بخشی از مقاله
چکیده
در این مقاله به تحلیل یک الگوریتم شبکه عصبی خودسازمان ده - SOM - برای طبقه بندی و شناسایی فرم تراشه با استفاده از داده های حسگر نیروی برش جمع آوری شده از طریق نظارت حس گرآزمایشی طی عملیات تراشکاری طولی می پردازد.
روش شبکه عصبی خودسازمان ده - SOM - باعث تسهیل تجسم داده های عددی چند بعدی می شود مشخصه های ویژه سیگنال های نیروی برش جهت ساخت بردارهای الگو به کار می روند که باعث شناسایی فرم تراشه می شود.
نتایج شبیه سازی نشان می دهند که تکنیک شبکه عصبی خودسازمان ده - SOM - هنگام استفاده از کل سه مولفه نیروی برش Fc - وFf و - Fp با همدیگر بهتر عمل می کنند علاوه بر این پس از اصلاح بردارهای داده مبهم یک نتیجه بسیار موفقیت آمیز برای شناسایی و تشخیص فرم تراشه بدست میآید.
-1 مقدمه
تمایل و گرایش کنونی در براده برداری به سمت رسیدن به میزان بالاتر برداشت ماده با درجات بالای اتوماسیون در سیستم های تولیدی می باشد.این امر مستلزم ارائه و توسعه فرآیندهای براده برداری می باشدیکی از جنبه های تاثیرگذار بر کارایی فرآیندهای براده برداری نظارت و کنترل بر فرم تراشه - براده - می باشد. تغییرات نرمال و طبیعی شرایط فرآیند، بدلیل تغییر درونی مشخصه های ماده کار انبساط حرارتی ایجاد فرسودگی ابزار و غیره می توانند باعث تغییرات فرم یا شکل تراشه طی عملیات براده برداری شوند.
مشکلات در تکمیل سطح، دقت قطعه کار و عمر ابزار می توانند ناشی از تغییرات جزئی در فرم های تراشه باشند. علاوه بر این اشکال غیرقابل قبول تراشه می توانند باعث آسیب و صدمه بر اپراتورها و ابزار برش، قطعات کار و ماشین ها شوند. همه این تاثیرات منفی میتوانند به هزینه های اضافی منجر شوند - بدلیل قطعات قراضه، زمان از دست رفته در براده برداری و تاخیر در تحویل قطعه - بنابراین کنترل و نظارت بر فرم تراشه موثر مورد نیاز است تا امکان شکل گیری اشکال مطلوب تراشه را فراهم کنند. این اشکال میتوانند به آسانی و به طور موثق از منطقه کار استخراج تخلیه شوند.این امر در بهبود اعتبار و اطمینان فرایند براده برداری تولید سطوح ماشینی شده با کیفیت، افزایش بهره وری و قدرت تولید و ارتقای ایمنی عملیات - شامل ایمنی اپراتور - و حفاظت از ابزار و ماشین ها نقش دارد.
به منظور کنترل و نظارت بلادرنگ بر فرم تراشه روش های حس گر محور به طور جامع به عنوان راه حل های نویدبخشی پذیرفته شده اند. حسگرها جهت تشخیص اطلاعات بلادرنگ نیروی برش تشدید شده و انتشار صوتی و ارتعاش به کار می روند. این دادههای حسی بلادرنگ نقش چشمگیری را در مشاهده عینی و کنترل عملیات براده برداری ایفا می کنند. بنابراین استخراج و کسب اطلاعات و بدست آوردن دیدگاهی از جزئیات و استنباط-های مربوطه به دادههای حسی به عنوان وظایف چالش برانگیز و مفیدی تلقی شده اند.یک موضوع اصلی در بدست آوردن استنباط ها و نتایج از سیگنال های حس گر، دستیابی یه یک طبقه بندی شفاف و دسته بندی پارامترهای ویژه از سیگنال های حسی می باشد
- الگوریتم کاربردی:
الگوریتم شبکه عصبی خود سازمان ده - SOM - با یک طبقهبندی فرم تراشه به همراه یک مطالعه مقایسهای از تکنیک تجسم دو بعدی و تکنیک نمایش دادهای شبکه عصبی خود سازمان ده - SOM - محور نشان داده میشود چهار مطالعه موردی در این مقاله بررسی شدند: در سه مطالعه موردی اول - مورد اول، دوم و سوم - ، مولفههای نیروی برش Fc - وFf و - Fp به طور جداگانه به کار میروند در مطالعه موردی آخر - مورد چهارم - هر سه مولفه نیروی برش به طور مشترک به کار می روند.
