Professional Documents
Culture Documents
MENTOR:
PROF.DR.SC. DUBRAVKO MAJETI MR.SC. DANKO BREZAK
UDK:
007.52 Nadzor troenja reznih alata, hibridni estimator parametra troenja, neizrazita logika bez pravila ponaanja, metoda vektorski podranog uenja, adaptivno voenje alatnih strojeva, voenje prema postojanosti reznih alata, umjetne neuronske mree
KLJUNE RIJEI:
Tehnike znanosti
INSTITUCIJA U KOJOJ JE RAD IZRAEN: MENTOR RADA: BROJ STRANICA: BROJ SLIKA: 69
BROJ TABLICA: 21 BROJ KORITENIH BIBLIOGRAFSKIH JEDINICA: 115 DATUM OBRANE: POVJERENSTVO: 10.5.2007. Dr.sc. Branko Novakovi, red. prof. predsjednik Dr.sc. Dubravko Majeti, izv. prof. mentor Dr.sc. Mladen Crnekovi, red. prof. lan Dr.sc. Toma Udiljak, izv. prof. lan Dr.sc. Joe Bali, red. prof. lan, Fakultet za Strojnitvo, Maribor INSTITUCIJA U KOJOJ JE RAD POHRANJEN: Fakultet strojarstva i brodogradnje, Sveuilite u Zagrebu
Zahvaljujem se svom mentoru prof.dr.sc. Dubravku Majetiu te prof.dr.sc. Branku Novakoviu i prof.dr.sc. Tomi Udiljaku na savjetima i pomoitijekomistraivanjaipisanjarada. Na korisnim i zanimljivim raspravama zahvaljujem se takoer dr.sc. Josipu Kasau, mr.sc. Tihomiru Mulcu i Kristijanu Mihociju, dipl. in. strojarstva, kao i svima ostalima koji su svjesno ili nesvjesno sudjelovaliuizradirada. Na kraju, najveu zahvalnost dugujem svojoj obitelji na beskrajnoj podrciirazumijevanju.
SADRAJ
SADRAJ
PREDGOVOR SAETAK SUMMARY KLJUNE RIJEI KEYWORDS POPIS OZNAKA POPIS SLIKA POPIS TABLICA
1. UVOD 1.1 Nadzor troenja reznih alata 1.2. Adaptivno voenje alatnih strojeva 1.3. Definiranje problema 1.4 1.5 Hipoteza rada Struktura rada
1 1 4 7 9 10 12 12 12 13 15 15 17 18 21 21 23
2. MJERNI SIGNALI, IZDVAJANJE I IZBOR ZNAAJKI TROENJA 2.1 Metode mjerenja istroenosti reznih alata 2.1.1 2.1.2 2.2 2.2.1 2.2.2 2.2.3 2.3 2.3.1 2.3.2 Indirektni i direktni pristup mjerenju istroenosti reznog alata Pregled i kategorizacija mjernih tehnika Pristupi filtriranju signala u procesima nadzora troenja Osnovne znaajke wavelet transformacije Filtriranje signala primjenom diskretne wavelet transformacije Podjela znaajki troenja Odabir znaajki troenja
Filtriranje signala
Znaajke troenja
SADRAJ
24 24 26 28 33 34 38 42 42 43
3.1
Umjetne neuronske mree 3.1.1 3.1.2 Primjena statikih neuronskih mrea Primjena dinamikih neuronskih mrea Modeli nadzora zasnovani na neizrazitoj logici s pravilima ponaanja Modeli nadzora zasnovani na neizrazitoj logici bez pravila ponaanja Objedinjavanje neuronskih mrea i neizrazite logike NF i NNM sustavi nadzora troenja reznih alata
3.2
3.3
55 56 60 61 65 69 71 71 74 76 77 80 99
4.1 4.2
Osnovne karakteristike strukture i principa funkcioniranja Klasifikacija parametra troenja 4.2.1 4.2.2 4.2.3 Grupiranje i izraun ulaznih funkcija pripadnosti Inferencija i odreivanje podruja troenja SVM_RBF modul za interpolaciju funkcija pripadnosti Estimacija parametra troenja za poznatu kombinaciju parametara obrade Estimacija parametra troenja za novu kombinaciju parametara obrade Obrada signala i izdvajanje znaajki troenja Formiranje strukture i testiranje hibridnog estimatora s poznatim kombinacijama parametara obrade Testiranje hibridnog estimatora za nepoznate kombinacije parametara obrade
4.3
4.4
5.1
Osnovne postavke voenja prema postojanosti otrice reznog alata 5.1.1 Ciljevi voenja
II
SADRAJ
Referentna brzina rezanja Struktura regulacijskog kruga Struktura regulatora Odreivanje parametara strukture rekurzivna metoda najmanjih kvadrata KorenLenzov model troenja Poremeaji procesa Struktura filtra Odreivanje parametara strukture RPROP metoda uenja Adaptivno voenje bez interpolacije parametra troenja Adaptivno voenje uz interpolaciju parametra troenja Odzivi modela voenja bez interpolacijskog modula Odzivi modela voenja s interpolacijskim modulom
106 113 115 115 117 118 118 121 124 124 126 128 129 136 138 139 150 153 157 158 159 166 170 178
RBF NM regulator
5.4
5.5
5.6
6. ZAKLJUAK PRILOG REGRESIJSKA METODA VEKTORSKI PODRANOG UENJA P1 Temelji strukturiranja SVM algoritama P2 Linearna regresija P3 Nelinearna regresija LITERATURA KRATKI IVOTOPIS SHORT BIOGRAPHY
III
PREDGOVOR
PREDGOVOR
Unato intenzivnim istraivanjima na podruju nadzora troenja reznih alata poduzetim u posljednjih petnaestak godina, industrijski primjenljiv model za kontinuiranu estimaciju parametara troenja jo nije ostvaren. U tom e se smislu u slijedeem razdoblju morati poduzeti dodatni napori u razvoju novih metoda nadzora vieg stupnja preciznosti i robusnosti. U dosadanjim su istraivanjima u najveem broju predloenih rjeenja koriteni algoritmi umjetne inteligencije, pri emu su prevladavajui utjecaj ostvarile umjetne neuronske mree. Njihovu dominaciju u posljednje vrijeme umanjuju hibridni modeli koji bi trebali omoguiti transparentnost strukture, odnosno mehanizama odluivanja uz istovremenu mogunost paralelnog procesiranja informacija. Stoga je u prvom dijelu ovog rada teite stavljeno upravo na razvoj hibridnog sustava za kontinuiranu procjenu stupnja istroenosti reznog alata. Pritom je struktura hibridnog estimatora formirana primjenom analitikog neizrazitog klasifikatora u kombinaciji s regresijskim algoritmom metode vektorski podranog uenja. S druge strane, na podruju procesnog voenja alatnih strojeva najvie predloenih rjeenja vezano je uz regulaciju sila rezanja, odnosno snage ili momenta, te uz priguivanje neeljenih vibracija alata. Problematika voenja stroja prema postojanosti reznog alata ostala je praktiki zanemarena. Navedena je injenica predstavljala jedan od glavnih motiva u modeliranju i analizi algoritama voenja s funkcijom osiguranja eljene istroenosti alata unutar definiranog vremena njegove izmjene. Karakteristike procesa i algoritama voenja objedinjene su u drugom dijelu rada. Pri tome su koritene unaprijedne i povratne modificirane forme neuronskih mrea. Ovakav oblik voenja predstavlja loginu nadogradnju modulu kontinuirane estimacije parametara troenja i nezaobilazan segment inteligentnog alatnog stroja od iznimnog znaenja u podizanju stupnja sigurnosti, kvalitete i produktivnosti obradnog procesa.
IV
SAETAK
SAETAK
U radu je razmatrana problematika razvoja sustava za nadzor troenja reznih alata i metoda adaptivnog voenja alatnih strojeva prema postojanosti rezne otrice, imajui u vidu njihov znaaj u projektiranju suvremenih inteligentnih obradnih sustava. U tom je smislu, u prvom dijelu rada, detaljno opisan i analiziran predloeni model hibridnog estimatora parametra troenja zasnovan na dva serijski povezana modula. Najprije je formiran klasifikacijski modul zasnovan na analitikom konceptu neizrazite logike bez pravila ponaanja. Time je omoguena primjena neizrazitog odluivanja bez ogranienja u broju znaajki troenja, ime se podie stupanj pouzdanosti i robusnosti navedenog modula kao nunih uvjeta preciznije procjene stupnja istroenosti. Do konane se vrijednosti parametra troenja iz klasificiranog podruja troenja dolazi primjenom modula za estimaciju. On je izveden primjenom regresijskog algoritma metode vektorski podranog uenja, ime se nastojalo osigurati konano rjeenje u optimalnoj formi s obzirom na odabranu strukturu modula. U drugome je dijelu rada analiziran koncept adaptivnog voenja alatnog stroja, pri emu je eljeni stupanj istroenosti u prethodno definiranom vremenu obrade realiziran voenjem preko parametra brzine rezanja. Osim navedenog kriterija, dodatnu je funkciju cilja predstavljala i maksimalna produktivnost procesa ograniena njegovim tehnolokim karakteristikama. Algoritam voenja realiziran je umjetnom neuronskom mreom zasnovanom na radijalnim baznim funkcijama, a um generiran pogrekom u estimaciji iznosa parametra troenja filtriran je koritenjem modificirane dinamike neuronske mree. Algoritmi umjetnih neuronskih mrea posebno su pogodni u voenju onih procesa ija je dinamika modelirana nekom od metoda uenja s podacima dobivenim iz snimljenih signala procesa. U ovu se skupinu ubraja i troenje reznih alata, pri emu se podaci za strukturiranje sustava za nadzor troenja mogu iskoristiti i za odreivanje strukture ostalih elemenata regulacijskog kruga realiziranih primjenom umjetnih neuronskih mrea.
SUMMARY
SUMMARY
In this dissertation two main issues have been taken under consideration having in mind their significant role in designing of modern intelligent machine tools development of a tool wear monitoring system and adaptive machine control algorithm for maintaining tool wear rate in the predefined cutting time. In the first part of the work a flank wear hybrid estimator based on two serially connected modules is presented and analyzed. Firstly, a classification module is designed using analytical fuzzy logic concept without rule base. Thereby, it is possible to utilize fuzzy logic decision-making without any constraints in the number of tool wear features in order to raise the module reliability and robustness as a necessary conditions in precise tool wear parameter estimation. The estimated wear parameter value is then obtained from the second estimation module. It is structured using Support Vector Machines regression algorithm which assures an optimal estimation regarding the structure of the module. In the second part of the work an adaptive machine tool control algorithms are analyzed whereat the desired wear level in the predefined machining time is achieved by adapting the cutting speed. Besides the mentioned criterion, the maximization of the process productivity, which is constrained by its technological characteristics, is also taken as an additional cost function. The controller is structured using the algorithm based on artificial neural network with radial basis activation functions and the noise generated by the wear parameter estimation error is filtered using modified recurrent type of neural network. Artificial neural networks are very suitable for controlling the processes which dynamics is modeled by one of the learning methods using the data obtained from the measured process signals. Tool wearing is one of those processes where the data used for the structuring of the monitoring system can also be used for the modeling of other elements of the control loop realized by artificial neural networks.
VI
Nadzor troenja reznih alata Hibridni estimator parametra troenja Neizrazita logika bez pravila ponaanja Metoda vektorski podranog uenja Adaptivno voenje alatnih strojeva Voenje prema postojanosti reznih alata Umjetne neuronske mree
Cutting tool wear monitoring Flank wear hybrid estimator Fuzzy logic without rule base Support vector machines Adaptive machine control Tool durability control Artificial neural networks
VII
POPIS OZNAKA
POPIS OZNAKA
dubina rezanja pomak suma pomaka slobodnih vektora podrke s donje granice podruja suma pomaka slobodnih vektora podrke s gornje granice podruja centar neizrazitog skupa ANK modula, vektor teinskih faktora izlaznog sloja RBF mree koeficijenti inverzne diskretne wavelet transformacije Euklidijeva udaljenost estimacijska pogreka pogreka uenja, suma kvadrata pogreke sila rezanja posmak alata ukupna vjerojatnost, impulsna prijenosna funkcija neurona skrivena sloja MDNM filtra Grammian matrica, pomona matrica rekurzivne metode najmanjih kvadrata Hessian matrica, matrica uenja RBF mree faktor iskoristivosti znaajke za odreenu kombinaciju parametara obrade faktor iskoristivosti znaajke s obzirom na sve kombinacije parametara obrade kernel funkcija dubina kratera (parametar troenja prednje povrine alata) Lagrangeov funkcional matrica funkcija pripadnosti broj slobodnih vektora podrke na gornjoj granici podruja broj slobodnih vektora podrke na donjoj granici podruja odzivi uenog modela, izlazni elementi stupanj produktivnosti funkcija vjerojatnosti
VIII
POPIS OZNAKA
faktor rasipanja funkcija stvarnog rizika uenja empirijski rizik uenja radijusi neizrazitog skupa ANK modula dodaci za preklapanje neizrazitih skupova ANK modula parametar uenja RPROP metode parametar skale (irine wavelet funkcije) vrijeme rezanja, vektor centara neurona skrivena sloja RBF mree, prijelazni koraci eljene izlazne vrijednosti eljeno vrijeme rezanja vrijeme uzorkovanja teinski faktori parametar troenja stranje povrine reznog alata abrazivna komponenta parametra troenja VB difuzijska komponenta parametra troenja VB brzina rezanja relacijska neizrazita funkcija, odzivi neurona ulaznog sloja MAXNET mree teinski faktori, parametri kanonske separacijske / linearne regresijske hiperravnine jezine varijable k-tog neizrazitog ulaznog skupa, skup svih ulaznih elemenata ulazni elementi jezina varijabla k-tog neizrazitog izlaznog skupa odziv neurona skrivena sloja MDNM filtra Lagrangeovi multiplikatori faktor za grupiranje uzoraka za uenje MDNM filtra razlika izmeu eljnih i ostvarenih vrijednosti izlaza faktor impulsnih poremeaja faktor varijabilnih poremeaja prirast parametra troenja VB uzrokovan impulsnim poremeajem prirast parametra troenja VB uzrokovan varijabilnim poremeajem prirast parametra troenja VB uzrokovan pogrekom estimatora
, * A I V
VB I VBV VBE
IX
POPIS OZNAKA
(x )
irina podruja neosjetljivosti transformirani ulazni vektor u nelinearnoj regresiji primjenom SVM metode frekvencijski sastav signala, faktor osjetljivosti koeficijent uenja, faktor odabira znaajki troenja hibridnog estimatora skalirana i translatirana verzija originalne wavelet funkcije funkcija pripadnosti neizrazitog skupa temperatura na prednjoj povrini alata temperatura na stranjoj povrini alata irina Gaussovih (kernel, RBF) funkcija parametar translacije wavelet funkcije parametar za podeavanje intenziteta odziva neurona ulaznog sloja MAXNET mree funkcija VC intervala povjerenja
* c f
POPIS SLIKA
POPIS SLIKA
Slika 1.1 Inteligentni sustav za nadzor troenja reznih alata Slika 1.2 Shematski prikaz voenja alatnih strojeva ([1]) Slika 1.3 Usporedba trokova proizvodnje pri razliitim oblicima voenja alatnog stroja (preuzeto iz [9]) Slika 2.1 Dekompozicija signala primjenom diskretne wavelet transformacije Slika 2.2 Filtriranje signala primjenom Matlabove 'Wavelet 1-D' funkcije Slika 2.3 Statistiki pokazatelji rezidualnog signala Slika 3.1 Zastupljenost razliitih vrsta neuronskih mrea u procjeni istroenosti alata Slika 3.2 Sustav nadzora troenja alata RBFNN mreama temeljen na FSM principu Slika 3.3 Model troenja alata u formi prostora stanja (FSM princip) Slika 3.4 Oblici ulaznih i izlaznih neizrazitih skupova Slika 3.5 Hibridne strukture zasnovane na neuronskim mreama i neizrazitoj logici Slika 3.6 Neuronska mrea za identifikaciju signala struje Slika 3.7 Odabir glavne znaajke Slika 3.8 Samopodeavajua NNM mrea za klasifikaciju podruja troenja Slika 3.9 Hibridni sustav za estimaciju parametara troenja (VB, KT) Slika 3.10 ANFIS model Slika 4.1 Princip estimacije parametra troenja Slika 4.2 Razluivost irine troenja za razliite vrste znaajki pri razliitim dubinama rezanja Slika 4.3 Shematski prikaz funkcioniranja modela Slika 4.4 Modul za klasifikaciju stupnja istroenosti alata Slika 4.5 Oblici neizrazitih skupova Slika 4.6 MAXNET neuronska mrea Slika 4.7 Estimacija parametra troenja za poznatu kombinaciju parametara obrade
2 5 9 18 20 20 25 28 32 35 42 46 47 49 50 52 56 58 59 60 64 66 72
XI
POPIS SLIKA
Slika 4.8 Estimacija parametra troenja za novu kombinaciju parametara obrade Slika 4.9 Utjecaj faktora i c na pogreku klasifikacije za test 1 Slika 4.10 Utjecaj faktora i c na pogreku klasifikacije za test 2 Slika 4.11 Broj znaajki koje su koritene u svim koracima estimacije ( = 2,5; c = 0,3; IZmin = 0,7 ) Slika 4.12 Uestalost uporabe znaajki troenja koje su klasificirale aktualna podruja troenja ( = 2,5; c = 0,3; IZmin = 0,7 )
74 81 82 92
93 94 94 95 96 97 98 108 110 114 115 120 121 122 123 124 125 130 131 132
Slika 4.13 Zastupljenost znaajki s obzirom na sve kombinacije parametara obrade za IZmin = 0,6 i IZmin = 0,7 ( = 2,5; c = 0,3) Slika 4.14 Uspjenost klasifikacije po kombinacijama parametara obrade ( = 2,5; c = 0,3; IZmin = 0,7 ) Slika 4.15 Uspjenost estimacije po kombinacijama parametara obrade za VB 0,03 mm i VB > 0,05 mm ( = 2,5; c = 0,3; IZmin = 0,7 ) Slika 4.16 Rezultati estimacije irine troenja za razliite dubine rezanja ( = 2,5; c = 0,3; IZmin = 0,7 ) Slika 4.17 Rezultati estimacije irine troenja za razliite brzine rezanja ( = 2,5; c = 0,3; IZmin = 0,7 ) Slika 4.18 Rezultati estimacije irine troenja za razliite posmake alata ( = 2,5; c = 0,3; IZmin = 0,7 ) Slika 5.1 Kombinacija brzina rezanja za sluaj odabira vc1 vc2 Slika 5.2 Kombinacija brzina rezanja za sluaj odabira vc2 vc1 Slika 5.3 Regulacija prema postojanosti otrice reznog alata Slika 5.4 Neuronska mrea s radijalnim baznim funkcijama Slika 5.5 Simulirane krivulje troenja za razliite parametre obrade Slika 5.6 Impulsni poremeaj Slika 5.7 Varijabilni poremeaj Slika 5.8 Pogreka estimacije u granicama 0,03 mm Slika 5.9 Modificirana Dinamika neuronska mrea (MDNM) Slika 5.10 Dinamiki neuron Slika 5.11 Adaptivno voenje bez interpolacije parametra troenja Slika 5.12 Stupnjevi produktivnosti i rasipanja brzina rezanja za razliite A parametre Slika 5.13 Krivulja troenja i brzina rezanja uz A = 0,15
XII
POPIS SLIKA
Slika 5.14 Krivulje troenja i brzina rezanja dobivene sa i bez primjene MDNM filtra Slika 5.15 Adaptivno voenje uz interpolaciju parametra troenja Slika 5.16 Usporedba odziva i brzina rezanja za VBkon = 0,25 mm i tt,kon = 27 min Slika 5.17 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 53 min Slika 5.18 Usporedba odziva i brzina rezanja za VBkon = 0,35 mm i tt,kon = 30 min Slika 5.19 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 15 min Slika 5.20 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 12 min Slika 5.21 Usporedba odziva i brzina rezanja za VBkon = 0,38 mm i tt,kon = 25 min Slika 5.22 Usporedba odziva i brzina rezanja za VBkon = 0,3 mm i tt,kon = 35 min Slika 5.23 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 28 min Slika 5.24 Usporedba odziva i brzina rezanja za VBkon = 0,35 mm i tt,kon = 20 min Slika 5.25 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 60 min Slika 5.26 Usporedba odziva i brzina rezanja za VBkon = 0,37 mm i tt,kon = 17 min Slika 5.27 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 34 min Slika 5.28 Usporedba odziva i brzina rezanja za VBkon = 0,37 mm i tt,kon = 19 min Slika 5.29 Usporedba odziva i brzina rezanja za VBkon = 0,25 mm i tt,kon = 32 min Slika 5.30 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 22 min Slika 5.31 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 42 min Slika 5.32 Usporedba odziva i brzina rezanja za VBkon = 0,3 mm i tt,kon = 30 min Slika 5.33 Odzivi modela voenja sa (M1) i bez interpolacijskog modula (M2) za test 11 Slika 5.34 Odzivi modela voenja sa (M1) i bez interpolacijskog modula (M2) za test 15 Slika P1. Funkcija gubitaka sa zonom neosjetljivosti, podruje (tube)
134 137 139 140 140 141 141 142 142 143 143 144 144 145 145 146 146 147 147 151 151 160
XIII
POPIS TABLICA
POPIS TABLICA
Tablica 2.1 Pregled najznaajnijih parametara procesa i senzora Tablica 2.2 Podjela znaajki troenja Tablica 4.1 Kombinacije parametara obrade Tablica 4.2 Znaajke troenja Tablica 4.3 Rezultati klasifikacije za 10% najboljih -c kombinacija uz IZmin = 0
Tablica 4.4 Rezultati klasifikacije za 10% najboljih -c kombinacija i vrijednosti IZmin faktora od 0,4 do 0,8 Tablica 4.5 Rezultati estimacije irine troenja uz = 1,5 i c = 0,4 Tablica 4.6 Rezultati estimacije irine troenja uz = 1,5 i c = 0,5 Tablica 4.7 Rezultati estimacije irine troenja uz = 2 i c = 0,5 Tablica 4.8 Rezultati estimacije irine troenja uz = 2 i c = 0,6 Tablica 4.9 Rezultati estimacije irine troenja uz = 2 i c = 0,7 Tablica 4.10 Rezultati estimacije irine troenja uz = 2,5 i c = 0,3 Tablica 4.11 Rezultati estimacije irine troenja uz = 3 i c = 0,5 Tablica 4.12 Rezultati klasifikacije primjenom SVM_RBF modula za interpolaciju funkcija pripadnosti ( = 2,5; c = 0,3; IZmin = 0,7 ) Tablica 4.13 Rezultati estimacije parametra troenja za dubinu rezanja ap' = 1 mm Tablica 4.14 Rezultati estimacije parametra troenja za brzinu rezanja vc' = 95 m/min Tablica 4.15 Rezultati estimacije parametra troenja za posmak alata fz' =0,095 mm/zubu Tablica 5.1 Parametri modela troenja Tablica 5.2 Parametri dinamikih neurona skrivena sloja MDNM filtra Tablica 5.3 Parametri testova Tablica 5.4 Usporedba rezultata modela voenja sa i bez interpolacijskog modula
14 22 77 80
83 83 85 86 87 88 89 90 91 100 101 102 103 119 136 138 150
XIV
1. UVOD
1. UVOD
Razvojem i meusobnom integracijom mjerne opreme i ostalih mehatronikih elemenata stroja, kao i novim fleksibilnijim pristupima u upravljanju (otvorena upravljaka arhitektura, primjena algoritama umjetne inteligencije u nadzoru i voenju procesa) stjeu se uvjeti za razvoj inteligentnih alatnih strojeva. Njihova bi primjena trebala osigurati realizaciju stalno prisutnih i sve veih zahtjeva za poveanjem stupnja pouzdanosti, robusnosti i fleksibilnosti obradnog postupka, osiguranjem traene kvalitete proizvoda i dodatnom racionalizacijom trokova proizvodnje. U tom se smislu kao jedan od najvanijih zadataka namee razvoj sustava za nadzor procesa obrade koji bi u realnom vremenu mogli identificirati stanje stroja i alata. Pri tome pouzdano odreivanje stupnja istroenosti alata predstavlja najvaniji segment sveukupnog nadzora. Troenje alata primarni je generator sluajnih poremeaja s izravnim utjecajem na sigurnost, kvalitetu i ekonominost obrade. Neke procjene [1] kategoriziraju 20% zastoja u obradi rezanjem u skupinu onih koje su izazvane posljedicom nepredviene istroenosti alata. Kvalitetna informacija o stupnju istroenosti u realnom vremenu predstavlja i nuan preduvjet adaptivnom voenju alatnog stroja s obzirom na osiguranje potrebne postojanost alata. Time se u znaajnoj mjeri podie kvaliteta obradnog procesa. Osim pozitivnog utjecaja na sigurnost obrade i kvalitetu obraene povrine, ovim se oblikom procesnog voenja ostvaruje vei stupanj iskoristivosti reznog alata i tako utjee i na porast produktivnosti u programiranom vremenu izmjene alata ili njegova vijeka trajanja.
1. UVOD
karakteristikama zamijeniti i nadograditi ljudske napore i kapacitete u smislu kontinuiranog, robusnog, brzog i preciznog odreivanja parametara troenja otrice alata. Time bi se:
poveao stupanj sigurnosti rada stroja, to posebno dolazi do izraaja u situacijama visokog stupnja istroenosti alata ili prilikom njegova loma, omoguilo adaptiranje i/ili optimiranje parametara obrade s obzirom na traenu postojanost alata, pritom uzevi u obzir i tehnoloka ogranienja procesa, osigurala potrebna dimenzijska postojanost obratka i kvaliteta obraivane povrine i dodatno racionalizirali proizvodni trokovi.
MULTISENZORSKI MJERNI SUSTAV SIGNALI PROCESA (SILE, VIBRACIJE, ...) ANALOGNA PREDOBRADA SIGNALA DIGITALNA PREDOBRADA SIGNALA IZDVAJANJE ZNAAJKI TROENJA PROCJENA STUPNJA ISTROENOSTI ODLUIVANJE
NTA SUSTAV
1. UVOD
snimanje signala primjenom razliitih vrsta senzora, filtriranje signala i izdvajanje znaajki troenja te uenje i donoenje odluka paralelnim procesiranjem informacija.
Modeliranje dinamike troenja reznih alata ve je vie godina predmet sustavnog istraivanja. U razdoblju do sredine 80-ih godina prolog stoljea predloen je niz modela troenja temeljenih na klasinim matematikim algoritmima (Bayesov klasifikator, metoda najbliih susjeda, linearni diskriminatori, stohastiki aproksimatori i dr.). Pokazalo se, meutim, da je taj proces zbog svoje izrazite nelinearnosti i djelomine stohastinosti vrlo teko opisati pomou klasinih matematikih modela. Osim toga, procjene stupnja istroenosti reznog alata u realnom vremenu primjenom samo jedne vrste snimanih signala procesa takoer nisu postigle potreban stupanj pouzdanosti i robusnosti u realnim industrijskim uvjetima. Izdvajanjem niza razliitih statistikih parametara iz samo jedne vrste signala nije se postigao dovoljno kvalitetan skup meusobno nezavisnih znaajki troenja koje bi bile u stanju u cijelosti identificirati kompleksnu dinamiku troenja reznih alata. Intenzivnija istraivanja NTA sustava zapoela su poetkom 90-ih godina prolog stoljea primjenom viesenzorskog pristupa i klasifikatora/estimatora troenja zasnovanih na algoritmima umjetne inteligencije. Pretpostavlja se da bi njihova primjena trebala rezultirati industrijski primjenjivim rjeenjima nadzora troenja reznih alata. Meu najee koritene algoritme spadaju umjetne neuronske mree, ija je dominacija i danas prisutna. Razloge njihove znaajnije zastupljenosti treba traiti u mogunostima modeliranja sloenih nelinearnih procesa esto opisanih s nedovoljno informacija, priguivanja umova u signalima nastalih zbog stohastike prirode procesa troenja, adaptacije na razliite uvjete obrade i vrste troenja te mogunostima brzog procesiranja vee koliine informacija [4]. Navedene prednosti dolaze upravo do izraaja u problemima procjene stupnja istroenosti otrice alata gdje ne postoji adekvatni matematiki model troenja. Dinamika procesa je u ovom sluaju odreena strukturom mree definiranom u postupku uenja primjenom informacija prikupljenih razliitim vrstama senzora. U poetku su u veoj mjeri koritene statike unaprijedne neuronske mree, a kasnije i dinamike forme mrea. Osim neuronskih mrea, a u cilju poveanja transparentnosti sustava za nadzor troenja, proveden je i niz
1. UVOD
eksperimentalnih istraivanja koritenjem modela zasnovanih na neizrazitoj logici. Pritom je u pravilu koriten manji broj znaajki troenja radi ogranienja broja pravila ponaanja. Uz ove dvije skupine metoda u novije se vrijeme sve ee pojavljuju i njihove hibridne izvedenice. Pritom je rije o dvama oblicima integracije neuronskih mrea i neizrazite logike: "neuro-fuzzy" (NF) modelima i neizrazitim neuronskim mreama (Fuzzy Neural Networks, FNN). Prvi sluaj podrazumijeva namjetanje parametara neizrazitih skupova i/ili pravila ponaanja primjenom neuronskih mrea, a u drugom je rije o realizaciji neizrazite logike u formi neuronske mree. Cilj ove integracije je istovremeno omoguavanje interpretacije strukture s obzirom na ueni problem (neizrazita logika), uz zadravanje sposobnosti uenja primjenom vee koliine podataka (neuronske mree). Oekuje se da bi hibridni modeli trebali omoguiti bolje razumijevanje procesa uenja, jednostavnije postizanje globalnog minimuma pogreke uenja, smanjenje vremena uenja i veu preciznost u identifikaciji dinamike troenja. U tom je smislu i njihova zastupljenost u istraivanjima provedenim unazad nekoliko godina u stalnom porastu. U dananje se vrijeme na tritu ve moe nai niz komercijalnih rjeenja NTA sustava ponuenih od razliitih proizvoaa (Artis, Brankamp, Kistler, Montronix, Nordmann, Prometec, Brookdale, ). Uglavnom je svima zajednika primjena jedne vrste signala (snaga, sile, vibracije) te samo nekoliko znaajki troenja (srednje i efektivne vrijednosti signala) dobivenih prethodnim niskopropusnim, visokopropusnim ili pojasnopropusnim filtriranjem signala [5]. Iako funkcioniraju na temelju nekoliko razliitih strategija, primjenjuju se najee u identifikaciji loma alata i dijelom u procjeni visokog stupnja istroenosti.
1. UVOD
vretena te modula za interpolaciju. Prvi je modul zaduen za osiguranje eljene brzine i pozicije svake voene osi zasebno, dok se uz pomo drugog generiraju referentne brzine posminih osi u cilju osiguranja eljene putanje alata/obratka. Adaptivno voenje stroja spada u trei, hijerarhijski najvii modul, modul procesnog voenja (slika 1.2).
tehnoloka ogranienja, strategija voenja, indeks performansi
OBRADA SIGNALA
SENZORI
PROCES REZANJA
pozicija
INTERPOLATOR
nominalna brzina
AC MOTOR TAHOMETAR
petlja po poziciji
MODUL ZA INTERPOLACIJU MODUL ZA REGULACIJU SERVOMOTORA
ENKODER
Slika 1.2 Shematski prikaz voenja alatnih strojeva ([1]) Iako danas jo uvijek rijetko primjenjivi u industrijskim verzijama alatnih strojeva, razliiti modeli procesnog voenja trenutno se nalaze u sreditu istraivakih interesa, imajui u vidu sve prednosti koje sa sobom donose. Temeljem dosad predloenih modela adaptivnog voenja alatnih strojeva moe se izvriti njihova opa kategorizacija u tri skupine [1]:
adaptivno voenje s ogranienjem referentne veliine (Adaptive Control Constraints, ACC); optimalno adaptivno voenje (Adaptive Control with Optimization, ACO); adaptivno voenje prema zahtijevanoj geometriji obratka (Geometric Adaptive Control, GAC).
1. UVOD
Prvi oblik voenja (ACC) podrazumijeva osiguranje maksimalnog iznosa odreenog procesnog parametra (snage ili sila rezanja) ogranienog karakteristikama obradnog procesa u cilju poveanja stupnja produktivnosti. Ovim je modelima zapoeo razvoj naprednih algoritama voenja alatnih strojeva, pa im je i zastupljenost u literaturi i praksi najvea. Primjenjuju se najee u regulaciji sila rezanja, odnosno snage ili momenta, a zatim i u izbjegavanju neeljenih vibracija alata (chatter vibrations). Njihova je primjena, s relativno malo predloenih rjeenja, analizirana i u problemima stvaranja naljepaka na obraivanoj povrini (burr formation), osiguranju eljenih karakteristika odvojene estice koji se odnose na lom i odvajanje (chip formation), kao i kod regulacije temperature u zoni rezanja. Pritom su najee primjenjivane i analizirane klasine upravljake strukture PI, PID regulatori, regulatori sa samopodesivim parametrima, regulacija primjenom referentnih modela, "slidingmode" regulacija, a u novije vrijeme i regulatori izvedeni primjenom umjetnih neuronskih mrea, neizrazite logike i njihovih hibridnih izvedenica [6] [8]. Za razliku od ACC modela voenja, drugi oblik voenja (ACO) podrazumijeva adaptaciju parametara obrade u cilju optimiranja odabranog indeksa performansi (npr. minimiziranje trokova proizvodnje, maksimiziranje volumena odvojenog materijala u vremenu). Ovaj oblik voenja pretpostavlja fizikalno razumijevanje obradnog procesa kako bi se mogla postaviti potrebna funkcija cilja koja povezuje mjerljive atribute procesa i adaptacijske parametre. Imajui u vidu spoznaje iznesene u [1] i [9], praktina implementacija ACO sustava jo uvijek nije realizirana. Osnovni je problem u odreivanju indeksa performansi, tj. osiguranju vrlo preciznih i pouzdanih izmjera procesnih varijabli u industrijskom okruju. Ovaj je problem tim vei ako se u obzir uzme i injenica da za jedan od glavnih faktora u postupku optimiranja procesa obrade rezanjem figurira dinamika troenja reznih alata. U tom je smislu za odreivanje eljenog indeksa performansi kljuno osigurati i vrlo precizan iznos parametra troenja u svim reimima obrade, to jo uvijek predstavlja nerjeiv problem. Stoga se u spomenutim izvorima literature najee razmatraju situacije optimalnog voenja pri obradi bruenjem. Pri tome se za indeks performansi uzima produktivnost koju je nuno maksimizirati, uz ogranienja na kvalitetu obraene povrine. Posljednji, trei oblik voenja (GAC) moe se, ovisno o sluaju, praktiki svesti pod jedan od prethodna dva modela, ali se zbog svog znaenja moe i izdvojiti u
1. UVOD
zasebnu skupinu. On je vezan uz zavrne operacije obrade, i to primarno uz zadovoljenje traene dimenzijske stabilnosti obratka, a zatim i kvalitete obraene povrine. Pritom se eventualna odstupanja u kvaliteti obrade kompenziraju korekcijom poloaja alata, a hrapavost povrine regulira njegovim posmakom. Opirniji pregled radova, s naglaskom na ACC modele moe se nai u [1].
