Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán độ mòn dụng cụ và nhận diện mẫu bằng mạng nơ-ron nhân tạo và tính toán dựa trên DNA
Tóm tắt
Quản lý độ mòn dụng cụ là một vấn đề quan trọng liên quan đến tất cả các quy trình gia công vật liệu. Bài báo này đề cập đến việc ứng dụng hai kỹ thuật tính toán lấy cảm hứng từ tự nhiên, cụ thể là mạng nơ-ron nhân tạo (ANN) và tính toán dựa trên DNA (DBC) để quản lý độ mòn dụng cụ. Dữ liệu thực nghiệm (hình ảnh vùng mòn của dụng cụ cắt) đã được sử dụng để huấn luyện ANN và sau đó là thực hiện DBC. Kết quả cho thấy ANN có khả năng dự đoán mức độ mòn dụng cụ từ một tập hợp các hình ảnh mòn dụng cụ được xử lý theo một quy trình nhất định, trong khi DBC có khả năng xác định mức độ tương đồng/khác biệt giữa các hình ảnh đã được xử lý. Nghiên cứu sâu hơn có thể được thực hiện khi giải quyết các vấn đề phức tạp khác tích hợp ANN và DBC, trong đó cả dự đoán và nhận diện mẫu đều là hai vấn đề tính toán quan trọng cần phải được giải quyết đồng thời.
Từ khóa
Tài liệu tham khảo
Azmi, A. I. (2015). Monitoring of tool wear using measured machining forces and neuro-fuzzy modelling approaches during machining of GFRP composites. Advances in Engineering Software, 82, 53–64.
D’Addona, D. M., & Teti, R. (2013). Image data processing via neural networks for tool wear prediction. Procedia CIRP, 12, 252–257.
D’Addona, D., Segreto, T., Simeone, A., & Teti, R. (2011). ANN tool-wear modelling in the machining of nickel superalloy industrial products. CIRP Journal of Manufacturing Science and Technology, 4, 33–37.
D’Addona, D. M., Matarazzo, D., Di Foggia, M., Caramiello, C., & Iannuzzi, S. (2015a). Inclusion scraps control in aerospace blades production through cognitive paradigms. Procedia CIRP, 33, 322–327.
D’Addona, D. M., Matarazzo, D., Ullah, A. M. M. S., & Teti, R. (2015b). Tool wear control through cognitive paradigms. Procedia CIRP, 33, 221–226.
ISO/IEC. (1996). Information technology-vocabulary-part 16: Information theory. International Standard, ISO/IEC 2382/16:1996(E/F).
Jemielniak, K., Urbański, T., Kossakowska, J., & Bombiński, S. (2012). Tool condition monitoring based on numerous signal features. The International Journal of Advanced Manufacturing Technology, 59, 73–81.
Kassim, A. A., Mannan, M. A., & Jing, M. (2000). Machine tool condition monitoring using workpiece surface texture analysis. Machine Vision and Applications, 11, 257–263.
Kilundu, B., Dehombreux, P., & Chiementin, X. (2011). Tool wear monitoring by machine learning techniques and singular spectrum analysis. Mechanical Systems and Signal Processing, 25, 400–415.
Lanzetta, M. (2001). A new flexible high-resolution vision sensor for tool condition monitoring. Journal of Materials Processing Technology, 119, 73–82.
Li, X., Djordjevich, A., & Venuvinod, P. K. (2000). Current-sensor-based feed cutting force intelligent estimation and tool wear condition monitoring. IEEE Transactions on Industrial Electronics, 47, 697–702.
Li, X., & Zhejun, Y. (1998). Tool wear monitoring with wavelet packet transform fuzzy clustering method. Wear, 219, 145–154.
Lou, C. W., & Dong, M. C. (2015). A novel random fuzzy neural networks for tackling uncertainties of electric load forecasting. International Journal of Electrical Power and Energy Systems, 73, 34–44.
Masters, T. (1993). Practical neural network recipes in C++. San Diego: Academic Press.
Murata, M., Kurokawa, S., Ohnishi, O., Uneda, M., & Doi, T. (2012). Real-time evaluation of tool flank wear by in-process contact resistance measurement in face milling. Journal of Advanced Mechanical Design, Systems, and Manufacturing, 6, 958–970.
Nouri, M., Fussell, B. K., Ziniti, B. L., & Linder, E. (2015). Real-time tool wear monitoring in milling using a cutting condition independent method. International Journal of Machine Tools and Manufacture, 89, 1–13.
