استخراج زبری سطح بر مبنای تجزیه مود تجربی برای سطوح بدون الگوی مشخص ماشینکاری

زبری سطح عمدتاً تحت تاثیر عوامل مختلف ماشینکاری مانند اصطکاک بین ابزار برش و سطح قطعه‌کار ، تغییر شکل پلاستیک در حین برش فلز و لرزش‌های فرکانس بالا ناشی می‌شود. در این راستا روش‌های گوناگونی برای جداسازی زبری سطوح به منظور اندازه‌گیری پارامترهای زبری آنها ارائه شده‌اند که مهمترین آنها فیلتر گاوسی می‌باشد که به صورت گسترده در مطالعات مورد استفاده قرار می‌گیرد. در پژوهش حاضر یک روش نوین برای جداسازی پروفیل زبری سطوح با ترکیب تجزیه مود تجربی و تبدیل فوریه سریع ارائه شده است. تجزیه مود تجربی یکی از روش‌های پردازش سیگنال است که سیگنال اصلی را به توابع پایه تشکیل‌دهنده آن که توابع مود ذاتی نامیده می‌شوند، تجزیه می‌کند. روش پیشنهادی روی پروفیل‌های استاندارد بدست آمده از سطوح ماشینکاری شده با تخلیه الکتریکی اعمال شده و دو پارامتر مهم زبری اندازه‌گیری شده‌اند. این روش برخلاف  سایر روش‌ها خود تطبیق بوده و نیازی به توابع پیش‌فرض تعیین شده ندارد. نتایج بدست آمده برای این روش با نتایج ارائه شده توسط مرجع مقایسه شده‌اند که نشان می‌دهد روش جدید بیان شده عملکرد بسیار خوبی در جداسازی پروفیل زبری سطوح دارد. این روش همچنین پروفیل موج سطح و دامنه نوسانات آنها را نسبت به فیلتر گاوسی بهتر تخمین می‌زند.

surface roughness extraction based on empirical mode decomposition for surfaces without specific machining pattern

surface roughness is mainly caused by various machining factors such as friction between the cutting tool and workpiece surface,plastic deformation during metal cutting, and high-frequency vibrations. in this regard, various methods have been proposed to separate the roughness of surfaces to measure their roughness parameters. gaussian filter is one of the standard methods which is widely used in various studies. in this research, a new method for separating the roughness profile of surfaces by combining empirical mode decomposition and fast fourier transformation is presented. empirical mode decomposition is one of the signal processing methods that decomposes the original signal into its constituent basic functions, which are called intrinsic mode functions. the proposed method was applied to standard profiles obtained from machined surfaces with electric discharge machining and two important roughness parameters were measured. unlike other methods, this method is self-adjusting and does not require default functions. the results obtained for this method have been compared with the results presented by the reference, which shows that the newly stated method has an appropriate performance in separating the surface roughness profile. additionally, the presented method estimates the waviness profile of the surface and their fluctuations better than the gaussian filter.