تلفيق حسگرها در سامانه پايش وضعيت ابزار با استفاده از سيستم استنتاج عصبي- فازي تطبيقي بهينه شده

Multi-Sensory Data Fusion System for Tool Condition Monitoring Using Optimized Artificial Fuzzy Inference System

در حال حاضر بيشتر سيستم هاي پايش وضعيت سايش ابزار براده برداري مبتني بر مقادير مشخصه هايي از سيگنال كه مرتبط با سايش ابزار هستند مي باشند. ارزيابي وضعيت ابزار بر اساس مشخصه هاي سيگنال يك حسگر قابل اطمينان نمي باشد زيرا مشخصه به دست آمده از سيگنال يك حسگر علاوه بر سايش ابزار به ساير عوامل غير مرتبط با سايش ابزار مانند پارامترهاي فرآيند و اغتشاشات تصادفي نيز وابسته است. راه حل اين مساله، تلفيق داده هاي چند حسگر غير متجانس مي باشد. اطلاعات به دست آمده از اين روش كامل تر و داراي دقت و قابليت اطمينان بالاتري است. در اين تحقيق، تركيب حسگرهاي بينايي، جريان، كرنش و ارتعاشات به منظور پيش بيني وضعيت سايش سطح آزاد ابزار پيشنهاد شده است. مدل سيستم استنتاج عصبي فازي تطبيقي (ANFIS) بهينه شده جهت تلفيق مشخصه هاي سيگنال بافت سطح، جريان موتور، كرنش و ارتعاشات توسعه شده است. ساختار مدل ANFIS پيشنهادي داراي چهار ورودي و يك خروجي مي باشد. ورودي هاي مدل شامل بي نظمي بافت سطح قطعه كار (كه توسط تبديل موجك فيلتر شده) ، انتگرال حاشيه اي زمان فركانس سيگنال جريان موتور اسپيندل و بي نظمي شانون سيگنال هاي كرنش و ارتعاشات ابزار مي باشد. نتايج به دست آمده نشان داد با استفاده از مدل ANFIS بهينه شده مي توان مشخصه هاي سيگنال ها را تلفيق و با دقت بالايي در پيش بيني وضعيت ابزار استفاده نمود.

Currently, most of the available tool wear condition monitoring systems are based on the signal features quantities that are correlated with tool wear. The evaluation of tool wear based on one sensor is not reliable because the measured features depends not only on tool wear but also on other process parameters and random disturbances. For solving this problem, multi sensor data fusion is used to combine disparate sensory data. The obtained information are more accurate and reliable. In this research, combination of vision, current, strain and vibration sensors for predicting flank wear land is proposed. An optimized adaptive neuro-fuzzy inference system (ANFIS) model is developed to fuse the surface image, motor current, strain and vibration signal features. The structure of proposed ANFIS model has four inputs and one output. The inputs of the model are entropy of surface image (which is filtered by undecimated wavelet transform), time-frequency marginal integral of the motor current, Shannon entropy of strain and Shannon entropy of vibration signals, while output of the model is the flank wear. The results showed that the optimized ANFIS model can be used to fuse the signal features and predict tool flank wear with high accuracy.