1. UVOD
prihvatu veeg broja znaajki troenja zbog eksponencijalnog rasta pravila ponaanja ili zbog porasta kompleksnosti modela. Pregledom dostupne literature dade se uoiti i injenica da je veina izloenih NTA sustava razvijana za potrebe klasifikacije stupnja istroenosti alata. Predloen je relativno mali broj rjeenja koja omoguuju kontinuiranu kvantifikaciju odabranih parametara troenja koja predstavlja nuan uvjet adaptivnom voenju alatnih strojeva s obzirom na niz kriterija. Iz svega navedenog moe se zakljuiti da je potreba za novim rjeenjima na podruju nadzora istroenosti reznih alata i dalje vrlo aktualna. Ona bi morala brzo i pouzdano kvantificirati istroenost alata sa to jasnijim meusobnim utjecajem strukturnih elemenata, uz mogunost permanentne adaptacije strukture s obzirom na dinamiku procesa troenja, bez ogranienja u broju znaajki troenja i s dinamikim odabirom najpogodnijih vrsta znaajki u svakom koraku procjene istroenosti. Dinamiki odabir znaajki posebno je bitan imajui na umu velik broj razliitih poremeaja i drugih promjenljivih tehnolokih parametara obradnog procesa [14] zbog kojih dolazi i do promjene stupnja korelacije znaajki troenja s obzirom na njegov intenzitet. Na podruju adaptivnog voenja alatnih strojeva najvie je istraivakih napora usmjereno u pravcu regulacije sila rezanja zbog njihovog znaajnog utjecaja na obradni proces te mogunosti preciznog mjerenja. Sa stanovita simulacijskih i/ili eksperimentalnih istraivanja problematika voenja stroja prema postojanosti reznog alata ostala je u najveoj mjeri zanemarena. Necitiranjem ni jednog od 126 razmatranih literaturnih izvora, na spomenutu injenicu upuuju i autori reference [1], u kojoj je dan aktualan i opiran pregled rezultata iz podruja nadzora i voenja alatnih strojeva. Navedeni bi oblik voenja imao zadatak kontinuirano adaptirati parametre obrade u cilju realizacije, u tehnolokoj pripremi proizvodnje, programiranog vijeka trajanja alata. U sluaju neoekivano visokog stupnja troenja trebao bi osigurati i siguran zavretak zapoetog prolaza alata ili cijele operacije, odnosno izlaz alata iz zahvata prije loma (pre-fault tolerance control). Ovim je ciljevima nuno pridodati jo i zahtjeve za poveanjem stupnja produktivnosti i osiguranjem kvalitete obraene povrine, a sve to imajui u vidu neizbjena tehnoloka ogranienja obradnog pocesa. Istraivanja provedena na prvom ACO modelu Bendix sustavu [9], iji indeks performansi uzima u obzir i parametar troenja alata, pokazala su vrlo pozitivan utjecaj adaptivnih modela voenja na porast produktivnosti obradnog procesa (slika 1.3).
1. UVOD
A) obradak - AISI 4140; alat - HSS B) obradak - AISI 4140; alat - alatni elik C) obradak - nerajui elik; alat - HSS
A
TROKOVI OBRADE ($ / in3 odvojenog materijala)
5 4 3 2 1
C
varijabilna dubina rezanja ap = 0,05 in (1,27 mm)
5 4 3 2 1
PRIMJENA PARAMETARA OBRADE IZ PRIRUNIKA RUNO OPTIMIRANJE PARAMETARA OBRADE ADAPTIVNO VOENJE (BENDIX SUSTAV)
Slika 1.3 Usporedba trokova proizvodnje pri razliitim oblicima voenja alatnog stroja (preuzeto iz [9]) Imajui u vidu vie nego oitu potrebu ukljuivanja razmatranog oblika voenja u opu strategiju adaptivnog voenja alatnih strojeva, oekuje se da e se istraivanja vezana uz njihov razvoj intenzivirati.
1. UVOD
objedinjenih ovim radom. U drugom su dijelu, kao logina nadogradnja modulu kontinuirane estimacije parametara troenja, provedena i istraivanja vezana uz razvoj modela voenja, s obzirom na traenu postojanost alata. Osnovna je motivacija ovog istraivanja pretpostavljala postavljanje strategije voenja, te analizu i odabir koncepta voenja. Naglasak je posebno stavljen na mogunost njegove primjene u realnim uvjetima obrade, a dobiveni su rezultati omoguili niz korisnih zakljuaka.
10
1. UVOD
Peto poglavlje predstavlja posljednju cjelinu rada i u njemu se razmatra mogunost adaptivnog voenja alatnog stroja u cilju postizanja eljenog stupnja istroenosti u vremenu obrade odreenom u tehnolokoj pripremi proizvodnje. Na poetku poglavlja postavljeni su ciljevi i strategija voenja. U nastavku je opisan model troenja koriten u simulacijskim ispitivanjima algoritama voenja te strukture regulatora i filtra zasnovane na statikim i dinamikim izvedenicama umjetnih neuronskih mrea. Na kraju su izdvojena i analizirana dva modela voenja. Usporedbenom analizom njihovih odziva predloen je konaan pristup voenju prema postojanosti otrice reznog alata. Na temelju svih ostvarenih rezultata i zapaanja u posljednjem su poglavlju saeti zakljuci rada.
11
2. MJERNI
U cilju realizacije industrijski primjenjivog sustava za nadzor troenja reznih alata od elementarne je vanosti u svakom trenutku osigurati dovoljan broj znaajki troenja koje bi trebale omoguiti precizno odreivanje stupnja istroenosti. U tu se svrhu danas koristi niz razliitih vrsta mjernih sustava, metoda obrade signala, izdvajanja i odabira znaajki troenja, iji je pregled dan u ovom poglavlju. Naglasak je stavljen na najee koritene signale i postupke analize.
visok stupanj osjetljivosti na troenje alata u razliitim uvjetima obrade, veliku otpornost na neistoe, estice odvojene rezanjem, te mehanike, elektromagnetske i toplinske utjecaje, mogunost priguenja umova, jednostavnu grau uz malu potrebu za odravanjem i jednostavnu integraciju u postojee strukture alatnih strojeva.
Uz navedene karakteristike, njihova ugradnja ne bi smjela utjecati na konstrukcijom definirane karakteristike alatnog stroja u smislu smanjenja njegove statike, odnosno dinamike krutosti i radnog prostora.
2.1.1 Indirektni i direktni pristup mjerenju istroenosti reznog alata
12
skupinu direktnih i indirektnih metoda. U direktne metode spadaju sve one tehnike mjerenja pomou kojih se izravno identificira stanje otrice alata, tj. kvantificira aktualna vrijednost razmatranog parametra troenja. Ovim se metodama mjerenja dolazi do vrlo preciznih spoznaja o stupnju istroenosti alata. Nedostatak im predstavlja mogua osjetljivost utjecaja raznih elemenata obrade (npr. odvojenih estica i/ili sredstava za hlaenje i podmazivanje) na kvantifikaciju istroenosti alata, relativno visoka cijena i esto komplicirana instalacija. Kako veina direktnih metoda spada u skupinu tzv. prekidnih ili "offline" metoda mjerenja (nadzora) koje se primjenjuju u situacijama kada alat nije u zahvatu, u ozbiljnije nedostatke moe im se ubrojiti i kanjenje u procjeni stupnja istroenosti. S druge strane, kod indirektnih se metoda procjena parametara troenja vri tijekom rezanja, i to posrednim putem primjenom razliitih parametara procesa vezanih uz troenje alata (sile rezanja, vibracije, ). Budui da se u ovom sluaju parametri troenja ne mjere direktno, iz snimljenih je signala nuno izluiti niz razliitih tipova znaajki troenja pomou kojih se zatim procjenjuje stupanj istroenosti reznog alata. Jednostavnost u instalaciji i postupcima mjerenja, s jedne strane, te u raunalnom smislu esto vrlo zahtjevna obrada signala, s druge strane, spadaju meu osnovne karakteristike indirektnih tehnika mjerenja. Njihova najznaajnija karakteristika vezana je uz mogunost praenja dinamike troenja u realnom vremenu (kontinuirani ili "on line" reim nadzora), ime se osigurava nuan preduvjet inteligentnog voenja alatnog stroja. Stoga su indirektni mjerni sustavi danas najei izbor u konstrukciji i prevladavajui trend razvoja automatiziranih sustava nadzora troenja reznih alata.
2.1.2 Pregled i kategorizacija mjernih tehnika
Pregled najznaajnijih vrsta senzora i mjerenih parametara procesa dan je tablicom 2.1. Uz navedene, od ostalih se oblika mjerenja izdvajaju jo mjerenja hrapavosti obraene povrine mehanikim ili optikim senzorima (CCD kamere, laseri, senzori s optikim vlaknima), metode zasnovane na mjerenjima redukcije toka magnetskog polja prethodno magnetizirane rezne ploice, primjena doppler radar detektora i dr. Detaljniji opisi veine navedenih pristupa mjerenju, naina instalacije mjernih ureaja, kao i veza izmeu razliitih vrsta signala i fizikalnih karakteristika procesa obrade odvajanjem estica izloeni su u [16] [32]. Krai opisi metoda, uz pojanjenja naina obrade
13
signala i izdvajanja znaajki troenja, mogu se nai i u veini ostalih citiranih referenci iz podruja nadzora troenja reznih alata.
PARAMETRI PROCESA
Sile rezanja statike i dinamike
SENZORI
Dinamometri u obliku ploa na koje se
privruje obradak ili prstenasti za mjerenje momenta glavnog vretena Senzori sila (naprezanja) na alatu ili na (u) drau alata Senzori sila ugraeni u leajeve
Senzori akustine emisije (AE) s
Signali visokih frekvencija nastali oslobaanjem energije iz raznih izvora vezanih uz proces rezanja Vibracije alata i/ili draa alata nastalih ciklikim varijacijama dinamikih komponenti sila rezanja Pogonski signali jakosti struja, snaga, zakretni momenti aktuatora Temperatura alata i/ili odvojene estice koja se razvija u zonama alatodvojena estica i alatobraena povrina
Oblik rezne otrice i/ili zone istroenosti stranje i prednje povrine alata Volumen istroenog materijala rezne otrice alata Dimenzijska stabilnost obratka / Udaljenost izmeu alata (draa alata) i obratka Elektrini otpori u zoni dodira alata i obratka
kamerama
Fotodiode Senzori s optikim vlaknima Senzori za odreivanje koliine i
14
Meu najee koritenim mjernim signalima izdvajaju se signali sila rezanja, akustine emisije i vibracija. Uz signale sila esto se istiu i prednosti pogonskih signala (jakosti struja, snaga) u smislu njihove meusobne visoke korelacije, niskih trokova i jednostavne eksploatacije. Iz dosadanjih je istraivanja vidljivo da jo uvijek nije postignut konsenzus oko pitanja mogu li se koritenjem akustine emisije dobiti kvalitetne spoznaje o dinamici troenja. Dok jedni tvrde da je mogue ostvariti kontinuiranu identifikaciju procesa troenja, drugi su vrlo skeptini. Svoje tvrdnje potkrepljuju tezom da je akustina emisija zapravo primarno ovisna o materijalu obratka, a ne o alatu i da je stoga teko izmjeriti promjene slabijeg intenziteta koje prethode fazi znaajnijeg (naglog) troenja ili lomu alata. Stoga je trenutno prevladavajui trend primjene signala akustine emisije (ali i vibracija) u problemima klasifikacije dva ili tri podruja troenja, odnosno u procjenama loma alata. Kako svaka vrsta signala ima svoje prednosti i nedostatke moe se ustvrditi da je preduvjet uspjenog nadzora troenja reznih alata primjena razliitih vrsta signala i znaajki troenja te odabir onih znaajki koje su ostvarile najvei stupanj korelacije sa stupnjem istroenosti alata u razmatranom koraku procjene.
Odabir vrste filtara ovisit e, prije svega, o vrsti snimanog signala, karakteristikama alata, stroja, obratka, parametara obrade, kao i ostalim uvjetima obrade. Iz navedenog proizlazi da postupak filtriranja nije jednoznano definiran i da ga je za svaki konkretni
15
sluaj potrebno paljivo odrediti s obzirom na individualne karakteristike procesa. Time se izbjegava priguivanje i onih dijelova signala koji su nositelji potrebnih informacija o stanju otrice reznog alata. Iz dostupne se literature moe zakljuiti da se najee primjenjuju niskopropusni i pojasnopropusni filtri implementirani u mjernu opremu i/ili realizirani raunalnom, odnosno programskom podrkom u fazi dodatnog filtriranja signala. Odabir vrste filtra ovisit e podjednako o njegovoj brzini i traenoj kvaliteti izlaznog signala. Pritom valja napomenuti da je u literaturi vrlo rijetko specificirana tona vrsta koritenog filtra, a uoava se i injenica da je u znaajnom broju radova u potpunosti izostala naznaka da je dodatno filtriranje uope provedeno. U okviru provedenih istraivanja signali sila rezanja i struja servomotora posminih osi filtrirani su koritenjem niskopropusnog FIR (Finite Impulse Response) filtra. Detalji postupka izloeni su u etvrtom poglavlju. Navedeni se oblici filtriranja mogu primijeniti u situacijama kada su frekvencijska podruja signala od interesa a priri i u potpunosti definirana. Postoje i situacije kada nije uvijek mogue u potpunosti ili u dovoljnoj mjeri razluiti podruja s informacijama o stanju alata od onih koja predstavljaju um. Konkretni primjer predstavljaju signali akustine emisije. Pod akustinom emisijom najee se podrazumijeva fenomen koji nastaje prilikom plastine deformacije materijala, kada zbog pojave naprezanja u zonama deformacije dolazi do nastanka tranzijentnih elastinih valova. Valovi nastaju kao posljedica oslobaanja energije nastale razdvajanjem molekula. Istraivanja su pokazala da se za najznaajnije izvore AE signala mogu uzeti plastina deformacija u obratku i trenje izmeu obratka i alata. Jedna od glavnih prednosti ove vrste signala proizlazi iz injenice da su im frekvencije znatno vie (ultrazvuno podruje) od frekvencija vibracija stroja i signala okoline. Na taj se nain mogu direktno izbjei neeljeni utjecaji pojava nieg frekvencijskog spektra koje nisu povezane s troenjem alata. Problem se, meutim, javlja kada je potrebno izolirati vie harmonike koji nastaju zbog, primjerice, plastine deformacije i loma odvojene estice, sudara estica s alatom, kao i sve ostale poremeaje za koje je teko odrediti frekvencijsko podruje. Pokazalo se da je ovu vrstu poremeaja u dobroj mjeri mogue izolirati primjenom metode diskretne wavelet transformacije. Rije je o metodi koja se temelji na postupku dekompozicije signala nakon kojeg slijedi parcijalno filtriranja njegovih segmenata. Navedeni je pristup primijenjen i u ovom radu.
16
Wavelet transformacija je najznaajnija metoda analize signala u vremensko frekvencijskom podruju. Njezina osnovna prednost pred metodama analize u frekvencijskom podruju (npr. Fourierovoj transformaciji) predstavlja kvalitetan i istovremen prikaz signala i u frekvencijskoj i u vremenskoj domeni. Time se zapravo dobiva mogunost analize signala na lokalnoj razini, to je posebice znaajno kod obrade nestacionarnih signala. Dok se kod, primjerice, Fourierove analize signal opisuje sinusnim i kosinusnim funkcijama, za wavelet transformaciju karakteristina je upotreba vremenski ograniene osnovne ili originalne mother wavelet funkcije (Haarova, Daubechiesova, Meyerova, Gaussova, Morletova, itd.). Ona tijekom analize poprima vie razliitih formi u smislu modifikacija svoje irine. Postupak transformacije zasniva se na usporedbi wavelet funkcije odreene irine (frekvencije) definirane parametrom skale (s) i dijelova signala jednake irine u odreenom vremenskom intervalu (t-k). Pritom je skala inverzno definirana s obzirom na frekvenciju signala. Zapis kontinuirane wavelet transformacije (CWT) u opoj formi dan je izrazom
( ,s ) =
1 s
x (t )
t dt , s
(2.1)
gdje je parametar translacije, s parametar skale, x(t) signal koji se transformira, frekvencijski sastav signala x(t) u odreenom vremenskom intervalu k i uz skalu s, a
17
posao. U cilju ubrzanja postupka, uz istovremeno zadravanje mogunosti kvalitetne analize signala, 80ih je godina prolog stoljea razvijena metoda diskretne wavelet transformacije (DWT).
2.2.3 Filtriranje signala primjenom diskretne wavelet transformacije
Diskretna wavelet transformacija pretpostavlja koritenje niza visokopropusnih i niskopropusnih filtara kroz koje se proputa analizirani signal, pri emu dolazi do njegove dekompozicije na niz segmenata. Nakon prvog proputanja signala dobivaju se dva segmenta (slika 2.1): jedan koji predstavlja DWT koeficijente frekvencijskih komponenti signala do polovice iznosa njegove maksimalne spektralne komponente (niskofrekventni segment), i drugi koji predstavlja DWT koeficijente vezane uz preostale visokofrekvencijske komponente spektra.
visokopropusni filtar redukcija rezolucije "downsampling"
2
OSNOVNI SIGNAL (S) N/2 DWT koeficijenata visokih frekvencija osnovnog signala (cD)
N uzoraka
niskopropusni filtar
2
N/2 DWT koeficijenata niskih frekvencija osnovnog signala (cA)
S D1 D2
IDWT
18
Svaki od ovih segmenata po istom se principu razlae na dodatne segmente. Najee se za daljnje analize razlae samo prvi niskofrekventni segment (A1). Svaki sljedei segment ima dvostruko manje elemenata (Nyquistovo pravilo) od prethodnog, ime se dodatno ubrzava postupak transformacije. Primjenom inverzne diskretne wavelet transformacije (IDWT) mogue je na temelju dobivenih koeficijenata (cAi, cDi) rekonstruirati svaki pojedini segment signala (Ai, Di) iz ega proizlazi S=A3+D1+D2+D3. Rezimirajui navedeno, moe se zakljuiti da se DWT transformacijom dobivaju segmenti signala definirani u vremenu koji su vezani za razliite uzastopne frekvencijske pojaseve. Time je omoguena ve spomenuta istovremena analiza i u vremenskom i u frekvencijskom podruju. Vrlo kvalitetni opisi kontinuirane i diskretne wavelet transformacije, s uvodnim dijelom vezanim uz Fourierovu transformaciju i njenu ekstenziju STFT transformaciju (ShortTime Fourier Transformation), prikazani su u [33]. Filtriranje signala primjenom postupka dekompozicije podrazumijeva uklanjanje umova iz njegovih segmenata, i to onih vezanih uz pojave vieg frekvencijskog spektra (D segmenti). U tu je svrhu u ovome radu primijenjena Matlabova funkcija 'wavemenu', odnosno njena podfunkcija 'Wavelet 1-D'. Rije je o funkciji koja nakon uitavanja signala te odabira osnovne wavelet funkcije i stupnja dekompozicije razlae signal na njegove segmente (slika 2.2). Automatskim odabirom granica filtriranja svakog pojasa (koje se naknadno mogu i mijenjati) te ponovnom superpozicijom tako filtriranih segmenata, rekonstruira se konani izgled filtriranog signala. Kvaliteta provedenog postupka filtriranja, odnosno ispravnost postavljenih granica pojaseva filtriranja D segmenata osnovnog signala odreuje se temeljem autokorelacijske funkcije rezidualnog signala (pretpostavljenog signala uma). Statistiki prikaz reziduala koji obuhvaa autokorelacijsku funkciju, aritmetiku sredinu, medijan, standardnu devijaciju i niz ostalih statistikih pokazatelja prikazan je slikom 2.3.
19
Detalji vezani uz ovakav oblik filtriranja signala, kao i karakteristike koritene funkcije iznijeti su u [34]. Osim u svrhu filtriranja, metoda dekompozicije signala koritena je i u direktnom nadzoru troenja alata. Jedan od primjera opisan u [35] ukazuje na mogunost vrlo kvalitetne procjene katastrofalne istroenosti alata na temelju iznosa koeficijenata DWT transformacije u signalima struja. U drugom su sluaju [36] DWT koeficijenti izdvojeni iz signala sila i zatim direktno primijenjeni u estimaciji parametra troenja.
U tablici 2.2 izloena je podjela znaajki troenja na etiri skupine s obzirom na karakteristike metoda koritenih u analizi snimljenih signala procesa. Ova podjela nije stroga, jer se, primjerice, statistike znaajke mogu takoer svrstati i pod skupinu znaajki iz vremenskog podruja. Osim navedenih, ostale su vrste znaajki manje zastupljene. Najee se primjenjuju znaajke iz prve tri skupine. Pritom se moe primijetiti da su kod signala niih frekvencija (sile, struje) najvie zastupljene znaajke iz vremenskog podruja, a zatim i frekvencijskog te statistike znaajke. Kod visokofrekventnih signala kao to su akustina emisija ili vibracije, na prvom su mjestu znaajke iz frekvencijskog podruja, a zatim slijede statistike znaajke i znaajke iz vremenskog podruja. Najmanja je zastupljenost znaajki iz vremensko frekvencijskog podruja. Veina navedenih vrsta znaajki, kao i karakteristika njihove primjene, u veoj su ili manjoj mjeri izloene u citiranim radova u kojima se razmatra problem nadzora troenja reznih alata.
21
SKUPINA
VRSTA ZNAAJKE
NAPOMENA
Aritmetika sredina, varijanca, standardna devijacija, koeficijenti spljotenosti i asimetrije, Koeficijenti AR, MA, ARMA modela, Razliiti koeficijenti graninih vrijednosti, krina korelacija, harmonijska sredina,
Znaajke koje opisuju distribuciju vjerojatnosti u procesu troenja Modeliranje signala koritenjem vremenskih serija Ostale rjee zastupljene statistike znaajke
STATISTIKE ZNAAJKE
Ove su znaajke veinom Prosjene i efektivne (RMS) vrijednosti signala unutar nekog koritene pri obradi signala sila vremenskog intervala Kratkotrajni porasti ili smanjenja vrijednosti u signalima Omjeri sila, faktori krijeste, polinomne aproksimacije signala
Dominantne amplitude/snage Znaajke najee spektra dobivene koritenjem Spektralna gustoa snage Fourierove transformacije cijelog signala signala Spektralna gustoa snage u pojedinim segmentima signala (meusobno susjednih ili dijelom preklapajuih frekvencijskih pojaseva) Frekvencija najvee amplitude spektra Ukupna snaga signala u okolini frekvencije najvee amplitude spektra Znaajke vezane gotovo iskljuivo uz wavelet transformaciju signala
22
Kvalitetni odabir najboljeg skupa znaajki troenja, koje u aktualnom koraku klasifikacije/estimacije mogu s potrebnom preciznou kvantificirati stupanj istroenosti alata, predstavlja posljednji i iznimno znaajni korak postupka obrade signala. Analiza citiranih radova pokazuje da proces odabira znaajki u veini sluajeva ima za cilj odabir optimalnog broja znaajki a tek zatim najpogodnijeg skupa znaajki s obzirom na razluivost stupnja istroenosti svake znaajke individualno. Iako je u pravilu bolje koristiti to vei broj nezavisnih znaajki, preveliki broj moe, primjerice, uzrokovati pretreniranost neuronskih mrea (overfitting) koje veina autora koristi u modeliranju procesa troenja. Pretreniranost dovodi do smanjenja generalizacijskih svojstava mrea, a samim time i loije kvalitete odziva. Moe se primijetiti da je problem analize i odabira znaajki troenja u literaturi tretiran na nekoliko naina. U najveem broju sluajeva nikakvo objanjenje vezano uz njihov odabir nije dano. Zatim slijede radovi u kojima je primarno raena analiza utjecaja snimljenih signala na dinamiku troenja. Na temelju tih zapaanja predloene su znaajke troenja koje dobro opisuju neke segmente i/ili pojave procesa troenja. U treoj se skupini nalaze radovi u kojima je izdvojen niz znaajki koje su statistiki analizirane i odabrane s obzirom na stupanj korelacije s procesom troenja. U tu se svrhu najee primjenjuje niz razliitih metoda kao to su SFS (Sequential Forward
Search) i SBS (Sequential Backward Search) algoritmi, PCA analize (Principal Component Analyzes), KL transformacija (KarhunenLoeve transformation), krina
korelacija i ostale metode ([37] [39]). Jedan se dio metoda koristi u sluajevima tzv. sekvencijalne selekcije znaajki, koja podrazumijeva njihovu meusobnu neovisnost u procjeni istroenosti alata, a drugi dio u odabiru kombinacija znaajki. Openito uzevi, za razliku od kombinacijskog pristupa, kod individualnog odabira znaajki njihov porast manje utjee na poveanje kompleksnosti modela i dodatnih analiza. S druge strane, u odreenim se situacijama pokazuje da meusobni utjecaji znaajki mogu rezultirati veim stupnjem korelacije s dinamikom troenja nego u sluaju individualnog pristupa. Na kraju, posljednju skupinu radova ine oni kod kojih se odabir znaajki troenja vri s obzirom na njihov utjecaj na rezultate klasifikacije/estimacije. Ovaj je pristup, uz individualnu analizu utjecaja znaajki troenja, koriten i kod hibridnog estimatora troenja predloenog ovim radom.
23
3. PRIMJENA
UMJETNIH NEURONSKIH MREA, NEIZRAZITE LOGIKE I HIBRIDNIH MODELA U NADZORU TROENJA REZNIH ALATA
U posljednjih 15-ak godina analizirane su karakteristike niza razliitih modela neuronskih mrea, neizrazite logike i njihovih hibridnih struktura u rjeavanju problema identifikacije stupnja istroenosti reznih alata. Najvei broj radova obuhvaa primjenu neuronskih mrea. U manjem broju sluajeva primijenjena je neizrazita logika, a sve je intenzivnija i uporaba njihovih hibridnih izvedenica. U ovome su poglavlju ukratko izloeni najei oblici navedenih metoda umjetne inteligencije u dosadanjim istraivanjima. Posebno su istaknuti oni modeli za nadzor troenja koji se svojom formom i/ili principom funkcioniranja razlikuju od ostalih standardnih struktura. Pregled primjene razliitih vrsta neuronskih mrea u nadzoru troenja reznih alata ogranien je na opis osnovnih elemenata strukture koritenih mrea. Istaknute su karakteristike postupaka njihova strukturiranja, kao i mogunosti praktine primjene. Vie detalja izloeno je u priloenim referencama koje predstavljaju reprezentativni dio od nekoliko stotina objavljenih radova iz ovog podruja. Imajui u vidu da je ovim radom predloen hibridni model dijelom strukturiran koritenjem neizrazite logike, u nastavku su detaljnije izloeni izabrani modeli nadzora troenja zasnovani na preostala dva prethodno spomenuta oblika umjetne inteligencije.
(Multi-Layer Perceptron, MLP). Procjenjuje se da se njihova zastupljenost (pojedinana ili u kombinaciji s drugim vrstama mrea) kree oko 70%. Druge po ukupnoj zastupljenosti, s oko 20%, su mree temeljene na teoriji adaptivne rezonance (Adaptive
zastupljenost, %
Slika 3.1 Zastupljenost razliitih vrsta neuronskih mrea u procjeni istroenosti alata I u ovom se istraivanju pokazalo da se veina istraivaa odluila za MLP mree. Ghasempoor i ostali [42] smatraju da su razlozi tomu jednostavnost strukture, razliitost u izboru metoda uenja te dobra generalizacijska i priguna svojstva. Uz MLP, ART i KSOM mree, zamjetan je i sve izraeniji trend primjene povratnih neuronskih mrea (Recurrent Neural Networks, RNN), mrea s vremenskim kanjenjem (Time-Delay
Neural Networks, TDNN), kao i mrea s radijalnim baznim funkcijama (Radial Basis Function Neural Networks, RBFNN). U starijim se radovima moe primijetiti znaajnija
zastupljenost perceptronske mree bez skrivenog sloja (Single Layer Perceptron, SLP). U meuvremenu se pokazalo, da je SLP mrea inferiornija u odnosu na MLP mree, kao i s obzirom na ostale navedene oblike mrea. Uz ove vrste mrea, u manjem su opsegu istraivanja sporadino primijenjene jo i suprotno propagirana mrea
25
Network, WNN), mrea kvantizacije vektora uenja (Learning Vector Quantization, LVQ) i dr. Na temelju analizirane literature, primjetna je gotovo identina zastupljenost
najee koritenih vrsta mrea u nadzoru troenja alata kod razliitih metoda obrade odvajanjem estica.
3.1.1 Primjena statikih neuronskih mrea
Vieslojne perceptronske mree [43] [45] temelje se na modelu perceptronske mree za klasifikaciju linearno separabilnih uzoraka (SLP, 1957.). Tijekom posljednjih 20 godina razvijen je niz podvrsta ovih mrea s razliitim brojem skrivenih slojeva, kao i postupaka uenja. Terminoloki, u okviru ovog rada pod MLP mreama se podrazumijevaju statike unaprijedne neuronske mree (feedforward networks) kod kojih signali putuju jednosmjerno. Njihove dinamike izvedenice svrstane su u skupinu povratnih mrea (feedback / reccurent networks). Za najee primjenjivanu metodu uenja teinskih faktora MLP mrea primjenjuje se iterativna metoda povratnog prostiranja pogreke (Error Back-Propagation, EBP). Kod EBP metode odreivanje teinskih faktora provodi se gradijentnom metodom najstrmijeg pada pogreke uenja (Steepest Descent) u smjeru od izlaznih teina prema skupu ulaznih teina. Osim navedene metode ija se zastupljenost prema [41] kree oko 80%, koritene su i ostale naprednije metode uenja, od kojih su najznaajnije konjugirano-gradijentna, Levenberg-Marquardtova i RPROP metoda (Resilient Back-Propagation). Ovi su algoritmi uenja u pravilu ostvarili bolje rezultate od EBP metode, i to u pogledu manjeg broja iteracija u postupku adaptacije strukture, manje osjetljivosti promjena parametara strukture mree na kvalitetu odziva i poboljanih generalizacijskih svojstava. U eksperimentalnim se istraivanjima pokazalo da MLP mree s dva ili vie skrivenih slojeva [28], [46] [49] ostvaruju preciznije procjene stupnja istroenosti reznog alata od onih s jednim slojem, [27], [29], [50] [54]. Broj skrivenih slojeva i njihovih neurona odreivan je empirijskim pristupom koji je esto vremenski vrlo zahtjevan. Kriterij za odabir konane strukture predstavljala je kvaliteta postignutih rezultata testiranja. Pritom je u nezanemarivom broju radova zamijeena primjena vrlo ogranienog (premalenog) broja uzoraka pomou kojih su provedena uenja/testiranja mree. U tom se smislu generalizacijska svojstva predloenih modela mogu smatrati upitnima. Dodatne analize utjecaja drugih parametara strukture, kao npr. promjene poetnih vrijednosti teinskih
26
faktora ili utjecaj promjene oblika aktivacijske funkcije na kvalitetu odziva mree nisu zamijeene. U pravilu je koritena sigmoidalna unipolarna, rjee i tangens hiperbolna funkcija. Na temelju radova objavljenih unazad nekoliko godina, uoava se trend smanjenja zastupljenosti MLP mrea na raun ostalih vrsta, primarno dinamikih mrea. U skupinu statikih unaprijednih neuronskih mrea spadaju i RBFNN mree. Rije je o mreama koje se sastoje od jednog skrivenog sloja ija se struktura konfigurira u dvije faze. Najprije se odrede parametri centara aktivacijskih radijalnih baznih funkcija svakog neurona skrivenog sloja, a zatim se vri izraun teinskih faktora koji povezuju skriveni i izlazni sloj. Kod ovih vrsta mrea najvie je panje potrebno posvetiti upravo odabiru poloaja i irina aktivacijskih funkcija neurona skrivenog sloja, jer o tome u najveoj mjeri ovisi kvaliteta odziva. Dok se u prvoj fazi uenja centri namjetaju iterativnim postupkom u nekoliko koraka, teinski faktori se u pravilu izraunavaju u jednom koraku inverzijom ili pseudoinverzijom matrice uenja. Iz navedenog proizlazi da je vrijeme uenja ovih vrsta mrea znatno reducirano. One, osim brzine uenja, posjeduju i relativno jednostavnu strukturu te svojstvo univerzalnog aproksimatora. Za aktivacijsku funkciju najee se odabire Gaussova zvonolika funkcija. Grafiki prikaz s vrlo detaljnim opisom RBFNN mree s primjerima moe se nai u [44], a dio tog opisa i u petom poglavlju rada. Unato nabrojanim dobrim svojstvima, RBFNN mree nisu dovoljno iskoritene u rjeavanju problema nadzora troenja reznih alata. Srinivasa i ostali [55] usporeuju RBFNN mreu s RAN mreom (Resource Allocation Network) i zakljuuju da je RBFNN mrea postigla bolje rezultate. Pri tome koriste empirijski pristup za odabir broja neurona skrivenog sloja i izraun irina centara Gaussovih aktivacijskih funkcija. Osim toga, za izraun teinskih faktora koriste se iterativnim gradijentnim algoritmom najstrmijeg pada. Iterativni pristup odreivanja teina koristi se i u [56], gdje se navodi da je za namjetanje strukture mree bilo potrebno 210 koraka. Iz teksta se nasluuje da je i u tom radu broj "skrivenih" neurona odabran metodom pokuaja i pogreke ili nasumice. U radovima [57] i [58] teinski faktori RBFNN mree raunani su u jednom koraku, a za izraun parametara aktivacijskih funkcija koritena je metoda grupiranja u dva koraka. Njome je odreen broj neurona skrivenog sloja i poloaj centara imajui u vidu najbolje postignute rezultate testova. Nakon grupiranja, irine Gaussovih funkcija odreuju se takoer empirijskim putem. Zanimljiva primjena RBFNN mree predloena je u [59] i [60]. Ovdje se zapravo radi o sustavu nadzora (slika 3.2) koji objedinjuje dvije RBFNN mree u formu modela s konanim brojem
27
6
wi(k-1)
Slika 3.2 Sustav nadzora troenja alata RBFNN mreama temeljen na FSM principu Prva se mrea koristi kao aproksimator nelinearnog odnosa izmeu ulaznih parametara i parametara troenja koji predstavljaju varijable stanja. Ulaze u mreu ine parametri obrade i varijable stanja u koraku k-1, dok njene izlaze predstavljaju parametri troenja koji se dovode na ulaz druge RBFNN mree. Njezin odziv predstavljaju mjerene znaajke troenja, odnosno sile rezanja u navedenim radovima. Pogreka u aproksimaciji znaajki troenja koristi se za namjetanje strukture mrea, odnosno generiranje eljenih varijabli stanja zadovoljavajue tonosti. Iz navedenog proizlazi da u prvom dijelu sustav ima dinamike, a u drugom dijelu statike karakteristike. Izvorni pristup, praktiki identian navedenom, zabiljeen je u radovima u kojima su primijenjene RNN i MLP mree. Njegove su karakteristike detaljnije izloene kod pregleda uporabe RNN mrea u problemima nadzora procesa troenja reznih alata.
