1
Prof. Krzysztof Jemielniak
k.jemielniak@wip.pw.edu.pl
http://www.zaoios.pw.edu.pl/kjemiel
ST 107, tel. 22 234 8656
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Wykład 8
Podejmowanie decyzji w układach AUMON
•
Diagnozowanie zużycia ostrza w oparciu o wiele miar sygnałów
•
logika rozmyta
•
algorytmy hierarchiczne
Automatyczne
Monitorowanie i
Nadzór Wytwarzania
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Integracja miar, diagnoza
sy
g
n
ały
czujniki
przetwarzanie
sygnałów
filtry, statystyka,
FFT, RMS,...
mi
ar
y
sy
g
nałów
AKCJA !
integracja miar,
diagnoza
rozkaz
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Podejmowanie decyzji w układach AUMON
• Diagnozowanie zużycia ostrza w oparciu o jedną
miarę
• układy komercyjne
• propozycje ZAOiOS
• Diagnozowanie zużycia ostrza w oparciu o wiele
miar sygnałów
• sieci neuronowe
• logika rozmyta
• algorytmy hierarchiczne
• Wykrywanie katastroficznego stępienia ostrza
• Rozpoznawanie postaci wiórów
• logika rozmyta
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Logika binarna (dwuwartościowa)
Jednym z podstawowych praw logiki klasycznej jest tzw. „prawo wyłączonego
środka" (łac.
tertium non datum
).
Jeśli jakieś stwierdzenie oznaczymy jako A, a jego zaprzeczenie jako ~A, to:
•
jedno z nich musi być prawdziwe:
A or ~A = 1 (prawda);
•
nie mogą być jednocześnie prawdziwe oraz nie mogą być jednocześnie
fałszywe:
A and ~A = 0 (fałsz);
Prawo wyłączonego środka jest prawdziwe, gdy stosujemy precyzyjne
określenia (symbole), ale nie jest prawdziwe, gdy symbole są mgliste,
niewyraźne, jakimi praktycznie są wszystkie określenia
"The law of the excluded middle is true when precise symbols are employed but it is
not true when symbols are vague, as, in fact, all symbols are” Bertrand Russell
("Vagueness". Australian J. Philosophy, 1,1923):
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Co to znaczy młody?
•
Generalnie za młodych uznaje się ludzi z przedziału od 0 do 20 lat.
•
Jeśli użyjemy precyzyjnych przedziałów (logiki binarnej) do
zdefiniowania ludzi młodych, wtedy osoba w dniu swoich 20 urodzin
jest nadal młoda (należy do zbioru).
•
Ale następnego dnia po swoich 20 urodzinach ta osoba jest już stara
(nie należy do zbioru).
wiek
20
młody
stary
Czyli jesteście Państwo starzy?!
Jakie jest na to lekarstwo?
Logika rozmyta (
fuzzy logic
)
tu: rozmycie granicy między ścisłym podziałem na młodych i starych
1
przynależność
do zbioru
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Czym jest logika rozmyta?
• Logika rozmyta (ang. fuzzy logic), jedna z logik
wielowartościowych (ang. multi-valued logic), stanowi
uogólnienie klasycznej dwuwartościowej logiki.
• Została zaproponowana przez Lotfi Zadeha (1973), jest
ściśle powiązana z jego teorią zbiorów rozmytych
(1965).
Lotfi Asker Zadeh
(Lotfi Aliaskerzadeh)
ur. 4 lutego 1921 w
Baku, Azerbejdżan)
automatyk amerykański
• Logika rozmyta stanowi rozszerzenie tradycyjnej logiki binarnej
• pozwala na opisywanie zjawisk fizycznych w sposób bardziej
naturalny dla człowieka,
• a zarazem zrozumiały dla układów sterowania maszynami
2
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Czym jest logika rozmyta?
• Logika rozmyta okazała się bardzo przydatna w zastosowaniach
inżynierskich, czyli tam, gdzie klasyczna logika klasyfikująca jedynie
według kryterium prawda/fałsz nie potrafi skutecznie poradzić sobie z
wieloma niejednoznacznościami i sprzecznościami.
• Znajduje wiele zastosowań, między innymi
•
w elektronicznych systemach sterowania
•
maszynami,
•
pojazdami,
•
automatami
•
w zadaniach eksploracji danych czy też w budowie systemów ekspertowych.