Pal, S., Heyns, P. S., Freyer, B. H., Theron, N. J., & Pal, S. K. (2011). Tool wear monitoring and selection of optimum cutting conditions with progressive tool wear effect and input uncertainties. Journal of Intelligent Manufacturing, 22, 491–504.
Patra, K., Pal, S. K., & Bhattacharyya, K. (2010). Fuzzy radial basis function (FRBF) network based tool condition monitoring system using vibration signals. Machining Science and Technology, 14, 280–300.
Penedo, F., Haber, R. E., Gajate, A., & del Toro, R. M. (2012). Hybrid incremental modeling based on least squares and fuzzy K-NN for monitoring tool wear in turning processes. IEEE Transactions on Industrial Informatics, 8, 811–818.
Prakash, M., & Kanthababu, M. (2013). In-process tool condition monitoring using acoustic emission sensor in microendmilling. Machining Science and Technology, 17, 209–227.
Ren, Q., Balazinski, M., Baron, L., Jemielniak, K., Botez, R., & Achiche, S. (2014). Type-2 fuzzy tool condition monitoring system based on acoustic emission in micromilling. Information Sciences, 255, 121–134.
Segreto, T., Simeone, A., & Teti, R. (2014). Principal component analysis for feature extraction and NN pattern recognition in sensor monitoring of chip form during turning. CIRP Journal of Manufacturing Science and Technology, 7, 202–209.
Shannon, C. E. (1948). A mathematical theory of communication. The Bell System Technical Journal, 27, 379-423 and 623-656.
Takuma, M., Shibasaka, T., Yamamoto, A., & Teshima, T. (1994). A study on tool management system in turning (1st report): Estimation of cutting tool life by processing image data with neural network. Journal of the Japan Society for Precision Engineering, 60, 723–727.
Tengeleng, S., & Armand, N. (2014). Performance of using cascade forward back propagation neural networks for estimating rain parameters with rain drop size distribution. Atmosphere, 5, 454.
Teshima, T., Shibasaka, T., Takuma, M., Yamamoto, A., & Iwata, K. (1993). Estimation of cutting tool life by processing tool image data with neural network. CIRP Annals Manufacturing Technology, 42, 59–62.
Teti, R., Jemielniak, K., O’Donnell, G., & Dornfeld, D. (2010). Advanced monitoring of machining operations. CIRP Annals Manufacturing Technology, 59, 717–739.
Ullah, A. M. M. S., Arai, N., & Watanabe, M. (2013). Concept map and internet-aided manufacturing. Procedia CIRP, 12, 378–383.
Ullah, A. M. M. S., D’Addona, D., & Arai, N. (2014). DNA based computing for understanding complex shapes. Biosystems, 117, 40–53.
Ullah, A. M. M. S. (2010). A DNA-based computing method for solving control chart pattern recognition problems. CIRP Journal of Manufacturing Science and Technology, 3, 293–303.
Wang, W. H., Hong, G. S., Wong, Y. S., & Zhu, K. P. (2007). Sensor fusion for online tool condition monitoring in milling. International Journal of Production Research, 45, 5095–5116.
Wang, G., Qian, L., & Guo, Z. (2013a). Continuous tool wear prediction based on Gaussian mixture regression model. The International Journal of Advanced Manufacturing Technology, 66, 1921–1929.
Wang, G., & Cui, Y. (2013b). On line tool wear monitoring based on auto associative neural network. Journal of Intelligent Manufacturing, 24, 1085–1094.
Wang, G., & Feng, X. (2013). Tool wear state recognition based on linear chain conditional random field model. Engineering Applications of Artificial Intelligence, 26, 1421–1427.
Wang, W. H., Wong, Y. S., & Hong, G. S. (2006a). 3D measurement of crater wear by phase shifting method. Wear, 261, 164–171.
Wang, W. H., Hong, G. S., & Wong, Y. S. (2006b). Flank wear measurement by a threshold independent method with sub-pixel accuracy. International Journal of Machine Tools and Manufacture, 46, 199–207.
Xu, J., Yamada, K., Seikiya, K., Tanaka, R., & Yamane, Y. (2014). Comparison of applying static and dynamic features for drill wear prediction. Journal of Advanced Mechanical Design, Systems, and Manufacturing, 8, JAMDSM0056.