PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 7

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  diagnostyka stanu narzędzia
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote Wykrywanie zużycia ostrza na podstawie analizy różnic pomiędzy zdjęciami z oświetleniem z różnych kierunków
Błażejak K.
Mechanik
|
2017
|
R. 90, nr 10
834--836
PL
W trakcie budowy systemu opartego na metodach wizyjnych najważniejszy jest dobór oświetlenia. Prawidłowo ustawione upraszcza analizę zdjęć. Opracowano prototyp systemu wykrywania obszaru starcia powierzchni przyłożenia noży tokarskich, ukazującego różnice pomiędzy kolejnymi zdjęciami tego samego ostrza oświetlonego z różnych kierunków.
EN
In developing a vision-based system, the most important thing is choosing the lighting. Properly set up simplifies image analysis. The prototype of the system for detecting wear of flank face, which detects the differences between successive images of the same tool illuminated from different directions, has been developed.
2
Content available remote Diagnostyka stanu narzędzi i procesu skrawania
Jemielniak K.
Mechanik
|
2017
|
R. 90, nr 7
504--510
PL
Automatyczna diagnostyka stanu narzędzi i procesu skrawania jest oparta na pomiarach wielkości fizycznych skorelowanych z tym stanem. Z każdego sygnału da się wyznaczyć bardzo wiele miar i nie można przewidzieć, które z nich będą przydatne w określonym przypadku. Miary te muszą być zatem wybierane automatycznie, a następnie integrowane w jedno oszacowanie stanu, np. z wykorzystaniem metod sztucznej inteligencji.
EN
Automatic tool condition monitoring is based on the measurements of physical phenomena which are correlated with this condition. There are numerous signal features (SFs) that can be extracted from the signal. As it is really not possible to predict which signal features will be useful in a particular case they should be automatically selected and combined into one tool condition estimation. This can be achieved by various artificial intelligence methods.
3
Content available remote Algorytm diagnostyki zużycia ostrza oparty na wielu sieciach neuronowych
Bombiński S., Kossakowska J.
Mechanik
|
2017
|
R. 90, nr 3
220--223
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.
4
Content available remote Możliwości zastosowania sieci neuronowej RBF do diagnostyki zużycia ostrza w systemie online
Bombiński S., Błażejak K., Nejman M.
Mechanik
|
2016
|
R. 89, nr 8-9
1056--1057
PL
Porównano wyniki dwóch metod szacowania zużycia ostrza: uzyskane dla sieci neuronowej RBF oraz metodą hierarchiczną. Analizę sygnałów z procesu skrawania przeprowadzono dla trzech różnych eksperymentów, jednoznacznie wykazując skuteczność obu metod.
EN
Presented are the results of a comparison of two different methods of estimating tool wear: obtained for RBF neural network and hierarchical methods. The analysis of the signals from the machining process carried out for three different experiments, clearly demonstrating the effect of both presented methods.
5
Content available remote Automatyczny wybór reprezentatywnych fragmentów sygnałów do diagnostyki stanu narzędzia
Błażejak K., Bombiński S., Nejman M., Jemielniak K.
Mechanik
|
2016
|
R. 89, nr 10
1416--1417
PL
W systemach diagnostyki stanu narzędzia skrawającego istotnym problemem jest wybór fragmentów sygnałów, na podstawie których należy prowadzić diagnostykę. W ramach prac stworzono algorytm, który w pełni automatycz sposób ny wybiera fragmenty sygnału, które są reprezentatywne dla stanu narzędzia i pozwalają na prowadzenie obliczeń online.
EN
For the tool condition monitoring systems important issue is the choice of segments of signals on the basis of which the diagnostics should be carried out. This article presents algorithm for fully automatic selection parts of signals which are representative for the tool condition and allow to carry out the calculations online.
6
Content available remote Przetwarzanie sygnałów w diagnostyce stanu narzędzia i procesu skrawania
Jemielniak K.
Archiwum Technologii Maszyn i Automatyzacji
|
2011
|
Vol. 31, nr 2
37-49
PL
W artykule przedstawiono współczesne metody przetwarzania sygnałów w układach diagnostyki stanu narzędzia i procesu skrawania (DNiPS). Omówiono przetwarzanie wstępne (np. filtrowanie, wzmacnianie, zamianę na postać cyfrową, segmentację), a następnie wyznaczenie miar sygnałów w dziedzinie czasu, częstotliwości (transformata Fouriera) lub czasu i częstotliwości (krótkookresowa transformata Fouriera, transformata falkowa, transformata Hilberta-Huanga). Uzyskanych miar sygnałów może być bardzo wiele, zwłaszcza jeśli pochodzą od różnych sygnałów (czujników), a wiele z nich nie jest związanych z monitorowanym procesem. Stąd konieczne są odpowiednie sposoby oceny stopnia ich powiązania z monitorowanym zjawiskiem. Omówiono metody oceny przydatności i selekcji miar oraz eliminacji tych miar, które dublują informacje z miar lepszych od siebie.
EN
Paper presents state of the contemporary methods of signal processing in tool and process condition monitoring systems (T/PCM). First the signal pre-processing (filtering, amplification, A/D conversion, segmentation) was described. Then there have been discussed the extraction of signal features in time domain, frequency domain (Fourier transform) or time-frequency domain (Short Time Fourier Transform, Wavelet Transform, Hilbert-Huang Transform). There are many diverse descriptors especially from different sensor signals, however many of them are not correlated with monitored process. Thus, feature relevancy evaluation is of critical importance. Methods of signal feature usability evaluation, selection and elimination of these which are doubling information contained in better ones were also presented.
7
Content available remote Ocena przydatności miar sygnałów w diagnostyce zużycia ostrza
Bombiński S., Jemielniak K.
Archiwum Technologii Maszyn i Automatyzacji
|
2005
|
Vol. 25, nr 2
201-210
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.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.