• Metody logiki rozmytej wraz z algorytmami ewolucyjnymi i sieciami
neuronowymi stanowią nowoczesne narzędzia do budowy inteligentnych
systemów mających zdolności uogólniania wiedzy
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Zbiory rozmyte
wiek
20 30
młody
dojrzały
•
Ludzie w wieku od 0 do 20 lat należą w pełni do zbioru młodych (mają
wartość przynależności do zbioru równą 1).
•
Ludzie po trzydziestce są… powiedzmy dojrzali
•
Ludzie w wieku od 20 do 30 lat są stosunkowo młodzi, czyli częściowo należą
do zbioru młodych, a częściowo dojrzałych.
•
Na przykład osoba, która ma 22 lat…
•
jest młoda w 80%
•
i dojrzała w 20%
•
Ludzie, którzy maja powyżej 30 lat nie są członkami zbioru młodych – są
dojrzali
prz
yn
al
eż
no
ść
do
z
bi
oru
1.0
22
0.8
0.2
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Zbiory rozmyte
• W logice rozmytej między stanem 0 (fałsz) a stanem 1 (prawda) rozciąga
się szereg wartości pośrednich, które określają stopień przynależności
elementu do zbioru.
• Zbiory rozmyte odnoszą się nie tylko do „rozmycia” alternatywy binarnej
(true-false) lecz mogą być rozciągnięte na wszystkie wartości argumentu,
może ich być dowolnie wiele
• Zamiast dwuwartościowego „prawda” - „fałsz” , „tak”, „nie” możemy mieć:
NIE – raczej nie – być może – chyba tak – prawie tak –TAK
niemowlę – dziecko – młody – dojrzały – w sile wieku – stary
a każda z tych „wartości” rozmyta, odpowiadające jej zbiory nachodzą na sąsiednie
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Przetwarzanie zmiennych rzeczywistych na
zbiory rozmyte (zmienne lingwistyczne)
•
Do systemu logiki rozmytej trafiają zmienne wejściowe w postaci wartości rzeczywistych,
np.: f=0.24 mm/obr, F
c
=1200 N, F
f
=380 N.
•
Są one przetwarzane na zmienne lingwistyczne (zbiory rozmyte) takie jak:
•
siła skrawania ~850 N, siła skrawania ~1100 N,..., siła posuwowa ~320 N,...., posuw
~0.17, posuw ~0.25... itp.,
wedle narzuconych przez operatora schematów:
Siła F
f
o wartości rzeczywistej 380 N jest w tym przypadku reprezentowana w postaci
lingwistycznej przez współczynnik
przynależności do każdego ze zbiorów:
F
f
około 320N:
= 0.8
F
f
około 620N:
= 0.2
F
f
około 950N:
= 0
F
f
około 1400N:
= 0
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Budowa bazy wiedzy systemu logiki rozmytej
Wiedza w systemach logiki rozmytej (SLR) tworzona jest przez ekspertów
jako zestaw heurystycznych reguł wnioskowania typu MIMO (multiple input
multiple output), które można zapisać w postaci:
jeśli
x1
jest ~
X1
i
x2
jest
~
X2
:
i
xn
jest
~
Xn
to
y1
jest
~
Y1
:
to
ym
jest ~
Ym
•
X={X1...Xn} oznacza zbiór n wartości zmiennych lingwistycznych x={x1...xn}
- przesłanki wnioskowania
•
Y={Y1...Ym} jest zbiorem m wartości zmiennych lingwistycznych y={y1...ym}
- wnioski
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Wnioskowanie w logice rozmytej
• Jeśli przesłanki przyjmują wartości odpowiadające dokładnie którejś z reguł,
wnioski są jednoznaczne (pewność = 1.000)
• Zwykle jednak wartości zmiennych wejściowych (przesłanek) są gdzieś
pomiędzy
• Odpowiadają wtedy kilku wnioskom, z różnym stopniem przynależności
• Jako wynik wnioskowania otrzymuje się lingwistyczną wartość zmiennej
wyjściowej określoną stopniem przynależności do każdego ze zbiorów
rozmytych, na które podzielony został zakres zmienności
• Wynik wnioskowania w postaci stopnia przynależności do zbiorów rozmytych
z zakresu zmienności zmiennej wyjściowej można następnie przetłumaczyć
na wartość rzeczywistą według metody
Środka Ciężkości
.
