در حال حاضر بیشتر سیستمهای پایش وضعیت سایش ابزار براده برداری مبتنی بر مقادیر مشخصههایی از سیگنال که مرتبط با سایش ابزار هستند میباشند. ارزیابی وضعیت ابزار براساس مشخصههای سیگنال یک حسگر قابل اطمینان نمیباشد زیرا مشخصه بهدست آمده از سیگنال یک حسگر علاوه بر سایش ابزار به سایر عوامل غیر مرتبط با سایش ابزار مانند پارامترهای فرآیند و اغتشاشات تصادفی نیز وابسته است. راه حل این مساله، تلفیق دادههای چند حسگر غیرمتجانس میباشد. اطلاعات بهدستآمده از این روش کاملتر و دارای دقت و قابلیت اطمینان بالاتری است. در این تحقیق، ترکیب حسگرهای بینایی، جریان، کرنش و ارتعاشات بهمنظور پیشبینی وضعیت سایش سطح آزاد ابزار پیشنهاد شده است. مدل سیستم استنتاج عصبی فازی تطبیقی (ANFIS) بهینه شده جهت تلفیق مشخصههای سیگنال بافت سطح، جریان موتور، کرنش و ارتعاشات توسعه شده است. ساختار مدل ANFIS پیشنهادی دارای چهار ورودی و یک خروجی میباشد. ورودیهای مدل شامل بی نظمی بافت سطح قطعهکار (که توسط تبدیل موجک فیلتر شده)، انتگرال حاشیهای زمان فرکانس سیگنال جریان موتور اسپیندل و بی نظمی شانون سیگنالهای کرنش و ارتعاشات ابزار میباشد. نتایج بهدستآمده نشان داد با استفاده از مدل ANFIS بهینه شده میتوان مشخصههای سیگنالها را تلفیق و با دقت بالایی در پیشبینی وضعیت ابزار استفاده نمود.
Duro, J. A., Padget, J. A., Bowen, C. R., Kim, H. A., and Nassehi, A. “Multi-Sensor Data Fusion Framework for CNC Machining Monitoring”, Mechanical Systems and Signal Processing , Vol. 66-67, pp. 505–520, 2016.##
Nouri, M., Fussell, B. K., Ziniti, B. L., and Linder, E. “Real-Time Tool Wear Monitoring in Milling Using a Cutting Condition Independent Method”, International Journal of Machine Tools & Manufacture, Vol. 89, PP. 1–13, 2015.##
Teti, R., Jemielniak, K., and Dornfeld, G. O. D. “Advanced Monitoring of Machining Operations”, CIRP Annals - Manufacturing Technology, Vol. 59, pp. 717–739, 2010.##
Dutta, S., Pal, S.K., Mukhopadhyay S., and Sen, R. “Application of Digital Image Processing in Tool Condition Monitoring: A review”, CIRP Journal of Manufacturing Science and Technology, Vol. 6, pp. 212–232, 2013.##
Jaramillo,V. H., Ottewill, J. R., Dudek, R., Lepiarczyk, D., and Pawlik, P. “Condition Monitoring of Distributed Systems Using Two-Stage Bayesian Inference Data Fusion”, Vol. 87, pp. 91–110, 2017.##
Asibu, E. K., Yum, J., and Kim, T. H. “Monitoring Tool Wear Using Classifier Fusion”, Mechanical Systems and Signal Processing, Vol. 85, pp. 651–661, 2017.##
Abdulshahed, A. M., Longstaff, A. P. and Fletcher, S. “The Application of ANFIS Prediction Models for Thermal Error Compensation on CNC Machine Tools”, Applied Soft Computing, Vol. 27, pp. 158–168, 2015.##
Beruvides, G., Castaño, F., Quiza, R., and Haber, R. E. “Surface Roughness Modeling and Optimization of Tungsten–Copper Alloys in Micro-Milling Processes”, Measurement, Vol. 86, pp. 246–252, 2016.##
Jovi´c, S., Arsi´c, N., Vukojevi´c, V., Anicic, O., and Vujiˇci´c, S. “Determination of the Important Machining Parameters on the Chipshape Classification by Adaptive Neuro-Fuzzy Technique”, Precision Engineering, In press, 2016.##
Danesh, S., Farnoosh, R., and Razzaghnia, T. “Fuzzy Nonparametric Regression Based on Adaptive Neuro Fuzzy Inference System”, Neurocomputing, Vol.173, pp.1450-1460, 2016.##
Danesh, S. “Fuzzy Parameters Estimation via Hybrid Methods”, Hacettepe Journal of Mathematics and Statistics, impress, Doi: 10.15672/HJMS.201614621831.##
Sifuzzaman, M., Islam, M.R., and Ali, M.Z. “Application of Wavelet Transform and Its Advantages Compared to Fourier Transform”, Journal of Physical Sciences, Vol. 13, pp. 121-134, 2009.##
Danesh, M., and Khalili, K. “Determination of Tool Wear in Turning Process Using Undecimated Wavelet Transform and Textural Features”, Procedia Technology, Vol. 19, pp. 98-105, 2015.##
Khalili, K. and Danesh, M. “Identification of Vibration Level in Metal Cutting Using Undecimated Wavelet Transform and Gray-Level Co-Occurrence Matrix Texture Features”, Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, Vol. 229, pp. 205-213, 2015.##
Julesz, B., Gilbert, E., Shepp, L., and Frisch, H. “Inability of Humans to Discriminate between Visual Textures that Agree in Second-Order Statistics Revisited”, Perception, Vol. 2, pp. 391–405, 1973.##
