پیش بینی سایش ابزار ماشین فرز با استفاده از سیگنال جریان موتور پیشروی به کمک شبکه عصبی مصنوعی و سامانه فازی– عصبی

سایش لبه ابزار کیفیت قطعات تولیدی، قابلیت اطمینان و بهره وری را در فرایند تولید کاهش می دهد به این دلیل پایش وضعیت ابزار برای جلوگیری از شکست در هر لحظه ضروری است. متاسفانه هیچ روش مستقیمی برای اندازه گیری سایش ابزار وجود ندارد. در روش غیر مستقیم، سایش با اندازه گیری پارامترهای فیزیکی در طول فرایند ماشین کاری مانند ارتعاش، جریان، نیروی برشی و ... اندازه گیری می شود. در این مقاله شبکه عصبی چندلایه (MLP) با الگوریتم پس انتشار و سامانه استنتاج تطبیقی فازی- عصبی (ANFIS) برای پیش بینی سایش ابزار در فرزکاری به­کار گرفته شده است. بدین منظور یک­سری آزمایش، توسط ماشین فرز روی قطعه کار انجام شد. مشاهده شد که با افزایش سایش ابزار، جریان مصرفی موتور پیشروی افزایش پیدا می کند. همچنین در این مطالعه تاثیر سایش ابزار، مقدار پیشروی و عمق بار بر جریان مصرفی موتور پیشروی بررسی و کارایی دو شبکه عصبی و انفیس در تشخیص مقدار سایش و شکست ابزار مقایسه شده است. نتایج نشان داد که برای 86 مورد اندازه گیری شده، انفیس و شبکه عصبی به­طور میانگین دارای 92 و 84 درصد موفقیت در تشخیص درست میزان سایش و شکست ابزار بودند. از آن­جایی که انفیس در مقایسه با شبکه عصبی در طبقه بندی سایش ابزار نتایج بهتر و قابل قبول تری ارائه می دهد، می تواند به­عنوان روشی مناسب برای تشخیص هوشمند سایش ابزار به­کار برده شود.