استفاده از سیگنال صوتی در پیش بینی سایش ابزار بکمک آنالیز موجک و شبکه عصبی مصنوعی

ابزارهای برشی در طول فرآیند ماشینکاری قطعات صنعتی، ممکن است ساییده شوند. برای جلوگیری از وارد شدن صدمه به قطعه کار در حین ماشینکاری خصوصا در عملیات پرداخت کاری نهایی لازم است ابزار برشی قبل از رسیدن اندازه ساییدگی به مقدار مشخص تعویض گردد. روش۔ های تشخیص سایش ابزار به صورت مستقیم و غیرمستقیم می باشد. امروزه روش های غیرمستقیم مانند آنالیز سیگنال های صوتی و ارتعاشی و درجه حرارت و غیره مورد توجه محققین قرار گرفته است. در این تحقیق از روش تحلیل صوت بدلیل فراهم آوردن حجم بالایی از اطلاعات و سهولت در اندازه گیری و کسب داده ها، و هزینه پایین استفاده شده است. در این پژوهش به بررسی تجربی یک سیستم تشخیص و طبقه بندی سایش ابزار برشی بروی دستگاه تراش با استفاده از آنالیز موجک و شبکه های عصبی مصنوعی پرداخته شده است. از سیگنال های صوتی دریافتی از طریق میکروفن نصب شده در نزدیکی محل تماس ابزار و قطعه کار، ابتدا بسته موجک از ضرایب سطح 4 و تبدیل موجک از ضرایب سطح 7، سپس انحراف معیار و میزان انرژی هر سیگنال به منظور استخراج وضعیت ابزار برشی استفاده شده است. این داده ها به عنوان نرونهای خروجی در پنج کلاس شبکه عصبی در نظر گرفته شده است. بهترین نتایج شبکه به ترتیب 95٪ برای بسته موجک و 97٪ برای تبدیل موجک در تشخیص مقدار سایش ابزار برای حالت پنج کلاس شامل کلاس های ابزار برشی سالم، فرسایش 30٪ ابزار برشی، فرسایش 50٪ ابزار برشی، فرسایش 70٪ ابزار برشی و ابزار برشی در حالت شکست برای کلاس پنجم در خروجی شبکه می باشد