1

Prof. Krzysztof Jemielniak

[e-mail]

http://www.zaoios.pw.edu.pl/kjemiel

ST 107, tel. [phone]

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?