اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,244
تعداد مقالات9,010
تعداد مشاهده مقاله7,870,847
تعداد دریافت فایل اصل مقاله4,720,735
ناصر نیا, ابراهیم, نوری خاجوی, مهرداد, رضائی, موسی. (1398). پیش‌بینی سایش ابزار ماشین‌فرز با استفاده از سیگنال جریان موتور پیشروی به‌کمک شبکه ‌‌عصبی مصنوعی و سامانه‌ فازی– عصبی. پدافند الکترونیکی و سایبری, 15(1), 51-62.
ابراهیم ناصر نیا; مهرداد نوری خاجوی; موسی رضائی. "پیش‌بینی سایش ابزار ماشین‌فرز با استفاده از سیگنال جریان موتور پیشروی به‌کمک شبکه ‌‌عصبی مصنوعی و سامانه‌ فازی– عصبی". پدافند الکترونیکی و سایبری, 15, 1, 1398, 51-62.
ناصر نیا, ابراهیم, نوری خاجوی, مهرداد, رضائی, موسی. (1398). 'پیش‌بینی سایش ابزار ماشین‌فرز با استفاده از سیگنال جریان موتور پیشروی به‌کمک شبکه ‌‌عصبی مصنوعی و سامانه‌ فازی– عصبی', پدافند الکترونیکی و سایبری, 15(1), pp. 51-62.
ناصر نیا, ابراهیم, نوری خاجوی, مهرداد, رضائی, موسی. پیش‌بینی سایش ابزار ماشین‌فرز با استفاده از سیگنال جریان موتور پیشروی به‌کمک شبکه ‌‌عصبی مصنوعی و سامانه‌ فازی– عصبی. پدافند الکترونیکی و سایبری, 1398; 15(1): 51-62.

پیش‌بینی سایش ابزار ماشین‌فرز با استفاده از سیگنال جریان موتور پیشروی به‌کمک شبکه ‌‌عصبی مصنوعی و سامانه‌ فازی– عصبی

مکانیک هوافضا
مقاله 5، دوره 15، شماره 1 - شماره پیاپی 55، اردیبهشت 1398، صفحه 51-62    اصل مقاله (1.46 M)
نویسندگان
ابراهیم ناصر نیا1؛ مهرداد نوری خاجوی* 1؛ موسی رضائی2
1دانشکده مهندسی مکانیک دانشگاه تربیت دبیر شهید رجایی تهران
2دانشکده مهندسی مکانیک دانشگاه تبریز
تاریخ دریافت: 12 شهریور 1397،  تاریخ بازنگری: 30 بهمن 1397،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
سایش لبه ابزار کیفیت قطعات تولیدی، قابلیت اطمینان و بهره‌‌وری را در فرایند تولید کاهش می‌دهد به این دلیل پایش وضعیت ابزار برای جلوگیری از شکست در هر لحظه ضروری است. متاسفانه هیچ روش مستقیمی برای اندازه‌گیری سایش ابزار وجود ندارد. در روش غیر‌مستقیم،‌ سایش با اندازه‌گیری پارامترهای فیزیکی در طول فرایند ماشین‌کاری مانند ارتعاش، جریان، نیروی برشی و ... اندازه‌گیری می‌شود. در این مقاله شبکه عصبی چندلایه (MLP) با الگوریتم پس‌انتشار و سامانه استنتاج تطبیقی فازی- عصبی (ANFIS) برای پیش‌‌بینی سایش ابزار در فرزکاری به­کار گرفته شده است. بدین منظور یک­سری آزمایش، توسط ماشین‌فرز روی قطعه‌کار انجام شد. مشاهده شد که با افزایش سایش ابزار، جریان مصرفی موتور پیشروی افزایش پیدا می‌کند. همچنین در این مطالعه تاثیر سایش ابزار، مقدار پیشروی و عمق بار بر جریان مصرفی موتور پیشروی بررسی و کارایی دو شبکه عصبی و انفیس در تشخیص مقدار سایش و شکست ابزار مقایسه شده است. نتایج نشان داد که برای 86 مورد اندازه‌گیری شده، انفیس و شبکه عصبی به­طور میانگین دارای 92 و 84 درصد موفقیت در تشخیص درست میزان سایش و شکست ابزار بودند. از آن­جایی که انفیس در مقایسه با شبکه عصبی در طبقه‌بندی سایش ابزار نتایج بهتر و قابل قبول‌تری ارائه می‌دهد، می‌تواند به­عنوان روشی مناسب برای تشخیص هوشمند سایش ابزار به­کار برده شود.
