توسعه مدل پیش‌بینی کننده زبری سطح با استفاده از شبکه عمیق پیچشی

زبری سطحی قطعات ماشین‌کاری شده یکی از پارامترهای مهم برای نشان‌دادن کیفیت سطح است که پارامترهای گسترده‌ای در آن تاثیر می‌گذارد. این گزارش یک چارچوب پیش‌بینی و طبقه‌بندی زبری سطح در قطعات فرزکاری است که با استفاده از تکنیک‌های یادگیری عمیق بر روی داده‌ها، مدلی برای پیش‌بینی و کلاسه‌بندی مقادیر زبری سطح ارائه می‌دهد. در مجموع از داده‌های 162 آزمایش برای سه آلیاژ آلومینیوم 7075، 6061 و 2024 استفاده شده است که شامل سرعت برشی، عمق برش، نوع پوشش ابزار، نرخ پیشروی ابزار و خروجی زبری سطح است. در این مقاله، سیگنال‌های نشر آوایی ضبط شده در طول آزمایش‌های فرزکاری به تصاویر دوبعدی تبدیل و به شبکه‌های عصبی پیچشی مانند رزنت 18، شافل‌نت، موبایل‌نت و cnn-lstm به‌عنوان ورودی داده شده‌اند. چهار روش کدگذاری برای تبدیل سیگنال‌های سری زمانی به عکس‌های دوبعدی استفاده شده است. روش انباشت کانال‌های جایگشت شده بادقت بالای 98٪ در بیشتر مدل‌ها بهترین عملکرد را دارد. همچنین با افزایش تعداد کلاس‌ها به بررسی مقادیر دقت در چهار روش ذکر شده پرداخته شده است. شبکه شافل‌نت و موبایل‌نت با دقت 96-99٪ و هزینه محاسباتی کم، یکی از مدل‌های مناسب برای نظارت بلادرنگ می‌تواند استفاده شود. کارایی روش‌ها در شبکه‌های گفته شده نیز تحت دو سطح نویز 40% و 80% در دو حالت نویز میانگین صفر و نویز با میانگین غیر صفر سنجیده شد.

developing surface roughness prediction model using deep convolutional network

surface roughness of machined parts is a critical parameter indicating surface quality, influenced by various factors. this report presents a deep learning-based framework for predicting and classifying surface roughness in milled parts. the model was developed using data from 162 experiments on three aluminum alloys: 7075, 6061, and 2024, which included cutting speed, cutting depth, tool coating type, feed rate, and surface roughness output. in this study, acoustic emission signals recorded during milling experiments were converted into two-dimensional images and fed into convolutional neural networks such as resnet18, shufflenet, mobilenet and cnn-lstm. four encoding methods were used to convert time series signals into 2d images. the segmented stacked permuted channels (sspc) method achieved the best performance with an accuracy above 98% across most models. also, by increasing the number of classes, the accuracy values of the four mentioned methods have been investigated. shufflenet and mobilenet with an accuracy of 96-99% and low computational cost, is identified as suitable for real-time monitoring. the methods’ efficiency in the mentioned networks was also evaluated under two noise levels (40% and 80%) in both zero-mean noise and non-zero-mean noise scenarios.