3.1.2 Primjena dinamikih neuronskih mrea
Znaajniju primjenu od RBFNN mrea ostvarile su KSOM i ART2 mree ([43] [45]). One spadaju u skupinu dinamikih mrea i meu najznaajnijim su predstavnicima skupine mrea za grupiranje (clustering networks). Koritene su u postupcima klasifikacije znaajki troenja u jedno od prethodno definiranih podruja troenja. Obje vrste mrea zasnivaju se na principu natjecanja meu neuronima (Competitive
learning), gdje samo jedan izlazni neuron u svakom koraku uenja ostaje aktivan.
Njihova prednost pred prethodno izloenim vrstama mrea sastoji se u injenici da im se struktura namjeta u najee nenadgledanom reimu uenja ("uenje bez uitelja"). Takav postupak uenja ne zahtijeva koritenje poznatih (eljenih) izlaznih vektora u fazi namjetanja strukture mree, ve se njihovo znaenje dodjeljuje pobjednikim
28
neuronima nakon uenja. Osnovna motivacija istraivaa kod uporabe ovih vrsta mrea uglavnom je vezana uz njihove mogunosti brzog strukturiranja uz primjenu manjeg broja znaajki troenja. Na taj je nain mogue smanjiti trokove strukturiranja nadzornog sustava, a omogueno je i njegovo konfiguriranje u realnom vremenu. Industrijski primjenljiv model za kontinuiranu procjenu parametara troenja zbog reduciranog je broja znaajki u ovom sluaju vrlo teko realizirati. Stoga, njihov razvoj ima smisla jedino u elementarnim sluajevima nadzora detekcije loma alata ili openito klasifikacije stanja alata s kojim obrada vie nije mogua, za razliku od onog s kojim i dalje jest. Uz spomenute karakteristike navedene vrste mrea nude i mogunost odabira znaajki troenja koritenih u procjeni stupnja istroenosti alata, radi smanjenja utjecaja uma nastalih u pojedinim vrstama snimanih signala procesa. Kohonenove samoorganizirajue mape graene su od jednog, najee dvodimenzionalnog sloja neurona individualno povezanih sa svim elementima ulaznog vektora. Princip uenja u osnovi je vrlo jednostavan i zasniva se na usporedbi svih elemenata ulaznog vektora sa svim vrijednostima teina svakog neurona sloja. Usporedba se najee provodi izraunom Euklidijevih udaljenosti. Neuron s minimalnim odstupanjem teina od elemenata ulaznog vektora postaje pobjednik u razmatranom koraku uenja i zajedno s odabranim brojem susjednih neurona adaptira svoje teine. Ostali neuroni kod kojih nije dolo do promjene teina iskljuuju se iz daljnjeg uenja ili se lateralnim inhibitornim djelovanjem pobjednikog neurona njihove teine dodatno smanjuju. Na ulaze se zatim dovodi novi ulazni vektor iz iste klasifikacijske skupine kao i prethodni, a postupak se ponavlja sve dok ne ostane jedan neuron kao pobjednik. Taj se neuron vee za razmatranu, uenu klasifikacijsku skupinu. Na taj je nain mogue za svako podruje troenja odrediti reprezentativni neuron koji e se aktivirati u sluaju da se na ulazu pojavi pripadajua kombinacija znaajki troenja. Ova vrsta mrea koritena je u problemima nadzora troenja u nekoliko razliitih situacija. Njezina se primjena pokazala korisnom u odabiru znaajki troenja koje su ostvarile potreban stupanj korelacije s parametrima troenja [61] i na temelju kojih je zatim provedena konana procjena istroenosti alata. U radovima [56] i [62] pomou KSOM mree realizirano je i grupiranje znaajki troenja u klastere. Svaki je klaster predstavljao jedan neizraziti skup iji su parametri odreeni na temelju elemenata klastera. Procjena stupnja istroenosti alata provedena je zatim primjenom hibridnog modela. Osim navedenih primjena na razini odabira i grupiranja vrijednosti
29
znaajki troenja, u radovima [63] i [64] KSOM mrea direktno je primijenjena u postupku klasifikacije podruja troenja ostvarivi ukupno neto bolje rezultate od ART2 mree. Mree temeljene na teoriji adaptivne rezonancije, osim brzine uenja koritenjem relativno malog broja uzoraka i svojstva samoorganiziranja strukture, odlikuju se i karakteristikom nadopunjavanja prethodno steenog znanja. Pritom usvajanje novog znanja ne utjee na ve definiranu strukturu, tj. usvojeno znanje (stability-plasticity
problem). Od niza razvijenih paradigmi ove vrste mrea (ART1, ART2, ART3, ARTMAP,
) u podruju nadzora troenja reznih alata najee je koritena ART2 mrea. Graa ART mrea kompleksnija je od KSOM mrea i sastoji se od dva podsustava. Prvi podsustav (Attentional Subsystem) objedinjuje dva sloja - sloj za usporedbu (Comparison Layer, F1) i sloj za prepoznavanje (Recognition Layer, F2), te dva modula upravljakih pojaanja koji sudjeluju i u fazi usporedbe i u fazi prepoznavanja. Drugi podsustav (Orienting Subsystem) sastavljen je od sloja za resetiranje (Reset Layer) koji ima funkciju regulacije cjelokupne dinamike prvog podsustava. Princip funkcioniranja je sljedei. Sloj za usporedbu prima elemente ulaznog vektora i alje ih u sloj za raspoznavanje. Teine pobjednikog neurona sloja za raspoznavanje vraaju se kao rezultat ponovno u sloj za usporedbu. Ukoliko nakon usporedbe sloj za resetiranje "procijeni" da je vektor teina pobjednikog neurona dovoljno slian ulaznom vektoru (stanje rezonancije), postupak klasifikacije je okonan. U suprotnom, meu neuronima sloja za raspoznavanje zapoinje novo natjecanje sve dok se ne doe do pobjednikog neurona koji e zadovoljiti zadani kriterij prihvaenosti. ART2 mree koritene su kod problema prepoznavanja visokog stupnja istroenosti alata [26] i [65] te u sloenijim procjenama, najee izmeu tri do pet podruja troenja [63] i [64]. Osim pojedinane uporabe, u literaturi se mogu nai i druge kombinacije, kao npr. u radu [65], gdje je, izmeu ostalog, predloen model sa etiri paralelno konfigurirane i meusobno neovisne ART2 mree. One imaju funkciju identifikacije etiri stanja: pojave samouzbudnih vibracija (chatter vibrations), loma alata, istovremene pojave vibracija i intenzivne istroenosti alata te klasifikacije alata podobnog za obradu. Od preostalih vrsta dinamikih mrea znaajnije su zastupljene RNN i TDNN mree. Obje vrste mrea uglavnom su zbog svojih dinamikih karakteristika koritene u estimaciji parametara troenja. U prvu vrstu mrea spada niz paradigmi (Hopfieldove
30
mree, bidirekcionalne asocijativne memorije (BAM), Elmanove mree, Jordanove mree, ...) kojima je zajedniko svojstvo parcijalna ili djelomina povezanost meu neuronima istog i/ili susjednih slojeva. Upravo zbog navedenih povratnih veza RNN mree se mogu grupirati u skupinu dinamikih modela s beskonanim impulsnim odzivom (Infinite Impulse Response, IIR). Elementarna struktura RNN mree s povratom izlaznog signala na ulaze (dinamika izvedenica MLP mrea) primijenjena je u radovima [66] i [67]. U prvom radu koritena je struktura mree s kanjenjem izlaznog signala za jedan korak uena EBP metodom. U drugom su radu usporeene tri mree: MLP, RNN s izlazom u koraku k-1, i RNN s izlazom u koraku k-1 i k-2. Autori navode da je statika mrea ostvarila bolje rezultate. Istovremeno se ograuju injenicom da su dinamike mree uile u jednakom broju iteracija kao i statika mrea, to oito nije bilo dovoljno ako se uzme u obzir neto vei broj njihovih ulaza. Obeavajui (prema [41]) pristup zasnovan na FSM konceptu ([59], [60]) izloen je u radovima [42], [61] i [68]. Ghasempoor i ostali [42] koncipirali su model troenja u formi prostora stanja detaljnije prikazanog slikom 3.3. Autori su koristili tri RNN mree kojima su na ulaze dovoeni parametri obrade (dubina i brzina rezanja, posmak alata) te iznosi parametara troenja (varijabli stanja) u koracima k-1. Za parametre troenja uzeti su: istroenost stranje povrine alata, vrha alata i prednje povrine alata. Navedeni su parametri predstavljali izlaze iz RNN mrea, odnosno, uz parametre obrade, ulaze u tri MLP mree. Izlazi MLP mrea predstavljali su sile rezanja koje su se u fazi uenja usporeivale s izmjerenim vrijednostima sila i na taj je nain definirana pogreka uenja (e). Ona je najprije koritena za namjetanje strukture MLP mrea u "off-line" reimu uenja. Nakon njihovog strukturiranja provedeno je uenje i RNN mrea u realnom vremenu.
31
ap vc fz ap vc fz w1(k-1) RNN1 w1(k) w2(k) w3(k) ap RNN2 vc fz w2(k) w3(k) w1(k) ap RNN3 ap vc fz w3(k-1) vc fz w3(k) w2(k) w1(k) ap vc fz MLP3 MLP2 MLP1 e1
OBRADNI PROCES
F3 F2 F1 +
(F1)proc. + e2
ap vc fz w2(k-1)
(F2)proc.
+ e3
(F3)proc.
Slika 3.3 Model troenja alata u formi prostora stanja (FSM princip) U cilju konfiguriranja modela u realnom vremenu korisno, ak i nuno svojstvo svakog sustava nadzora predstavlja njegova jednostavnost. Imajui u vidu navedeno, u istom je radu predloena i pojednostavljena varijanta strukture, gdje se umjesto tri MLP mree koristi samo jedna. Njezini su ulazi isti kao i kod prethodne tri, ali je broj izlaza sada povean na tri, jer je dolo do objedinjavanja svih komponenti sila rezanja. Gotovo identian pristup sa etiri MLP mree primijenjen je u [61] uz dvije RNN mree, odnosno s jednom RNN mreom u [68]. Iako je logino zakljuiti da je s RNN tipom mree
32
mogue dobro identificirati dinamiku procesa troenja, pokazalo se, meutim, da one imaju i neke znaajnije nedostatke. Jedan je problem stabilnosti koji proizlazi iz karakteristika same strukture mrea (IIR forma), a drugi nedostatak je injenica da je ponekad teko odvojiti efekte porasta stupnja istroenosti alata od efekata uzrokovanih promjenama parametara obrade [41]. Problem stabilnosti strukture RNN mrea moe se rijeiti primjenom TDNN mrea. Rije je o nepovratnim dinamikim mreama kod kojih ulaz u neuron sljedeeg sloja predstavlja izlaz iz neurona prethodnog sloja u koraku k, k-1, k-2, Pri tome je ulazna informacija prisutna u mrei unutar nekog ogranienog vremenskog intervala, pa ne moe doi do pojave nestabilnosti. Najee se u primjeni moe zapaziti varijanta mree s aktualnim i vremenski pomaknutim vrijednostima ulaznih varijabli mree, pri emu je ostatak strukture rijeen u statikoj unaprijednoj formi. Iz navedenog slijedi da se ove mree mogu poistovjetiti s dinamikim modelima s konanim impulsnim odzivom (Finite Impulse Response, FIR), pa se one svrstavaju jo i u skupinu tvz. FIR mrea. Meu najee koritenim metodama uenja spadaju temporalne EBP i RPROP metode. Ove su vrste mrea relativno malo koritene u problemima nadzora troenja alata. U radovima [2] i [69] navodi se njihova uspjena primjena, gdje su ostvarile bolje rezultate od statikih mrenih konfiguracija. Neki istraivai [69] smatraju da bi njihovu primjenu trebalo intenzivirati te da one zbog svojih strukturnih karakteristika predstavljaju dobru alternativu RNN mreama.
33
Li i ostali [70] primijenili su neizrazitu logiku u problemima nadzora troenja svrdla primjenom signala struja glavnog motora (S) i posminog pogona (F). Njihov se koncept procjene iznosa parametra troenja zasniva na primjeni neizrazitog estimatora. Najprije su odabrane tri vrijednosti parametra troenja stranje povrine alata: 0,2 mm, 0,5 mm i 0,8 mm. Za te su vrijednosti matematiki modelirani iznosi struja u ovisnosti o parametrima obrade primjenom izraza
1 ln v c , ln fz ln ap 1 ln v c , ln fz ln ap
(3.1)
pri emu vrijede odnosi: S1, F1 VB1 = 0,2 mm; S2, F2 VB2 = 0,5 mm; S3, F3
VB3 = 0,8 mm. Za parametre obrade uzeti su: dubina rezanja (ap), brzina rezanja (vc) i
posmak alata (fz). Procjena parametra troenja zapoinje usporedbom snimljenih signala struje (S0, F0) s estimiranim iznosima signala, iz ega proizlaze funkcije pripadnosti svakog od tri neizrazita skupa (stupnja istroenosti). Pritom su primijenjena etiri pravila tipa AKOONDA
S1 ( S0 ) = 1, S2 ( S0 ) = 0, S3 ( S0 ) = 0; S1 ( S0 ) = ( S2 S0 ) / ( S2 S1 ) , S2 ( S0 ) = ( S0 S1 ) / ( S2 S1 ) , S3 ( S0 ) = 0; S1 ( S0 ) = 0, S2 ( S0 ) = ( S3 S0 ) / ( S3 S2 ) , S3 ( S0 ) = ( S0 S2 ) / ( S3 S1 ) ; S1 ( S0 ) = 0, S2 ( S0 ) = 0, S3 ( S0 ) = 1;
za
S0 < Si ,
za
S1 S0 S2 ,
(3.2)
za za
S2 S0 S3 , S0 > Si
Na isti se nain funkcije pripadnosti raunaju za struju posminog pogona. Do konanog iznosa funkcije pripadnosti dolazi se iz izraza
(3.3)
34
iz kojeg proizlazi da je dodijeljeno neto vee znaenje signalima posminog pogona. Za postupak izotravanja (defuzzyfication) primijenjena je metoda teita (Center of
gravity, COG) VB =
i iVBi i i
(3.4)
Koeficijenti aij i bij iz izraza (3.1) odreeni su na temelju 50 uzoraka, a preostalih 20 uzoraka je iskoriteno za testiranje. Autori navode da je pogreka u procjeni parametra troenja iznosila 15%. Naalost, uz postotni iznos kvaliteta rezultata nije dodatno preciznije kvantificirana. Slian je pristup predloen u [71], gdje je model testiran na signalima snimljenim u postupku glodanja. Procjena iznosa parametra troenja (VB) temeljena je na tri ulazna parametra: dubini rezanja, posmaku alata i maksimalnoj vrijednost vrne rezultante sila rezanja svakog mjerenja (FRmax). Snimanja su provedena za po tri vrijednosti ap, fz i VB, pri emu nije naznaen ukupni broj koritenih uzoraka za namjetanje parametara neizrazitih skupova i pravila ponaanja. Neizraziti skupovi prva dva parametra postavljeni su u formu sa slike 3.4 s oznakama: malo (M), srednje (S) i veliko (V).
( fz )
1
( ap )
1
0,1
0,2
0,5
1 ap, mm
1,5
( FR max )
1
(VB )
VM M MS VS V JV 1 VM M MS VS V JV
85
100
145 150
0,1
35
Za trei je ulazni parametar (rezultanta sila), kao i za izlazni parametar troenja, struktura proirena na est skupova: vrlo malo (VM), malo (M), malo srednje (MS), veliko srednje (VM), veliko (V), jako veliko (JV). U postupku odluivanja (inference) primijenjena su 54 pravila, takoer u formi AKO-ONDA. Iznos i-te funkcije pripadnosti izlaznog skupa odreen je umnokom funkcija pripadnosti svih ulaznih parametara koje su u razmatranom koraku procjene istroenosti generirane za svako i-to pravilo ponaanja
i (VB ) = i ( ap ) i ( fz ) i ( FR max ) .
(3.5)
Konana je vrijednost parametra troenja i ovdje raunana primjenom izraza (3.4). Testiranja provedena na temelju 25 uzoraka pokazala su prosjenu pogreku estimacije od oko 10%. U referenci [72] iznosi parametra troenja procjenjuju se na temelju estimirane vrijednosti posmine sile rezanja (Ff) kod tokarenja. Estimacija sile provodi se koritenjem hibridnog (NF) modela, pri emu su za ulazne parametre modela uzeti signali struje rezanja i posmine brzine. Ulazno izlazni signali koriteni u fazi strukturiranja hibridnog modela odreeni su eksperimentalno. Autori smatraju da se na ovaj nain moe doi do kvalitetne informacije o iznosu sile rezanja primjenom jeftinih i jednostavno ugradivih senzora struje. Predloeni je pristup ostvario pogreku odstupanja od oko 5%. Na temelju tako estimiranih vrijednosti sile rezanja primjenom neizrazitog estimatora odreuje se iznos parametra troenja. Odnos izmeu sile rezanja i parametara obrade odreen je esto koritenom ([70]) eksponencijalnom formom
a1 a2 a3 Ff = K v c fz ap ,
(3.6)
(3.7)
36
gdje su elementi vektora f logaritamske vrijednosti sile rezanja pripadajueg segmenta podruja troenja - fi = ln ( Ffi ) , a a0i = ln ( K i ) , i = 1,...,6 . Do elemenata matrice A dolazi se primjenom metode najmanjih kvadrata koritenjem eksperimentalno prikupljenih uzoraka snimljenih pri razliitim vrijednostima parametara obrade i podijeljenih u est skupina troenja. Vektorom f odreeni su centri est ulaznih trokutastih neizrazitih skupova pomou kojih se, u fazi testiranja/rada, odreuju elementima vektora pripadajue funkcije pripadnosti. Funkcije pripadnosti izlazne varijable parametra troenja odreuju se takoer primjenom 6 neizrazitih skupova, ali trapezoidne forme, formiranih na temelju analize ostvarenih rezultata u fazi uenja. U radu se istie da su eksperimentalna istraivanja pokazala kako je u postupku odluivanja dovoljno est pravila ponaanja tipa AKO je f i, ONDA je VB i, i = 1, , 6. Detaljniji prikaz odnosa funkcija pripadnosti ulaznih i izlazne varijable nije dan. U fazi izotravanja odabrana je ponovno COG metoda. Uenje je provedeno na temelju 40 uzoraka, od kojih je 19 koriteno u fazi testiranja. Naalost, prikazan je samo dio rezultata, i to u grafikom obliku. Iz prikazanih se rezultata moe uoiti iznos maksimalne pogreke od oko 0,02 mm. Autori na kraju zakljuuju da je njihov koncept vrlo pouzdan i jeftin te da se moe jednostavno implementirati u industrijskom okruju. Balazinski i ostali [73] razvili su neizraziti model estimacije parametra troenja (VB) kod tokarenja. Njihov je model neto sloeniji od prethodna tri, ali u osnovi njima vrlo slian. Za ulazne su parametre uzeti posmak alata te prosjene vrijednosti glavne sile rezanja i posmine sile za cijelo podruje troenja (0<VB<0,5mm). Na temelju ova tri parametra izvrena je procjena dubine rezanja i parametra troenja. Dubina se odreivala na temelju sva tri parametra, a troenje na temelju posmine sile. Pritom su koritena etiri neizrazita skupa za posmak alata (zbog etiri vrijednosti posmaka u eksperimentu) i est skupova za prosjenu vrijednost glavne sile rezanja (zbog est kombinacija posmaka alata i dubine rezanja). S obzirom na odnos dubine rezanja, posmine sile i troenja, postavljena su etiri neizrazita skupa za prosjenu vrijednost posmine sile, dva za dubinu rezanja (zbog dviju vrijednosti dubina u eksperimentu) i tri skupa za parametar troenja. Jezine varijable neizrazitih skupova parametra troenja bile su otar alat, istroen alat i kritina istroenost. Odnosi izmeu ulazno izlaznih varijabli definirani su s 18 pravila. Ispitane su etiri kombinacije operatora u fazi odluivanja, a za najbolju je odabran SUM-PROD operator
37
(3.8)
gdje su x1, x2, , xN ulazni parametri definirani u izrazitoj formi (crisp value),
(k ) (k ) (k ) X1 , X2 , ..., X N jezine varijable k-tog neizrazitog skupa svakog ulaznog parametra,
y je izlazna varijabla, Y
(k )
razmatrani izlaz, a Y' predstavlja konani izlazni neizraziti skup formiran u i-tom koraku estimacije na temelju izlaznih skupova vezanih uz svih k pravila ponaanja. Do izrazite izlazne vrijednosti dolazi se izraunom centra teita Y' neizrazitog skupa. Autori istiu mogunost proirenja modela i na sluaj kada se ulazni parametri definiraju u neizrazitoj (fuzzy value) formi. U tom sluaju predlau primjenu SUM-SUPPRODPROD-PROD operator. U fazi eksperimenta ukupno su snimljena dva skupa uzoraka. Za konfiguraciju strukture predloenog estimatora koriteni su podaci prvog skupa koji je ujedno koriten i u fazi testiranja. Dodatno testiranje provedeno je i s drugim skupom uzoraka. Prosjena pogreka estimacije prvog testa bila je 0,027 mm, a maksimalna 0,07 mm. Kod drugog su testa vrijednosti bile oekivano vee. Prosjena je pogreka iznosila 0,035 mm, a maksimalna 0,146 mm.
3.2.2 Modeli nadzora zasnovani na neizrazitoj logici bez pravila ponaanja
U referenci [74] razmatraju se dvije metode klasifikacije podruja troenja. Prva je metoda temeljena na linearnoj formi neizrazitog klasifikatora. Ukupni broj uzoraka N za uenje dijeli se na K=0,1N jednakih grupa za svaku j-tu znaajku troenja. Relacijska neizrazita funkcija kojom su definirane funkcije pripadnosti svih grupa j-e znaajke i-tom podruju troenja odreena je izrazom
qij =
k I jk | (Iijk ), k = 1,...,K ,
(3.9)
gdje je Ijk k-ta grupa, a (Iijk) funkcija pripadnosti k-te grupe i-tom podruju troenja. Ona se u fazi uenja rauna iz izraza
(Iijk ) =
Nijk Mij
+ (1 )
Nijk M jk
(3.10)
gdje je Nijk broj uzoraka koji pripadaju i-tom podruju, a nalaze se u k-toj grupi j-e znaajke, Mij ukupni broj uzoraka j-e znaajke koji pripadaju i-tom podruju troenja, Mjk broj uzoraka k-te grupe j-e znaajke, a je teinski faktor ( 0 1 ). Klasifikacija
38
novog ulaznog vektora x zapoinje odabirom funkcija pripadnosti iz relacijskih neizrazitih funkcija koje se odnose na grupe kojoj razmatrani vektor pripada. Na temelju odabranih funkcija pripadnosti svih elemenata (znaajki) ulaznog vektora x svim podrujima troenja, odreuje se konano podruje troenja
i*
primjenom
MAX-MIN operatora
i * = m ax min Iijk . j i
( )}
(3.11)
Za alternativni operator, koji po autorima u odreenim situacijama omoguuje ak i bolje rezultate, predlau MAX-AVERAGE operator
1 i * = m ax i n
(Iijk ) .
j =1
(3.12)
Predstavljeni je model testiran u postupku tokarenja. Koriteno je est tipova signala tri komponente sile rezanja, signali vibracija u dva smjera i snaga motora glavnog vretena. Na temelju tih signala izlueno je jedanaest znaajki troenja. Ukupno je obavljeno 396 snimaka s 52 razliite kombinacije parametara obrade. Definirano je osam klasifikacijskih skupina podruja troenja. Testiranja su provedena koritenjem 5 testova, pri emu je prvi test ujedno koriten i u konfiguraciji modela. Pojedinano gledano po testovima, prosjeno su ostvareni rezultati izmeu 63% i 78% uspjenosti klasifikacije. Zamjetno loiji rezultati manifestirali su se u sluaju raspoznavanja slabo istroenog alata (VB<0,15mm), gdje je prosjena uspjenost procjene iznosila 20% i visokog stupnja istroenosti (VB>0,3 mm) s prosjeno 10% ispravno klasificiranih uzoraka. Kako bi poboljali dobivene rezultate, autori za konani stupanj istroenosti alata predlau odabir klasifikacijske skupine s prvom sljedeom vrijednou funkcije pripadnosti s obzirom na onu maksimalnu. Time su prosjeni rezultati testova poboljani za dodatnih 10%. Drugi model svojim karakteristikama odstupa od prethodno navedenih neizrazitih modela troenja, a zasniva se na metodi odreivanja vjerojatnosti neizrazitog prijelaza (Fuzzy Transition Probability). Ova je metoda analogna Markovljevom procesu, odnosno rije je o konceptu modeliranja temeljenom na teoriji vjerojatnosti. Primjenjuje se u situacijama predvianja stanja procesa kada ona nisu jasno odreena ve se zapisuju u formi neizrazite logike. Pri tome vjerojatnost prijelaza iz jednog u drugo stanje ovisi samo o trenutnom stanju i razmatranim funkcijama pripadnosti. Troenje
39
alata upravo je jedan od onih procesa podlonih za primjenu navedene metode zbog injenice da je rije o nepovratnom procesu koji se postepeno razvija. Postupak uenja svodi se na niz koraka. Najprije se provodi grupiranje uzoraka za uenje u K skupina, tj. odreivanje K prijelaznih koraka (transition steps) - tsj, j = 1, ,K, koji jednolino prekrivaju cijelo podruje opisano krivuljom troenja. Uzorci formirani u j-i prijelazni korak (xj) koriste se za definiranje funkcija pripadnosti Ai (xj), i = 1,,N tog koraka s obzirom na svih N podruja troenja Ai. Zatim se provodi izraun PMF funkcija vjerojatnosti (Probability
mass functions, PMF) koje predstavljaju vezu izmeu funkcija pripadnosti i funkcija
vjerojatnosti. Njima se zapisuje vjerojatnost kojom razmatrana vrijednost znaajke troenja spada u jedno od podruja troenja. Paralelno se raunaju i uvjetne vjerojatnosti (Condition probability) P(Ai|Ak), i,k=1, N. Pomou njih se ispituje vjerojatnost prelaska u novi stupanj istroenosti alata podruje troenja (Ai), ako se u prethodnom koraku istroenost klasificirala u neko drugo ili isto podruje troenja Ak. Na temelju PMF funkcija vjerojatnosti raunaju se CMF funkcije (Conditional mass
G ( x )=
i P ( Ai | x ) P ( Ak Ai ) .
razmatrani uzorak x, imajui u vidu postojee podruje troenja Ak, nalazi u novom/starom podruju troenja P(AkAi |x) = P(Ai|x)/G(x). Maksimalni iznos vjerojatnosti uzima se za konanu procjenu aktualnog podruja troenja. Na kraju rada autori navode da su primjenom ove metode na uzorku od 20 elemenata uspjeli postii stopostotnu uspjenost klasifikacije troenja alata kod buenja. Pri tome su koriteni signali struja glavnog i posminog motora, a alat je klasificiran u tri podruja troenja.
40
Pregledom navedenih ali i ostalih radova iz ovog podruja moe se zakljuiti da se predloeni neizraziti modeli nadzora koriste kako u klasifikaciji aktualnog podruja troenja, tako i pri kontinuiranim, preciznijim procjenama iznosa parametra troenja. U veini je radova koriten klasini pristup strukturiranja modela neizrazite logike preko pravila ponaanja. Najee su primijenjene trokutaste i/ili trapezoidne forme neizrazitih skupova, pravila oblika AKO-ONDA te metoda teita u fazi izotravanja. Parametri neizrazitih skupova odreivani su prema iznosima varijabli koritenih u eksperimentu (centri skupova) i empirijskim putem na temelju iskustva o karakteristikama razmatranog procesa troenja (irine i oblici skupova). Ovakav pristup pokazuje znaajno ogranienje zbog limitiranog broja znaajki troenja kojima se nastoji sprijeiti prekomjerno poveanje pravila ponaanja. To je vidljivo i iz prikazanih radova, gdje je, u pravilu, koritena samo jedna vrsta signala, odnosno tek nekoliko znaajki troenja. Od ovog koncepta odstupa linearni klasifikator predloen u [74], ije su performanse, uzevi u obzir navedene rezultate testiranja, dosta upitne. Drugi model iz istog rada ostvario je najbolje rezultate, ali je naalost testiranje provedeno koritenjem premalog broja uzoraka. Problem malog broja uzoraka za testiranje u dobroj je mjeri izraen i u veini drugih radova. Uz to, zamjetna je i primjena malog broja uzoraka koritenih u fazi uenja, kao i injenica da su uzorci koriteni za strukturiranje modela ujedno sudjelovali i u njegovom testiranju. Imajui u vidu navedene nedostatke, realno je pod sumnju dovesti tvrdnje autora o dobrim generalizacijskim svojstvima predloenih koncepata. Dodatni nedostatak modela nadzora zasnovanih na klasinom konceptu neizrazite logike predstavlja injenica da je izrazito kompleksnu dinamiku troenja nemogue identificirati samo na temelju iskustvenih spoznaja o procesu realiziranih preko pravila ponaanja. Oni bi ujedno morali posjedovati svojstvo strukturiranja uenjem iz podataka dobivenih snimljenim signalima procesa. U tom se smislu moe zakljuiti da se znaajniji doprinos neizrazite logike moe oekivati upravo u segmentu hibridnih modela nadzora.
41
Slikom 3.5 prikazane su osnovne kombinacije povezanosti neuronskih mrea i neizrazite logike.
NL NL NM NM
2) 1) NNM
NL
NM
3)
4)
Slika 3.5 Hibridne strukture zasnovane na neuronskim mreama i neizrazitoj logici Prvi sluaj predstavlja elementarnu formu u kojoj obje vrste podsustava djeluju bez meusobnih utjecaja. Rije je o paralelnom vieekspertnom hibridnom sustavu kod
42
kojeg se do konanog odziva dolazi kombinacijom izlaza svakog podsustava. U drugom se sluaju pomou modula neizrazite logike generiraju neizrazite ulazne vrijednosti u neuronsku mreu koja na svoje izlaze producira neizrazite izlazne vrijednosti, tj. funkcije pripadnosti izlaznim skupovima ili konane izrazite odzive. Razmatrana struktura moe se i modificirati u smislu da odzivi mree predstavljaju ulazne vrijednosti u modul neizrazite logike. Iako navedene forme hibrida objedinjavaju obje vrste metoda umjetne inteligencije, one se, u pravilu, ne kategoriziraju u skupinu tzv. NF modela (Neuro-Fuzzy
Opis nekoliko preglednih modela zapoinje radovima [77] i [78] u kojima je primijenjena neizrazita neuronska mrea s ulaznim i izlaznim slojem (bez skrivenog sloja) u postupku klasifikacije istroenosti alata u pet podruja troenja pri obradi buenjem. U prvom radu u tu je svrhu koriten signal vibracija, a u drugom akustine emisije. U oba
43
sluaja signali su analizirani u pet frekvencijskih podruja i iz svakog je podruja izraunat srednji kvadratni korijen signala kao znaajka troenja. NNM model koncipiran je na sljedei nain. Mrea se sastoji od pet ulaznih i isto toliko izlaznih neurona. U svakom je koraku samo jedan izlaz aktivan. Veza izmeu j-og izlaza i i-tog ulaza u opoj je formi definirana izrazom
O j = max min xi ,w ij
( (
)
) ) , i = 1,...,N ,
j = 1,...,M ,
(3.13)
gdje je Oj izlazni vektor, xi ulazi vektor, a wij teinski faktor vezan uz i-ti ulaz i j-i izlaz mree. Cilj algoritma uenja predstavlja minimalizaciju pogreke
E=
1 Tj Oj 2
(3.14)
gdje je Tj eljena vrijednost j-og izlaza. U tu je svrhu u fazi uenja koritena metoda povratnog prostiranja pogreke. Promjena pogreke s obzirom na i-tu razmatranu teinu vezanu uz j-i izlaz rauna se prema
E E O j . = w ij O j w ij
Prvi lan prethodnog izraza dobiva se derivacijom izraza (3.14)
(3.15)
E = j = Tj Oj , O j
(3.16)
O j w ij
==
xs ,w sj xi ,w ij
( (
(
) ) ( xi ,w ij )
w ij
(3.17)
a1 = a2 =
xs ,w sj xi ,w ij xi ,w ij w ij
( (
( (
))
xi ,w ij xs ,w sj s i , = xi ,w ij
) ( ( ( )
))
),
(3.18)
uz postavljene uvjete
44
( ) s i ( ( )) ( xi ,w ij ) < ( ( xs ,w sj ) ) s i
xi ,w ij xs ,w sj xi w ij xi < w ij
a1 = 1,
a1 = xi ,w ij , a2 = 1, a2 = xi ,
(3.19)
do konanih se vrijednosti drugog lana iz izraza (3.15) dolazi primjenom sljedea etiri proirena AKOONDA pravila
xi < w ij i xi xs ,w sj
s i s i
xi < w ij i xi w ij i xi w ij i
)) ( ( x < ( ( x ,w ) ) w ( ( x ,w ) ) w < ( ( x ,w ) )
i s sj ij ij s i s i s s sj sj
= xi ,
(3.20)
= xi2 ,
= 1,
= w ij .
w ij = j ,
gdje je [0,1] koeficijent uenja.