کلیدواژه‌ها
سایش ابزار؛ جریان موتور؛ شبکه‌های عصبی چندلایه؛ سیستم استنتاج تطبیقی فازی- عصبی
عنوان مقاله [English]
Milling Tool Wear Prediction by Feed Motor Current Signal using MLPs and ANFIS
نویسندگان [English]
e n1؛ m n1؛ m r2
چکیده [English]
The cutting tool wear degrades the quality, reliability and productivity of the product in the manufacturing process. Accordingly, an on-line monitoring of the cutting tool wear level is essential to preventany deterioration. Unfortunately, there is no direct method to measure the cutting toolwear on-line. Consequently, an indirect method can be adopted where wear will be estimatedfrom the measurement of one or more physical parameters appearing during themachining process such as vibrations, electrical current, cutting force, etc.In this paper, two techniques namely Adaptive Neuro - Fuzzy Inference System (ANFIS) and Multi-Layer Perceptron (MLP) have been used for prediction of tool wear in face milling. For this purpose, a series of experiment is carried out on a milling machine. It is observed that there was an increase in the current amplitude with increasing the tool wear. Besides, the effects of tool wear, feed, and depth of cut on the current are analyzed. Comparison of the tool wear detection techniques shows 92% of correct tool wear detection for ANFIS and 84% for MLP. As a result, ANFIS can be proposed as proper technique for intelligent fault detection of the tool wear and breakage due to its high efficiency in diagnosing wear and tool breakage. 
کلیدواژه‌ها [English]
Tool Condition Monitoring, Tool Wear, Motor Current, Multi-Layer Neural Networks, Adaptive Neuro-Fuzzy Inference System
مراجع
  1. Patra, K., Pal, S. K., and Bhattacharyya, K. “Artificial Neural Network Based Prediction of Drill Flank Wear From Motor Current Signal”, Applied Soft Computing, Vol. 7, No. 3, pp. 929-935, 2007.##
  2. Ghani, J. A., Rizal, M., Nuawi, M. Z., Ghazali, M. J., and Haron, C. H. C. “Monitoring Online Cutting Tool Wear Using Low-cost Technique and User-friendly GUI”, Wear, Vol. 271, No's. 9-10, pp. 2619-2624, 2011.##
  3. Li, ‌X.‌, Tso, S. K., and Wang, J. “Real-Time Tool Condition Monitoring Using Wavelet Transforms and Fuzzy Techniques”, IEEE Transactions on systems, man, and cybernetics-part c: applications and reviews, Vol. 30, No. 3, 2000.##
  4. Sanjay, C., Neema, M. L., and Chin, C. W. “Modeling of Tool Wear in Drilling by Statistical Analysis and Artificial Neural Network”, Journal of Materials Processing Technology, Vol. 170, No. 3, pp. 494-500, 2005.##
  5. Singh, A. K., Panda, S. S., Pal, S. K., and Chakraborty, D. “Predicting Drill Wear Using an Artificial Neural Network”, Int. J. Adv. Manuf. Technol, Vol. 28, No's. 5- 6, pp. 456- 462, 2006.##
  6. Panda, S. S., Singh, A. K., Chakraborty, D., and Pal, S. K. “Drill Wear Monitoring Using Back propagation Neural Network”, Journal of Materials Processing Technology, Vol. 172, No. 2, pp. 283–290, 2006.##
  7. Panda, S. S., Chakraborty, D., and Pal, S. K. “Flank Wear Prediction in Drilling Using Back propagation Neural Network and Radial Basis Function Network”, Applied Soft Computing, Vol. 8, No. 2, pp. 858–871, 2008.##
  8. Patra, K. “Acoustic Emission based Tool Condition Monitoring System in Drilling”, Proceedings of the World Congress on Engineering, Vol. III, WCE 2011, London, U. K, July 6 – 8, 2011.##
  9. ‌Salgado, D. R., Alonso, F. J. “An Approach Based on Current and Sound Signals for In-process Tool Wear Monitoring”, International Journal of Machine Tools & Manufacture, Vol. 47, No. 14, pp. 2140–2152, 2007.##
  10. Sharma, V. S., Sharma, S. K., and Sharma, A. K. “Cutting Tool Wear Estimation for Turning”, J. Intell.   Manuf., Vol. 19, No. 1, pp. 99–108, 2008.##
  11. Natarajan, U., Saravanan, R., and Periasamy, V. M.”  Application of Particle Swarm Optimisation in Artificial Neural Network for the Prediction of Tool Life”, Int. J. Adv. Manuf. Technol., Vol. 28, No's. 9-10 pp. 1084–1088, 2006.##
  12. Ghosh, N., Ravi, Y. B., Patra, A., Mukhopadhyay, S., Paul, S., Mohanty, A. R., and Chattopadhyay, A. B. “Estimation of Tool Wear During CNC Milling Using Neural Network-based Sensor Fusion”, Mechanical Systems and Signal Processing, Vol. 21, No. 1, pp. 466-479, 2007.##
  13. Kartalopoulos, S. V. “Understanding Neural Networks and Fuzzy Logic: Basic Concepts and Applications”, Wiley-IEEE Press, 1996.##
  14. Jang, R. “ANFIS: Adaptive- Network-Based Fuzzy Inference System”, IEEE transactions on Systems, Man and Cybernetics, Vol. 23, No. 3, pp. 665-685, 1993.##
  15. Wang L. X. “A Course in Fuzzy Systems and Control”, Prentice Hall, Englewood Cliffs, New Jersy, 1997.##
  16. Jang J.S.R., Sun C.T., and Mizutani E. “Neuro-fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence”,  London, Prentice Hall, 1997.##
  17. Jang, R. and Sun, C. T. “Neuro-Fuzzy Modeling and Control”, IEEE Journals & Magazine, Vol. 83, No 3, pp. 378-406, 1995.##
آمار
تعداد مشاهده مقاله: 401
تعداد دریافت فایل اصل مقاله: 328