3
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Metoda Środka Ciężkości
•
Wyobraźmy sobie, że tą zmienną wyjściową będzie zużycie ostrza VB
B
, określone
wartościami lingwistycznymi
•
ostre (~0),
•
stępione (~0.3)
•
bliskie KSO (~0.6).
•
Jeśli z zastosowania jednej z reguł wyniknie:
•
ostrze jest stępione ze stopniem przynależności
= 0.3,
•
z innej reguły, że jest bliskie KSO ze stopniem przynależności
= 0.7 ,
•
to dyskretną wartość zużycia ostrza wyznacza się jako sumę zmiennej
lingwistycznej
VB
B
= 0.3*0.3 + 0.7*0.6 = 0.51 mm
VB
B
przynależność
do zbioru
1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 mm
ostre
stępione
~KSO
0.3
0.7
0.44
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Diagnostyka zużycia ostrza oparta na
laboratoryjnych pomiarach sił skrawania
Zabieg
1
2
3
4
5
6
a
p
1.5
1.5
1.5
1.5/3
1.5
1.5/3
f
0.24
0.17
0.47
0.47
0.33
0.33
v
c
351
417
251
251
300
300
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Wyniki pomiarów sił skrawania w funkcji
zużycia ostrza
F
c
= F
c
(a
p
, f)
F
c
F
c
(VB)
(1)
F
f
= F
f
(a
p
, VB
B
)
F
f
F
f
(f) (2)
VB
B
= VB
B
(F
f
, a
p
)
(3)
lub
VB
B
= VB
B
[F
f
, a
p
(F
c
, f)]
(4)
Eksperyment wykorzystany do uczenia
Eksperyment wykorzystany do testowania
Test W5I
Test W7I
Test W5I
Test W7I
Próba zakończona naturalnym stępieniem
Próba zakończona ścięciem naroża
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Program „Fuzzy Decision Support System”
zastosowany w badaniach
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Budowa zmiennych lingwistycznych
Posuw podzielono na cztery zbiory zgodnie z planem
Siłę główną opisano sześcioma zmiennymi lingwistycznymi odpowiadającymi
średnim wartościom tej siły dla poszczególnych zestawów parametrów skrawania
siła F
c
~2.65
~2.0
~1.4
~1.1
~0.85
~0.65
F
c
(kN)
0.47*3.0
0.33*3.0
0.47*1.5
0.33*1.5
0.24*1.5
0.17*1.5
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Budowa zmiennych lingwistycznych dla VB
B
i F
f
Najważniejsze było utworzenie zbiorów rozmytych (zmiennych lingwistycznych)
dla siły posuwowej i zużycia ostrza
VB
B
0 0.1 0.2 0.3 0.4 0.5
1
0
ostre
~0
stępione
~0.3
bliskie KSO
~0.6
siła F
f
~1.40
~0.95
~0.65
~0.32
F
f
(kN
)
4
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Budowa bazy wiedzy (reguł)
1. jeśli f ~0.17 i F
c
~650 i F
f
~320
to a
p
~1.5 i VB
B
~0
:
3. jeśli f ~0.33 i F
c
~1100 i F
f
~320
to a
p
~1.5 i VB
B
~0
:
7. jeśli f ~0.17 i F
c
~650 i F
f
~620
to a
p
~1.5 i VB
B
~0.3
:
12. jeśli f ~0.47 i F
c
~2650 i F
f
~950
to a
p
~3.0 i VB
B
~0.3
:
15. jeśli f ~0.33 i F
c
~1100 i F
f
~950
to a
p
~1.5 i VB
B
~0.5
:
18. jeśli f ~0.47 i F
c
~2650 i F
f
~1400
to a
p
~3.0 i VB
B
~0.5
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Przewidywanie zużycia z przez sieć neuronową i system
logiki rozmytej
System logiki rozmytej
e
u
=0.0270 m
u
=0.0670
e
t
=0.0351 m
t
=0.1460
Wyniki uzyskane przez sieć 3A:
e
u
=0.0160 m
u
=0.0379
e
t
=0.0367 m
t
=0.1677
W obu przypadkach wystarczyły informacje od siłach F
c
, F
f
i posuwie f.