(3.21)
U prvom je radu, od 30 snimljenih uzoraka 20 koriteno za uenje a 10 za testiranje, dok je u drugom od 50 uzoraka 30 koriteno u uenju a preostalih 20 u validaciji modela. U oba je rada navedeno da je postignuta stopostotna tonost u klasifikaciji katastrofalnog troenja (VB>0,6 mm). S druge strane, prosjene vrijednosti uspjenosti klasifikacije u ostalim podrujima troenja u prvom su sluaju iznosile oko 70%, a u drugom oko 90%. Autori takoer iznose podatak da je predloena struktura NNM mree postigla pogreku jednaku onoj postignutoj koritenjem MLP mree uene EBP metodom, ali u znaajno manjem broju koraka uenja (i do nekoliko desetaka puta). Jedan od primjera paralelnog vieekspertnog sustava nadzora prikazan je u [79]. Rije je zapravo o sustavu strukturiranom od modificiranog modela neizrazitog estimatora opisanog u [70] i prethodno izloene NNM mree. Pritom su u procjeni stupnja istroenosti, uz estimator, koriteni i signali struje glavnog i posminog pogona stroja, a uz NNM mreu signali akustine emisije. Neizraziti estimator u ovom je sluaju modificiran s nekoliko elemenata. Broj neizrazitih skupova (podruja troenja) proiren je s tri na est. Signali struja (Si, Fi, =1, , 6), vezani zasebno uz svako podruje
45
troenja odreeni su primjenom neuronske mree (slika 3.6). Mrei su na temelju poznatih signala i parametara obrade teinski faktori definirani primjenom regresijske metode, iji se detalji u radu ne navode.
S1 1 S2 ln vc ln fz F5 ln ap F6
Slika 3.6 Neuronska mrea za identifikaciju signala struje Vrijednosti signala predstavljaju centre neizrazitih skupova trokutaste forme koji nisu fiksni ve se s obzirom na iznose parametara obrade mijenjaju u svakom koraku estimacije. Funkcije pripadnosti neizrazitih skupova (podruja troenja) odreuju se iz odnosa poloaja skupova i iznosa snimljenih signala struje (S0, F0). S druge strane, u odreivanju funkcija pripadnosti podruja troenja primjenom NNM mree primijenjene su znaajke dobivene dekompozicijom signala akustine emisije na 16 segmenata primjenom DWT metode. Nakon toga za svaki je segment izraunat srednji kvadratni korijen signala. Empirijskom analizom rezultata izdvojen je skup onih segmenata koji su pokazali potreban stupanj korelacije sa stupnjem istroenosti alata. Srednji kvadratni korijeni tih segmenata dijeljeni su s umnokom parametara obrade kako bi se oni mogli izuzeti iz skupa ulaznih parametara mree. U konanici, primjenom oba podsustava dobivaju se funkcije pripadnosti svih triju vrsta snimanih signala vezanih uz svaki od est neizrazitih skupova koji pripadaju odabranim podrujima troenja. Za izlazne neizrazite skupove odabrana je trapezoidna forma, a svakom je podruju troenja pridijeljena jedna izlazna funkcija pripadnosti. Odnos izmeu ulaznih i izlazne funkcije pripadnosti zasnovan je na MAX-MIN operatoru i 26 eksperimentalno utvrenih pravila ponaanja. Konana vrijednost parametra troenja u fazi izotravanja dobivena je pomou COG metode. Testiranje modela provedeno je na temelju 27 od 77
46
snimljenih uzoraka, a ostatak je koriten u uenju. Naalost, rezultati su prikazani samo grafiki, a ne i kvantitativno. Iz grafikog prikaza moe se zakljuiti da je maksimalna pogreka estimacije iznosila oko 0,2 mm. Zanimljiv pristup NNM mree predlae se u [80]. Rije je o sustavu za klasifikaciju istroenosti alata u pet podruja troenja: lom L, otar alat O, mala istroenost MI, srednja istroenost SI, velika istroenost - VI. Za taj je postupak predloena samopodeavajua NNM mrea kod koje se u fazi uenja ne definiraju samo parametri neurona skrivenog sloja, ve ponajprije njihov broj te karakteristike meusobne povezanosti. Struktura skrivenog sloja gradi se postepeno, pri emu ulaze neurona predstavljaju ulazi u mreu, kao i izlazi iz prethodnog neurona sloja. Izlazi se zatim distribuiraju na izlazni sloj mree i/ili na ulaze ostalih neurona sloja (fuzzy decision tree
Slika 3.7 Odabir glavne znaajke Na temelju svih uzoraka grupe definiraju se parametri neizrazitog skupa koji se vee za grupi pripadajue podruje troenja. Funkcija pripadnosti uip razmatrane glavne znaajke troenja itom podruju troenja u ptom neuronu skrivena sloja odreena je
47
izrazom
uip =
d ip d j =1 jp
C
2 / M 1
(3.22)
gdje su dip i djp Euklidijeve udaljenosti uzorka glavne znaajke od itog, tj. jog podruja troenja, a M predstavlja parametar prethodno definiran u podruju 1< M < .
Funkcija pripadnosti itog podruja troenja kome pripadaju uzorci homogene grupe alje se na izlazne neurone mree, a ostale se vrijednosti funkcija alju u sljedei neuron sloja. Iz uenja se zatim iskljuuju uzorci koriteni u odreivanju homogene grupe s kojom je ostvaren odziv neurona prema izlazu mree. Cijeli se postupak ponavlja sve dok ostanu negrupirani samo oni elementi koji pripadaju preostalom podruju troenja i koji se zatim grupiraju u posljednji neuron. Ovim je pristupom svaki neuron skrivenog sloja mree opisan svojom glavnom znaajkom, centrima neizrazitih skupova pripadajuih podruja troenja te vezama s drugim neuronima sloja. S obzirom na razmjetaj uzoraka i utjecaj razmatrane glavne znaajke, moe se desiti da doe do grupiranja uzoraka u vie homogenih grupa koje pripadaju razliitim podrujima troenja. Iako ova situacije nije poblie razjanjena u radu, iz prikaza mrene konfiguracije postavljene na temelju provedenih analiza (slika 3.8) moe se zakljuiti da se u tom sluaju uzorci tih grupa izdvajaju u jedan zasebni neuron skrivena sloja. Uporabom nove glavne znaajke troenja, u iduem se koraku izraunavaju funkcije pripadnosti razmatranih podruja troenja, koje se zatim alju na izlaze mree. Preostali se uzorci koriste u formiranju ostalih neurona sloja. Uz navedene manjkavosti u opisu modela, izostavljen je i kvantitativni prikaz veza, tj. meusobni utjecaj neurona skrivena sloja.
48
MI
SI
VI
(SI, VI) (MI, SI) (MI, SI) (SI, VI) (O, SI, VI)
(O, MI, SI, VI) (MI, VI) (O, MI, SI, VI)
I3
I1
I2
Im
Slika 3.8 Samopodeavajua NNM mrea za klasifikaciju podruja troenja U fazi testiranja ulazni se vektor proputa kroz neurone skrivenog sloja i pritom se u svakom neuronu za njemu pripadajue podruje troenja generiraju funkcije pripadnosti. Sumiranjem svih vrijednosti funkcija pripadnosti svakom podruju troenja zasebno dobivaju se konane neizrazite izlazne vrijednosti mree, pri emu dolazi do aktivacije samo onog neurona okarakteriziranog maksimalnom sumom. U eksperimentalnom dijelu istraivanja koritene su tri vrste signala (sile, vibracije i struja), iz kojih je izlueno 97 znaajki. Autori navode da je taj broj prevelik za klasifikaciju i da bi mogao dovesti do prevelikih preklapanja uzoraka iz razliitih podruja troenja. Stoga je primjenom metode parcijalnih najmanjih kvadrata (Partial Least Squares, PLS), koja se temelji na PCA analizi, taj broj smanjen na 6 najznaajnijih znaajki. Generirana su tri testa sa po 75 uzoraka, koji su pokazali uspjenost klasifikacije oko 84%. Chungchoo i Saini [81] predlau sustav za estimaciju parametra troenja prednje i stranje povrine alata, kojeg su kategorizirali u skupinu NNM mrea, iako je zapravo
49
rije o serijskom spoju NL i NM podsustava (drugi sluaj sa slike 3.5). Njihov je model graen od etiri serijski povezana modula (slika 3.9).
MODUL ZA KLASIFIKACIJU
MODUL ZA ESTIMACIJU
z -1
PRAVILA PONAANJA
MODUL ZA NORMIRANJE
SEGMENT 1
PRAVILA PONAANJA
VB
KT
-1
Slika 3.9 Hibridni sustav za estimaciju parametara troenja (VB, KT) U prvom se klasificira istroenosti alata primjenom neizrazite logike. U drugom se izlazi iz NL modula normiraju s obzirom na karakteristike sigmoidalnih aktvacijskih funkcija neuronske mree iz treeg modula. Odzivi mree ulaze u etvrti modul takoer zasnovan na neizrazitoj logici, iji izlazi predstavljaju konane estimirane vrijednosti parametra troenja. Neizraziti klasifikator iz prvog modula, na temelju 256 pravila podijeljenih u etiri skupine, ima zadatak razluiti etiri stanja alata: troenje stranje i prednje povrine alata te krhanje i istroenost otrice alata. Funkcija ovog modula nije klasifikacija prethodno definiranih podruja troenja, ve samo indikacija pojave navedenih stanja. Izlazi iz modula ogranieni su u intervalu [0,1], gdje "0" predstavlja
50
PRAVILA PONAANJA
MODUL ZA NORMIRANJE
SEGMENT 2
situaciju u kojoj se razmatrano stanje nije desilo, a "1" da se sigurno dogodilo. Naalost, u radu nije detaljnije izloena njegova struktura. Ukoliko se desi da izlazi poprime vrijednosti izvan spomenutog intervala, tada se u modulu za normiranje oni ponovno vraaju unutar intervala. Ulaze u trei modul predstavljaju izlazi iz prvog kao i dodatne 32 znaajke dobivene iz signala sila rezanja i efektivnog signala akustine emisije. Trei je modul graen od tzv. modificirane povratno-propagirajue neuronske mree (Modified Least-Square Backpropagation NN, MLSB NN) uene metodom najmanjih kvadrata. Rije je o RNN tipu mree kod koje izlazi iz neurona skrivenog sloja u koraku k-1 djeluju na njihove ulaze. Na temelju eksperimentalnog pristupa, autori predlau jedan sloj mree od 40 neurona koji je ostvario najbolje performanse s obzirom na odnos izmeu kvalitete rezultata i vremena uenja (odziva). Iz slike 3.9 vidljivo je da se model sastoji iz dva segmenta. Naime, u radu se analizira ponaanje hibridnog estimatora za 8 vrlo slinih geometrija ploica tokarskih noeva. Provedenim snimanjima s otrim alatima u prvih nekoliko minuta obrade utvreno je da se znaajke snimljenih signala svakog alata meusobno razlikuju. U cilju smanjenja navedenog utjecaja na kvalitetu odziva modela, u etvrtom se modulu usporeuju odzivi inicijalnog troenja (prvi segment) s trenutnima (drugi segment). U tu je svrhu odreeno 10 pravila ponaanja na temelju kojih se iznosi parametara troenja prednje i stranje povrine alata modificiraju u konani iznos. I u ovom je sluaju izostao detaljniji prikaz tog procesa. Sustav je testiran na nekoliko desetaka testova, a rezultati su samo grafiki prikazani. Maksimalna pogreka u procjeni irine troenja stranje povrine alata iznosila je oko 0,05 mm, a irine kratera prednje povrine alata 0,025 mm. Njegov je algoritam realiziran u Matlab-u, a programska podrka za akviziciju signala u Visual C++ programskom paketu. Ispitan je na eksperimentalnom postavu koritenjem Pentium III (500 MHz) raunala. Autori navode da je vrijeme raunanja jednog koraka estimacije iznosilo oko 10 sekundi, pri emu je za obradu 256 pravila u prvom modulu potroeno najvie vremena. Valja naglasiti da ovaj rad spada u skupinu onih malobrojnih u kojem je koriten relativno velik broj razliitih znaajki troenja. Naalost, uz nedovoljno opisan sustav, nedostatak se moe primijetiti u injenici da je koritena neizrazita logika s pravilima ponaanja, kao i da nije provedeno ispitivanje za iznose
51
Jedan od vrlo popularnih i esto koritenih hibridnih modela za modeliranje i identifikaciju procesa je i Jangov ANFIS sustav (Adaptive Neuro-Fuzzy Inference
parametara xm (m = 1, , M) k-tog pravila ponaanja (k=1, , K), a p-ovi koeficijenti izlaznog polinoma (u ovom sluaju prvog reda). ANFIS sustav se sastoji od 5 slojeva (slika 3.10).
[x1, ..., xi, ..., xI] 1 w1
w1
A1 x1 A2
A1 A2 N1
1
w 1 f1
AM AM B1 x2 B2 k wk Nk
wk
w k fk
BM
w K fK
xI
wK
NK
wK
Slika 3.10 ANFIS model Prvi je sloj graen od jezinih varijabli iji izlazi predstavljaju funkcije pripadnosti neizrazitim skupovima
(x) =
1 x c 2 im 1 + a im
bim
(3.23)
52
gdje su ai, bi, ci parametri neizrazitih funkcija. Svaki element drugog, treeg i etvrtog sloja vezan je uz njemu pripadajue pravilo ponaanja. Izlaz iz svakog elementa drugog sloja predstavlja umnoak svih njegovih ulaznih funkcija pripadnosti
w k = Am ( x1 )* Bm ( x2 )* Cm ( x3 )* ... .
(3.24)
Time se odreuje utjecaj, odnosno stupanj aktivacije (firing strength) svakog pravila ponaanja na izlaz sustava. U treem se sloju normiraju dobiveni utjecaji prema izrazu
wk = wk
wk
k =1
(3.25)
(3.26)
w k fk .
k =1
(3.27)
U fazi uenja sustava potrebno je odrediti pravila ponaanja, a zatim na temelju uzoraka za uenje podesiti inicijalno postavljene parametre neizrazitih skupova (aim, bim,
k k k k cim) i polinomnih funkcija ( p1 ,..., pm , ..., pM , pM +1 ). Iako Jang navodi nekoliko
mogunosti za definiranje parametara strukture, sam predlae hibridnu metodu uenja. Rije je o metodi kojom se parametri neizrazitih skupova podeavaju EBP metodom u povratnoj fazi uenja, a koeficijenti polinoma minimiziranjem kvadrata odstupanja u unaprijednoj fazi uenja (postupak uenja RBFNN mrea). Prikazani oblik ANFIS sustava primijenjen je u [82] [84], a vrlo slini koncepti zasnovani na izloenom algoritmu odluivanja koriteni su i u [62], te [85] [87]. Iz navedenih se radova moe zakljuiti da su predloeni hibridi u pravilu ostvarili bolje rezultate od usporeivanih formi neuronskih mrea i/ili bru adaptaciju strukture na ueni problem. S druge strane, ovaj je pristup ogranien injenicom da njegova upotreba postaje komplicirana porastom broja ulaznih parametara, jer raste broj neizrazitih skupova i pravila ponaanja. Neki autori istiu da mu je upotrebljivost ograniena na desetak ulaznih parametara. Pregled dostupnih i dijelom izloenih hibridnih modela pokazao je da je najvea prednost njihove primjene, a koju autori esto istiu, kvaliteta odziva i brzina
53
konfiguriranja strukture, koja je znatno vea od esto usporeivanih MLP mrea. Iako se moglo oekivati da e objedinjavanjem karakteristika paralelnog procesiranja informacija i transparentnosti neizrazite logike doi do znaajnijeg porasta broja znaajki troenja, to se uglavnom nije ostvarilo. I dalje je problem injenica da veina koritenih modela zahtijeva postavljanje pravila ponaanja, to u sluaju veeg broja ulaznih parametara poveava i broj pravila. Time se ujedno poveava kompleksnost strukture, pa moe doi do gubitka njene preglednosti uz istovremeno smanjenje kvalitete odziva. I u ovom je sluaju veina rezultata prikazanih u navedenim referencama dobivena na temelju relativno malog broja testiranih uzoraka koji su prekrivali vrlo ogranieno podruje troenja. Pretpostavlja se da e vei doprinos i znaajniju primjenu doivjeti oni hibridni oblici ija se struktura ne temelji na pravilima ponaanja, ve je dijelom ili u potpunosti zasnovana na neizrazitom odnosu svojih ulaznih varijabli, odnosno parametara strukture. U svakom sluaju, moe se s prilinom sigurnou ustvrditi da e istraivanja na razvoju hibridnih modela nadzora i njihovoj praktinoj primjeni u realnim uvjetima obrade biti sve intenzivnija.
54
4. HIBRIDNI
ESTIMATOR TROENJA ZASNOVAN NA ANALITIKOM NEIZRAZITOM KLASIFIKATORU I METODI VEKTORSKI PODRANOG UENJA
Imajui u vidu, u uvodnom poglavlju, izloene smjernice razvoja sustava za nadzor troenja reznih alata koje bi trebale doprinijeti njihovoj znaajnijoj primjeni u industriji, u ovome je radu predloen hibridni model zasnovan na neizrazitoj logici i metodi vektorski podranog uenja detaljnije iznesenoj u prilogu rada. Pritom je neizrazita logika realizirana u analitikoj formi, tj. bez pravila ponaanja. Time je omogueno neizrazito odluivanje o stupnju istroenosti otrice alata istovremenom analizom veeg broja znaajki troenja. Primjenom veeg broja razliitih vrsta senzora, odnosno snimljenih signala procesa i njima pripadajuih znaajki troenja, ostvaruje se preduvjet strukturiranju NTA sustava potrebnog stupnja robusnosti i preciznosti. Estimacija parametra troenja predloenog hibridnog NTA sustava temelji se na postupku klasifikacije u podruja troenja, nakon kojega se unutar odabranog podruja poblie kvantificira njegova vrijednost. Ovakav pristup podrazumijeva odabir onih znaajki troenja koje u razmatranom koraku klasifikacije/estimacije zadovolje zadan kriterij iskoristivosti u procjeni aktualnog intenziteta troenja reznog alata. Postupak klasifikacije provodi se primjenom analitikog neizrazitog klasifikatora (ANK) za sve ve poznate, u uenju koritene, kombinacije parametara obrade. Za ostale se kombinacije inicijalne vrijednosti funkcija pripadnosti interpoliraju primjenom SVM metode koja se koristi i u drugoj fazi pri estimaciji parametra troenja. Ovako modeliran hibridni estimator pokazuje, s jedne strane, sve kvalitete neizrazitog odluivanja u gruboj procjeni stupnja istroenosti, a s druge strane, daje optimalno rjeenje u preciznijoj procjeni iznosa parametra troenja primjenom odabrane strukture SVM algoritma.
55
VB
VB
t VB
VB
II
II
VB
III
t KLASIFIKACIJA PARAMETRA TROENJA U PODRUJA TROENJA
VB
III
t
Slika 4.1 Princip estimacije parametra troenja Granice podruja troenja, odnosno njihov broj, odreuju se prema karakteristikama obradnog procesa (tip obrade, svojstva alata, obratka, ) i zahtijevane tonosti u procjeni parametra troenja. Znaajke koje su u i-tom koraku estimacije klasificirale istroenost alata u aktualnu, "pobjedniku" skupinu (podruje troenja) ulaze u modul za estimaciju parametra troenja. Pritom se u postupku estimacije koriste samo one vrijednosti odabranih znaajki troenja koje spadaju u klasificirano podruje troenja. Ostale se vrijednosti izuzimaju iz daljnje procjene stupnja istroenosti. Predloenim se pristupom ulazni vektori estimatora dodatno filtriraju, ime se doprinosi kvalitetnijoj procjeni stanja otrice alata, to posebice dolazi do izraaja kod kompleksnijih procesa obrade kao to je npr. glodanje. Struktura predloenog sustava konfigurira se u dvije faze. U prvoj se fazi, fazi
56
primarnog uenja ili inicijalizacije, formira poetna struktura modela. Postavlja se inicijalna "baza znanja" o dinamici procesa troenja, odnosno odreuju se parametri strukture za niz kombinacija parametara obrade (brzina, dubina i posmak rezanja, karakteristike obratka i alata, vrsta SHIP-a, ) i za svaku znaajku troenja zasebno. U ovoj fazi u procjeni stupnja istroenosti sudjeluju sve znaajke bez ogranienja. Ukoliko testiranja pokau da bi se odzivi sustava mogli u veoj ili manjoj mjeri poboljati, poetna se struktura dodatno adaptira u fazi sekundarnog uenja ili stabilizacije. Stabilizacija strukture moe se provesti u dva stupnja. Najprije se vri parcijalni odabir znaajki, tj. za svaku se kombinaciju parametara obrade pronau najbolje, reprezentativne znaajke, na temelju kojih se zatim klasificira podruje troenja alata. Ukoliko se time jo uvijek ne postigne eljena preciznost sustava, onda se za one kombinacije parametara obrade koje nisu ostvarile zadovoljavajue rezultate obavljaju dodatna snimanja signala procesa. Time dolazi do promjene strukture modela samo za one kombinacije koje nisu kvalitetno opisane postojeim snimljenim signalima. Pritom akceptiranje novog "znanja" ne ostavlja utjecaja na ono ve formirano. Osim toga, poboljanja rezultata mogua su i proirenjem strukture za nove dodatne kombinacije parametara obrade, a identini se pristup primjenjuje i u situacijama eventualnog naknadnog proirivanja modela novim uvjetima obrade za koje je potrebno usvojiti dinamiku troenja. U sluaju da testiranja pokau zadovoljavajui odziv modela koji je strukturiran samo u sklopu primarne faze uenja, dodatna se adaptacija strukture moe izostaviti, odnosno u tom je sluaju inicijalna struktura modela ve stabilizirana. U cilju to kvalitetnijeg i breg uenja, u postupku inicijalizacije strukture nuno je osigurati skup sa to veim brojem znaajki koje bi u svakom koraku estimacije trebale osigurati kvalitetan i jednoznaan opis dinamike troenja. Odabir reprezentativnog skupa znaajki za svaku se kombinaciju parametara obrade odreuje iz rezultata dobivenih testiranjem inicijalne strukture modela. Iz njega se izostavljaju sve one znaajke troenja koje pri odreenoj kombinaciji parametara obrade ne pokazuju dovoljnu razluivost intenziteta troenja na cjelokupnom podruju troenja ili njegovom znaajnijem dijelu. Do ove pojave dolazi u situacijama smanjene osjetljivosti signala na stupanj istroenosti alata i/ili znaajnog udjela umova preostalih u signalu nakon filtriranja. Na slici 4.2 dan je usporedni prikaz srednje vrijednosti signala struje posminog pogona i snage signala akustine emisije u ovisnosti o trima vrijednostima dubine rezanja.
57
srednja vrijednost I, A
0.0 5 0,05
0.1 0,1
0.15 0,15
0.2 0,2
0.25 0,25
0.3 0,3
0.35 0,35
VB, mm a p=0,5 mm a p=1 mm a p=2 mm
0.4 0,4
snaga AE, V
VB, mm
Slika 4.2 Razluivost irine troenja za razliite vrste znaajki pri razliitim dubinama rezanja Iz prikaza se dade uoiti bolja iskoristivost signala kod vee dubine glodanja (ap = 2 mm) i znatnije preklapanje vrijednosti, odnosno smanjena razluivost kod manjih dubina (ap = 0,5 mm i ap = 1 mm). Razluivost svake j-e znaajke s obzirom na
j ) koji istroenost alata kvantificirana je koritenjem faktora iskoristivosti znaajke ( IZn
predstavlja omjer ispravno klasificiranih uzoraka i ukupnog broja uzoraka vezanih uz razmatranu ntu kombinaciju parametara obrade i analiziranu znaajku. Njegove se vrijednosti raunaju koritenjem skupova uzoraka za testiranje inicijalne strukture modela. Na temelju rezultata testiranja za svaku se kombinaciju parametara obrade i znaajku troenja odreuje konaan iznos faktora iskoristivosti znaajke ( IZ n ) temeljen na prosjenoj vrijednosti faktora svih testova. Minimalna vrijednost (IZmin), koja predstavlja donju granicu iskoristivosti razmatrane znaajke odreuje se empirijskim putem. Pritom se za kriterij odabira uzimaju najbolja estimacijska svojstva modela. Oito da e iskoristivost znaajke troenja u procijeni iznosa parametra troenja u i-tom koraku za n-tu kombinaciju parametara obrade ovisiti o ispunjenju uvjeta IZ n IZmin .
j j
58
Shematski prikaz funkcioniranja modela prikazan je slikom 4.3. U fazi inicijalizacije, koritenjem algoritma za grupiranje i omekavanje analitikog neizrazitog klasifikatora (ANK), svi uzorci koji pripadaju odreenoj znaajci troenja rasporeuju se u njoj pripadajue grupe.
KLASIFIKACIJA UZORCI ZA INICIJALIZACIJU GRUPIRANJE I OMEKAVANJE ANK ODABIR ZNAAJKI (c ) INFERENCIJA (SUM-MAX)
INTERPOLACIJA (SVM_RBF)
IZOTRAVANJE (MAXNET)
ESTIMACIJA (SVM_RBF)
Slika 4.3 Shematski prikaz funkcioniranja modela Za svaku se grupu odreuje centar i oblik neizrazitog skupa. Grupe se odreuju za svaku klasifikacijsku skupinu (podruje troenja), a pripadajui neizraziti skupovi meusobno im se preklapaju osiguravajui time potpunu prekrivenost podruja. Iz navedenog proizlazi da je svaki neizraziti skup karakteriziran vrstom znaajke, podrujem troenja i kombinacijom parametara obrade za koju je postupak odreivanja proveden. Iznosi funkcija pripadnosti odreene znaajke u i-tom se koraku klasifikacije raunaju zasebno, i to za svaku klasifikacijsku skupinu. Ukoliko se u fazi testriranja/rada pojavi nova kombinacija parametara za koju nisu odreeni neizraziti skupovi, do funkcija pripadnosti svake znaajke dolazi se regresijskim postupkom koritenjem funkcija pripadnosti generiranih ANK algoritmom i metode vektorski podranog uenja s radijalnom baznom kernel funkcijom (SVM_RBF). Nakon odreivanja funkcija pripadnosti svih podruja troenja, odabiru se znaajke koje e u i-tom koraku sudjelovati u postupku klasifikacije, te se koritenjem SUM-MAX operatora u postupku inferencije i MAXNET mree u fazi izotravanja dobiva konana informacija o podruju troenja. Na temelju te informacije aktivira se SVM_RBF modul za estimaciju pomou
59
kojeg se, koritenjem odabranih znaajki troenja iz modula za klasifikaciju, procjenjuje iznos parametra troenja. Iako se, openito uzevi, u procjeni stupnja istroenosti moe koristiti niz razliitih parametara troenja, u ovome je radu odabran u literaturi najee koriteni i tehnoloki najutjecajniji parametar irine troenja stranje povrine alata VB ([15], [41]). Detaljni opis pojedinih modula hibridnog estimatora troenja izloen je u nastavku.
MAX operator
x1 i
1 i1
1 i1
ANK
1 i1
1 i1 > c i 2 i1 c
1 1
i1
1 1 = 1 i i2 i 1 i2 = 0 1 [ ] 1 i ik
1 ik
, ,
i2
ik
1
ik
SVM_RBF
i2
MAXNET
cr v f zs pu a
i1
Oi
Oi
ik
MAX operator
xiK
K i1
K i1
K i1
,
K K
i1
K K iK 2 i = i iK 2
K ik
= [0 ] , K i
iK > c K i2 iK c
K ik
i2
K ik
ik
cr v f zs pu a
Broj i vrsta parametara obrade koji utjeu na proces obrade moe biti raznovrstan (vrsta alata, materijal i geometrijske karakteristike obratka, vrsta SHIPa, ). Matematiki model predstavljen u ovom radu uzima u obzir tri najznaajnija i najee koritena parametra [41]: brzinu i dubinu rezanja te posmak alata. Njihova je primjena vrlo esta zbog izrazitog dinamikog utjecaja na proces troenja. Redukcija broja promjenjivih parametara obrade na tri prethodno navedena u ovome je istraivanju uinjena i iz pragmatinih razloga vezanih uz redukciju broja signala snimljenih u cilju testiranju predloenog algoritma. Navedenim ogranienjima model meutim ne gubi na openitosti, jer ga je po istom principu mogue poopiti i sa svim ostalim parametrima obrade. Podaci za uenje razvrstani su u etiri ulazna skupa: skup brzina rezanja Vc, posmaka alata Fz, dubina rezanja Ap i znaajki troenja X.
Kombinacija navedenih parametara obrade i svake j-e znaajke troenja vezane uz i-ti korak uenja ine skup svih ulaznih podataka I
I = Vc Fz Ap X | I R n .
(4.2)
On se, kako je to prethodno naglaeno, prvotno formira u fazi inicijalizacije na temelju snimljenih i obraenih signala procesa, a kasnije se po potrebi dodatno modificira i nadopunjava u fazi stabilizacije. Predloeni algoritam za klasifikaciju/estimaciju parametra troenja ne zahtijeva prethodno normiranje elemenata, ve se oni mogu procesirati u svojoj izvornoj formi.
4.2.1 Grupiranje i izraun ulaznih funkcija pripadnosti
U cilju formiranja neizrazitih skupova u sklopu inicijalizacije, odnosno izrauna funkcija pripadnosti, predlae se koritenje algoritma grupiranja i omekavanja (fuzzyfication) analitikog neizrazitog klasifikatora. Grupiranje zapoinje odabirom elemenata na temelju kojih se odreuju ulazni neizraziti skupovi, a koji pripadaju razmatranoj j-oj znaajki troenja i n-toj kombinaciji parametara obrade
61
(4.3)
j koji Skup razmatranih elemenata ( tnj ) se zatim dijeli na ukupno CNnj podskupova ng
opisuju svaku g-tu grupu, odnosno karakteristike svih CNnj neizrazitih skupova
j ng t nj , g = 1, ..., CNnj .
(4.4)
Algoritam odreivanja grupa, njihovih centara i irina (radijusa) definiran je na sljedei nain:
najprije se odrede granice svih klasifikacijskih skupina (podruja troenja) primjenom graninih vrijednosti parametra troenja (npr. 0 VB 0,1 mm prvo podruje troenja; 0,1<VB 0,3 mm drugo podruje troenja;
vrijednosti razmatrane j-te znaajke troenja ( tnj ) grupiraju se redom od minimalne prema maksimalnoj; svi susjedni slijedni elementi koji pripadaju jednoj klasi ine toj klasi
j pripadajuu grupu ( ng );
elementi svrstani u grupe izuzimaju se iz daljnjeg razmatranja, a postupak se ponavlja sve do grupiranja zadnje maksimalne vrijednosti znaajke troenja.
Navedenom se metodom formiraju homogene grupe, tj. ne dolazi do preklapanja elemenata razliitih klasifikacijskih skupina unutar jedne grupe, a grupe se meusobno "dodiruju" na svojim radijusima. Svaka je grupa opisana s dva radijusa - r1 i r2. Radijus
( )
(4.5)
j gdje je cng g-ti centar vezan uz n-tu kombinaciju parametara obrade i j-tu znaajku j troenja, a h je element g-te grupe u koju je ukupno svrstano CEng elemenata. Dodatak
62
r1
maksimalnog elementa g-te razmatrane grupe i minimalnog elementa njoj susjedne (g+1) grupe ili je jednak nuli ovisno o uvjetu definiranom izrazom
1 j j ng max ng ( h ) min +1 ( h ) h h r1 = 2 0
(4.6)
Na slian se nain rauna i drugi radijus (r2) koritenjem izraza (4.7) i (4.8)
j j j j = min r2 cng ng ( h ) cng + r2 , h = 1,...,CEng h
( )
(4.7)
1 j j ng max 1 ( h ) min ng ( h ) r2 = 2 h h 0
, 1 < g CNnj . , g =1
(4.8)
j ik
j j ) xij cnd r ( cnd k =1 d =1
j C NCnk
(4.9)
j ik =
j NCnk
d =1
(4.10)
63
( )
j cnd
j r1 cnd = r cj 2 nd
( ) ( )
(4.11)
gdje d oznaava broj susjednih grupa razmatranoj vrijednosti znaajke troenja xij koje pripadaju istom podruju troenja (d 2), a eksponent je faktor osjetljivosti kojim se poveava ili smanjuje utjecaj udaljenosti elementa od susjednih centara na iznos funkcije pripadnosti ( > 0). Susjedne grupe koje pripadaju k-tom podruju troenja definirane su kao najblie grupe razmatranoj znaajki s njezine lijeve i desne strane. Iz
j normirana u intervalu navedenih je izraza uoljivo da je funkcija pripadnosti ik j 0 ik 1 , a iznos joj je odreen na temelju omjera njezine nenormirane vrijednosti
Nenormirane vrijednosti funkcija pripadnosti raunaju se iz sume omjera radijusa razmatranoj vrijednosti znaajke troenja susjednih neizrazitih skupova koji pripadaju kj tom podruju troenja ( r cnd ) i udaljenosti znaajke od centara navedenih skupova.
