Model inteligentnega nadzora obrabe in poškodb rezalnih orodij z uporabo termografije : doktorska disertacija

slovenski

doktorska dela

2021

Disertacije   doktorske disertacije   globoko učenje   Industrija 4.0   Obraba   obraba orodja   odrezavanje   Orodja   rezalna orodja   struženje   termografija   umetna inteligenca

Univerza v Mariboru, Fakulteta za strojništvo

Nadzor obrabe rezalnega orodja pri struženju prispeva k izboljšanju kakovosti izdelkov, optimizaciji stroškov orodja in zmanjšanju števila neželenih dogodkov. Pri maloserijski in posamični proizvodnji se operater stroja na podlagi izkušenj odloča, kdaj zamenjati rezalno orodje. Slabe odločitve lahko vodijo do povišanja stroškov, zastojev proizvodnje in izmeta. V disertaciji smo predstavili sistem nadzora stanja rezalnega orodja, ki med in po struženju samodejno prepozna obrabo rezalnega orodja. Za nadzor procesa smo uporabili infrardečo (IR) kamero, ki za razliko od uporabe navadnih industrijskih kamer ne spremlja zgolj vizualnega stanja procesa, ampak zajema še termografsko stanje. Kljub zahtevnemu okolju (vroči ostružki) smo kamero ustrezno zaščitili in namestili tik ob rezalno ploščico, kar omogoča spremljanje obdelave iz neposredne bližine. Material smo obdelovali z različno obrabljenimi rezalnimi ploščicami in ustvarili bazo 18.486 slik, ki so bile namenjene učenju in testiranju modela. Z uporabo globokega učenja in konvolucijske nevronske mreže (CNN) smo razvili napovedni model obrabe in poškodb rezalnega orodja. Pripravljeno bazo slik smo razdelili na slike, ki so nastale med procesom struženja (slike procesa), in na slike, ki so nastale po struženju (termografske slike rezalnega orodja). Ugotovili smo, da je model uspešen na obeh bazah slik. Naučen model na podlagi termografske slike procesa samodejno razvrsti stanje rezalnega orodja glede na primernost za nadaljnjo uporabo pri struženju (brez obrabe, majhna obraba, velika obraba). Točnost klasifikacije za združeno množico vseh slik je 99,92 % in potrjuje ustreznost predlagane metode. Model smo testirali tudi na nepoznanih slikah (spremenjeni obdelovalni pogoji), s čimer smo z več kot 98 % točnostjo klasifikacije potrdili robustnost naučenega sistema pri uporabi za nepoznani material obdelovanca. Takšen sistem omogoča takojšnje ukrepanje v primeru obrabe ali zloma rezalnega orodja, ne glede na znanje in usposobljenost operaterja.

08.08.2023