پیش‌بینی سایش ابزار ماشین‌فرز با استفاده از سیگنال جریان موتور پیشروی به‌کمک شبکه ‌‌عصبی مصنوعی و سامانه‌ فازی– عصبی

سایش لبه ابزار کیفیت قطعات تولیدی، قابلیت اطمینان و بهره‌‌وری را در فرایند تولید کاهش می‌دهد به این دلیل پایش وضعیت ابزار برای جلوگیری از شکست در هر لحظه ضروری است. متاسفانه هیچ روش مستقیمی برای اندازه‌گیری سایش ابزار وجود ندارد. در روش غیر‌مستقیم،‌ سایش با اندازه‌گیری پارامترهای فیزیکی در طول فرایند ماشین‌کاری مانند ارتعاش، جریان، نیروی برشی و ... اندازه‌گیری می‌شود. در این مقاله شبکه عصبی چندلایه (mlp) با الگوریتم پس‌انتشار و سامانه استنتاج تطبیقی فازی عصبی (anfis) برای پیش‌‌بینی سایش ابزار در فرزکاری به کار گرفته شده است. بدین منظور یک سری آزمایش، توسط ماشین‌فرز روی قطعه‌کار انجام شد. مشاهده شد که با افزایش سایش ابزار، جریان مصرفی موتور پیشروی افزایش پیدا می‌کند. همچنین در این مطالعه تاثیر سایش ابزار، مقدار پیشروی و عمق بار بر جریان مصرفی موتور پیشروی بررسی و کارایی دو شبکه عصبی و انفیس در تشخیص مقدار سایش و شکست ابزار مقایسه شده است. نتایج نشان داد که برای 86 مورد اندازه‌گیری شده، انفیس و شبکه عصبی به طور میانگین دارای 92 و 84 درصد موفقیت در تشخیص درست میزان سایش و شکست ابزار بودند. از آن جایی که انفیس در مقایسه با شبکه عصبی در طبقه‌بندی سایش ابزار نتایج بهتر و قابل قبول‌تری ارائه می‌دهد، می‌تواند به عنوان روشی مناسب برای تشخیص هوشمند سایش ابزار به کار برده شود.

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

The cutting tool wear degrades the quality, reliability and productivity of the product in the manufacturing process. Accordingly, an online monitoring of the cutting tool wear level is essential to preventany deterioration. Unfortunately, there is no direct method to measure the cutting toolwear online. Consequently, an indirect method can be adopted where wear will be estimatedfrom the measurement of one or more physical parameters appearing during themachining process such as vibrations, electrical current, cutting force, etc.In this paper, two techniques namely Adaptive Neuro Fuzzy Inference System (ANFIS) and MultiLayer 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 intelligent fault detection of the tool wear and breakage due to its high efficiency in diagnosing wear and tool breakage.