( )
Oblici ovako definiranih neizrazitih skupova, uz razliite vrijednosti faktora osjetljivosti , dani su slikom 4.5.
j ik
r1 = 2r2
=1
j j cnd r2 cnd
( )
j cnd
j j cnd + r1 cnd
( )
x ij
j ik
= 0,5 =1 =3
j cnd 1 j cnd j cnd +1
x ij
Kako se poveava apsolutna vrijednost razlike izmeu iznosa znaajke troenja i centra razmatrane grupe, vrijednost funkcije pripadnosti tei nuli, a u suprotnom tei u beskonanost. S praktinog stanovita primjene modela korisno je postaviti zasienje na maksimalnu vrijednost funkcije pripadnosti u neposrednoj okolini centra neizrazitog skupa. Poveanjem faktora raste utjecaj udaljenosti izmeu znaajke troenja i njoj susjednog centra i obratno. Kako raste utjecaj udaljenosti, uz konstantni se radijus smanjuje iznos funkcije pripadnosti. Konana vrijednost navedenog faktora odreuje se empirijskim putem. Funkcije pripadnosti svih K znaajki troenja za svih C podruja troenja u i-tom se koraku mogu zapisati u matrinoj formi
1 i1 j Mi = i1 K i1
1 i12 ... ik
i j2 iK 2
(4.12)
Nakon odreivanja elemenata matrice funkcija pripadnosti, a prije njihova daljnjeg procesiranja u fazi inferencije, za svaku se znaajku zasebno vri meusobna usporedba vrijednosti funkcija pripadnosti. Usporedba se zasniva na odreivanju faktora ij koji predstavlja minimalnu razliku izmeu maksimalne i svih ostalih
(4.13)
Ukoliko je iznos tog faktora vei od prethodno definirane kritine vrijednosti (c), tada se vrijednosti funkcija pripadnosti prihvaaju, a u suprotnom se njihovi iznosi svode u nulu. Redni vektori matrice funkcija pripadnosti Mi tako poprimaju formu
j = i j i j = 0 i [ ]
, i j > c , j . j , i c
(4.14)
Time se priguuje utjecaj razmatrane j-te znaajke troenja u i-tom koraku klasifikacije/estimacije, odnosno vri jo jedno i posljednje filtriranje znaajki koje su u razmatranom koraku pokazale nedovoljnu razluivost podruja troenja. Iz navedenog
65
proizlazi da ukupni broj reprezentativnih znaajki troenja, vezanih za aktualnu kombinaciju parametara obrade, a koje u i-tom koraku sudjeluju u estimaciji parametra troenja, ne mora biti jednak onome u koraku i+1. Znaajke koje su zadovoljile navedeni uvjet sudjeluju u odreivanju konanog, aktualnog podruja troenja. U tu se svrhu koristi SUM-MAX operator. Najprije se za svaku znaajku zasebno pronae maksimalna vrijednost funkcije pripadnosti, a ostale se vrijednosti postave u nulu
j = j ik ik j = 0 ik
zasebno
j = max ij , ik k , j ,k . j , ik max ij k
( ) ( )
(4.15)
( )
( )
( )
(4.16)
Dobivanjem funkcija pripadnosti vezanih uz sva podruja troenja na razini cijelog modela zavrava faza inferencije. Odreivanje rezultantnog podruja troenja za
i-tu
ulaznu
kombinaciju
procesiranih znaajki provodi se u fazi izotravanja primjenom metode najvee vrijednosti (Max-Height Method) koja je ovdje realizirana, u literaturi inae esto koritenom, MAXNET neuronskom mreom (slika 4.6).
1
i1
qi1
Oi1
ik
qik
Oik
iC
qiC
OiC
MAXNET mrea [88] spada u skupinu kompetitivnih mrea pri emu ulazni neuron s najveom vrijednou pobjeuje, a izlazi ostalih neurona se priguuju u nulu (Winner-
contribution) ujedno priguujui dijelom svoje izlazne vrijednosti izlaze ostalih neurona
sloja (lateral inhibitory contribution). Postupak je iterativan i traje sve dok ne preostane jedan neuron s aktivnim izlazom, nakon ega se na ulaze mree dovodi novi skup podataka. Izlazna vrijednost tog neurona najee se postavlja u 1. U sluaju predloenog modela za ulazne vrijednosti u mreu uzimaju se elementi vektora . Nakon toga zapoinje meusobna interakcija neurona prema izrazu
i
(4.17)
gdje se izlazna vrijednost k-tog neurona za i-ti vektor znaajki qik u (m+1)-om koraku dobiva na temelju izlazne vrijednosti u m-tom koraku i ukupnog lateralnog inhibitornog utjecaja ostalih neurona sloja. Intenzitet tog utjecaja moe se modificirati parametrom
( ) 1 max ( )
max
k k ik ik
(4.18)
Kako bi se do "pobjednikog" neurona dolo u jednom koraku, u ovom je sluaju odabrana vrijednost parametra = 0,9max. Po zavretku interakcija poznati su elementi izlaznog vektora Oi , odnosno podruje troenja za i-tu ulaznu kombinaciju procesiranih znaajki troenja
1 Oi = 0
(4.19)
Nakon odreivanja neizrazitih skupova u fazi inicijalizacije primjenom predloenog algoritma pristupa se testiranju postavljene strukture modula. Testiranje zapoinje definiranjem poetne vrijednosti faktora , na temelju iskustva ili proizvoljno, a u procjeni
67
sudjeluju sve znaajke bez priguenja. U sluaju manjih klasifikacijskih pogreki potrebno je provesti testiranja koritenjem i drugih iznosa faktora, kao i priguivanjem znaajki (c, IZmin 0 ), odnosno parcijalnim odabirom broja i vrsta znaajki za svaki i-ti korak klasifikacije. Kako je ve prije naglaeno, pomou IZmin faktora mogue je za svaku kombinaciju parametara obrade odabrati samo one znaajke koje zadovoljavaju potreban stupanj iskoristivosti. Pri tome se znaajke odabiru na temelju rezultata svih testova. Uestalo koritenje i pozitivan utjecaj razmatrane znaajke pri stanovitoj kombinaciji parametara obrade u razliitim testovima ini ju podobnom za aktiviranje kad god se pojave razmatrani uvjeti obrade. Odabir znaajki za svaku se kombinaciju parametara obrade memorira i koristi u kasnijim procjenama troenja. Openito se moe ustvrditi da IZmin faktor ima funkciju primarnog priguivanja znaajki a c sekundarnog. Primjenom IZmin faktora u cijelosti se (za sve kombinacije parametara obrade) ili parcijalno (za neke kombinacije) priguuje utjecaj znaajke na cijelom podruju troenja prije samog postupka omekavanja. S druge strane, koritenjem c faktora taj se utjecaj priguuje samo u pojedinim segmentima cjelokupnog podruja troenja u situacijama kada je ispunjen uvjet IZ n IZmin . Do takve situacije dolazi kada je iskoristivost znaajke kod razmatrane kombinacije u cjelini gledano dobra, ali je za neke njezine vrijednosti razluivost izmeu podruja troenja smanjena (problem lokalnih preklapanja vrijednosti znaajki troenja). Ukoliko se postignu dobri rezultati klasifikacije pri veim vrijednostima c parametra, a loiji pri niim, moe se zakljuiti da postoji vei broj znaajki slabije kvalitete, ali one koje su ispravno klasificirale podruje troenja pokazuju iznimno dobru razluivost. U suprotnom proizlazi da je veina znaajki u stanju ispravno klasificirati troenje, ali uz manju razluivost njihovih vrijednosti pri razliitim iznosima parametra troenja. Oito je da najpoeljnija situacija podrazumijeva konstantno nisku pogreku klasifikacije za iroki spektar c i IZmin vrijednosti. U sluaju da analiza provedenih testova pokae velika odstupanja u klasifikaciji podruja troenja, postojea se struktura mora stabilizirati redefiniranjem neizrazitih skupova primjenom novih vrijednosti znaajki za ve poznate kombinacije parametara obrade i/ili odreivanjem neizrazitih skupova za dodatne kombinacije parametara obrade. Dobiveni se rezultati zatim mogu pokuati dodatno poboljati podeavanjem c
j
68
i IZmin parametara.
4.2.3 SVM_RBF modul za interpolaciju funkcija pripadnosti
Odreivanje iznosa funkcija pripadnosti u fazi testiranja/rada hibridnog estimatora zapoinje usporedbom aktualne kombinacije parametara obrade za koju se funkcije pripadnosti odreuju s ve postojeim kombinacijama koritenima u fazi uenja. Ukoliko se utvrdi da je razmatrana kombinacija ve analizirana u sklopu uenja, tada se izraun funkcija pripadnosti odvija koritenjem predloene metode grupiranja i omekavanja analitikog neizrazitog klasifikatora. U suprotnom se do funkcija pripadnosti dolazi kombinacijom navedene metode i SVM_RBF modula za interpolaciju. Postupak se odvija za svaku znaajku zasebno, i to za one znaajke koje su zadovoljile uvjet
IZK j IZK min , gdje je IZK faktor iskoristivost znaajke s obzirom na sve kombinacije
parametara obrade. Njegov je iznos odreen omjerom broja kombinacija za koje je j-ta znaajka ostvarila IZ n IZmin i ukupnog broja kombinacija. Time se osigurava potrebni broj poznatih kombinacija iz faze uenja ANK modela na temelju kojih se interpoliraju funkcije pripadnosti za novu kombinaciju parametara obrade. U fazi strukturiranja (uenja) SVM_RBF interpolatora na njegove se ulaze dovode vektori zij,l koji se u matrinoj formi mogu zapisati preko matrice ulaza Z ij
j
x ij
(4.20)
zij,1
...
zij,l
, l = 1,...,L ( R S U ) .
Matrica Z ij j-te znaajke ( j = 1,...,K ' K ) koja je ispunila uvjet IZK j IZK min , graena je od L vektora zij,l kod kojih je razmatrana znaajka za njoj pripadajuu kombinaciju parametara obrade ostvarila uvjet IZ l IZmin . Izlazi SVM_RBF interpolatora generiraju se pomou ANK modula za grupiranje i omekavanje primjenom elemenata matrice Z ij . Izlazna je matrica Mij definirana u formi
j j j mij,l = i1 ... ik ... iC T l
,
(4.21)
Mi =
mij,1
...
mij,l
.
69
Budui da se interpolacija provodi preko R 4 R 1 mapiranja, na izlaze SVM_RBF interpolatora dovode se elementi k-tog stupca matrice Mij . Funkcije pripadnosti za svako se kto podruje troenja interpoliraju zasebno primjenom izraza
j ij ) + b . ik = ( l l* ) K ( zij,l , z
l
(4.22)
(4.23)
zij,l zij,l
zij,l , zij, l
)=
i j, l
, l = 1,...,L , a
),
(4.24)
gdje je k faktor adaptacije irine koji se odreuje empirijskim putem. Za sluaj kada je
ij zij,l z
ij zilj , z
)=
ij,l
(4.25)
se interpoliraju funkcije pripadnosti. Preostali element iz izraza (4.22) bias b rauna se na temelju prosjene vrijednosti pomaka elemenata koji predstavljaju sve slobodne vektore podrke
b=
bg + bd . Nsv g + Nsv d
(4.26)
70
Suma iznosa pomaka svih Nsvg slobodnih vektora podrke na gornjoj granici
L j j j ik l * l K zi ,l , zi , l ,l l =1 l =1
L
(
L
) (
, )
za 0 < l < C ,
(4.27)
bd =
j j j ik * l ) K ( zi ,l , zi , l ) + , ,l ( l l =1
l =1
za 0 < l* < C .
(4.28)
Koritenjem prethodnih izraza odreuju se svi elementi matrice funkcija pripadnosti Mi (4.12) pri emu je broj znaajki u ovom sluaju K ' K . Konano podruje troenja procjenjuje se zatim primjenom izraza (4.13) - (4.19). Ukoliko se ispostavi da su ovako odreene funkcije pripadnosti rezultirale pogrekom u klasifikaciji podruja troenja koja nije sluajnog karaktera, tada se koritenjem ANK modula s razmatranom kombinacijom parametara obrade i za sve znaajke troenja adaptira (stabilizira) struktura sustava novim vrijednostima grupa.
Procjena iznosa parametra troenja za poznatu, u uenju koritenu, kombinaciju parametara obrade provodi se na temelju meusobnog utjecaja vrijednosti svih
71
Xi
VBi
xi
VB i
VBi
SVM_RBF
Slika 4.7 Estimacija parametra troenja za poznatu kombinaciju parametara obrade U svakom se i-tom koraku estimacije na temelju, u klasifikacijskom modulu, odreenih vrsta znaajki ( j = 1,...,K K ) i podruja troenja za koje vrijedi Oi ( k ) = 1 najprije formira struktura SVM_RBF modula za regresiju (faza uenja). Ulazni vektor poprima formu
1 j K x i ,e = xik ... xik ... xik T e
, e = 1,...,N ,
(4.29)
a broj tih vektora ( N ) jednak je broju snimljenih vrijednosti parametra troenja koje spadaju u k-to podruje troenja. Matrini zapis elemenata uenja dan je izrazom
T
X i = x i ,1 ... x i ,e ... x i ,N .
(4.30)
Elementi izlaznog vektora (izmjerene vrijednosti parametra troenja) vezani su respektivno za svaki redni vektor matrice X i VBi = VBi ,1 ... VBi ,e ... VBi ,N . (4.31)
Na temelju kombinacija ulazno-izlaznih vrijednosti definiranih prethodnim izrazima, u fazi uenja, odreuju se Lagrangeovi multiplikatori primjenom izraza (4.23), pri emu je
72
vektor
multiplikatora
definiran
formi
xi ,e xi ,e
Gee = K x i ,e , x i ,e =
i ,e
funkcija raunaju se prema i , e = k min x i ,e x i ,e , pri emu se u sluaju e = e za irinu uzima neka proizvoljno mala vrijednost razliita od nule, a vektor f definira se u formi f = VBi ,1 ... VBi ,e ... VBi ,N + VBi ,1 ... + VBi ,e ... + VBi ,N . Bias
bg =
* , VBi ,e ( e e ) K ( x i ,e , x i ,e ) e =1
e =1
) (
(4.32)
Nakon odreivanja multiplikatora, biasa i irina Gaussovih kernel funkcija, koritenjem izraza
VB i =
(e e* ) K ( x i ,e , x i ) + b , e =1
2
(4.33)
procjenjuje se konana vrijednost parametra troenja u i-tom koraku estimacije. Pritom se kernel funkcija rauna iz izraza
x i ,e x i 1 i ,e 2
i = e K x i ,e , x
(4.34)
gdje je xi ulazni vektor iji elementi predstavljaju iznose znaajki koje su klasificirale stupanj istroenosti u k-to podruje troenja u i-tom koraku estimacije. Ovime je postupak estimacije parametra troenja okonan. Ukoliko se pokae da greku koja se javlja pri procjeni parametra nije mogue tolerirati, potrebno je takoer provesti dodana mjerenja, odnosno adaptirati strukturu pomou novih vrijednosti i/ili novih vrsta znaajki.
73
U sluaju da se procjena parametra troenja odreuje za novu kombinaciju parametara obrade (slika 4.8.), za svaku se znaajku troenja provodi zasebna procjena iznosa parametra troenja. Konaan iznos parametra odreuje se kao aritmetika sredina iz skupa svih pojedinano estimiranih vrijednosti.
VB1 i
cr v f zs pu a
Z1 i
Z iK ''
VBiK ''
cr v f zs pu a
VB
1 i
VB
K '' i
x1 i
xiK ''
SVM_RBF SVM_RBF
K '' -1
VB i
VBi
Slika 4.8 Estimacija parametra troenja za novu kombinaciju parametara obrade U fazi strukturiranja SVM_RBF estimacijskog modula na ulaze se dovode vektori zilj ,e koji se u matrinoj formi mogu zapisati preko matrice ulaza Z ij
j xik ,e
, l = 1,...,L , e = 1,...,N ,
j ziL,1
...
j zi1,e
...
j zi1,N
...
...
j ziL,e
...
j ziL,N
(4.35)
pri emu j = 1,...,K '' K ' , gdje je K '' ukupan broj znaajki koje su klasificirale aktualno podruje troenja (a samim time i ispunile uvjet IZK j IZK min ). Izlazni vektor zadan je u formi
74
(4.36)
gdje su elementi vektora snimljene vrijednosti parametra troenja iz k-tog podruja troenja za j-tu znaajku u i-tom koraku i za l-tu kombinaciju parametara obrade odabranu u postupku klasifikacije na temelju uvjeta IZ l IZmin . Koritenjem matrice ulaza i vektora izlaza izraun multiplikatora provodi se na temelju izraza (4.23) uz
j
= 1,1 ... 1,e ... 1,N ... L,1 ... L,e ... L,N
1 2 e
j zilj ,e zil ,e
* * * * * * 1,1 ... 1,e ... 1,N ... L,1 ... L,e ... L,N ,
0<
l ,e , l*,e
)<C ,
Gl l ,ee =
ilj ,e
uz uvjet
LN
LN
(
LN
) (
, za 0 < )
nm
<C,
bd =
nm =1
nm =1
* <C, za 0 < nm
(4.37)
ij + b , VB i = l ,e l*,e K zilj ,e , z
l ,e
1 2 e
) (
(4.38)
ij zilj ,e z
i = v gdje je z cr
j
a pu xij f zs
, a kernel funkcija K
zilj ,e ,
i = z
ilj ,e
. Konaan
VB i =
1 K ''
VBi
j =1
K ''
(4.39)
I u ovom sluaju vrijedi pravilo da se, u sluaju pogreke estimacije koja se ne moe tolerirati, struktura mora dodatno adaptirati.
75
76
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
0,095 0,12 0,07 0,095 0,12 0,07 0,095 0,12 0,07 0,095 0,12 0,07 0,095 0,12 0,07 0,095 0,12 0,07 0,095 0,12 0,07 0,095 0,12 0,07 0,095 0,12
KOMBINACIJA
Sile rezanja snimane su frekvencijom uzorkovanja od 3 kHz, a nominalne jakosti struja maksimalnom moguom frekvencijom (s obzirom na karakteristike upravljake jedinice stroja) od 1,67 kHz. Analiza frekvencijskog spektra signala sila i struja pokazala je da postoje dvije dominantne frekvencije frekvencija vrtnje alata i frekvencija ulaska/izlaska alata u/iz zahvata koja je, imajui u vidu injenicu da je koriten alat s
77
jednom otricom, bila dvostruko vea od frekvencije vrtnje. Kako je najvei broj okretaja alata u provedenim snimanjima iznosio n=3183 min-1 (za vc=120 m/min i Dalata=12 mm), odnosno priblino 53 Hz, za gornju je granicu frekvencijskog spektra odabrana vrijednost od 120 Hz. Taj je iznos predstavljao graninu ("cutoff") frekvenciju linearnog niskopropusnog FIR filtra (realiziranog primjenom Matlabove 'fir1' funkcije) koji je koriten u postupku filtriranja prethodno spomenutih vrsta signala. Time su u potpunosti otklonjeni umovi iz preostalog dijela frekvencijskog spektra koji nastaju zbog neeljenih vibracija stroja, odnosno vibracija proizalih iz interakcije alata i obratka. Izdvajanje umova iz visokofrekventnih signala akustine emisije predstavljalo je sloeniji problem, imajui u vidu da je glavni izvor AE signala lociran na mikroskopskoj razini [89], te da u tom smislu nije jednostavno odrediti frekvencijsko podruje u kojem se nalazi informacija o stupnju istroenosti reznog alata. Stoga je u ovom radu filtriranje signala akustine emisije provedeno u dvije faze. U prvoj su fazi signali filtrirani za vrijeme snimanja u sklopu za prihvat signala sa senzora (KISTLER, tip 5125B) primjenom pojasnopropusnog filtra u intervalu od 50 400 kHz. Ovaj je spektar odabran od strane proizvoaa mjerne opreme, imajui u vidu tehnike karakteristike AE senzora. Dodatno filtriranje umova u navedenom je spektru izvedeno koritenjem metode dekompozicije signala primjenom diskretne wavelet transformacije, i to na nain izloen u drugom poglavlju. Ovim su postupkom iz osnovnog signala izuzeti oni njegovi dijelovi (iz razliitih frekvencijskih pojaseva) koji su ostvarili vrlo nizak stupanj autokorelacije. Nakon filtriranja svih 6075 segmenata signala pristupilo se izdvajanju znaajki troenja odabranih iz prve tri skupine znaajki kategoriziranih u drugom poglavlju. Od statistikih znaajki odabrane su:
aritmetika sredina
x=
1 n xk , n k =1
1 n 2 2 std _ x = xk x ) , ( n 1 k =1
var_ x =
1 n 2 xk x ) i ( n 1 k =1
78
pow _ x =
1 n 2 xk . n k =1
Navedene su znaajke koritene kod svih triju vrsta signala. Provedene su analize pokazale da varijanca AE signala nema nikakvog dodatnog utjecaja na podizanje kvalitete rezultata, pa je ona naknadno izuzeta iz daljnjih analiza. Iz vremenskog podruja odabrane su dvije znaajke:
cf _ x =
max ( x ) min ( x ) x
rms _ x =
1 nk
j =1
nk
gdje je T = 0,1 s, a TRMS = 0,2 ms. Iz navedenog slijedi da za signale sila vrijedi
amplitudne vrijednosti dviju dominantnih frekvencija (frekvencija vrtnje alata, frekvencija ulaska/izlaska alata u/iz zahvata) u signalima sila i struja (ampl1,
energija u segmentima frekvencijskog spektra koja se odreuje iz povrine ispod krivulje spektralne gustoe snage
fg
f2
= fg fd
) Pf ,
f =fd
79
broj znaajke
znaajka troenja
Fx
Fy
broj znaajke
znaajka troenja
var_I x
var_I y
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
I F
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
AE
std Fx std Fy
pow I x pow I y
cfI x cfI y rms I x rms I y ampl1 I x ampl1 Iy ampl2 I x ampl2 Iy AE std _ AE
var_Fx
var_Fy
pow Fx
rms _ AE
pow AERMS
Ix
Iy std I x std I y
2 AE( 50 100kHz )
2 AE(100 150kHz ) 2 AE(150 200kHz ) 2 AE( 200 250kHz )
Znaajke iz prvih segmenata svih (pod)vrsta signala koritene su u fazi inicijalnog uenja, a testiranje inicijalno postavljene strukture i njezina stabilizacija provedeni su na temelju sljedeih dvaju segmenata (test 1, test 2). Preostala dva skupa uzoraka (test 3, test 4) iskoriteni su u testiranju konano definirane, tj. stabilizirane strukture modela. U fazi klasifikacije parametar troenja kategoriziran je u jedno od tri podruja troenja: poetno 0 VB 0,1 mm; normalno 0,1<VB 0,3 mm i intenzivno troenje
80
VB > 0,3 mm. U veini radova iz ovog podruja razmatrana je diskretna procjena
istroenosti, odnosno identifikacija loma alata, pri emu je u najveem broju sluajeva cjelokupno podruje troenja razdijeljeno na samo dva dijela (niski i visoki stupanj istroenosti). U ostalim radovima moe se primijetiti uglavnom prevladavajua podjela na tri, a rjee na etiri ili pet skupina troenja. U prvom dijelu analize hibridnog estimatora troenja koritene su sve kombinacije parametara obrade, kako u fazi inicijalnog uenja, tako i u fazi testiranja. Najprije je u postupku inicijalizacije koritenjem svih vrsta znaajki (IZmin=0) izvreno grupiranje i postavljanje neizrazitih skupova, a nakon toga se prilo stabiliziranju strukture odreivanjem parametara modela (, c, IZmin). Prvo su testirane kombinacije c sa sljedeim vrijednostima faktora: = 0; 0,1; ; 9, c = 0; 0,1; ; 0,9. Utjecaj najznaajnijih kombinacija faktora koje ukazuju na trend pogreke klasifikacije prikazani su slikama 4.9 i 4.10. Iz rezultata se dade uoiti slinost izmeu testova, odnosno irok spektar vrijednosti oba faktora za koje se pogreka klasifikacije uravnoteila u rasponu od 7 - 10 %. Pri tome bi vrijednosti faktora morale biti vee od 1,5, a njihov daljnji porast nema veeg utjecaja na pogreku klasifikacije (to se moe i pretpostaviti iz izraza (4.9) - (4.10)) ime se dodatno pojednostavljuje izraun funkcija pripadnosti. Iz malih perturbacija klasifikacijske pogreke, s obzirom na promjenu faktora c za >1,5, moe se zakljuiti da postoji dovoljan broj znaajki troenja podjednake kvalitete koje su u stanju klasificirati podruje troenja s potrebnom tonou.
test 1
greka klasifikacije, %
25 20 15 10 5 0.5
0,6 0.6 0,4 0.4
0.8 0,8 1
1.5
2.5
0.2 0,2 3 0
test 2
greka klasifikacije, %
Slika 4.10 Utjecaj faktora i c na pogreku klasifikacije za test 2 Na temelju svih dobivenih rezultata izdvojeno je 10% najboljih s pogrekom do 7,4% (tablica 4.3).
kombinacija
C
0,4 0,5 0,5 0,6 0,7 0,3 0,5
1 2 3 4 5 6 7
7 7 7,4 7 7
Tablica 4.3 Rezultati klasifikacije za 10% najboljih -c kombinacija uz IZmin = 0 Dobiveni rezultati ukazuju na injenicu da je inicijalno postavljena struktura u stanju postii visok stupanj klasifikacije podruja troenja i da se poboljanje rezultata klasifikacije, posebice estimacije parametra troenja, moe ostvariti primjenom IZmin faktora. Stoga su pomou skupa uzoraka iz testa 1 i 2 generirane vrijednosti IZ faktora za sve znaajke i kombinacije zasebno, a njihove su prosjene vrijednosti ( IZ ) uzete u daljnje razmatranje kod odabira znaajki za testove 3 i 4. Vrijednosti IZmin faktora kretale su se od 0,1; 0,2; ; 0,8. Najznaajniji rezultati svih testova prikazani su tablicom 4.4.
82
1 5,3 5,8 7,8 8,6 5,3 6,2 7,0 8,2 4,9 5,8 6,6 7,4 5,3 6,6 7,8 7,8 5,3 5,3 11,1 9,9
0,4
0,5
0,6
0,7
0,8
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
3 4 5 6 pogreka klasifikacije, % 5,8 5,3 4,5 5,3 6,2 6,2 5,3 4,9 5,8 5,8 7,8 7,8 7,4 6,6 7,4 7,4 7,8 8,2 6,2 7,0 4,5 5,3 4,1 4,1 6,2 5,8 5,3 5,3 4,9 4,9 7,4 6,6 6,6 6,6 7,0 7,8 8,2 7,8 6,6 7,8 4,5 4,5 4,1 4,5 5,3 6,2 5,3 6,2 4,9 5,8 7,8 6,6 7,0 8,6 7,4 8,2 8,6 8,6 7,8 7,8 4,5 3,7 4,5 4,9 4,1 9,1 7,0 7,0 7,8 4,9 9,5 8,6 8,2 9,1 7,0 8,6 7,0 7,8 9,5 7,4 4,5 6,6 4,9 4,9 6,6 9,1 6,2 7,0 7,0 5,3 12,3 12,3 11,1 14,0 11,1 10,7 11,1 9,9 8,6 9,5
7 5,3 4,9 6,6 7,4 5,8 5,3 7,0 7,4 5,3 5,3 7,0 8,2 4,5 5,8 7,8 7,4 7,4 7,0 11,1 10,3
Tablica 4.4 Rezultati klasifikacije za 10% najboljih -c kombinacija i vrijednosti IZmin faktora od 0,4 do 0,8 Kod iznosa IZmin faktora veih od 0,8 prva dva testa su pokazala da tako visoko zahtjevanu uspjenost u klasifikaciji nije postigao dovoljan broj znaajki troenja, ve su u znatnom broju sluajeva sve znaajke priguene i izdvojene iz daljnjeg postupka. To je rezultiralo visokim iznosima pogreke koja je za oba testa u pravilu bila vea od 30%. Iz prikazanih se rezultata mogu iitati oekivane razlike u iznosima klasifikacijskih pogreki izmeu prva dva testa, s jedne strane, i preostala dva testa, s druge strane. Najvei iznosi pogreki kod testova 3 i 4 pojavljuju se kod vrijednosti
IZmin = 0,8. U tom je sluaju u procjeni istroenosti alata sudjelovao najmanji broj
znaajki koji, uz analizirane kombinacije -c parametara, oito nije bio u stanju jednako dobro klasificirati uzorke kao u prethodna dva testa. U sluajevima gdje razlike izmeu testova nisu jako izraene mogu se oekivati dobra generalizacijska svojstva
83
modela, odnosno podjednako kvalitetni rezultati estimacije. Ako se dobiveni rezultati prva dva testa usporede s onima postignutima uz IZmin = 0 , proizlazi da je u praktiki svim kombinacijama dolo do smanjenja klasifikacijske pogreke. Nakon klasifikacije podruja troenja odabrane znaajke troenja procesirane su u modulu za estimaciju. Estimacija je provedena s empirijski odreenim vrijednostima parametara SVM_RBF algoritma = 10-1, C = 1 i k = 0,6. Rezultati procjene iznosa irine troenja stranje povrine alata prikazani su tablicama 4.5 4.11. Pogreke u procjeni iznosa irina troenja (VB) podijeljene su u 6 razreda: < 0,01 mm; 0,010,02 mm; 0,020,03 mm; 0,030,04 mm; 0,040,05 mm; > 0,05 mm. Ocjena kvalitete dobivenih rezultata temeljena je na ujednaenosti rezultata svih testova, te na to veem postotku onih uzoraka koji su postigli pogreku manju od 0,03 mm i to manjem postotku onih kod kojih je pogreka bila vea od 0,05 mm. Uz to, kao mjera odstupanja raunat je i korijen srednjeg kvadratnog odstupanja (Root Mean Square Error, RMS) ije su vrijednosti bile podjednake i kretale se u intervalu od 0,036 0,068. Najvee znaenje za konanu ocjenu kvalitete postavljenog modela imaju testovi 3 i 4 koji, za razliku od testova 1 i 2, nisu sudjelovali u odreivanju parametara strukture u fazi njezine stabilizacije. Stoga su njihovi rezultati u tablicama posebno istaknuti i u nastavku detaljnije analizirani.
