کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11007178 1519220 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A multimodal intelligent monitoring system for turning processes
ترجمه فارسی عنوان
یک سیستم مانیتورینگ هوشمند چند منظوره برای تبدیل فرآیندها
کلمات کلیدی
نظارت وضعیت ابزار، تشخیص چت، همجوشی سنسور، انتخاب ویژگی، شبکه تابع پایه فازی نوع 2، ماشین بردار پشتیبانی،
ترجمه چکیده
نظارت بر وضعیت فرآیند آنلاین، یک جزء ضروری از اتوماسیون اتوماتیک فرایندهای بسته در عملیات ماشینکاری است. این مقاله توصیف توسعه یک سیستم نظارت هوشمند برای تبدیل فرایندها است که شامل سه واحد است: یک ابزار پیش بینی کننده ابزار، یک آشکارساز پراکنده و یک آشکارساز تراشه ابزار. ویژگی ها از سیگنال های چند حسگر کم هزینه و کم نفوذ استخراج می شوند و سپس با استفاده از یک طرح جدید برای از بین بردن وابستگی آنها به شرایط برش، مواد برش و ابزار برش، عادی می شود. یک روش انتخاب سیستماتیک همراه با انتخاب پارامتر پیش پردازش سیگنال خودکار برای انتخاب یک مجموعه ویژگی بهینه برای هر واحد ارائه شده است. واحد سایش ابزار با شبکه های عملکردی فازی نوع 2 ساخته شده است تا پیش بینی سایش ابزار با محدودیت های عدم اطمینان را داشته باشد، در حالی که واحد تراشه و ابزار تراشکاری با ماشین های بردار پشتیبانی برای به حداکثر رساندن وفاداری طبقه بندی ساخته شده است. نتایج تجربی نشان می دهد که سیستم نظارت با استفاده از دو سنسور مقرون به صرفه: یک متر قدرت و یک شتاب سنج، دقت بالا، کاربرد عمومی و قدرت رضایت بخش برای هر سه شرایط فرایند را به دست آورد. سه طرح نظارتی به یک نرم افزار نظارتی یکپارچه شده اند تا بتوانند در محیط های مختلف با حداقل تلاش های کالیبراسیون اجرا شوند.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی صنعتی و تولید
چکیده انگلیسی
Online process condition monitoring is an essential component of closed-loop process-level automation of machining operations. This paper describes the development of an intelligent monitoring system for turning processes, which consists of three units: a tool wear predictor, a chatter detector and a tool chipping detector. Features are extracted from the signals of multiple low-cost and low-intrusive sensors, and then normalized using a novel scheme to eliminate their dependence on cutting conditions, workpiece materials and cutting tools. A systematic feature selection procedure, coupled with automated signal preprocessing parameter selection, is presented to select the optimal feature set for each unit. The tool wear unit is built with type-2 fuzzy basis function networks to predict tool wear with uncertainty bounds, while the chatter unit and tool chipping unit are built with support vector machines to maximize the classification fidelity. Experimental results show that the monitoring system achieved high accuracy, generalized applicability and satisfactory robustness for all the three process conditions, by using two affordable sensors: a power meter and an accelerometer. The three monitoring schemes are integrated into a monitoring software so that they can be implemented in different environments with minimal calibration efforts.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Manufacturing Processes - Volume 35, October 2018, Pages 547-558
نویسندگان
, ,