پيش بيني سايش ابزار ماشين فرز با استفاده از سيگنال جريان موتور پيشروي به كمك شبكه عصبي مصنوعي و سامانه فازي- عصبي

Milling Tool Wear Prediction by Feed Motor Current Signal using MLPs and ANFIS

سايش لبه ابزار كيفيت قطعات توليدي، قابليت اطمينان و بهره وري را در فرايند توليد كاهش مي دهد به اين دليل پايش وضعيت ابزار براي جلوگيري از شكست در هر لحظه ضروري است. متاسفانه هيچ روش مستقيمي براي اندازه گيري سايش ابزار وجود ندارد. در روش غير مستقيم، سايش با اندازه گيري پارامترهاي فيزيكي در طول فرايند ماشين كاري مانند ارتعاش، جريان، نيروي برشي و... اندازه گيري مي شود. در اين مقاله شبكه عصبي چندلايه (MLP) با الگوريتم پس انتشار و سامانه استنتاج تطبيقي فازي- عصبي (ANFIS) براي پيش بيني سايش ابزار در فرزكاري به كار گرفته شده است. بدين منظور يك سري آزمايش، توسط ماشين فرز روي قطعه كار انجام شد. مشاهده شد كه با افزايش سايش ابزار، جريان مصرفي موتور پيشروي افزايش پيدا مي كند. همچنين در اين مطالعه تاثير سايش ابزار، مقدار پيشروي و عمق بار بر جريان مصرفي موتور پيشروي بررسي و كارايي دو شبكه عصبي و انفيس در تشخيص مقدار سايش و شكست ابزار مقايسه شده است. نتايج نشان داد كه براي 86 مورد اندازه گيري شده، انفيس و شبكه عصبي به طور ميانگين داراي 92 و 84 درصد موفقيت در تشخيص درست ميزان سايش و شكست ابزار بودند. از آن جايي كه انفيس در مقايسه با شبكه عصبي در طبقه بندي سايش ابزار نتايج بهتر و قابل قبول تري ارائه مي دهد، مي تواند به عنوان روشي مناسب براي تشخيص هوشمند سايش ابزار به كار برده شود.

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 prevent any deterioration. Unfortunately, there is no direct method to measure the cutting tool wear on-line. Consequently, an indirect method can be adopted where wear will be estimated from the measurement of one or more physical parameters appearing during the machining 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