84
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,4 2
3 4
46,09 44,86
53,09 50,21
9,05 12,35
10,29 11,52
11,11 9,47
10,29 10,70
7,00 7,82
6,17 6,58
7,82 7,41
3,70 4,12
18,93 18,11
16,46 16,87
66,26 66,67
73,66 72,43
1 0,5 2
3 4
50,21 49,38
52,67 51,44
10,29 12,76
11,93 12,76
11,93 8,64
11,52 11,93
6,17 6,17
5,35 4,53
5,35 7,00
3,29 3,29
16,05 16,05
15,23 16,05
72,43 70,78
76,13 76,13
1 0,6 2
3 4
52,26 51,85
51,85 53,09
10,70 11,93
13,58 12,35
11,93 8,23
10,70 11,93
4,94 6,58
5,76 4,94
5,35 6,58
3,70 3,70
14,81 14,81
14,40 13,99
74,90 72,02
76,13 77,37
1 0,7 2
3 4
51,03 54,73
51,85 46,91
9,88 10,70
11,52 13,58
12,76 9,05
10,29 11,52
8,64 6,17
6,58 7,41
3,29 4,12
4,12 4,53
14,40 15,23
15,64 16,05
73,66 74,49
73,66 72,02
1 0,8 2
3 4
54,73 55,14
44,03 43,62
9,47 13,17
11,52 13,58
14,40 11,11
15,23 15,64
6,17 4,94
4,94 4,53
2,88 4,12
4,94 5,76
12,35 11,52
19,34 16,87
78,60 79,42
70,78 72,84
85
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,4 2
3 4
46,91 48,15
54,32 51,44
9,05 12,35
9,47 12,35
12,76 8,64
9,88 11,11
6,17 7,82
7,41 5,76
8,23 5,76
3,29 4,94
16,87 17,28
15,64 14,4
68,72 69,14
73,66 74,9
1 0,5 2
3 4
50,21 49,38
51,85 52,26
10,70 13,58
12,35 12,35
12,76 9,88
12,76 11,93
6,17 6,58
4,94 4,53
5,35 5,76
2,88 4,53
14,81 14,81
15,23 14,40
73,66 72,84
76,95 76,54
1 0,6 2
3 4
51,03 51,85
51,44 49,79
9,88 11,11
12,35 12,35
12,35 9,47
11,52 11,93
7,00 6,17
5,76 5,35
5,76 5,76
3,70 5,35
13,99 15,64
15,23 15,23
73,25 72,43
75,31 74,07
1 0,7 2
3 4
51,44 50,62
48,56 44,44
9,88 11,93
9,88 13,17
14,81 8,23
13,99 12,76
7,82 6,17
6,17 7,41
4,53 5,35
4,12 5,35
11,52 17,70
17,28 16,87
76,13 70,78
72,43 70,37
1 0,8 2
3 4
54,32 52,67
47,33 42,80
12,76 13,17
10,29 12,35
13,58 8,64
11,93 13,17
5,76 7,82
6,58 6,17
3,29 3,70
4,12 6,58
10,29 13,99
19,75 18,93
80,66 74,49
69,55 68,31
86
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,4 2
3 4
44,03 44,03
51,85 48,97
10,29 12,76
11,11 11,11
11,93 9,47
10,70 11,93
7,00 9,05
6,58 7,00
8,23 7,00
3,70 4,12
18,52 17,7
16,05 16,87
66,26 66,26
73,66 72,02
1 0,5 2
3 4
50,21 48,97
52,26 52,26
9,88 13,58
11,52 11,52
12,76 8,64
11,52 11,93
5,76 6,58
6,58 4,94
5,35 7,41
2,88 3,29
16,05 14,81
15,23 16,05
72,84 71,19
75,31 75,72
1 0,6 2
3 4
51,03 51,03
51,44 52,26
11,93 13,17
13,58 12,35
11,93 9,05
10,29 11,52
6,17 5,76
6,17 4,94
4,53 7,00
3,70 3,70
14,40 13,99
14,81 15,23
74,9 73,25
75,31 76,13
1 0,7 2
3 4
54,32 52,67
51,03 48,97
9,05 11,93
9,47 13,58
13,17 9,47
11,93 11,52
7,41 5,35
5,76 6,58
3,70 4,94
4,53 4,12
12,35 15,64
17,28 15,23
76,54 74,07
72,43 74,07
1 0,8 2
3 4
54,73 51,44
42,39 42,39
9,47 14,40
12,76 14,81
13,17 11,11
14,40 13,99
4,94 4,53
5,76 4,94
3,29 4,94
3,29 6,17
14,40 13,58
21,40 17,70
77,37 76,95
69,55 71,19
87
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,4 2
3 4
47,33 48,15
53,50 50,21
8,23 11,93
10,29 11,93
12,35 7,82
10,70 10,70
6,58 9,47
6,58 6,58
8,23 6,17
2,88 4,94
17,28 16,46
16,05 15,64
67,90 67,90
74,49 72,84
1 0,5 2
3 4
50,21 50,21
51,44 52,26
9,88 13,17
13,17 12,76
13,17 10,29
12,76 11,93
6,58 6,17
4,53 3,70
5,35 5,35
3,29 4,12
14,81 14,81
14,81 15,23
73,25 73,66
77,37 76,95
1 0,6 2
3 4
51,85 50,62
50,62 50,21
8,64 12,35
14,4 13,17
13,17 9,05
10,29 11,11
7,41 6,58
6,17 4,94
4,94 5,35
3,70 4,94
13,99 16,05
14,81 15,64
73,66 72,02
75,31 74,49
1 0,7 2
3 4
51,03 52,26
48,97 44,44
9,88 11,93
9,47 14,4
13,17 8,64
13,17 13,99
8,23 6,17
6,58 6,58
4,53 4,53
4,94 4,53
13,17 16,46
16,87 16,05
74,07 72,84
71,6 72,84
1 0,8 2
3 4
52,26 49,38
43,21 39,92
13,17 15,64
12,76 13,58
13,58 9,47
13,17 16,46
6,17 6,58
6,58 5,76
2,88 4,53
4,12 5,76
11,93 14,40
20,16 18,52
79,01 74,49
69,14 69,96
88
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,4 2
3 4
47,74 48,15
54,73 49,38
10,29 13,58
11,93 12,76
11,93 9,47
9,47 13,17
7,00 8,64
5,76 5,35
7,41 4,94
3,70 4,94
15,64 15,23
14,40 14,40
69,96 71,19
76,13 75,31
1 0,5 2
3 4
50,21 50,21
53,09 51,03
10,70 13,17
12,35 13,17
11,93 10,70
12,35 11,93
7,00 6,58
3,70 4,94
6,17 5,35
3,70 4,12
13,99 13,99
14,81 14,81
72,84 74,07
77,78 76,13
1 0,6 2
3 4
50,21 51,85
51,03 47,33
10,70 12,35
12,76 13,99
11,11 8,64
9,88 11,11
8,23 6,58
6,17 7,41
5,76 6,17
4,12 4,94
13,99 14,40
16,05 15,23
72,02 72,84
73,66 72,43
1 0,7 2
3 4
52,67 51,03
48,97 42,80
10,29 13,17
10,70 12,76
13,58 8,23
12,35 13,99
7,82 6,17
5,76 7,41
3,29 4,12
4,53 4,94
12,35 17,28
17,70 18,11
76,54 72,43
72,02 69,55
1 0,8 2
3 4
56,38 51,44
44,44 41,15
9,88 13,58
10,70 12,35
15,64 8,64
13,17 15,23
4,94 9,88
5,35 6,58
2,47 3,70
4,53 6,58
10,70 12,76
21,81 18,11
81,89 73,66
68,31 68,72
89
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,4 2
3 4
40,74 42,39
51,03 48,56
11,93 11,11
11,93 11,93
11,11 11,11
10,7, 11,52
7,00 8,64
6,17 5,76
7,41 7,41
3,29 5,35
21,81 19,34
16,87 16,87
63,79 64,61
73,66 72,02
1 0,5 2
3 4
46,50 46,09
52,26 51,03
11,11 12,35
11,93 10,70
11,52 9,88
11,52 11,93
7,00 9,47
5,76 5,35
5,35 6,17
3,70 4,53
18,52 16,05
14,81 16,46
69,14 68,31
75,72 73,66
1 0,6 2
3 4
48,15 48,15
51,85 52,26
11,11 11,52
12,35 9,47
11,93 11,52
10,70 12,76
6,17 6,17
5,76 6,17
6,17 5,76
4,12 2,88
16,46 16,87
15,23 16,46
71,19 71,19
74,90 74,49
1 0,7 2
3 4
53,09 53,09
51,44 49,79
10,29 14,40
12,76 14,81
12,76 7,82
11,11 11,93
6,17 5,76
6,58 5,35
4,53 5,35
4,12 4,12
13,17 13,58
13,99 13,99
76,13 75,31
75,31 76,54
1 0,8 2
3 4
53,91 53,09
45,68 43,21
8,23 14,81
13,17 13,99
14,81 10,29
13,99 12,76
5,35 5,35
4,94 6,17
3,29 5,35
4,94 5,76
14,40 11,11
17,28 18,11
76,95 78,19
72,84 69,96
90
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,4 2
3 4
42,39 43,21
51,03 49,79
11,93 11,93
11,93 11,52
10,70 10,29
11,11 11,11
8,23 9,47
6,58 5,76
6,58 6,58
4,12 4,94
20,16 18,52
15,23 16,87
65,02 65,43
74,07 72,43
1 0,5 2
3 4
49,38 48,15
51,85 52,26
10,29 12,35
12,35 10,29
11,52 9,88
11,52 11,93
6,58 7,82
5,76 5,76
4,53 6,17
3,70 4,12
17,70 15,64
14,81 15,64
71,19 70,37
75,72 74,49
1 0,6 2
3 4
48,15 48,56
50,62 51,44
12,35 12,76
12,76 10,29 10,70
13,17 10,29
10,29 13,99
4,94 7,00
7,00 5,76
4,94 5,76
4,12 2,47
16,46 15,64
15,23 16,05
73,66 71,60
73,66 75,72
1 0,7 2
3 4
53,91 52,26
51,44 48,97
13,17 8,64
11,93 12,35
5,76 5,35
5,76 5,35
3,29 5,35
3,70 3,70
13,17 14,40
15,23 14,81
77,78 74,90
75,31 76,13
13,99
11,93 14,81
1 0,8 2
3 4
51,85 51,03
41,98 41,15
9,05 14,81
14,81 13,99
15,23 11,11
15,64 14,40
5,35 4,53
6,17 5,35
3,70 5,35
3,70 7,00
14,81 13,17
17,7 18,11
76,13 76,95
72,43 69,55
Tablica 4.11 Rezultati estimacije irine troenja uz = 3 i c = 0,5 Imajui u vidu prethodno navedene kriterije ocjene uspjenosti postupka estimacije, za konanu - c - IZmin kombinaciju odabrana je = 2,5; c = 0,3; IZmin = 0,7 koja je ostvarila vrlo ujednaene i ukupno najbolje rezultate u oba testa. Oko 50 % analiziranih uzoraka ostvarilo je pogreku u estimaciji manju od jedne stotinke milimetra, ukupno oko 75% njih nije napravilo pogreku veu od 0,03 mm, a za oko 14% uzoraka pogreka je bila vea od 0,05 mm. U zadnju skupinu uzoraka s najveom pogrekom
91
spadaju svi oni koji nisu ispravno klasificirani, a predstavljaju oko 50% uzoraka te skupine. Prosjeno odstupanje u estimaciji iznosilo je oko 0,02 mm kod oba testa. Ukoliko se razmotre rezultati estimacije parametra troenja pri razliitim vrijednostima IZmin faktora, onda se moe zakljuiti da porastom vrijednosti raste i kvaliteta rezultata kod prva dva testa. S druge strane, slina se situacija pojavljuje i kod preostala dva testa, s tim da kod najveeg iznosa IZmin faktora sa znaajnijim porastom klasifikacijske pogreke logino raste i pogreka estimacije. Proizlazi da se u sluaju testiranih uzoraka najbolja generalizacijska svojstva mogu oekivati za IZmin = 0,7 . Broj znaajki (slika 4.11) koritenih u postupku estimacije (one koje su u itom koraku klasificirale "pobjedniko" podruje troenja) prosjeno je iznosio 14 i nije bio vei od 30 po koraku od ukupno njih 40. Minimalni broj znaajki koriten u pojedinim koracima estimacije nije bio manji od pet.
35 30 25 test 3 test 4
broj znaajki
20 15 10 5 0
50
100
150
200
250
Slika 4.11 Broj znaajki koje su koritene u svim koracima estimacije ( = 2,5; c = 0,3; IZmin = 0,7 ) Iz rezultata nadalje proizlazi da su znaajke sila rezanja i struja servomotora posminih osi bile ee zastupljene od onih izdvojenih iz signala akustine emisije (slika 4.12). Relativno slaba iskoristivost AE signala za odabranu vrijednost IZmin faktora navodi na zakljuak iznesen u drugom poglavlju da se od ove vrste signala ne mogu oekivati znaajniji doprinosi u kontinuiranoj estimaciji parametra troenja. Svoj bi primarni utjecaj
92
AE signali trebali ostvariti u sklopu NTA sustava za klasifikaciju visokog stupnja istroenosti i/ili detekciju loma alata. Navedenim bi se sustavima nadzora, uz primjenu predloenog hibridnog estimatora troenja, dodatno poveao faktor sigurnosti nadzornog procesa.
80
zastupljenost, %
60 40 20 0 1 2 3 4 5 6 7 8
test 3 test 4
9 10 11 12 13 14 15 16 17 18 19 20
znaajke
80
zastupljenost, %
60 40 20 0
test 3 test 4
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
znaajke
Slika 4.12 Uestalost uporabe znaajki troenja koje su klasificirale aktualna podruja troenja ( = 2,5; c = 0,3; IZmin = 0,7 ) Usporedba uestalosti koritenja pojedine znaajke za iznose faktora IZmin = 0,6 i
IZmin = 0,7 dana je slikom 4.13. Oito je da je u sluaju nieg kriterija ( IZmin = 0,6 )
frekvencija pojave znaajki bila oekivano vea. Meutim, navedena vrijednosti IZmin faktora, ukupno gledajui, ipak nije bila dovoljna za postizanje i najboljeg rezultata u procjeni iznosa parametra troenja u okviru provedenih testiranja. Ako se razmotri uspjenost znaajki koje su za odabranu kombinaciju faktora sudjelovale u klasifikaciji (slika 4.14), onda je vidljivo da je kod svih kombinacija parametara obrade postignut visok stupanj tonosti i da se ne moe posebno izdvojiti niti jedna kombinacija kod koje je dolo do izrazite koncentracije pogreke.
93
100
zastupljenost, %
znaajke
100 test 3 - IZ min=0,6 test 3 - IZ min=0,7 test 4 - IZ min=0,6 test 4 - IZ min=0,7
zastupljenost, %
80 60 40 20 0
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
znaajke
Slika 4.13 Zastupljenost znaajki s obzirom na sve kombinacije parametara obrade za IZmin = 0,6 i IZmin = 0,7 ( = 2,5; c = 0,3)
100 90
uspjenost klasifikacije, %
80 70 60 50 40 30 20 10 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 test 3 test 4
Slika 4.14 Uspjenost klasifikacije po kombinacijama parametara obrade ( = 2,5; c = 0,3; IZmin = 0,7 )
94
test 3
100
zastupljenost, %
Slika 4.15 Uspjenost estimacije po kombinacijama parametara obrade za VB 0,03 mm i VB > 0,05 mm ( = 2,5; c = 0,3; IZmin = 0,7 ) Dio rezultata estimacije za odabranu kombinaciju - c - IZmin prikazan je zasebno za tri razliite dubine rezanja (slika 4.16), brzine rezanja (slika 4.17) i posmaka alata (slika 4.18). I iz ovih je rezultata uoljivo da su se vei iznosi pogreke (VB > 0,05 mm) u pravilu javljali sporadino. Uz to, pokazuje se da oblici krivulja troenja pri istim kombinacijama parametara obrade za razliite testove nisu isti i da je i u tom smislu
95
0,4 0.4
0.3 0,3 VB, mm 0.2 0,2 VB, mm test 3 0 1 mjerenje 5
0,4 0.4
0.3 0,3 0.2 0,2
0,1 0.1
0,1 0.1
test 4 0 5 mjerenje 9 9 1 ap=1 mm; vc =95 m/min; fz =0,095 mm/zubu 0,4 0.4 0.3 0,3 VB, mm test 3
0,4 0.4
0.3 0,3 VB, mm
mjerenje
9 1 ap=2 mm; vc =120 m/min; fz =0,12 mm/zubu 0.4 0,4 0.3 0,3 VB, mm test 3 0.2 0,2 0.1 0,1
test 4 1 5 mjerenje 9
mjerenje
Slika 4.16 Rezultati estimacije irine troenja za razliite dubine rezanja ( = 2,5; c = 0,3; IZmin = 0,7 )
96
vc =70 m/min; ap=1 mm; fz =0,095 mm/zubu 0.4 0,4 0.3 0,3 VB, mm 0.2 0,2 0.1 0,1 0 0.4 0,4 0.3 0,3 VB, mm 0.2 0,2 0.1 0,1 0 0.4 0,4 0.3 0,3 VB, mm 0.2 0,2 0.1 0,1 test 3 0 1 mjerenje 5 9 0 1 5 VB, mm test 3 1 mjerenje 5 VB, mm test 3 1 mjerenje 5 VB, mm
0,4 0.4
0.3 0,3 0.2 0,2 0.1 0,1 9 1 vc =95 m/min; ap=0,5 mm; fz =0,07 mm/zubu 0.4 0,4 0.3 0,3 0.2 0,2 0.1 0,1 9 1 vc =120 m/min; ap=1 mm; fz =0,07 mm/zubu 0 test 4 5 mjerenje 9 0 test 4 5 mjerenje 9
0,4 0.4
0.3 0,3 0.2 0,2 0.1 0,1 test 4 mjerenje 9
Slika 4.17 Rezultati estimacije irine troenja za razliite brzine rezanja ( = 2,5; c = 0,3; IZmin = 0,7 )
97
fz =0,07 mm/zubu; ap=0,5 mm; vc =70 m/min 0.4 0,4 0.3 0,3 VB, mm 0.2 0,2 VB, mm test 3 0 1 mjerenje 5 9 1 fz =0,095 mm/zubu; ap=2 mm; vc =70 m/min 0.4 0,4 0.3 0,3 VB, mm 0.2 0,2 0.1 0,1 test 3 0 1 mjerenje 5 9 1 5 fz =0,12 mm/zubu; ap=0,5 mm; vc =120 m/min 0.4 0,4 0.3 0,3 VB, mm 0.2 0,2 0 test 4 mjerenje 9 0 5 0.4 0,4 0.3 0,3 0.2 0,2 0.1 0,1 test 4 mjerenje 9
0,1 0.1
0.4 0,4 0.3 0,3 VB, mm VB, mm 0.2 0,2 0.1 0,1
0,1 0.1
test 3 test 4 9 0 1 5 mjerenje 9 5
mjerenje
Slika 4.18 Rezultati estimacije irine troenja za razliite posmake alata ( = 2,5; c = 0,3; IZmin = 0,7 ) Utjecaj znatnije izraene pogreke koja, izmeu ostalog, oteava i mogunost adaptivnog voenja alatnog stroja s obzirom na odranje postojanosti alata, moe se umanjiti ako se konana vrijednost parametra troenja u i-tom koraku voenja procijeni na temelju niza njegovih prethodno uzastopno estimiranih iznosa. Odabirom prosjene vrijednosti parametra na temelju onih iznosa koji se znatnije ne rasipaju, u znaajnoj bi se mjeri smanjila uestalost i opseg estimacijske pogreke. Ova se mogunost moe iskoristiti samo ako je frekvencija pojave tako izrazite pogreke niska i sluajnog
98
karaktera. U suprotnom preostaje da se za "problematinu" kombinaciju parametara obrade provede dodatna stabilizacija strukture. Iz navedenog proizlazi da bi suvremeni industrijski primjenjiv NTA sustav morao biti graen od barem dva podsustava. Jedan bi bio zaduen za kontinuiranu procjenu parametra troenja, a drugi iskljuivo za lom alata. Razdvajanje njegovih funkcija nuno je zbog oprenih zahtjeva na spomenute podsustave. Kontinuirana estimacija parametra troenja kompleksniji je dio nadzora koji podrazumijeva koritenje veeg broja signala procesa, odnosno znaajki troenja. Kako je obrada signala, izdvajanje znaajki i kvantificiranje parametara troenja vremenski vrlo zahtjevno, realno je oekivati i neto vee vrijeme odziva samog estimatora. Ono se u odreenoj mjeri moe tolerirati, jer je proces troenja relativno spor. S druge strane, lom alata predstavlja krajnje nepoeljno i potencijalno vrlo opasno stanje koje je potrebno identificirati u to je mogue kraem roku (idealno unutar nekoliko stotinki sekunde). Stoga se, a imajui u vidu da je lom zbog prirode same pojave jednostavnije odrediti, NTA sustavi za procjenu loma zasnivaju na primjeni manjeg broja signala, odnosno znaajki troenja kako bi im vrijeme odziva bilo to je mogue krae ([90] - [96]).
4.4.3 Testiranje hibridnog estimatora za nepoznate kombinacije parametara obrade
Iako je prema [41] klasifikaciju, odnosno estimaciju stupnja istroenosti alata uputno provoditi (u fazi testiranja/rada) samo za, u uenju, koritene kombinacije parametara obrade, proces adaptivnog voenja stroja namee potrebu za konstantnom promjenom parametara obradnog procesa. U tom je smislu potrebno osigurati i mogunost interpolacije estimiranih iznosa parametra troenja za nove nepoznate kombinacije parametara. Stoga je u okviru ovog rada, koritenjem raspoloivih kombinacija parametara obrade, analizirana i ta mogunost, i to za sljedee sluajeve:
u uenju su koritene vrijednosti dubina rezanja od ap=0,5 mm i ap=2 mm, a u testovima sve kombinacije s ap'=1 mm; u uenju su koritene vrijednosti brzina rezanja od vc=70 m/min i
SVM_RBF modula za interpolaciju funkcija pripadnosti kao i SVM_RBF modula za estimaciju parametra troenja bili su identini onima koritenima u estimaciji za poznate kombinacije parametara obrade. Rezultati klasifikacije (tablica 4.12) ukazuju na injenicu da su pogreke klasifikacije prevelike da bi se mogla provesti zadovoljavajua interpolacija funkcija pripadnosti, tj. preciznije odreivanje stupnja istroenosti. Najmanja pogreka pojavljuje se u sluaju promjene posmaka alata, a zatim brzine i dubine rezanja, to se i oekivalo, jer se posmak alata mijenja u uim granicama i nije toliko ovisan o troenju alata kao preostala dva parametra. U tom se smislu moe protumaiti i injenica da su za kombinaciju = 2,5; c = 0,3; IZmin = 0,7 maksimalne vrijednosti IZKmin faktora gotovo dvostruko vee kod promjene posmaka nego u sluaju promjene ostala dva parametra obrade. Kod vrijednosti IZKmin faktora iznad onih maksimalnih dolazi do priguivanja svih znaajki.
ap'
vc'
fz '
0,1 0,2 0,3 0,4 0,5 0,1 0,2 0,3 0,4 0,5 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8
pogreka klasifikacije, % 53,1 49,4 53,1 46,9 53,1 56,8 59,3 54,3 54,3 49,4 54,3 60,5 59,3 53,1 46,9 45,7 46,9 48,1 46,9 45,7 53,1 46,9 45,7 51,9 48,1 45,7 51,9 49,4 23.5 28,4 25,9 27,2 22,2 25,9 28,4 27,2 22,2 25,9 28,4 29,6 23,5 28,4 28,4 30,9 25,9 28,4 29,6 30,9 25,9 28,4 30,9 28,4 24,7 27,2 29,6 25,9
Tablica 4.12 Rezultati klasifikacije primjenom SVM_RBF modula za interpolaciju funkcija pripadnosti ( = 2,5; c = 0,3; IZmin = 0,7 )
100
Usprkos ovako visokim iznosima klasifikacijske pogreke, analizirani su i rezultati estimacije koja je u ovom sluaju provedena samo za one uzorke koji su ispravno klasificirani. Rezultati su prikazani u tablicama 4.13 - 4.15. I ovdje se primjeuje jednako ponaanje pogreke u smislu najloijih rezultata kod uzoraka gdje se interpolira dubina rezanja (ap' = 1 mm) do najboljih rezultata vezanih uz interpolaciju posmaka alata (fz' = 0,095 mm/zubu).
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,1 2
3 4 1
18,42 14,63
10,53 16,28 7,89
10,53 9,76
10,53 11,63 5,26
23,68 24,39
34,21 18,6 26,32
13,16 14,63
2,63 13,95 10,53
10,53 14,63
21,05 16,28 13,16
23,68 21,95
21,05 23,26 36,84
52,63 48,78
55,26 46,51 39,47
0,2
2
3 4 1
8,57
12,12 13,51
8,57
12,12 10,81
22,86
18,18 18,92
11,43
18,18 10,81
14,29
15,15 18,92
34,29
24,24 27,03
40,00
42,42 43,24
0,3
2
3 4 1
16,22
14,63 16,22
8,11
7,32 10,81
10,81
14,63 13,51
16,22
14,63 8,11
13,51
17,07 18,92
35,14
31,71 32,43
35,14
36,59 40,54
0,4
2
3 4
6,25
9,09 7,89
9,38
18,18 10,53
15,63
12,12 15,79
15,63
15,15 10,53
6,25
18,18 10,53
46,88
27,27 44,74
31,25
39,39 34,21
101
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,1 2
3 4 1
23,26 18,18
18,60 16,67 13,95
0,00 11,36
6,98 11,90 13,95
25,58 20,45
25,58 23,81 20,93
13,95 9,09
11,63 14,29 11,63
16,28 18,18
18,60 11,90 18,60
20,93 22,73
18,60 21,43 20,93
48,84 50,00
51,16 52,38 48,84
0,2
2
3 4 1
15,91
21,05 13,95 11,36
22,73
13,16 16,28 18,18
11,36
18,42 16,28 15,91
13,64
10,53 16,28 9,09
13,64
21,05 16,28 22,73
22,73
15,79 20,93 22,73
50,00
52,63 46,51 45,45
0,3
2
3 4 1
0,4
2
3 4
17,95 14,63
10,26 14,63
23,08 19,51
7,69 14,63
25,64 14,63
15,38 21,95
51,28 48,78
Tablica 4.14 Rezultati estimacije parametra troenja za brzinu rezanja vc' = 95 m/min
102
Rezultati procjene vrijednosti irine troenja izraeni u [%] uz - fz' = 0,095 mm/zubu
IZKmin test
VB, mm
< 0,01 0,01-0,02 0,02-0,03 0,03-0,04 0,04-0,05 >0,05 0-0,03
1 0,1 2
3 4 1
3,23 6,90
5,00 8,47 3,17
33,87 34,48
26,67 28,81 36,51
27,42 18,97
28,33 23,73 23,81
16,13 17,24
15,00 18,64 20,63
6,45 8,62
11,67 11,86 3,17
12,90 13,79
13,33 8,47 12,70
64,52 60,34
60,00 61,02 63,49
0,2
2
3 4 1
11,67
5,17 5,08 3,17
26,67
27,59 32,20 39,68
21,67
32,76 27,12 28,57
18,33
15,52 18,64 12,70
8,33
6,90 6,78 3,17
13,33
12,07 10,17 12,70
60,00
65,52 64,41 71,43
0,3
2
3 4 1
10,00
3,45 8,77 14,52
26,67
27,59 31,58 30,65
23,33
31,03 26,32 25,81
21,67
18,97 17,54 12,90
6,67
6,90 7,02 4,84
11,67
12,07 8,77 11,29
60,00
62,07 66,67 70,97
0,4
2
3 4 1
15,52
6,90 16,07 18,33
25,86
27,59 25,00 25,00
20,69
25,86 21,43 25,00
20,69
20,69 23,21 13,33
6,90
6,90 5,36 6,67
10,34
12,07 8,93 11,67
62,07
60,34 62,50 68,33
0,5
2
3 4 1
15,52
7,02 14,29 21,31
29,31
33,33 28,57 27,87
18,97
21,05 17,86 16,39
17,24
21,05 19,64 16,39
8,62
5,26 10,71 8,20
10,34
12,28 8,93 9,84
63,79
61,40 60,71 65,57
0,6
2
3 4 1
17,24
7,14 12,07 18,33
27,59
32,14 32,76 26,67
22,41
17,86 12,07 21,67
15,52
26,79 22,41 16,67
6,90
3,57 12,07 6,67
10,34
12,5 8,62 10,00
67,24
57,14 56,90 66,67
0,7
2
3 4
16,95
10,53 16,67
28,81
33,33 30,00
23,73
15,79 13,33
8,47
21,05 18,33
8,47
8,77 13,33
13,56
10,53 8,33
69,49
59,65 60,00
Tablica 4.15 Rezultati estimacije parametra troenja za posmak alata fz' =0,095 mm/zubu Rezultati prikazani tablicom 4.15, iako generirani na temelju samo ispravno klasificiranih uzoraka, ukazuju na injenicu da je i u ovakvom reimu rada mogue postii visoku
103
tonost u procijeni istroenosti alata. Pritom se namee zakljuak da kod ovakvog tipa estimacije posebice dolazi do izraaja potreba za kvalitetnim i veim brojem znaajki troenja. Osim toga, nuan preduvjet dobrim odzivima estimatora predstavlja primjena veeg broja kombinacija parametara obrade u postupku inicijalizacije i stabilizacije strukture. One bi morale u dovoljnoj mjeri i, po mogunosti, jednolino prekrivati podruje uenja, ime bi se smanjile meusobne udaljenosti izmeu uenih i interpoliranih ulaznih vektora. Jedino u tom sluaju kada je dinamika procesa troenja kvalitetno obuhvaena snimljenim signalima procesa a razlike u vrijednostima parametara obrade relativno male, moe se oekivati da e model pokazati dobre performanse u interpolaciji iznosa parametra troenja kod kombinacija parametara obrade koje nisu koritene u fazi uenja.
104
Adaptivno voenje alatnog stroja prema postojanosti otrice reznog alata, kako je ve prethodno naglaeno, predstavlja nadogradnju procesu kontinuiranog praenja stupnja istroenosti reznog alata. U tom se smislu moe ustvrditi da je ono ujedno i primarni svrsishodni razlog razvoja modela kontinuirane procjene parametara troenja. Iako je oito da e se ovaj oblik voenja zbog svog znaenja morati implementirati u nove generacije inteligentnih alatnih strojeva, problematika njihova modeliranja jo uvijek nije zaokupila potrebnu panju istraivake zajednice. Stoga je u ovome poglavlju koncipiran i analiziran jedan od moguih pristupa regulacije postojanosti reznih alata temeljen na algoritmima umjetnih neuronskih mrea. Njegovo je testiranje provedeno na simulacijskom modelu troenja strukturiranom primjenom eksperimentalno prikupljenih podataka.
Voenjem alatnog stroja prema postojanosti otrice reznog alata ograniava se iznos parametra troenja (u ovom sluaju irine troenja stranje povrine alata) na prethodno definiranu maksimalnu dozvoljenu vrijednost (VBkon) u eljenom vremenskom intervalu obrade, odnosno vremenu rezanja tt,kon. Time se poveava iskoristivost reznog alata unutar zadanih ciklusa njegove izmjene ime se utjee i na porast produktivnosti obradnog procesa. Openito se moe zakljuiti da bi razmatrani koncept voenja trebao ostvariti dva glavna cilja:
105
poveanje stupnja produktivnosti, tj. volumena odvojenog materijala u definiranom vremenu izmjene alata uz osiguranje kvalitete obraivane povrine i sprjeavanje loma u sluaju naglog intenzivnijeg troenja alata uz istovremeno osiguranje zavretka tehnoloke faze/operacije unutar prvotno definiranog ili nekog novog vremena obrade, odnosno siguran izlaz alata iz zahvata.
Upravo su sigurnost proizvodnog procesa, poveanje produktivnosti i osiguranje traene kvalitete povrine elementarni i trajni imperativi u razvoju tehnologije obrade odvajanjem estica. Iz postavljenih ciljeva proizlazi da bi upravljaki algoritam morao osigurati
VB VBkon za t = tt ,kon , uz
dV max . , dt
(5.1)
imajui u vidu i ostala tehnoloka ogranienja koja se postavljaju na varijable posmaka i brzine rezanja (fz, vc) = f(kvaliteta povrine, alat, materijal obrade, stroj, SHIP,
(5.2)
gdje je w irina rezanja, ap dubina rezanja, fz posmak alata, z broj reznih otrica, vc brzina rezanja, a D je promjer obratka/alata. Iz prethodnog je izraza oito da su odnosi izmeu promjene volumena i posmaka, odnosno volumena i brzine rezanja proporcionalni i istoznani. S druge strane, poznato je da je utjecaj brzine rezanja na intenzitet troenja oekivano vei od utjecaja posmaka alata. S obzirom na navedeno, a imajui u vidu postavljene kriterije, proizlazi da je za ispunjenje uvjeta (5.1) potrebno osigurati maksimalnu moguu vrijednost posmaka (s obzirom na spomenuta ogranienja), a regulacijom brzine rezanja ispuniti zadani kriterij voenja. Stoga je za upravljaku veliinu odabrana brzina rezanja, a posmak alata je predstavljao jedan od dodatnih ulaznih parametara regulatora. U skupinu dodatnih parametara svrstana je i dubina rezanja koja iz tehnolokih razloga nije uzeta za upravljaku varijablu.
5.1.2 Referentna brzina rezanja
Iako je od nekog trenutnog stupnja istroenosti alata (VBA, tA) do novog (VBB, tB)
106
mogue doi razliitim kombinacijama brzina rezanja, visok stupanj produktivnosti moe se ostvariti jedino uz uvjet minimalnih perturbacija brzine rezanja. U teoretskom sluaju, koji podrazumijeva da za svaku kombinaciju uvjeta obrade postoji njoj jedinstvena i nepromjenljiva dinamika troenja opisana pripadajuom krivuljom troenja, prijelaz iz proizvoljno odabranog poetnog stanja alata (A) u neko novo konano stanje (B), okarakterizirano je jednom "idealnom" referentnom brzinom rezanja (vc) sa stanovita maksimalne produktivnosti obradnog procesa. Navedena je brzina rezanja uvijek vea od srednje vrijednosti bilo koje kombinacije brzina rezanja koje osiguravaju postizanje konanog stupnja istroenosti u zadanom vremenu obrade s obzirom na neko proizvoljno odabrano poetno stanje procesa. U razmatranju istinitosti navedene tvrdnje, a u cilju skraenja dokaznog postupka, koritena je kombinacija samo dviju brzina rezanja (vc1 i vc2) za koje se tvrdi da vrijedi
t tA tB t vc 1 + vc 2 < vc za vc 1 vc 2 , tB t A tB t A
vc 2
t tA tB t + vc 1 < vc za vc 2 vc 1 . tB t A tB t A
(5.3)
Pri tome je nebitno je li poetna brzina vea (vc1 vc2) ili manja (vc2 vc1) od referentne brzine rezanja (slike 5.1 i 5.2). Dokaz tvrdnje zasniva se na dobro poznatoj Taylorovoj jednadbi vijeka trajanja alata
vc t n = C ,
(5.4)
gdje je t vrijeme rezanja do postizanja kriterija istroenosti (postojanost otrice), n je Taylorov eksponent ovisan o karakteristikama alata, a C je konstanta definirana vrstom obraivanog materijala (a u odreenoj mjeri i posmakom, dubinom rezanja, SHIPom, ). U nastavku se analiziraju oba mogua sluaja kombinacije brzina rezanja vc1 i vc2. U prvom se sluaju (slika 5.1) obrada najprije vri veom brzinom rezanja (vc1) od one referentne (vc), da bi se zatim njezina vrijednost smanjila (vc2), osiguravajui pritom novo stanje (VBB, tB). Prva nejednakost iz izraza (5.3) moe se nakon sreivanja zapisati u obliku
v c1 (t t A ) + vc2 (tB t ) < v c (tB t A ) ,
(5.5)
(5.6)
107
vc1 vc
t vc +
1
v c2 vc
t vc < t 1 + t 2 .
2
(5.7)
VB, mm
vC1
vC
vC2
x
t 1
t vc1 t vc1
t 2
t vc2
t vc2
t v c1,A t v c1 t A t
t vc
t v c2 t B
t v c2 ,B
t, min
Slika 5.1 Kombinacija brzina rezanja za sluaj odabira vc1 vc2 Iz Taylorova izraza slijedi vc1 tvn = C1 i vc tvn = C1 , odnosno
c1 c
v c1 tvn = v c tvn
c1 c
(5.8)
te vc1 tvn
c1 ,A
vc1 tvn
c1 ,A
n . = vc t A
(5.9)
(5.10)
Prema istoj je logici mogue postaviti i odnos izmeu brzina vc i vc2, gdje uz
vc2 tvn
c2 ,B
n = C3 dobivamo = C3 i vc tB
v c2 tvn
c2
c2 ,B
n = vc tB ,
(5.11)
a uz v c2 tvn = C1 i vc tvn = C1
c
108
(5.12)
(5.13)
vc1 vc
t1n , tvn c
1
v c2 vc
t2n tvn c
(5.14)
(5.15)
odnosno
(5.16)
tvc = t1 x i tvc = t2 + x ,
1 2
(5.17)
on se proiruje u formu
t1n t1 x
1 n
+ t2n t2 + x
1 n
< t1 + t2 .
