Issledovanie ispolʹzovaniâ fuzii peremennyh v processe primeneniâ metoda opornyh vektorov v diagnostic

• Autorzy: Jegorowa Albina , Górski Jarosław , Kurek Jarosław

Identyfikatory

DOI

10.5604/01.3001.0014.5231

• Języki publikacji: RU

Abstrakty

RU

Исследование использования фузии переменных в процессе применения метода опорных векторов в диагностике сверл во время обработки древесностружечной плиты. Целью работы было определение возможности слияния т.е. фузии переменных, определенных для диагностики режущего инструмента используемого во время сверления древесностружечной ламинированной плиты, в основе которого лежит метод опорных векторов. В результате применения данного метода удалось редуцировать набор переменных на 92,75 % к первоначальному, что позволило улучшить показатель точности классификации во время мониторинга за состоянием режущего инструмента, сократить время на тренировку системы и улучшить показатели генерализации. Проведенные исследования показали, что данный метод работает и значительно улучшает качество классификации неинвазивного метода диагностики сверл. Точность классификации составила 85,10%. Система не допускает ошибок между крайними классами. Количество ошибок между соседними классами незначительно.

PL

Badanie wykorzystania fuzji cech diagnostycznych stosowanych podczas diagnostyki stopnia zużycia wierteł w trakcie obróbki płyt wiórowych laminowanych, z wykorzystaniem algorytmu maszyny wektorów wspierających. Celem pracy było określenie możliwości zastosowania fuzji zmiennych zdefiniowanych do diagnostyki narzędzia skrawającego stosowanego w trakcie wiercenia płyt wiórowych laminowanych, w oparciu o algorytm maszyny wektorów wspierających (SVM). W wyniku zastosowania tej metody możliwe było zmniejszenie zbioru zmiennych o 92,75%, do zbioru pierwotnego, co pozwoliło na poprawę dokładności klasyfikacji podczas monitorowania stanu narzędzi skrawających, skrócenie czasu uczenia oraz poprawę generalizacji. Badania wykazały, że metoda ta jest skuteczna, znacząco poprawiająca jakość klasyfikacji nieinwazyjnej diagnostyki wierteł. Dokładność klasyfikacji wyniosła 85,10%, a ponadto system nie dopuszcza do błędów pomiędzy klasami ekstremalnymi. Liczba błędów pomiędzy sąsiednimi klasami jest nieistotna.

Słowa kluczowe

EN

diagnostics; tool wear; support vector machine; 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: 97--102
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Jegorowa Albina

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

autor

Górski Jarosław

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

autor

Kurek Jarosław

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

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. 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.
• 3. HASSE L., SPIRALSKI L., SIKULA J. 2004: Pomiar i obróbka sygnałów emisji akustycznej w diagnostyce obiektów. XIV Seminarium Zastosowanie komputerów w nauce i technice. Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej, No 20, 76-84.
• 4. HU J., SONG W., ZHANG W., ZHAO Y., 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., 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. 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.
• 9. KUREK J., ŚWIDERSKI B., JEGOROWA A., KRUK M., OSOWSKI S. 2017: Deep learning in assessment of drill condition on the basis of images of drilled holes. Eighth International Conference on Graphic and Image Processing, Tokyo, Japan. Proceedings of SPIE, vol. 10225, Article Number: UNSP 102251V.
• 10. SZWAJKA K., 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).