دسته بندی سطوح با استفاده از الگوریتم یادگیری ماشین و شاخص زبری

در بسیاری از کاربردهای مهندسی، شناخت ویژگی های توپوگرافی و طبقه بندی سطوح براساس پارامترهای زبری نقشی اساسی در ارزیابی عملکرد، پیش بینی رفتار تماس و کنترل کیفیت فرآیندهای ساخت ایفا می کند. زبری سطح به عنوان یکی از مهم ترین مشخصه های هندسی بر پدیده هایی چون اصطکاک، سایش، آب بندی، انتقال حرارت و مقاومت خستگی تاثیر مستقیم دارد؛ ازاین رو تحلیل و تفکیک سطوح با ویژگی های آماری متفاوت برای بهینه سازی عملکرد اجزا ضروری است. در این پژوهش با استفاده از دو پارامتر طول همبستگی و ریشه میانگین ارتفاع مربعات سطوح مختلفی از پروفیل های مصنوعی با ویژگی های آماری کنترل شده، تولید شده و با استخراج پارامترهای زبری از روی پروفیل های تولیدی، یک رویکرد داده محور مبتنی بر الگوریتم یادگیری ماشین برای طبقه بندی سطوح توسعه یافته و مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که مدل پیشنهادی توانایی مطلوبی در تفکیک سطوح با توپوگرافی متفاوت داشته و پارامترهای زبری منتخب از قدرت تمایز بخشی مناسبی برخوردارند.

کلیدواژه ها:

زبری سطح ، فیلتر گاوسین ، یادگیری ماشین ، روش KNN