(5.18)
x + t 2 1 + t2
1 n
< t1 + t2 ,
(5.19)
1 n x t1 1 1 < t 2 t1
1 n x 1 1 + . t2
(5.20)
S druge strane, u sluaju da se obrada odvija najprije brzinom vc2 < vc, iz druge nejednakosti izraza (5.3) slijedi
vc1 (tB t ) + vc2 (t t A ) <vc (tB t A ) ,
(5.21)
109
VB, mm
vC1
vC
vC2
VBB VB VBA
A
vc2
B
vc1
x
t 2
t 1
t vc1 t vc2
t v c1t A t v c1,B t v c2 ,A
t vc2 t vc1
t vc
tB t v c2
t, min
Slika 5.2 Kombinacija brzina rezanja za sluaj odabira vc2 vc1 Primjenom Taylorova izraza u ovom sluaju proizlazi
vc1 tvn
c1 ,B
n , = vc tB
v c1 tvn = v c tvn ,
c1 c
v c2 tvn = vc tvn ,
c2 c
vc2 tvn
c2 ,A
n . = vc t A
(5.25) (5.26)
t2n , tvn
c1
v c2 vc
t1n tvn
(5.27)
c2
110
(5.28) (5.29)
tvc = t1 + x i tvc = t2 x
2 1
(5.30)
t2n t2 x
1 n
+ t1n t1 + x
1 n
< t1 + t2
(5.31)
x t2 1 t2
1 n
x + t1 1 + t1
1 n
< t1 + t2 ,
(5.32)
1 n 1 n x x t1 1 + 1 1 < t2 1 . t1 t2
(5.33)
t1 t2
1 n 1 n 1 x 1 + 1 + x < 1 , t1 t2
(5.34)
odnosno uz d =
t2 x ie= dobivamo t1 t1
1 n
1 e 1 n + 1 + (1 e ) 1 d d
<1 ,
(5.35)
(5.36)
t1 t2
1 n 1 n 1 + x 1 + 1 x < 1 , t1 t2
(5.37)
x , t2
111
1 1 n 1 n 1 + e d ) 1 + (1 e ) <1 ( d
(5.38)
uz ista ogranienja kao u (5.36), imajui u vidu da je u ovom sluaju x < t2 . Izraz (5.3) moe se dakle transformirati na dvije nejednakosti iz (5.35) i (5.38) uz ogranienja iz (5.36). Dokaz istinitosti navedenih nejednakosti zasnovan je na Bernoullijevoj nejednakosti [97]
(1 + y )a < 1 + ay
transformirati u nejednakost
1 e 1 n 1 e ) 1 + 1 + (1 n ) <1 , ( d d
(5.39)
koja vrijedi uz ogranienja 0 < a < 1 i 1 < y 0 . U tom se sluaju izraz (5.35), moe
(5.40)
jer je
istinitost prethodnog izraza, oito je da e vrijediti i nejednakost iz izraza (5.35) imajui u vidu odnos odreen Bernoullijevom nejednakou. Iz (5.40) slijedi
(1 e )
1 n
1 + (1 n ) e d
< 0,
(5.41)
(1 e )1 n 1 + (1 n ) e < 0 .
Ako se prethodni izraz zapie u formi
D1 1 + (1 n ) e < 0 ,
(5.42)
(5.43)
gdje je D1 = (1 e )
1 n
D1 = (1 e )
= 1 (1 n ) e
(5.44)
(5.45)
oito je da vrijedi i nejednakost iz (5.42), a time i iz (5.35). Prema istoj se logici i izraz (5.38) moe preformulirati u
1 1 n 1 + e d ) 1 + 1 (1 n ) e<1 , ( d
(5.46)
112
iz ega slijedi
(1 + e d )1 n 1 (1 n ) e d < 0
d
(5.47)
(1 + e d )
1 n
1 (1 n ) e d < 0 .
(5.48)
(5.49)
gdje je D2 = (1 + e d )
1 n
, proizlazi da e u sluaju
1 n
D2 = (1 + e d )
= 1 + (1 n ) e d
(5.50)
izraz (5.48) takoer biti jednak 0. Kako i u ovom sluaju prema (5.39) vrijedi
D2 = (1 + e d )
1 n
< 1 + (1 n ) e d ,
(5.51)
oito da egzistira i nejednakost iz (5.48), odnosno (5.38). Dokazom tvrdnji iz (5.35) i (5.38) dokazana je i tvrdnja iz (5.3). Rezimirajui navedene zakljuke odabrana je strategija voenja zasnovana na usporedbi trenutnog stanja alata (VB, tt) s referentnim konanim stanjem (VBkon, tt,kon) u svakom itom koraku regulacije (simulacije). Pri tome e se na temelju dobivenih odstupanja i ostalih ulaznih parametara u regulator generirati (aproksimirati) iznosi upravljake varijable koja bi u idealnim uvjetima predstavljala referentnu brzinu rezanja s obzirom na kriterij produktivnosti. U realnim e uvjetima uvijek postojati odreeno odstupanje zbog utjecaja estimacijskih pogreki u kvantifikaciji stupnja istroenosti alata, kao i aproksimacijskih odstupanja regulatora.
5.1.3 Struktura regulacijskog kruga
Na temelju dosad iznijetih postavki voenja moe se formirati regulacijski krug shematski prikazan slikom 5.3. Struktura estimatora troenja konfigurira se koritenjem nekoliko vrsti procesnih signala snimljenih u razliitim oekivanim uvjetima obrade. Estimirane se vrijednosti zatim dodatno filtriraju kako bi se priguio utjecaj estimacijske pogreke. U posljednjoj se fazi, primjenom adekvatnog regulacijskog algoritma, generira potrebna brzina rezanja na temelju procijenjenih filtriranih iznosa parametra troenja, razlike izmeu trenutnog i eljenog stanja alata te svih ostalih dodatnih ulaznih
113
parametara regulatora.
tt tt,kon VBkon tt
VB
POREMEAJI
VB
VB
vc
VB
AE
FILTRIRANJE
VB
ESTIMATOR TROENJA
Slika 5.3 Regulacija prema postojanosti otrice reznog alata U formiranju strukture filtra i regulatora pretpostavlja se koritenje podataka sa snimljenih krivulja troenja. Za regulator je odabrana neuronska mrea s radijalnim baznim funkcijama (RBFNM), filtar je rijeen primjenom modificirane varijante Dinamike neuronske mree (MDNM), a realni je proces zamijenjen analitikim modelom dinamike troenja (KorenLenzov model troenja). Nabrojani su elementi kruga detaljnije izloeni u nastavku. Za usporedbu kvalitete u simulacijama postignutih rezultata, odnosno predloenih algoritama voenja, odreena su dva parametra stupanj produktivnosti obradnog procesa i rasipanje iznosa upravljake varijable. Stupanj produktivnosti kvantificiran je povrinom ispod krivulje brzina rezanja
P=
I
v c,i (tt, i - tt ,i 1 ) ,
i =1
(5.52)
2
i=1
I-1
v c,i+1 v c,i .
(5.53)
Iako stupanj produktivnosti predstavlja glavni parametar za ocjenu kvalitete odziva, od interesa je uz to osigurati i to je mogue manje perturbacije brzine rezanja.
114
Neuronska mrea s radijalnim baznim funkcijama (slika 5.4) pripada skupini statikih unaprijednih mrea, a sastoji se od L vektora ulaza, K neurona skrivenog sloja te M vektora izlaza.
t11 t21
x1,i
t12 tL2 t22 c31 t23 t13 tL3 c3M c21
x2,i
c2M
O1(xi)
xL,i
tLK t1K t2K cK1 cKM
OM(xi)
Slika 5.4 Neuronska mrea s radijalnim baznim funkcijama Elementi ulaznih vektora distribuiraju se jednosmjerno prema neuronima skrivenog, odnosno izlaznog sloja. Svaki neuron skrivena sloja nosi informaciju o L dimenzionalnom vektoru centara (tk) iji su elementi vezani za elemente njima pripadajuih ulaznih vektora. Neuroni skrivenog sloja povezani su s izlaznim vektorima
115
preko pripadajuih teinskih faktora (teina). Na taj se nain ostvaruje preslikavanje Ldimenzionalnog ulaznog vektora na M-dimenzionalni izlazni vektor ( R L R M ). Broj i parametri neurona skrivenog sloja predstavljaju temeljni dio konfiguracije mree, jer o njima ovisi kvaliteta uenja, odnosno njezina generalizacijska svojstva. Osim informacija o centrima, u tim se neuronima nalazi i informacija o aktivacijskoj funkciji pomou koje se ostvaruje spomenuto preslikavanje, a koja spada u skupinu radijalnih baznih funkcija. Veza izmeu izlaznih neurona i skrivenog sloja moe se opisati izrazom
Om ( x i ) =
h ( x i tk ) ckm , i = 1,...,N ,
k =1
(5.54)
gdje je Om vrijednost m-tog izlaznog neurona za itu kombinaciju ulaznih neurona xi, tk je L-dimenzionalni vektor centra k-og neurona skrivenog sloja, h(x) aktivacijska funkcija,
ckm teinski faktor koji povezuje k-ti neuron sakrivenog sloja i m-ti izlazni vektor, a N broj
h ( xi tk
)=
(5.55)
gdje je k irina Gaussove funkcije ktog neurona skrivenog sloja koja se rauna kao geometrijska sredina izmeu Euklidijevih udaljenosti centra promatranog neurona i centara njemu susjedna dva neurona: (k1) d1k i (k+1) d2k
k = d1k d2k
(5.56)
(5.57)
gdje je O matrica izlaza dimenzija (NxM), H je matrica vrijednosti radijalnih baznih funkcija (matrica uenja) dimenzija (NxK), a C je matrica teinskih faktora dimenzija (KxM). U fazi uenja potrebno je odrediti broj neurona skrivena sloja (K), njima pripadajue vrijednosti vektora centara (tk) i irina Gaussovih aktivacijskih funkcija (k) te u konanici matricu teinskih faktora (C). Jednom nauene, vrijednosti nabrojanih parametara uenja ostaju fiksne za razmatrani problem. U sluaju kada je broj uzoraka ulaznih vektora jednak broju neurona skrivena sloja (interpolacijski sluaj), matrica
116
O.
(5.58)
U praksi se, meutim, ee javlja situacija s veim brojem uzoraka za uenje od neurona skrivena sloja (aproksimacijski sluaj). U tom se sluaju izraun teina najee zasniva na primjeni metode najmanjih kvadrata, tj. pseudoinverza matrice H
C = H+ O,
+
(5.59)
pri emu je H = (HT H)1 HT Moore-Penroseov pseudoinverz. Iz navedenog proizlazi da je invertibilnost matrice H nuna u provedbi postupka uenja mree. Ovaj je uvjet dijelom osiguran uporabom radijalnih baznih funkcija kao aktivacijskih funkcija neurona skrivena sloja. Naalost, njihova primjena ne predstavlja ujedno i dovoljan uvjet regularnosti matrice, jer ona ovisi i o vrijednostima elemenata ulaznih vektora mree.
5.2.2 Odreivanje parametara strukture rekurzivna metoda najmanjih kvadrata
U okviru provedenih analiza nekoliko se puta pojavio problem singulariteta matrice uenja kod primjene Moore-Penroseovog pseudoinverza. Stoga je u izraunu teinskih faktora primijenjena rekurzivna metoda najmanjih kvadrata koja se pokazala vrlo uspjenom u rjeavanju ovog problema. Rije je o iterativnoj metodi ([98], [99]), iji je ukupni broj iteracija jednak broju elemenata ulaznih vektora (N). Vektor teina koje pripadaju mtom izlaznom neuronu u i tom koraku odreuje se iz izraza
T cm,i = cm,i 1 + Gi 1 d i d i Gi 1 d i + 1
1
Om,i d iT cm,i 1 ,
(5.60)
d iT Gi 1 .
(5.61)
(5.62)
gdje je proizvoljno odabrana velika pozitivna konstanta ( = 106 ), a I je jedinina matrica dimenzija (KxK).
117
Od niza u literaturi izloenih analitikih modela troenja (od kojih se neki mogu nai u [100] [104]) u ovome je radu odabran Koren-Lenzov model troenja iz [105]. Rije je o eksperimentalno postavljenom modelu koji je zasnovan na kombinaciji dvaju dominantnih mehanizama troenja mehanikom (abrazija) i toplinskom (difuzija). Ukupni iznos parametra troenja stranje povrine alata (VB) odreen je sumom abrazivne (VBA) i difuzijske (VBD) komponente iz izraza
lo . 1 VB A + VB A = K1 cos r F vc fap VB D = K 2
.
(5.63)
vc e
K3 ( 273 + f )
(5.64) (5.65)
VB = VBA + VBD .
(5.66)
118
gdje je r prednji kut alata (s obzirom na [106] odabrana je vrijednost r =100), a temperatura na stranjoj povrini alata f odreuje se iz izraza
n n f = K6 v c f + K7VB n .
1 2 3
(5.67)
Uz parametar troenja stranje povrine alata, ovaj model ukljuuje i izraun troenja prednje povrine alata koje je kvantificirano parametrom dubine kratera (KT) prema
K5 ( 273 +c )
KT = K 4 F v c e
(5.68)
(5.69)
Ostali parametri modela odreeni su na temelju eksperimentalno prikupljenih podataka izmjerenih u postupku obrade tokarenjem. Njihove su vrijednosti (tablica 5.1) zajedno s detaljima provedenih mjerenja izloeni u [106].
K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11
0.1 500 2000 500 0.4 0.6 1.45 0.45 0.55 0.95 0.76
Tablica 5.1 Parametri modela troenja Imajui u vidu injenicu iznijetu u [15] da se troenje alata dominantno manifestira na njegovoj stranjoj povrini, odnosno da je troenje prednje povrine ispravnim odabirom alata i reima obrade mogue u znatnoj mjeri smanjiti ili izbjei, za izlaznu je varijablu modela, odnosno voenu veliinu, uzet samo parametar VB. Parametar KT sudjelovao je u izraunu radi osiguranja vjerodostojnosti modela definiranog u [106], ali nije uziman
119
u obzir u realizaciji algoritma voenja, tj. nije imao utjecaja na vrijednost upravljake varijable. Analiza u nastavku izloenog modela voenja primjenom samo najutjecajnijeg parametra troenja ne ograniava njegovu uporabu, jer je predloeni koncept voenja po potrebi mogue proiriti (poopiti) i drugim parametrima troenja. Model je definiran za sljedee iznose parametara obrade: ap = 2 - 4 mm, f = 0,15 0,35 mm/okr i
vc = 100 300 m/min. Primjeri simuliranih srednjih krivulja troenja prikazani su slikom
5.5.
0,45 0.45
0.4 0,4 vc = 300 m/min
0,35 0.35
0.3 0,3 VB, mm 0.25 0,25
0,2 0.2
0.15 0,15 0.1 0,1 0.05 0,05 0 0 10 20 30 40 50 tt, min 60 ap = 2 mm f = 0.35 0,35 mm/okr 70 80 90 vc = 100 m/min
0,2 0.2
0.15 0,15 0.1 0,1 0.05 0,05 0 0 50 100 tt, min 150 ap = 4 mm vc = 100 m/min
Dobivene krivulje troenja predstavljaju, dakle, aproksimativni odnos izmeu irine troenja stranje povrine alata i vremena rezanja (tt) za razliite kombinacije parametara obrade.
5.3.2 Poremeaji procesa
Kako u realnim uvjetima uvijek dolazi do odstupanja stvarnog intenziteta troenja alata od srednjih krivulja troenja zbog niza razliitih poremeaja procesa, simulacijski odzivi modela troenja dodatno su optereeni s nekoliko vrsta funkcija poremeaja. Njihovim se uvoenjem takoer nastojala simulirana dinamika troenja dodatno pribliiti oekivanim realnim uvjetima obrade. Ukupno su razmatrane tri skupine poremeaja:
VBiI
= VBiM iI
iI
(5.70)
0.4 0,4 VB, mm 0.2 0,2 0 vc, m/min 300 200 100 0 0.03 0,03
VBI, mm
6 t , min 8 t
10
12
14
6 t , min 8 t
10
12
14
tt, min
10
12
14
Varijabilni poremeaji podrazumijevaju odstupanja koja nastaju zbog lokalnih promjenjivih mehanikih svojstava obratka/alata ili ostalih uvjeta obrade. Pritom oni mogu biti predvidljivog karaktera (npr. razlike u intenzitetu troenja na mjestu zavarenih spojeva i u ostalim zonama obrade) ili sluajnog (npr. pojava neistoa u obraivanom materijalu). Prirast ove vrste poremeaja
V
(VB )
intervalu
djelovanja
VBV i
VBiM
VBiM 1
iV
iV
(5.71)
tt, min
10
15
vc, m/min
200 100 0 6
-3 0 x 10
tt, min
10
15
VBV, mm
4 2 0 0
V = 0,1 tt, i' = 4,4 min (i' = 22) tt, i'' = 7,4 min (i'' = 37)
tt, min
10
15
Slika 5.7 Varijabilni poremeaj U treu skupinu poremeaja spadaju neizbjene i esto vrlo izraene pogreke koje nastaju pri estimaciji parametara troenja. Kako bi pogreka estimatora morala biti sluajnog karaktera (kod dobro konfigurirane strukture estimatora), doprinos ove vrste poremeaja (VB ) ukupnom iznosu parametra troenja izveden je primjenom bijelog uma u granicama [emin, emax]
E
(5.72)
122
0.4 0,4 VB, mm 0.2 0,2 0 0 300 vc, m/min 200 100 0.03 0,03
VBE, mm
10
tt, min 15
20
25
27
10
tt, min 15
20
25
27
-0,03 -0.03
10
tt, min
15
20
25
27
Slika 5.8 Pogreka estimacije u granicama 0,03 mm Poremeaji globalnog karaktera proizali iz potpuno pogreno pretpostavljenih mehanikih svojstava obraivanog materijala, karakteristika reznog alata i/ili ostalih uvjeta obrade nisu posebno razmatrani, jer se njihov utjecaj moe interpretirati krivuljom troenja veeg ili manjeg intenziteta s obzirom na prvobitno pretpostavljen intenzitet troenja. U kombinaciji s pogrekom estimacije, na ovaj se nain mogu simulirati i odstupanja realne krivulje od srednje, aproksimativne krivulje troenja u situacijama kada su svi uvjeti obrade dobro pretpostavljeni, a izostao je i utjecaj impulsnih i varijabilnih poremeaja. Princip implementacije navedenih poremeaja u model realiziran je preko izraza
M VBiM = f vc ,ap ,f ,VB i 1 M
(5.73) (5.74)
Konana simulirana vrijednost "estimiranog" parametra troenja dobiva se pribrajanjem pogreke estimacije parametru troenja iz modela proirenom iznosima impulsnih i varijabilnih poremeaja
VBi = VBi + VBiE .
E M
(5.75)
123
Dinamika neuronska mrea (DNM), detaljno izloena u [44], pripada skupini povratnih mrea, a karakterizira ju integracija IIR filtra u svakom od neurona skrivena sloja. U ovom je radu njezina forma modificirana (slika 5.9) u smislu primjene Gaussove aktivacijske funkcije neurona skrivena sloja umjesto sigmoidalne bipolarne funkcije. Pritom su parametri Gaussove funkcije takoer bili ukljueni u proces uenja mree to je omoguilo potpuno izostavljanje bias neurona iz skrivena i izlaznog sloja.
O1,i O2,i OM,i
w2K wMK yK ( yK )
y1,i
B1 A1
y 2,i
B2 A2
y K,i
BK AK
net1,i
net2,i
netK,i
v2L vKL
x1,i
x2,i
xL,i
Ulazna vrijednost u k-ti neuron skrivena sloja u i-tom se koraku rauna iz sume umnoaka svih ulaza s neuronu pripadajuim teinskim faktorima (vkl)
L
netk ,i =
vkl xl ,i ,
l =1
k = 1,..., K , i = 1,..., N .
(5.76)
Dobivena suma predstavlja ulaz u IIR filtar (slika 5.10) koji se moe zapisati u formi impulsne prijenosne funkcije
Gk ( z ) =
Bk ( z )
Ak ( z )
netk ( z )
yk ( z )
(5.77)
(5.78)
gdje su aovi i bovi koeficijenti filtra, a y k ,i predstavlja izlaznu vrijednost filtra, odnosno ulaznu varijablu aktivacijske funkcije.
b0 netk,i
b1
x1,i x2,i
vk1
vk2
z -1
a1 a2
z -1
b2
y k,i
yk ( yk )
yk,i
xL,i
vkL
Slika 5.10 Dinamiki neuron Na ovaj nain svaki neuron skrivena sloja procesira prethodne vrijednosti svojih izlaza s trenutnom i prethodnim vrijednostima ulaza. Izlazna vrijednost ktog neurona skrivena sloja odreuje se izraunom Gaussove aktivacijske funkcije
2
y k ,i =
1 y t k ,i k 2 e k
(5.79)
gdje je tk centar, a k irina funkcije. Do konane mte izlazne vrijednosti mree dolazi se sumiranjem umnoaka izlaza svih neurona skrivena sloja i izlazu pripadajuih teinskih faktora (wmk)
K
Om,i =
k =1
y k ,i wmk
m = 1,...,M .
(5.80)
poveanom ukupnom broju parametara uenja (u uenju sada sudjeluju jo i tk i k), pozitivno utjee i na porast brzine uenja. Dodatna modifikacija u cilju ubrzanja konvergencije pogreke uenja njenom minimumu ostvarena je primjenom RPROP metode uenja [107], [108].
5.4.2 Odreivanje parametara strukture RPROP metoda uenja
Navedena se metoda u rjeavanju razmatranog problema pokazala boljom od EBP metode predloene u [44], kao i metode konjugiranog gradijenta. Za razliku od EBP metode, kod RPROP metode na promjenu parametra uenja (pu) utjecaj ima samo predznak gradijenta, a ne i njegov iznos. U ovom je radu primijenjena modificirana varijanta RPROP metode (RPROP with New Weight Backtracking Scheme) predloena u [109]. Promjena iznosa parametra za novi se korak uenja zasniva na prirastu koji se u kuctom koraku mijenja prema pravilu
kuc
min + i kuc 1 , max , E kuc 1 ( pu ) i E kuc ( pu ) > 0 = max i kuc 1 , min , E kuc 1 ( pu ) i E kuc ( pu ) < 0 , E kuc 1 ( pu ) i E kuc ( pu ) = 0 kuc 1 ,
( (
) )
(5.81)
pri emu vrijedi 0 < < 1 < +. Faktori poveanja ( + ), odnosno smanjenja ( ), odabiru se uglavnom empirijskim putem, a u ovome su sluaju preuzeti iz navedenih referenci, u kojima se zakljuuje da se predloene vrijednosti ( + = 1,2; = 0,5) mogu smatrati konstantama. Po definiranju prirasta odreuje se nova vrijednost parametra uenja prema
(5.82)
E k ( pu ) i k , za E k 1 ( pu ) i E k ( pu ) 0 , pukuc = sign uc uc uc uc
odnosno
(5.83)
(5.84)
E=
(5.85)
a dm,i eljena vrijednost mtog izlaza za iti ueni uzorak. U sluaju da je u dva slijedna
126
koraka
uenja
dolo
do
promjene
predznaku
gradijenta
pogreke
( E kuc 1 ( pu ) i E kuc ( pu ) < 0 ), odnosno da je "prebaen" minimum pogreke, iznos gradijenta se postavlja u nulu ( E kuc ( pu ) = 0 ), ime se utjee na smanjenje iznosa prirasta parametra u sljedeem koraku. Ukoliko je ujedno ispunjeno i drugo ogranienje iz (5.84) gdje je E kuc > E kuc 1 , iz prethodnih izraza slijedi da e parametar uenja iz (kuc+1)og koraka poprimiti vrijednost iz (kuc-1)og koraka uenja ( pukuc +1 = pukuc 1 ). S druge strane, za sluaj E kuc E kuc 1 izostaje promjena uenog parametra u aktualnom koraku uenja ( pukuc +1 = pukuc ). Na poetku postupka uenja inicijalni iznosi prirasta svih parametara uenja postavljaju se u neku proizvoljno odabranu malu vrijednost proporcionalnu inicijalnim vrijednostima parametara uenja (u ovome je sluaju odabrana vrijednost 102). Za gornju je granicu uzet max = 50, a za donju min = 106. U fazi uenja potrebno je adaptirati 9 vrsta parametara (v, w, b0, b1, b2, a1, a2, t i
E m,i w mk
E Om = m Om w mk
= ( dm,i Om,i ) y k ,i ,
i
(5.86)
E kuc (w mk ) =
w mk .
i =1
E m,i
(5.87)
Parcijalne derivacije pogreke uenja po parametrima IIR filtra ktog neurona skrivena sloja, odnosno njihove sume gradijenata pogreke raunaju se prema izrazima
E i b jk E y k y k = y k y k b jk
j
M d m,i Om,i ) w mk y k ,i = ( m =1
y k ,i t k 2 k
D , b jk ,i
(5.88)
Db ,i = z net , j = 0,1,2 , jk A ( z ) k ,i
127
E kuc b jk = E i a jk
( ) b i ; jk
i =1
(5.89)
E y k y k = y k y k a jk
j
M = ( d m,i Om,i ) w mk y k ,i m =1
y k ,i t k 2 k
D , a jk ,i
(5.90)
Da ,i = z y k ,i , j =1,2 , jk A ( z ) E kuc a jk =
( ) a i . jk
i =1
(5.91)
Ukupni gradijenti pogreke uenja po parametrima Gaussovih aktivacijskih funkcija odreuju se prema
E i tk
E y k = y k t k
N
M = ( d m,i Om,i ) w mk y k ,i m =1
y k ,i t k 2 k
(5.92)
E kuc ( tk ) = E i
tki ;
i =1 i
(5.93)
E y k = k y k k E kuc ( k ) =
N
M = ( d m,i Om,i ) w mk y k ,i m =1
( y t )2 k ,i k k3
(5.94)
ki .
i =1
(5.95)
E i v kl
E y k y k = y k y k v kl B (z)
M = ( d m,i Om,i ) w mk y k ,i m =1
y k ,i t k 2 k
D , v kl ,i
(5.96)
Dv ,i = xl ,i , kl A ( z ) E kuc (v kl ) =
vkli .
i =1
(5.97)
prvom je sluaju analiziran regulacijski krug bez primjene dodatnog modula za interpolaciju parametra troenja, dok je drugi koncept proiren navedenim modulom. Pritom je u oba sluaja zanemarena dinamika servomotornog pogona alatnog stroja. Naime, proces troenja je relativno spor, odnosno vrijeme generiranja iznosa upravljake veliine znatno je vee od vremena prijelaznih pojava u regulaciji servomotora. Uz to, promjene u iznosima brzine rezanja u prijelaznom podruju, odnosno eventualna manja odstupanja od eljenih vrijednosti u stacionarnom podruju nemaju znaajnog utjecaja na dinamiku procesa troenja. to se tie odabira vremena uzorkovanja (Tuz), odnosno generiranja upravljake veliine (u ovom sluaju korak simulacije), moe se zakljuiti da on ne smije biti prevelik zbog osiguranja brzog odziva na razliite vrste poremeaja, kao i referentnog stanja alata u uvjetima vrlo intenzivnog troenja. S druge strane, on ne bi smio biti niti premalen, jer bi u tom vremenu trebalo osigurati i nekoliko uzastopnih estimacija parametra troenja radi smanjenja pogreke estimacije te eventualne adaptacije strukture regulatora u sluaju promjene referentnog stanja alata. Porast Tuz -a u pravilu utjee na smanjenje oscilacija u iznosima brzine rezanja to u konanici esto rezultira porastom stupnja produktivnosti. Analize provedene u sklopu ovog istraivanja pokazale su da za, primjerice, Tuz > 0,35 min (21 s) u zamjetnom broju testova nije bilo mogue postii referentno stanje, tj. maksimalno dozvoljen iznos parametra troenja ostvaren je prije isteka eljenog vremena rezanja. Kako se navedeni problem sporadino pojavljivao i za Tuz = 0,25 min (15s) za konanu je vrijednost odabran
Tuz = 0,2 min (12 s). U realnim bi uvjetima vrijeme uzorkovanja moglo biti i promjenljivo
u smislu neto veeg vremena u fazi troenja manjeg intenziteta i manjeg vremena uzorkovanja u podruju vrlo intenzivnog troenja alata. U svakom sluaju, njegov e iznos primarno ovisiti o karakteristikama podsustava za estimaciju parametra troenja, dinamici troenja alata te o zahtjevima postavljenim na odzive regulacijskog kruga.
5.5.1 Adaptivno voenje bez interpolacije parametra troenja
Shematski prikaz modela voenja bez interpolacijskog modula prikazan je slikom 5.11. Parametri RBFNM regulatora za odabrano prethodno definirano referentno stanje reznog alata kvantificiraju se u fazi uenja koje se provodi na temelju simuliranih srednjih krivulja troenja svih razmatranih kombinacija parametara obrade. Pri tome su
129
koritene srednje krivulje troenja vezane za brzine rezanja od 100, 110, 120, , 200, 220, 240, , 300 m min 1.
ap fz
tt tt,kon
VB I
tt
VB
VBE
VB
M
RBFNM REGULATOR
vc
VBM
VBkon
VB
VBV
VB VB
z-1
MDNM FILTAR
Slika 5.11 Adaptivno voenje bez interpolacije parametra troenja Ulazni vektor poprima formu
M M xi = tt ,i , VBi ,VBi ,
(5.98)
gdje je VBiM razlika izmeu konanog eljenog iznosa parametra troenja (VBkon) i vrijednosti parametra u itom razmatranom koraku ( VBiM ), a tt ,i razlika izmeu ukupnog eljenog vremena rezanja (tt,kon) i aktualnog vremena (tt,i). U realnim se uvjetima srednje krivulje troenja odreuju aproksimacijom eksperimentalno snimljenih podataka koritenih u konfiguriranju strukture estimatora troenja. Broj i iznosi centara skrivenog sloja mree odreeni su na temelju referentne grupe uzoraka izdvojene iz podataka vezanih uz srednje krivulje troenja. Postupak je proveden za svaku aproksimativnu krivulju troenja zasebno, pri emu su uzorci grupirani primjenom A faktora
max
g
ui ug , i = 1,..., N , g = 1,..., G A ,
(5.99)
M gdje je ui = VBi ,t t,i iti vektor uzoraka razmatrane srednje krivulje troenja normiran
intervalu
[0,1],
M ug = VB g ,t t,g
normirana
aritmetika
sredina
uzoraka
gte grupe. Svi uzorci koji zadovolje navedeno ogranienje pripadaju analiziranoj
skupini ija aritmetika sredina predstavlja referentni uzorak grupe. Postupak se zatim
130
ponavlja sve dok se svi uzorci ne razvrstaju u svoje grupe, odnosno dok se ne odrede svi referentni uzorci (uzorci referentne grupe). Svakom uzorku referentne grupe pripada jedan neuron skrivenog sloja, tj. neuronu pripadajui centar. Izraun matrice uenja, odnosno vektora teina, odreen je izrazima iz potpoglavlja 5.2, pri emu je za izlazni vektor odabrana brzina rezanja karakteristina za svaku razmatranu srednju krivulju troenja. Odabir konanog iznosa parametra A biti e podloan kompromisu izmeu meusobno oprenih zahtjeva i mogunosti. U cilju odreivanja uravnoteene vrijednosti parametra izvren je niz testiranja s razliitim referentnim stanjima alata i parametrima obrade. Pritom su za kvantitativnu usporedbu rezultata uzeti kriterij produktivnosti (P) i faktor rasipanja brzina rezanja (R). Dio rezultata prikazan je na slici 5.12.
VBkon = 0,4 0.4 mm ; t t,kon = 40 min 500 400 300 200 0.1 0,1 100 0.2 0.3 0 0.1 0.2 0,2 0,3 0,1 0,2 VBkon = 0,35 0.35 mm ; t t,kon = 20 min 350 300 250 R 200 150 0.1 0,1
6000 5800 5600 5400 5200 0 4300 4200 4100 P 4000 3900 3800 0
0.3 0,3
0.2 0,2
0.3 0,3
100 0
0.1 0,1
0.2 0,2
0.3 0,3
Slika 5.12 Stupnjevi produktivnosti i rasipanja brzina rezanja za razliite A parametre Dobiveni su rezultati pokazali oekivan padajui trend faktora rasipanja s porastom A parametra, te znaajniji negativni gradijent stupnja produktivnosti za iznose A > 0,2. Naime, vei iznosi A parametra utjeu na redukciju broja neurona skrivena sloja. Time
131
se poveava stupanj priguenja regulatora u smislu manjih oscilacija upravljake veliine na vee promjene ulaznih vektora. Ovo smanjenje osjetljivosti regulatora ispod odreene granice utjee na njegovu preciznost u aproksimaciji brzine rezanja, tj. na smanjenje stupnja produktivnosti. Uz to, u podrujima intenzivnijeg troenja vrlo je vjerojatna i pojava nemogunosti regulatora da ostvari postizanje eljenog stupnja istroenosti u definiranom vremenu rezanja, to predstavlja jedan od zadanih kriterija voenja (slika 5.13).