Informacje o zmianach głębokości skrawania były zbędne.
•
Sieć neuronowa znacznie lepiej dopasowuje
się do
danych uczących
– tak zbudowany jest
algorytm uczenia.
•
System logiki rozmytej budowany jest „na
oko”, intuicyjnie , lecz powoduje gorsze
dopasowanie do
danych uczących
.
•
Stworzona baza wiedzy jest bardziej ogólna –
wyniki testowania
są lepsze niż dla sieci
neuronowej.
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Zakres zastosowania logiki rozmytej
Logika rozmyta jest niezbędna lub korzystna do:
• Złożonych systemów trudnych lub niemożliwych do
modelowania
• Systemów sterowanych przez eksperta
• Systemów wykorzystujących obserwacje człowieka jako
wejścia będące podstawą do tworzenia reguł
• Systemów, które z natury rzeczy są nieokreślone ściśle, jak
występujące w naukach społecznych
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Wady i zalety logiki rozmytej
Zalety
• Nie jest potrzebny model
matematyczny
• Stosuje się zmienne lingwistyczne
zamiast numerycznych
• Prostota pozwala na
rozwiązywanie problemów dotąd
nierozwiązanych
• Bardzo efektywna w niepewnych
warunkach
• Dane są zwarte, a szybkość
przetwarzania wysoka
Wady
• Trudno zbudować model
matematyczny na podstawie
systemu rozmytego
• Wymaga wielu symulacji i
precyzyjnego dostrajania przed
osiągnięciem zdolności do pracy
• Przyzwyczajenie przemawia za
systemami ścisłymi
matematycznie
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Podejmowanie decyzji w układach AUMON
• Diagnozowanie zużycia ostrza w oparciu o jedną
miarę
• układy komercyjne
• propozycje ZAOiOS
• Diagnozowanie zużycia ostrza w oparciu o wiele
miar sygnałów
• sieci neuronowe
• logika rozmyta
• algorytmy hierarchiczne
• Wykrywanie katastroficznego stępienia ostrza
• Rozpoznawanie postaci wiórów
• algorytmy hierarchiczne
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Integracja miar oparta na algorytmach
hierarchicznych
• Etap I oszacowanie zużycia ostrza w oparciu o
pojedyncze miary
•
model zależności miary od zużycia
• Etap II integracja pojedynczych wyników we wspólne
oszacowanie zużycia
•
sieci neuronowe
•
uśrednianie
Dowolna liczba miar w pierwszym etapie.
W drugim etapie można eliminować wyniki znacznie
odbiegające od średniej, nietypowe
5
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
SF
Tf
2
[
D
T]
D
T
SF
2
[n
]
D
T
D
T
2
D
T
3
SF
3
[
n]
30
n
n
SF
Tf
3
[
D
T]
D
T
B
D
T
4
D
T
n
. . .