یک مطالعه مقایسه ای از تشخیص و شناسایی فرم تراشه برای کل چهار مطالعه موردی یا به همراه روش های اصلاح داده اجرا شده اند. علاوه بر این الگوریتم شبکه عصبی خود سازمان ده - SOM - به صورت ابزار قدرتمندی جهت شناسایی بردارهای داده مبهم به کار می روند - بردارهای موجود در دو یا سه دسته فرم تراشه - شناسایی و تشخیص نمونههای داده مبهم یک نقش اساسی را در اصلاح و آنالیز مجموعههای داده ایفا می کند - بوسیله فراهم کردن استنباطها و نتایج اضافی در مورد نقاط حساس همپوشانی دسته ای - .
-2 روشهای آزمایشگاهی
سیگنالهای سنسورهای نیروی برش به صورت موضوعی از فعالیتهای کارگروهی بدست آمده اند - با گردش نوبت طبق نظارت حس گر از فرم تراشه طی براده برداری - به ویژه فرآیند برش، یک تراشکاری طولی از فولاد C45 - AISI 1045 - به همراه ابزار کار بیداند و ده - TNMG 332 4025 - و شرایط متغیر برش محسوب میشود که فرم های مختلف تراشه را ارائه میدهد، این فرمها طبق استاندارد Iso 3685 - جدول - 1-1 به صورت گره خورده، کوتاه و مارپیچی کوتاه طبقه بندی می شوند.[3] پارامترهای برش به کار رفته برای تستهای آزمایشی بدین صورت بودند :
- سرعت برش:m/min 150,250
- میزان تغذیه:mm/rev35/30,0/20,0/10,0/0
- عمق برش:mm1,1.2,1.3,1.4
طی تست های تراشکاری، سه مولفه نیروی برش عبارتند از:
-Fc نیروی برشی-Ff نیروی تغذیه -Fp نیروی شعاعی ابزار که با استفاده از دیناموتر kistler پیزو الکتریکی سه کانالی - A9257 - اندازه گیری شدند.سیگنال های مولفه نیروی برش در 2500 هرتز به مدت سه ثانیه،دیجیتالی شدند - با ارائه یک توالی داده به 7500 تکرار - .
-3 طبقه بندی و دسته بندی داده با استفاده از شبکه عصبی SOM
یک SOM می تواند به عنوان یک صحنه دو بعدی تلقی شود که در آن مشخصه های موردی طبقه بندی می شوند به طوری که آنهایی که مشخصه های مشترک و مرتبطی دارند در منطقه یکسانی از نقشه واقع می شوند یک نقشه SOM بوسیله شبکه ای از نورونها - معروف به گرهها یا واحدها - تشکیل میشود که بر جایگیری بردارهای محرک ها نظارت دارند. یک محرک برداری با بعد d است که مورد طبقه بندی شده را توضیح می دهد. هر واحد از شبکه به بردار ورودی محرک مرتبط است - از طریق سیناپسهای m به وزن - w بنابراین هرواحد به بردار بعد mمرتبط است که شامل وزن w می شود.
همچون هر NN دیگر استفاده از نقشه1 کوهونن دو مرحله را دنبال می کند:مرحله آموزشی و مرحله تست با آزمایشی. در حین آموزش،بردارهای ورودی متعاقباً در NN نشان داده می شود و وزنهای اتصالات تغییر می-یابند. دادههای ورودی به طور مکرر تا زمان همگرا شدن NN به کار می روند در حین تست و آزمایش وزنها تغییر نمیکنند و خروجی NN به صورت واکنش در برابر دادههای ورودی مفروض به کار می رود.
یک لایه کوهونن آرایهای از نورونها است به صورت یک بعدی، دو بعدی یا بیشتر است که نمونه ای از آن را در شکل فوق مشاهده مینمائید.
در فاز یادگیری هر یک از واحدها فاصلهی بردار ورودی X تا وزنهای خود را به صورت زیر محاسبه می کنند.
که D تابع سنجش فاصله است و میتوان هر یک از توابع مرسوم برای سنجش فاصله را استفاده نمود، مثلا فاصلهی کمان کروی زاویهی بین u و =v یا فاصله ی اقلیدسی D - u,v - =|u-v را میتوان استفاده نمود. واحدها با این محاسبه میخواهند بدانند نزدیکترین بردار وزن به x را دارند یا نه که این همان بخش رقابتی در اینگونه از شبکهها می-باشد.
واحد دارای نزدیکترین وزن به بردار ورودی، برنده این مرحله از رقابت خواهد بود که برای آن Zi مربوطه برابر 1 قرار داده میشود و سایر Zi ها برابر صفر خواهند بود.
