توسعه مدل پیش بینی کننده زبری سطح با استفاده از شبکه عمیق پیچشی

زبری سطحی قطعات ماشین کاری شده یکی از پارامترهای مهم برای نشان دادن کیفیت سطح است که پارامترهای گسترده ای در آن تاثیر می گذارد. این گزارش یک چارچوب پیش بینی و طبقه بندی زبری سطح در قطعات فرزکاری است که با استفاده از تکنیک های یادگیری عمیق بر روی داده ها، مدلی برای پیش بینی و کلاسه بندی مقادیر زبری سطح ارائه می دهد. در مجموع از داده های ۱۶۲ آزمایش برای سه آلیاژ آلومینیوم ۷۰۷۵، ۶۰۶۱ و ۲۰۲۴ استفاده شده است که شامل سرعت برشی، عمق برش، نوع پوشش ابزار، نرخ پیشروی ابزار و خروجی زبری سطح است. در این مقاله، سیگنال های نشر آوایی ضبط شده در طول آزمایش های فرزکاری به تصاویر دوبعدی تبدیل و به شبکه های عصبی پیچشی مانند رزنت ۱۸، شافل نت، موبایل نت و CNN-LSTM به عنوان ورودی داده شده اند. چهار روش کدگذاری برای تبدیل سیگنال های سری زمانی به عکس های دوبعدی استفاده شده است. روش انباشت کانال های جایگشت شده بادقت بالای ۹۸٪ در بیشتر مدل ها بهترین عملکرد را دارد. همچنین با افزایش تعداد کلاس ها به بررسی مقادیر دقت در چهار روش ذکر شده پرداخته شده است. شبکه شافل نت و موبایل نت با دقت ۹۶-۹۹٪ و هزینه محاسباتی کم، یکی از مدل های مناسب برای نظارت بلادرنگ می تواند استفاده شود. کارایی روش ها در شبکه های گفته شده نیز تحت دو سطح نویز ۴۰% و ۸۰% در دو حالت نویز میانگین صفر و نویز با میانگین غیر صفر سنجیده شد.

کلیدواژه ها:

ماشین کاری ، یادگیری عمیق ، زبری سطح ، نشر آوایی