SF
Tf
1
[
D
T]
D
T
0 20 40 60 80 100 %
D
T
1
SF
1
[n
]
n
0 20 40 60 80 100 %
0 20 40 60 80 100 %
Integracja miar algorytmem hierarchicznym
Etap I
Oszacowanie
D
T na podstawie każdej
miary oddzielnie
SD
T
i
D
T= ̶ ̶ ̶ ̶ ̶
n
Etap II
Oszacowanie
D
T jako średniej z
pojedynczych wskazań
Wspólne oszacowanie brane jest jako
wyjściowe
D
T
B
w następnym kroku
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Badania doświadczalne w warunkach przemysłowych
CBKO,VENUS 450
Narzędzie: CNMG 100408 BP30A
Materiał obrabiany: stal 45
a
p
=1,5 i a
p
= 2 mm
f = 0.1 mm/obrót
v
c
= 150 m/min
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Wyniki integracji czterech miar
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Wyniki integracji dziesięciu miar
•
Po zwiększeniu
progów przydatności
miar algorytm wybrał
10 miar
• Dokładność
oszacowania wzrosła
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Testowanie algorytmu – założenia
1. Testowanie opracowanej strategii z wykorzystaniem
innych
danych doświadczalnych
• inne narzędzia
• inny materiał obrabiany
• inna obrabiarki
2. Układ bez ingerencji operatora:
•
wyznacza miary z automatycznie wybranych fragmentów sygnału
•
automatycznie je selekcjonuje
•
wyznacza zależności miar od
D
T (tablice MS
u
[
D
T]
•
oszacowuje aktualne wartości
D
T
3. Operator jedynie informuje układ o początku i końcu pierwszego okresu
trwałości oraz o wymianie narzędzia
4. Parametry pracy układu nie są zmieniane (są takie jakie zostały dobrane
w trakcie jego budowy)
• inne parametry
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Badania doświadczalne – eksperyment 2 i 3
Czujnik AE
Czujnik sił
skrawania
Materiał obrabiany: stal NC6
Eksperyment 2
Płytka pokrywana Iscar WNMG
080408 TF IC907
a
p
=1 i a
p
=2 mm, f=0.1 mm/obr
v
c
=140 m/min
Tokarka TKX 50N
Eksperyment 3
Płytka niepokrywana Baldonit TNMN
220412 S10S
a
p
=1mm, f = 0.1 i 0.15 mm/obr
vc = 120 m/min
6
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Testowanie algorytmu – wybrane miary
Eksperyment 1:
F
fMed2s
, F
fMom2
,
F
fMax1s-śred
,
F
pMax1sred
, F
pMed2s
,
AE
śred
, F
cŚred2s
,
F
pmin1s-Śred,
,
AE
SumdY2s
,
F
cMax1s-Śred
10 miar
Eksperyment 2:
F
fMax1s-Śred
, F
fŚred
,
F
fMom2
, F
cŚred
,
F
cMax1s-Śred
, F
cMin1s-
Śred
, F
cSumdY
, F
cMom22s
,
F
pMax1s-Śred
, F
pmin1s
,
F
pMom22s
, AE
Śred
,
AE
min1s-Śred
, AE
Max1s
,
AE
Mom2
15 miar
Eksperyment 3:
F
fMax1s-Śred
, F
fŚred2s
,
F
fMax1s
, F
fMin1s-Śred
,
F
fSumdY2s
, F
fMom2
,
F
fSumdY
, F
cMed
,
F
cMin1s-Śred
, F
cSumdY2s
,
F
cSumdY
, F
cMom22s
,
F
cMom2
, F
pMed2s
,
F
pMax1s-Śred
, F
pMax1s
,
F
pmin1s-Śred
, F
pSumdY2s
,
F
pMom2
, AE
Śred
,
AE
min1s-Śred
, AE
min1s
,
AE
SumdY2s
23 miary
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Testowanie algorytmu – wyniki eksperyment 2
15 miar
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Testowanie algorytmu – wyniki eksperyment 3
23 miary
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Diagnostyka zużycia ostrza przy obróbce Inconel 625
Spośród 582 dostępnych miar sygnałów AE, V
y
, V
z
, F
x
i F
z
wybrano automatycznie
powiązane z
D
T, powtarzalne :
Siły
Drgania
AE
F
x
F
z
V
y
V
z
AE
RMS
AE
RAW
11
5
6
3
3
3
Wyniki integracji miar algorytmem hierarchicznym
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Diagnostyka zużycia ostrza przy obróbce Inconel 625
A gdyby tak założyć, że
mamy mniej sygnałów?
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
F
x
F
x
+F
z
F
x
All
signals
V
y
V
y
+V
z
V
z
AE
RMS
AE AE
raw
V+AE V+AR
RMS
20
15
10
5
0
RM
SE
10.3
9.4
13.6
8.7
13.7 13.4 16.4
14.4
21.7
19.9
12.9
12.5
Diagnostyka zużycia ostrza przy obróbce Inconel 625
7
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Podsumowanie
• Układy oparte na pojedynczej mierze sygnału
nie mogą zapewnić wymaganej dokładności
wskazań
• Sieci neuronowe nie są najodpowiedniejszym
narzędziem do integracji miar sygnałów przy
ograniczonej ilości danych uczących
• Algorytmy hierarchiczne wydają się obecnie
najskuteczniejszą metodą integracji miar
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania
Zakład Automatyzacji, Obrabiarek i Obróbki Skrawaniem
Jakieś pytania?