! life, respectively. Two other methods consist in approximation of the feature course using polynomial of second degree or average feature values in four equal intervals of the tool life, and selection of the features of low approximation error.

Słowa kluczowe

PL

diagnostyka stanu narzędzia; zużycie ostrza

EN

cutting; tool wear monitoring; feature selection

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Archiwum Technologii Maszyn i Automatyzacji
• Rocznik: 2005
• Tom: Vol. 25, nr 2
• Strony: 201--210
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Bombiński S.

• Instytut Technologii Maszyn Politechniki Warszawskiej

autor

Jemielniak K.

• Instytut Technologii Maszyn Politechniki Warszawskiej

Bibliografia

• [1] Bombiński S., Jemielniak K., Hierarchical strategies in tool wear monitoring, in: IIIrd International Conference on Advances in Production Engineering, APE’2004, Warsaw 2004.
• [2] Byrne G., Dornfeld D., Inasaki I., König W., Teti R., Tool condition monitoring (TCM) - The status of research and industrial application, Annals of the CIRP, 1995, vol. 44, no. 2, s. 541-567.
• [3] 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, 1997, no. 63.
• [4] Dimla S., Dimla E., Application of perceptron neural networks to tool-state classification in a metal-turning operation. Engineering Applications of Artificial Intelligence, 1999, vol. 12, issue 4.
• [5] Dimla E., Dimla S., Lister P. M., On-line metal cutting tool condition monitoring. I: force and vibration analyses. Int. J. of Machine Tools & Manuf, 2000, vol. 40, s. 739-768.
• [6] Ghasempoor A., Jeswiet J., Moore T. N., Real time implementation of on-line tool condition monitoring in turning, International Journal of Machine Tools & Manufacture, 1999, no. 39.
• [7] Jemielniak K., Commercial tool condition monitoring systems, Int. J. Adv. Manuf. Technol., 1999, no. 15, s. 711-721.
• [8] Jemielniak K., Tool wear monitoring based on non-monotonic signal feature, in: VII International Conference on Monitoring and Automatic Supervision in Manufacturing AC '04, 2004.
• [9] Jemielniak K., Kwiatkowski L., Wrzosek P., Diagnosis of tool wear based on cutting forces and acoustic emission measurements as inputs to a neural network. Journal of Intelligent Manufacturing, 1998, vol. 9, s. 447-455.
• [10] Kettele G., Analisys of requirements for monitoring systems, in: Proc. of the Second Int. Workshop on Intelligent Manufacturing Systems, Leuven, Belgium, 1999, s. 721-725.
• [11] Kuo R. J., Cohen P. H., Multi-sensor integration for on-line tool wear estimation trough radial basis function networks and fuzzy neural network, Neural Networks, 1999, no. 12.
• [12] Lee J. H., Lee S. J., One-step-ahead prediction of flank wear using cutting force. International Journal of Machine Tools & Manufacture, 1999, no. 39.
• [13] Yao Y., LI X., Yuan Z., Tool wear detection with fuzzy classification and wavelet fuzzy neural netwoek, International Journal of Machine Tools & Manufacture, 1999, no. 39.
• [14] Zązel Z., Sokołowski A., Próba zastosowania inteligentnego narzędzia do procesu wiercenia, Gliwice, Prace Naukowe Katedry Budowy Maszyn, 2002, nr 4.