Сензор за систем детекције брусног кола

У раду се указује на пројектовање и имплементацију неуронске мреже и система заснованог на фази логике који комбинује излазе неколико сензора за праћење стања брусног кола. Може се претпоставити да је у случају процеса брушења, стање процеса током једног животног века брусног кола само у функцији промена у способности резања точка. Због тога праћење стања точка игра кључну улогу у сваком аутоматизованом систему за надзор процеса млевења.

Успешно праћење стања брусне плоче зависи у великој мери од поузданих и робусних сензора који се користе за ову сврху. У одсуству људских оператера, сензори морају имати способност да препознају процес. абнормалности и покренути корективне мере. Постоје различити сигнали који су у корелацији са стањем процеса и они су предмет различитих сенсинга и техника обраде. Сваки од ових сигнала је у стању да пружи особину у вези са феноменом од интереса, иако са различитом поузданошћу. Дакле, прикупљање максималне количине информација о стању процеса од више различитих сензора је најбоље решење. Да би се увела таква идеја да се практикује интелигентни систем сензора који садржи стратегије за фузију сензора, требало би да се примени.

У овој студији је предложен систем за праћење са више сензора и његов рад је експериментално процењен. Овај систем обухвата мерења вибрација, акустичне емисије и силе брушења. Они генеришу корисне сигнале за праћење хабања брусне плоче, али се мора изабрати најбоља конфигурација сигнала и методе обраде сигнала.

То се ради помоћу неуронске мреже која се шири уназад. Након процедуре подешавања мреже установљено је да је број информативних карактеристика много мањи од првобитно коришћеног скупа карактеристика. Иста неуронска мрежа се може применити иу поступку доношења одлука, јер истовремено може да моделира хабање брусног кола. Поред тога, разматран је систем одлучивања заснован на неуронској мрежи за интеграцију сензора у надзору стања брусног кола.

За евалуацију предложених поступака коришћени су подаци прикупљени током млевења са низом параметара сечења. Током експеримената уочен је свеж, истрошен и делимично истрошен точак за млевење. За сваки мерни сигнал израчунава се неколико статистичких и спектралних карактеристика које се користе као улаз за избор података и процедуре класификације.