استفاده از روش‌هاي هوشمند در تشخيص آنلاين مقدار سايش ابزار در هنگام فرزكاري با استفاده از تحليل ارتعاشات

Online diagnosis of tool wear in milling operation using vibration analysis and intelligent methods

موضوع تشخيص مقدار سايش و شكست ابزار در حين عمليات ماشين‌كاري، يكي از مسايل مهم در كنترل و بهينه‌سازي فرايند ماشين‌كاري اتوماتيك است. در اين مطالعه، ارتباط بين سايش ابزار با ارتعاش در دو جهت ماشين‌كاري و عمود بر جهت ماشين‌كاري در هنگام ‌فرز‌كاري بررسي مي‌شود. بدين منظور يك سري آزمايش‌ها با ماشين‌فرز عمودي انجام شد. ابزار ساخت شركت سندويك و قطعه‌كار از جنس 45 CKانتخاب شد. براي اندازه‌گيري مقدار سايش از يك ميكروسكوب استفاده گرديد. هدف از اين تحقيق، استفاده از ساختار هوشمند شبكه عصبي (MLP) و سيستم استنتاج تطبيقي فازي- عصبي (ANFIS) در طبقه‌بندي و تشخيص مقدار سايش و شكست ابزار است. در اين تحقيق براي اولين بار براي طبقه‌بندي و پيش‌بيني دقيق حالت سايش و شكست ابزار از پنج مرحله سايش ابزار استفاده شده است. در اين تحقيق، با استفاده از تكنيك آناليز اجزاي اصلي (PCA) ابعاد ماتريس ورودي در حد مطلوب كاهش يافت. جهت دست يابي به هدف فوق، شبكه هاي مذكور با استفاده از بردارهاي ويژگي و مشخصات استخراج شده از طيف هاي فركانسي و سيگنال‌هاي زماني، آموزش ديدند. نتايج نشان داد كه براي 86 مورد اندازه گيري نهايي، شبكه‌هاي ANFIS و MLP به ترتيب داراي ميانگين 91 و 82 درصد موفقيت در تشخيص درست مقدار سايش و شكست ابزار بودند. از آنجايي كه شبكه فازي- عصبي در مقايسه با شبكه عصبي در طبقه‌بندي عيوب، نتايج بهتر و قابل قبول‌تري ارايه مي‌دهد، مي‌تواند به عنوان روشي مناسب در جهت تشخيص هوشمند سايش ابزار بكار برده شود.

Detection of tool wear and breakage during machining operations is one of the major problems in control and optimization of the automatic machining process. In this study, the relationship between tool wear with vibration in the two directions, one in the machining direction and the other perpendicular to machining direction was investigated during face milling. For this purpose, a series of experiments were conducted in a vertical milling machine. An indexable sandvik insert and ck45 work piece were used in the experiments. Tool wear was measured by a microscope. It was observed that there was an increase in vibration amplitude with increasing tool wear. In this study adaptive neuro-fuzzy inference systems (ANFIS) and multi-layer perceptron neural network (MLPNN) were implemented for classification of tool wear. Moreover, for the first time five different states of tool wear were used for accurate tool wear classification. Also, accuracy and speed of the network Principle Component Analysis (PCA) was implemented. Using PCA, the input matrix size was reduced to an acceptable order causing more efficient networks. ANFIS and MLP were trained using feature vectors extracted from the spectrum frequency and time signals. The results showed that for 86 final measurements, the ANFIS and MLP networks were successful in classifying different tool wear states correctly for 91 and 82 percent, respectively. ANFIS, due to its high efficiency in diagnosing tool wear and breakage can be proposed as a proper technique for intelligent fault classification.