Haralick, H., Shanmugam, K., and Dinstein, I. “Textural Features for Image Classification”, IEEE Trans. Syst. Man. Cybern., Vol. 3, No. 6, pp. 610–621, 1973.##
Dutta, S., Datta, A., Chakladar, N., et al. “Detection of Tool Condition from the Turned Surface Images Using an Accurate Grey Level Co-Occurrence Technique”, Precision Engineering, Vol. 36, pp. 458–466, 2012.##
Alegre, E., Barreiro, J., and Suarez-Castrillon, S.A. “A New Improved Laws-Based Descriptor for Surface Roughness Evaluation”, Int. J. Mach. Tool Manu., Vol. 59, pp. 605–615, 2012.##
Byrne, G., Dornfeld, D., Inasaki, I., Ko¨ nig, W., and Teti, R. “Tool Condition Monitoring – The Status of Research and Industrial Application”, CIRP Annals, Vol. 44, No.2, pp. 541–567, 1995.##
Jesus, R. T. R., Gilberto, H. R. I,van, T. V. and Carlos, J. C. J. “Driver Current Analysis for Sensorless Tool Breakage Monitoring of CNC Milling Machines”, International Journal of Machine Tools & Manufacture, Vol. 43, pp. 1529–1534, 2003.##
Danesh, M., and Khalili, K. “Tool Wear Condition Monitoring Using Time-Frequency Marginal Integral of Motor Current Signal”, Modares Mechanical Engineering, Vol. 14, No. 16, pp. 181-189, 2015. (in Persian)##
Dimla, E., and Dimla, S. “Sensor Signals for Tool-Wear Monitoring in Metal Cutting Operations—a Review of Methods”, International Journal of Machine Tools & Manufacture, Vol. 40, pp. 1073–1098, 2006.##
Dimla, D.E., Lister, P.M. “On-Line Metal Cutting Tool Condition Monitoring. I: Force and Vibration Analyses”, International Journal of Machine Tools & Manufacture,Vol. 40, pp. 739–768, 2000.##
Rizal, M. , Ghani, J. A., Nuawi, M. Z., Hassan, C., and Haron, C. “Online Tool Wear Prediction System in the Turning Process Using an Adaptive”, Applied Soft Computing, Vol.13, pp. 1960–1968, 2013.##
Schefer C., “Monitoring of Tool Wear in Turning Operations Using Vibration Measurements”, Msc thesis, University of Pretoria,1999.##
Jang, J.S.R. “ANFIS: Adaptive-Network-Based Fuzzy Inference System”, IEEE Trans Syst Man Cyber, Vol. 23, No. 3, PP.665-685, 1992.##
Jang, J.S.R. “Self-learning Fuzzy Controllers Based on Temporal Back-Bropagation”, IEEE Transactions on Neural Network, Vol.3, pp. 714-723, 1992.##
Kennedy, J. and Eberhart, R.C. “Particle Swarm Optimization”; Proceedings of the IEEE international conference on neural networks 1995.##
Meissner, M., Schmuker, M., and Schneider, G. “Optimized Particle Swarm Optimization (OPSO) and Its Application to Artificial Neural Network Training”, BMC Bioinformatics, Vol.7 , 2006.##
Mitchell, M. “An Introduction to Genetic Algorithms”, MIT Press, Cambridge, MA, 1996.##
Beasley, D., Bull D., and Martin, R. “An Overview of Genetic Algorithms: Part 1, Fundamentals”, University of Cardiff, Cardiff, 1993.##
Beasley, D., Bull, D., and Martin, R. “An Overview of Genetic Algorithms: Part 2, Research Topics”, University of Cardiff, Cardiff, 1993.##
Socha K. and Dorigo, M. “Ant Colony Optimization for Continuous Domains.”, European J. of Operational Research, Vol.185 No.3, PP. 1155-1173, 2008.##
Box, G. E. P., and Muller, M. E. “A Note on the Generation of Random Normal Deviates”, Annals of Math. Statistics, Vol.29 No. 2, PP. 610-611, 1958.##
دانش, مهدی, دانش, صدیقه, & خلیلی, خلیل. (1398). تلفیق حسگرها در سامانه پایش وضعیت ابزار با استفاده از سیستم استنتاج عصبی- فازی تطبیقی بهینه‌شده. مکانیک هوافضا, 15(2), 103-118.
MLA
مهدی دانش; صدیقه دانش; خلیل خلیلی. "تلفیق حسگرها در سامانه پایش وضعیت ابزار با استفاده از سیستم استنتاج عصبی- فازی تطبیقی بهینه‌شده". مکانیک هوافضا, 15, 2, 1398, 103-118.
HARVARD
دانش, مهدی, دانش, صدیقه, خلیلی, خلیل. (1398). 'تلفیق حسگرها در سامانه پایش وضعیت ابزار با استفاده از سیستم استنتاج عصبی- فازی تطبیقی بهینه‌شده', مکانیک هوافضا, 15(2), pp. 103-118.
VANCOUVER
دانش, مهدی, دانش, صدیقه, خلیلی, خلیل. تلفیق حسگرها در سامانه پایش وضعیت ابزار با استفاده از سیستم استنتاج عصبی- فازی تطبیقی بهینه‌شده. مکانیک هوافضا, 1398; 15(2): 103-118.
)
