Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Giám sát tình trạng dụng cụ trong gia công kim loại: Một phương pháp mạng nơ-ron
Tóm tắt
Bài báo này thảo luận về việc áp dụng các kỹ thuật nhận dạng mẫu dựa trên mạng nơ-ron cho việc giám sát quá trình cắt kim loại. Ứng dụng cụ thể được xem xét là giám sát quá trình tình trạng của dụng cụ cắt. Giám sát tình trạng dụng cụ là một yếu tố tiên quyết quan trọng cho việc tự động hóa thành công quá trình cắt kim loại. Trong bài báo này, chúng tôi trình bày việc áp dụng các mô hình mạng nơ-ron có giám sát và không có giám sát để nhận dạng mẫu các đặc trưng tín hiệu cảm biến. Kỹ thuật có giám sát được sử dụng là thuật toán lan truyền ngược (backpropagation) và kỹ thuật không có giám sát được sử dụng là lý thuyết cộng hưởng thích nghi (Adaptive Resonance Theory - ART). Các kết quả hỗ trợ giả thuyết rằng, bất chấp độ chính xác phân loại xuất sắc của cả hai mạng, hệ thống không có giám sát có tiềm năng lớn hơn trong môi trường thực tế. Các lợi ích được thảo luận và một khung khổ để khai thác chúng trong các hệ thống giám sát tình trạng dụng cụ được trình bày.
Từ khóa
#giám sát tình trạng dụng cụ #processus cắt kim loại #mạng nơ-ron #nhận dạng mẫu #thuật toán lan truyền ngược #lý thuyết cộng hưởng thích nghiTài liệu tham khảo
Anderberg, M. (1973)Cluster Analysis for Applications, Academic Press, New York.
Andrews, G. and Tlusty, J. (1983) A critical review of sensors for unmanned machining.Annals of the CIRP,32, 563–72.
Barash, M. (1980) inComputer Integrated Manufacturing Systems, Kops, L. (ed.) ASME New York, pp. 37–50.
Burke, L. I. (1989)Automated identification of tool wear states in machining processes: an application of self-organizing neural networks, PhD thesis, University of California, Berkeley.
Burke, L. I. (1991) An unsupervised neural network approach to tool wear identification.IIE Transactions, in press.
Carpenter, G. A. and Grossberg, S. (1987) ART2: self-organization of stable category recognition codes for analog input patterns.Applied Optics,26, 4910–46.
Devijver, P. and Kittler, J. (1982)Pattern Recognition — A Statistical Approach. Prentice Hall, New Jersey.
Dornfeld, D. (1986) Acoustic emission monitoring for untended manufacturing, inProceedings of Japan-USA Symposium on Flexible Automation, JAACE, Osaka.
Dreyfus, S. E. (1989) Artificial neural networks, back propagation, and the Kelley-Bryson gradient procedure.Unpublished paper.
Grossberg, S. (1976) Adaptive pattern classification and universal recoding: I, Parallel development and coding of neural feature detectors.Biological Cybernetics,23, 121–34.
Grossberg, S. (1987) Competitive learning: from interactive activation to adaptive resonance.Cognitive Science,11, 23–63.
Hamstad, M. and Mukherjee, A. (1974) The dependence of acoustic emission on strain rate in 7075-T6 aluminum.Experimental Mechanics,January, 33–41.
Hatano, H. (1975) Quantitative measurements of acoustic emission related to its microscopic mechanisms.Journal of the Acoustical Society of America,57, 639–45.
Iwata, K. and Moriwaki, T. (1977) An application of acoustic emission to in process sensing of tool wear.Annals of the CIRP,26, 21–6.
Kannatey-Asibu, E. and Dornfeld, D. (1981) Quantitative relationships for acoustic emission from orthogonal metal cutting.ASME Journal of Engineering for Industry,103, 330–40.
LeCun, Y. (1985) A learning procedure for asymmetric threshold networks, inProceedings of Cognitiva, Paris.
Lippmann, R. (1987) An introduction to computing with neural, networks.IEEE ASSP Magazine,4, 4–21.
MacQueen, J. B. (1965) Some Methods for Classification and Analysis of Multivariate Observations, inProceedings of the Fifth Symposium on Mathematical and Statistical Probability, Berkeley, University of California Press, Berkeley, pp. 281–97.
Micheletti, G. F., Koenig, W. and Victor, H. R. (1976) In process tool wear sensors for cutting operations.Annals of the CIRP,25, 483–94.
Rangwala, S. (1988) Machining Process Characterization and Intelligent Tool Condition Monitoring using Acoustic Emission Signal Analysis, PhD thesis, University of California, Berkeley.
Rangwala, S. and Dornfeld, D. (1988) Integration of Sensors via Neural Networks for Detection of Tool Wear States, inProceedings of the Winter Annual Meeting of the ASME,PED 25, 109–20.
Rangwala, S. and Dornfeld, D. (1990) Sensor integration using neural networks for intelligent tool condition monitoring.Transactions of the ASME, Journal of Engineering for Industry,112, 219–27.
Rumelhart, D. and McClelland, J. (eds) (1986)Parallel Distributed Processing I. MIT Press, Cambridge, MA.
Rumelhart, D. and Zipser, D. (1985) Feature discovery by competitive learning.Cognitive Science,9, 75–112.
Taylor, F. (1906) On the art of cutting metals.Transactions of the ASME,28, 31.