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

Abstract

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 به­کار گرفته شده است. بدین منظور یک­سری 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 به­طور میانگین دارای 92 و 84 درصد موفقیت در تشخیص درست میزان سایش و شکست ابزار بودند. از آن­جایی که انفیس در مقایسه با شبکه عصبی در طبقه‌بندی سایش ابزار نتایج بهتر و قابل قبول‌تری ارائه می‌دهد، می‌تواند به­عنوان روشی مناسب برای تشخیص هوشمند سایش ابزار به­کار برده شود.