VB kon = 0,25 0.25 mm ; t t,kon = 15 min
0,4 0.4
VB, mm 0.3 0,3 0.2 0,2 0.1 0,1 0 0 5 10 15
= 0,2 tt,i' = 4,5 min (i' = 23)
V
tt, min
tt, min
10
15
Slika 5.13 Krivulja troenja i brzina rezanja uz A = 0,15 S druge strane, odabirom manjih iznosa A parametra raste broj neurona skrivena sloja mree. Pretjeran porast strukture regulatora, uz poveanje memorijskih i procesorskih resursa, moe u konanici dovesti i do pretreniranosti mree, tj. loijih generalizacijskih svojstava regulatora. U realnim bi uvjetima bilo dobro osigurati dovoljan broj snimljenih uzoraka (barem nekoliko puta vei od konanog broja neurona skrivenog sloja), kako bi postojao prostor za analizu niza razliitih struktura RBFNM regulatora i odabira onog koji prua zadovoljavajue performanse. U ovome je sluaju odabran A = 0,04. Implementacijom regulatora u regulacijski krug ulazni vektor poprima formu
132
x i = t i , VB i ,VB i
(5.100)
Prema izrazu (5.100) proizlazi da je u konanici upravljaka veliina funkcija triju varijabli, i to odstupanja referentnog i trenutnog stanja alata u smislu vremena rezanja i stupnja istroenosti te aktualne vrijednosti parametra troenja. Njezini iznosi ogranieni su u cilju osiguranja stabilnosti kruga na interval od 100 300 m min1 koji je odreen karakteristikama KorenLenzovog modela troenja. U realnim bi uvjetima ovaj interval bio ogranien tehnolokim uvjetima obrade. U sluaju promjene ostalih parametara obrade (ap, fz) za aktualnu kombinaciju parametara nuno je primijeniti i pripadajue teinske faktore mree definirane u fazi uenja. Ukoliko razmatrana kombinacija nije koritena u uenju mree, tada se vrijednosti izlaznog vektora odreuju aproksimativno na temelju odziva onih struktura regulatora koje pripadaju najbliim uenim kombinacijama s obzirom na razmatranu kombinaciju parametara obrade (vidi odzive u potpoglavlju 5.6). Jednako je tako adaptaciju teinskih parametra regulatora potrebno provesti i ukoliko tijekom obrade doe do promjene referentnih vrijednosti parametra troenja i vremena rezanja. Pritom moe nastupiti dvojaka situacija. Uslijed promjenljivih tehnolokih zahtjeva moe se aktualizirati promjena referentne vrijednosti parametra troenja sa ili bez promjene referentnog vremena rezanja. U tom je sluaju potrebno u realnom vremenu generirati nove iznose teina RBFNM regulatora koji e osigurati novo referentno stanje. Drugi sluaj podrazumijeva promjenu vremena rezanja uz istovremeno zadravanje referentnog iznosa parametra troenja fiksnim. Ovakva se situacija javlja, naprimjer, u sluaju nemogunosti zanemarivanja utjecaja vremena praznog hoda alata u ukupnom vremenu obrade, odnosno openito kada se vrijeme rezanja ne moe poistovjetiti s vremenom obrade. Utjecaj ukupnog vremena koje alat provede izvan zahvata za vrijeme obrade kompenzira se smanjenjem vremena rezanja tijekom same obrade. U tom sluaju nije potrebno provesti adaptaciju parametara regulatora, imajui u vidu strukturu njegovih ulaznih varijabli. Naime, za razliku od parametra troenja, vrijeme rezanja definirano je samo jednim parametrom, i to u formi razlike izmeu njegove referentne i trenutne vrijednosti. Filtriranjem estimiranih vrijednosti parametra troenja ostvaruje se viestruk pozitivan utjecaj na cjelokupni proces voenja zbog smanjenja oscilacija upravljake
133
varijable. Pritom se u znaajnom broju sluajeva smanjuje i regulacijsko odstupanje u referentnoj toki. Primjer filtriranog i nefiltriranog odziva zajedno s brzinama rezanja prikazani su slikom 5.14.
0,3 0.3
VB, mm 0.2 0,2 0.1 0,1 0
Slika 5.14 Krivulje troenja i brzina rezanja dobivene sa i bez primjene MDNM filtra Za ulazne vektore MDNM mrenog filtra u fazi uenja koritene su srednje krivulje troenja (primijenjene i kod konfiguracije RBFNM regulatora) zaumljene signalom bijelog uma u granicama od 0,03 mm. Izlazni su vektori predstavljali eljene srednje vrijednosti krivulja troenja generirane KorenLenzovim modelom. U fazi testiranja generiran je novi signal uma ( 0,03 mm) dodan srednjim krivuljama troenja. U realnim bi se uvjetima granica odstupanja estimirane vrijednosti parametra troenja od neke srednje oekivane vrijednosti odredila eksperimentalnim putem. Tada bi dio estimiranih krivulja troenja bio koriten u konfiguraciji strukture MDNM filtra, a dio u testiranju. Odreivanje strukture filtra u ovome je radu temeljeno na analizi niza razliitih konfiguracija mree za niz razliitih dubina rezanja (ap=2; 2,5; 3; 3,5 i 4 mm). Ispitane su kombinacije mrea s 2,3,5,7 i 9 ulaznih neurona, te s 2,3,5 i 10 neurona skrivena sloja. Za svaku su kombinaciju parametri mree odreivani u 10000 koraka uenja i svaka je kombinacija testirana nizom testova zasebno i unutar regulacijskog kruga, uz utjecaj dinamike ostalih lanova kruga. Testiranja su provedena primjenom svih vrsta poremeaja navedenih u potpoglavlju 5.3 te odabirom razliitih kombinacija referentnog
134
stanja alata. Iako je niz konfiguracija u prosjeku ostvario dobre rezultate, za konanu je strukturu mree na kraju odabrana konfiguracija 551 s kojom su postignuti rezultati ujednaene i zadovoljavajue kvalitete. Drugim rijeima, filtrirana vrijednost estimiranog parametra troenja (VBi ) u svakom je itom koraku odreivana na temelju etiri prethodno estimirane vrijednosti parametra troenja i njegove trenutne estimirane vrijednosti
E E E E E x i = VB i 4 ,VB i 3 , VB i 2 , VB i 1 , VB i .
(5.101)
U tom je smislu na poetku svakog novog ciklusa obrade s otrim alatom postupak filtriranja poinjao tek od pete estimirane vrijednosti parametra troenja (slika 5.14). Na temelju svih provedenih analiza pokazalo se da izostanak filtriranja parametra troenja u prva etiri koraka regulacije ne ostavlja nikakve posljedice na ukupnu kvalitetu rezultata. Po odabiru konane strukture MDNM filtra provedena je i analiza njegove stabilnosti, odnosno stabilnosti dinamikih neurona skrivena sloja (tablica 5.2). Na temelju apsolutne vrijednosti polova svih impulsnih prijenosnih funkcija neurona skrivena sloja, oito je da su strukture primijenjenih MDNM filtara za sve razmatrane dubine rezanja bile stabilne.
135
koef. brojnika
NULE
b0
1,12 1,1 1,06 1,04 1,01 1, 5 0,99 1,09 1,06 1,004 1,06 1,03 1,16 1,05 1,09 1,08 1,07 1,15 1,03 1,13 1,1 1,08 1,09 1,03 1,15
b1
-0,05 -0,03 -0,07 -0,05 -0,07 0,44 -0,19 -0,05 -0,01 -0,13 0,02 0,05 -0,04
-0,005
b2
-0,11 0,01 - 0,2 -0,09 -0,16 0,69 0,01 -0,06 -0,08 -0,05
1
0,33 0,48 0,32 0,44
2 ap = 2 mm
-0,29 -0,41 -0,27 -0,37 ap = 2,5 mm
koef. nazivnika a1 a2
0,06 -0,03 -0,13 -0,1 -0,003 -0,13 0,02 -0,09 0,02 -0,21 0,02 0,06 -0,06 -0,18 -0,01 -0,15 -0,19 -0,05 -0,03 -0,03 -0,88 -0,16 -0,06 -0,06 0,09 -0,01 0,08 -0,36 -0,45 -0,54 -0,16 -0,15 0,08 0,08 0,05 0,18 -0,41 -0,37 0,07 -0,44 0,11 -0,04 -0,12 -0,03 0,21 -0,12 0,3 -0,37
-0,008
POLOVI
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
-0,03 0,31i (aps. 0,03) 0,1 0,65 0,67 0,8 -0,41 0,43 - 0,07 -0,55 -0,67 -0,67 -0,39 -0,34 0,07 0,27i (aps. 0,27)
0,1 0,06i (aps. 0,11) 0,25 0,28 0,31 -0,2 -0,27 -0,18 ap = 3 mm
-0,01 0,29i (aps. 0.29) 0,11 0,26i (aps. 0,28) -0,01 0.22i (aps. 0,22)
0,002 0,42i (aps. 0,42)
0,005 -0,01 0,07i (aps. 0,07) 0,14 -0,16 -0,13 -0,16 -0,14 -0,16 -0,06 0,05 0,38 0,36 0,46 0,4 0,43 -0,22 -0,35 -0,35 -0,33 ap = 3,5 mm -0,33 -0,34 0,22
-0,68 0,64
0,61 -0,58
0,09 0,24i (aps. 0,26) 0,67 0,31 0,37 0,19 -0,66 -0,13 -0,32 -0,16
0,009 0,001 0,09i (aps. 0,09) ap = 4 mm -0,05 -0,02 -0,09 -0,16 -0,15 0,21 0,2 0,33 -0,41 0,39 -0,21 -0,11 -0,26 0,4 -0,33
0,01 0,46i (aps. 0,46) 0.39 0,64 0,12 -0,3 -0,58 -0,07 0,08 0,54 (aps. 0,55)
136
varijable, analizirano je i proirenje prethodno opisanog modela voenja u smislu uvoenja modula za interpolaciju parametra troenja kao svojevrsnog referentnog modela u postojeu upravljaku strukturu (slika 5.15). Time je, uz postojee ulazne parametre regulatora, dodana jo i razlika u vrijednosti interpolacijskim modulom predvienog iznosa parametra troenja u (i+1)-om koraku i filtriranog parametra troenja u i-tom koraku
ei = VBi +1 VBi .
tt tt,kon VBkon tt,i
(5.102)
VBi
VB i+1
VB i
VB i
VB Ii
VB i
RBFNM REGULATOR ei vc,i KOREN - LENZOV MODEL TROENJA
VB Ei
M VB i
E VB i
VB i+1
MDNM FILTAR
VB M i
VB i
ei
VB V i
z-1
ap fz
Slika 5.15 Adaptivno voenje uz interpolaciju parametra troenja Ulazni vektor RBFNM regulatora u fazi uenja sada poprima formu
M M M M xi = tt ,i , VBi ,VBi ,VBi +1 VBi ,
(5.103)
a u fazi rada
x i = tt ,i , VB i ,VB i ,ei .
(5.104)
Interpolacijski je modul zasnovan na nizu linearnih interpolacija parametara vezanih uz srednje krivulje troenja koritene i pri konfiguraciji strukture regulatora te MDNM filtra. Najprije je za svaku razmatranu brzinu rezanja izvrena interpolacija vremena rezanja (tt,i (vc)) za aktualni parametar troenja u itom koraku ( VBi ), kao i interpolacija
137
konanih vremena rezanja (tt,kon (vc)) za koje se postie VBkon. Zatim su za vremena rezanja iz sljedeeg koraka tt,i+1 (vc) = tt,i (vc) + Tuz interpolirane vrijednosti parametra troenja VBi +1 (v c ) . Te su vrijednosti zajedno s njima pripadajuim preostalim vremenima rezanja tt,i (vc) = tt,kon (vc) tt,i (vc) koritene u posljednjoj fazi izrauna, tj. u interpolaciji parametra troenja VBi +1 za aktualno preostalo vrijeme tt,i .
e (mm)
ap (mm)
1 2 3 4 5 6 7
TEST
0,25 0,4 0,35 0,4 0,4 0,38 0,3 0,4 0,35 0,4 0,37 0,4 0,37 0,25 0,4 0,4 0,3
27 53 30 15 12 25 35 28 20 60 17 34 19 32 22 42 30
8 9 10 11 12 13 14 15 16 17
1,6 -0,6 1,8 | -0,7 1,3 | -0,5 1,1 | 0,8 2,2 1,4 1,4 1,8 0,8
15 3 3 | 7,2 7,5 12,5 14 21 2,8 | 6,2 4,5 | 6,7 0,03 9 | 13,2 10,1 | 14,8 18,8 | 20,4 19,3 | 22,4 6 | 12 14 7,7 | 10,2 11,9 8,6 | 11,4 13,3 0,06 8,8 | 13,2 14,3 0,15 9 | 24 25,5
2,5
24 42
2,5
138
U prvih devet testova, kao i u posljednja etiri, dubina rezanja bila je konstantna, a odabrana je proizvoljna vrijednost od 2,5 mm. U preostala etiri prikazana testa vrijednosti dubine rezanja mijenjane su linearno od donje do gornje granice modela troenja (2 4 mm) i obratno. Dubine su mijenjane u intervalu od 30% do 70% vrijednosti referentnog vremena rezanja razmatranog testa. U veini je testova interval pogreke estimacije iznosio 0,03 mm, a analizirane su i situacije s pogrekom od
0,06 mm i 0,15 mm. Za navedene raspone pogreke provedena su dodatna uenja
i adaptacije strukture MDNM filtra. Kako kvaliteta povrine u okviru provedenih istraivanja nije uzeta za dodatni kriterij voenja, posmak alata je radi poveanja stupnja produktivnosti dran na najveoj moguoj vrijednosti od f = 0,35 mm okr1.
5.6.1 Odzivi modela voenja bez interpolacijskog modula
Na slikama 5.16 5.32 prikazani su rezultati postignuti primjenom modela voenja bez modula za interpolaciju parametra troenja. Postignuti su rezultati usporeivani s "idealnim" krivuljama troenja i brzinama rezanja dobivenim aproksimacijom ulaznih parametara regulatora generiranih iz srednjih krivulja troenja bez utjecaja uma.
TEST 1 VBid
0.25 0,25 0.2 0,2 VB, mm 0.15 0,15 0.1 0,1 0.05 0,05 0 0 5 10
VB E VB
15 tt, min
20
25
27
Slika 5.16 Usporedba odziva i brzina rezanja za VBkon = 0,25 mm i tt,kon = 27 min
139
TEST 2 VBid
30 tt, min
40
50 53
Slika 5.17 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 53 min
TEST 3 VBid
VB E VB
10
15 tt, min
20
25
30
Slika 5.18 Usporedba odziva i brzina rezanja za VBkon = 0,35 mm i tt,kon = 30 min
140
0,4 0.4
0.3 0,3 VB, mm
VB E VB
TEST 4 VBid
0,2 0.2
0.1 0,1 0 0
5 tt, min
10
15
Slika 5.19 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 15 min
TEST 5
0,4 0.4
VB, mm 0.3 0,3 0.2 0,2 0.1 0,1 0 0
VB E VB
VBid
6 tt, min
10
12
Slika 5.20 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 12 min
141
0.38 0,38 0.3 0,3 VB, mm 0.2 0,2 0.1 0,1 0 0 5 10 VB E VB VBid
TEST 6
15 tt, min
20
25
Slika 5.21 Usporedba odziva i brzina rezanja za VBkon = 0,38 mm i tt,kon = 25 min
TEST 7 VBid
VB, mm
VB E VB
0,1 0.1
0
10
15 tt, min
20
25
30
35
Slika 5.22 Usporedba odziva i brzina rezanja za VBkon = 0,3 mm i tt,kon = 35 min
142
TEST 8 VB id
VB E VB
200 v , m/min
100
vc,id vc
10
15 tt , min
20
25
28
Slika 5.23 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 28 min
TEST 9 VBid
VB E VB
10 tt, min
15
20
Slika 5.24 Usporedba odziva i brzina rezanja za VBkon = 0,35 mm i tt,kon = 20 min
143
TEST 10
10
20
30 tt, min
40
50
60
Slika 5.25 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 60 min
TEST 11
0,2 0.2
0.1 0,1 0
8 10 tt, min
12
14
16 17
Slika 5.26 Usporedba odziva i brzina rezanja za VBkon = 0,37 mm i tt,kon = 17 min
144
TEST 12
10
15 20 tt, min
25
30
34
Slika 5.27 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 34 min
TEST 13 VBid
VB E VB
10 tt, min
12
14
16
18 19
Slika 5.28 Usporedba odziva i brzina rezanja za VBkon = 0,37 mm i tt,kon = 19 min
145
0,25 0.25
0.2 0,2 VB, mm VB E VB VBid
TEST 14
0,15 0.15
0.1 0,1 0.05 0,05 0 0
10
15 tt, min
20
25
30 32
Slika 5.29 Usporedba odziva i brzina rezanja za VBkon = 0,25 mm i tt,kon = 32 min
TEST 15
0,4 0.4
VB, mm
0,3 0.3
0.2 0,2 0.1 0,1 0 0
VB E VB
VBid
10 tt, min
15
20
22
Slika 5.30 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 22 min
146
0,4 0.4
0.3 0,3 VB, mm
VB E VB
TEST 16 VBid
10
15
20 tt, min
25
30
35
40 42
Slika 5.31 Usporedba odziva i brzina rezanja za VBkon = 0,4 mm i tt,kon = 42 min
VB, mm
VB E VB
0,1 0.1
0
10
15 tt, min
20
25
30
Slika 5.32 Usporedba odziva i brzina rezanja za VBkon = 0,3 mm i tt,kon = 30 min
147
Odstupanja simuliranih odziva parametra troenja i brzina rezanja od oekivanih "idealnih" vrijednosti posljedica je utjecaja triju imbenika pogreke estimatora, odstupanja filtriranih vrijednosti od srednjih krivulja troenja i aproksimacijske pogreke RBFNM regulatora. Ako izuzmemo utjecaj estimacijske pogreke koja je u veoj ili manjoj mjeri uvijek prisutna i u realnim uvjetima obrade neizbjena, na smanjenje regulacije pogreke moe se primarno utjecati modifikacijom preostala dva faktora. U provedenim se analizama pokazalo da su odzivi MDNM filtra, s obzirom na srednje krivulje troenja, u prosjeku bili do 10 % vei od referentnih vrijednosti. Ovo se odstupanje pojavljivalo u veini testova odabrane strukture filtra, i to u pravilu u podruju poetnog i normalnog troenja. Neto znatniji porast zabiljeen je samo u sluaju veih estimacijskih pogreki ( 0,15 mm), najee u fazi poetnog troenja. Ono je utjecalo na smanjenja brzine rezanja u odnosu na referentnu vrijednost u prve dvije treine ukupnog simuliranog vremena rezanja. Ovaj je efekt primjetan kod veine prethodno prikazanih odziva testova. Smanjenje brzine rezanja uz toj fazi obrade uzrokovalo je neto manji intenzitet troenja, pri emu je u posljednjoj treini obrade dolo do poveanja brzine rezanja kako bi se postiglo eljeno referentno stanje alata. S druge strane, utjecaj aproksimacijske pogreke RBFNM regulatora, iako takoer kontinuiranog karaktera, znaajnije je uoljiv upravo u posljednjoj fazi obrade, tj. s poetkom podruja naglog troenja. U odreenom se broju testova upravo u tom podruju primjeuju vee oscilacije u iznosima brzina rezanja. Razlog tomu povezan je s veom osjetljivou iznosa brzina rezanja na promjene ulaznih parametara regulatora. Naime, zbog porasta gradijenta troenja u podruju intenzivnog troenja smanjuje se razluivost (utjecaj) parametra tt, dok istovremeno male promjene u iznosima ulaznih parametara troenja VBM i VBM mogu rezultirati i znaajnijim razlikama u iznosima brzina rezanja. U tom se smislu poveava vjerojatnost pojave vee aproksimacijske pogreke regulatora, to moe predstavljati vrlo ozbiljan problem imajui u vidu blizinu referentne toke. Iz navedenih se karakteristika procesa i algoritma voenja dade jo jednom iitati vanost kvalitetno odreenih srednjih krivulja troenja, struktura regulatora i filtra te ispravno odabranog vremena generiranja upravljake veliine. Testovi sa skokovitim promjenama parametra troenja pokazali su oekivano veu brzinu odziva kod manjih skokova i manju brzinu kod veih skokova. Navedeno kanjenje u odzivu proizlazi iz karakteristika strukture MDNM filtra, gdje se na temelju
148
prethodne etiri estimirane vrijednosti parametra troenja i trenutne vrijednosti odreuje (filtrira) konani iznos parametra u razmatranom koraku. Njegov utjecaj raste s porastom intenziteta promjene u iznosu parametra troenja. U cilju odreivanja strukture filtra, regulatora i parametara interpolacijskog modula, u situacijama kada dolazi do promjene u iznosima dubina rezanja proveden je niz analiza sa i bez adaptacije parametara strukture. U sluaju MDNM filtra adaptacija parametara neurona skrivena sloja provedena je na temelju iznosa parametara odreenih pri pet razliitih dubina rezanja 2; 2,5; 3; 3,5 i 4 mm. Za sve dubine u intervalu od 2 2,25 mm primijenjeni su iznosi parametara odreeni pri dubini od 2 mm; za dubine u intervalu od 2,25 2,75 mm iznosi odreeni pri dubini od 2,5 mm; za dubine u intervalu od 2,75 3,25 mm iznosi odreeni pri dubini od 3 mm; za dubine u intervalu od 3,25 3,75 mm iznosi odreeni pri dubini od 3,5 mm i, konano, za sve ostale dubine iznosi parametara odreeni pri dubini od 4 mm. Provedena su testiranja pokazala da zbog relativno malih odstupanja krivulja troenja za razliite dubine rezanja, adaptacija strukture MDNM filtra nije rezultirala njegovim boljim performansama. Naime, odstupanja odziva filtra od srednjih krivulja troenja vea su od razlika u dinamikama troenja izazvanih promjenom dubina rezanja. Stoga je radi pojednostavljenja upravljakog algoritma u provedenim analizama izostavljena adaptacija strukture MDNM filtra, odnosno ona je zasnovana na samo jednom skupu parametara odreenih pri srednjoj dubini od ap = 3 mm. Prethodno navedene granice i pristup adaptaciji parametara filtra iskoriten je u odreivanju parametara interpolacijskog modula (srednjih krivulja troenja), temeljem kojih je zatim interpoliran iznos parametra troenja u (i+1)-om koraku. U konanici, u sluaju RBFNM regulatora koriteni su parametri strukture generirani u fazi uenja koje je provedeno zasebno za pet prethodno navedenih iznosa dubina rezanja (2; 2,5; 3; 3,5 i 4 mm). Iznosi upravljake varijable za sve ostale vrijednosti dubina (izmeu 2 i 4 mm) odreivani su linearnom interpolacijom na temelju brzina rezanja dobivenih za donju i gornju najbliu vrijednost dubine za koju je provedeno uenje. Na kraju, treba istaknuti da su testovi s poveanom estimacijskom pogrekom ( 0,06 mm i 0,15 mm) pokazali oekivano vee oscilacije upravljake varijable, ali usprkos tome jo uvijek dobro praenje eljene krivulje troenja. Najvei nedostatak voenja prema postojanosti reznog alata u ovakvim sluajevima dolazi do izraaja
149
pribliavanjem referentnoj toki, gdje u konanici odstupanja mogu biti i znaajnija. S druge strane, ostvareni rezultati upuuju na zakljuak da je primjenom MDNM filtra mogue postii visoki stupanj robusnosti pri filtriranju estimiranih iznosa parametra troenja. Navedena karakteristika posebice dolazi do izraaja u situacijama sluajne pojave vee estimacijske pogreke koju je nuno kvalitetno priguiti.
5.6.2 Odzivi modela voenja s interpolacijskim modulom
Nakon testiranja modela voenja bez interpolacijskog modula provedena je i analiza odziva za sluaj proirenja ulaznih parametara RBFNM regulatora razlikom u iznosima parametra troenja iz sljedeeg (predvienog) i trenutnog (aktualnog) koraka regulacije. Usporedba rezultata dana je tablicom 5.4.
P 1 2 3 4 5 6 7
TEST 4672,39 6657,41
R 306,84 507,96
408,36 302,58 262,22 274,67 381,60 391,91 374,07 525,04
P 4656,00 6733,32
4367,43 2597,08
R
298,29 607,84
4363,25 2590,63
2551,37
2544,44
4165,12
4147,77
5598,62 4773,41 3434,93
8 9 10 11 12 13 14 15 16 17
7093,35
3493,74 5399,80 3684,43
281,13
440,35
444,35
334,41 1333,87 685,92
5006,16 3860,14
5640,69
5638,29
4582,39
1054,44
793,65
4579,58
802,47
150
Iz dobivenih se rezultata moe uoiti velika slinost u iznosima stupnja produktivnosti i faktora rasipanja brzina rezanja koja je oita i meu odzivima oba modela prikazanih slikama 5.33 i 5.34 za odabrane testove 11 i 15.
0,4 0.4
0.3 0,3 VB, mm VBid TEST 11
VB M1 VB M2
8 10 tt, min
12
14
16 17
300 vc, m/min 200 100 0 vc,id vc,M1 vc,M2 0 2 4 6 8 10 tt, min 12 14 16 17
Slika 5.33 Odzivi modela voenja sa (M1) i bez interpolacijskog modula (M2) za test 11
TEST 15
0,4 0.4
VB, mm
0,3 0.3
0.2 0,2 0.1 0,1 0 0
VBid VB M1 VB M2
10 tt, min
15
20
22
Slika 5.34 Odzivi modela voenja sa (M1) i bez interpolacijskog modula (M2) za test 15
151
Ukoliko se uzme u obzir prvih 13 testova, proizlazi da je model bez interpolacijskog modula ostvario neto bolje rezultate. S druge strane, posljednja etiri testa vezana uz poveani um uzrokovan estimacijskom pogrekom ukazuju na obrnuti trend. Openito se moe izvesti zakljuak da je utjecaj dodatnog ulaznog parametra regulatora zanemariv na ukupnu kvalitetu rezultata. Primjena proirenog modela voenja imala bi eventualno smisla samo u sluaju pojave veih estimacijskih pogreki. U tim se situacijama u pravilu zamjeuje mali, ali pozitivan utjecaj na smanjenje oscilacija upravljake varijable, kojeg istovremeno prati i porast stupnja produktivnosti. Meutim, imajui u vidu prethodno navedene razloge, odstupanja estimiranih od stvarnih vrijednosti parametra troenja trebala bi biti svedena na to je mogue manju mjeru. Uz prikazane, raene su i analize s parametrom razlike ei izmeu predvienog iznosa parametra troenja u (i+2)-om i viim koracima i onoga u i-tom aktualnom koraku simulacije (regulacije). Pritom su postignuti jo loiji rezultati. Stoga se temeljem provedenih analiza na kraju predlae prvobitno postavljen pristup voenju bez interpolacijskog modula. Poboljanja njegovih performansi pokuat e se primarno ostvariti dodatnim modifikacijama strukture filtra estimiranih vrijednosti parametra troenja.
152
ZAKLJUAK
6. ZAKLJUAK
Ovim je radom obuhvaena problematika razvoja sustava za nadzor troenja reznih alata, kao i modela voenja alatnog stroja u cilju odranja njihove postojanosti. Osnovnu je motivaciju predstavljala potreba razvoja novih metoda za kontinuiranu estimaciju parametara troenja reznih alata. Ovaj oblik nadzora procesa troenja spada meu najkompleksnije, a industrijski primjenjiva rjeenja u pravoj se mjeri jo uvijek oekuju. U tom je smislu u prvom dijelu rada razmatran model hibridnog estimatora troenja. Pritom valja istaknuti da ga njegove karakteristike, odnosno princip funkcioniranja, izdvajaju iz skupine, u literaturi najee razmatranih hibridnih modela. Nekoliko injenica govori tome u prilog.
Predloenim je konceptom primijenjena neizrazita logika bez pravila ponaanja kojom se ne ograniava broj ulaznih parametara. Ona je zasnovana na zasebnoj analizi utjecaja svih znaajki na stupanj istroenosti, da bi se nakon toga u fazi inferencije na temelju meusobnog utjecaja znaajki odredilo aktualno podruje troenja. Pri tome se broj, poloaj i irina neizrazitih skupova odreuju na temelju karakteristika samog troenja, tj. koritenjem vrijednosti znaajki troenja izdvojenih iz snimljenih signala procesa.
Individualnom analizom znaajki u prvoj fazi estimacije (klasifikacija podruja troenja) dobilo se na transparentnosti strukture, odnosno ostvarena je mogunost dinamikog odabira znaajki s obzirom na ispunjenje kriterija odreenih parametrima strukture estimatora. U tom se smislu za svaku kombinaciju parametara obrade izdvajaju reprezentativne znaajke troenja i intervali njihovih vrijednosti koji e sudjelovati u estimaciji parametra troenja. Time je negativne utjecaje nastale zbog visokog stupnja lokalnog i/ili globalnog preklapanja iznosa znaajki s obzirom na podruje troenja mogue u dobroj mjeri priguiti.
153
ZAKLJUAK
Navedeni pristup podrazumijeva koritenje veeg broja i vrsti znaajki izdvojenih iz razliitih tipova signala, ime se u punoj mjeri nastoji iskoristiti sve jai trend integracije senzora, obradnih sustava i raunalno/programske podrke. Pritom poveanje broja znaajki pozitivno utjee na porast stupnja robusnosti i preciznosti estimatora, za razliku od veine predloenih NTA sustava ija struktura time postaje iznimno kompleksna ili dolazi do problema njezine pretreniranosti.
Uz analitiku neizrazitu logiku u sklopu klasifikacijskog modula estimatora, uspjeno je inkorporirana i SVM metoda na temelju koje je izgraen modul za estimaciju. Time je osigurana optimalna procjena vrijednosti irine troenja stranje povrine alata s obzirom na inicijalno definiranu strukturu SVM algoritma.
Na kraju treba istaknuti i injenicu da je za konfiguraciju strukture estimatora potrebno adaptirati mali broj slobodnih parametara modela iji broj ne ovisi o broju znaajki troenja (ulaznih parametara). Jednom konfigurirana, struktura se moe naknadno mijenjati u cijelosti ili samo u onom dijelu koji ne zadovoljava kvalitetom odziva. Pri tome njezina eventualna parcijalna rekonfiguracija nema utjecaja na dio sustava kojim je kvalitetno percipirana dinamika troenja. Prethodno iznijete karakteristike predloenog hibridnog estimatora, gledano u
cjelini, predstavljaju glavni znanstveni doprinos ovoga rada vezan uz razvoj novih pristupa i modela nadzora troenja reznih alata. Dobiveni rezultati ukazuju na injenicu da je njime mogue ostvariti potreban stupanj preciznosti u procjeni iznosa parametra troenja, ime je osiguran i nuan uvjet adaptivnom voenju alatnog stroja s obzirom na odranje postojanosti otrice reznog alata. Imajui u vidu da navedeni oblik voenja alatnih strojeva jo uvijek nije u potrebnoj mjeri analiziran, kao i injenicu da predstavlja nezaobilazni dio budue cjelokupne strategije voenja alatnih strojeva, njegov je razvoj predstavljao dodatni motiv provedenog istraivanja. Adaptivno voenje alatnih strojeva prema postojanosti otrice reznog alata ima za cilj realizaciju niza novih karakteristika alatnih strojeva vezanih, uz poveanje sigurnosti i produktivnosti obradnog postupka te kvalitete obraene povrine. U okviru ovoga rada ispitana su dva modela voenja kojima je cilj predstavljalo
154
ZAKLJUAK
postizanje eljenog stupnja istroenosti u prethodno definiranom vremenu obrade, uz osiguranje visokog stupnja produktivnosti. Modeli su ispitani u simulacijskim analizama, pri emu je umjesto NTA sustava u estimaciji parametra troenja primijenjen matematiki model troenja postavljen na temelju eksperimentalno odreenih parametara. Koriteni je model troenja radi poveanja vjerodostojnosti dodatno proiren s nekoliko vrsta poremeaja obradnog procesa i sluajno generiranom pogrekom estimatora. Razmatrani je algoritam voenja zasnovan na primjeni umjetnih neuronskih mrea. Njihov je odabir logian, imajui u vidu sve prednosti neuronskih mrea u modeliranju izrazito nelinearnih i dijelom stohastikih procesa u koje spada i troenja alata. U tom je smislu generiranje upravljake veliine rijeeno primjenom statike unaprijedne RBF mree koja se odlikuje karakteristikama univerzalnog aproksimatora. U cilju priguivanja utjecaja estimacijskih pogreki na odziv regulatora, u krug je dodatno ugraen i filtar realiziran primjenom modificirane varijante dinamike DNM mree. Provedena su iscrpna testiranja modela voenja za razliite kombinacije parametara regulatora i filtra, koja su u konanici rezultirala prihvatljivim odzivima. Na temelju postignutih rezultata odabran je konani model voenja koji predstavlja temelj predloenog pravca u razvoju adaptivnih algoritama voenja alatnih strojeva prema postojanosti otrice reznog alata. Rezimirajui navedeno, moe se zakljuiti da su odreivanje kriterija i realizacija modela voenja, kao i modifikacija povratne DNM mree i njezina uspjena implementacija u svrhu filtriranja estimiranih vrijednosti parametra troenja dodatni znanstveni doprinosi rada usmjereni prema razvoju inteligentnih alatnih strojeva. Nastavak istraivanja na ovome podruju i dalje e biti usmjeren u dva pravca. Predloeni e se estimator troenja analizirati primjenom dodatnih vrsta signala, kao i veeg broja znaajki troenja. U tom e se sluaju testiranja provesti na temelju veeg broja podruja troenja, to e vjerojatno doprinijeti i veoj preciznosti estimacijskog modula. Uz to, primjenom novih vrsta senzora ispitati e se i mogunost procjene parametra kvalitete obraene povrine. U tom e se smislu proiriti i model voenja uvoenjem kvalitete povrine kao dodatnog i vrlo bitnog kriterija obradnog postupka. Osim navedenog proirenja postojee strukture predloenog modela voenja, dodatne e se modifikacije uvesti u smislu poboljanja performansi filtra estimiranih vrijednosti parametra troenja. Time e se nastojati smanjiti oscilacije brzina rezanja u podruju
155
ZAKLJUAK
intenzivnog troenja gdje je osjetljivost regulatora na promjene iznosa parametra troenja najvea, a omoguiti e se i kvalitetnije priguivanje veih estimacijskih pogreki. Od interesa bi takoer bilo i analizirati ponaanje sustava kada vrijeme uzorkovanja nije konstantno ve se mijenja od manjih vrijednosti kod veih promjena parametra troenja do veih vrijednosti kod manjih promjena parametra. U konanici, obje e se vrste sustava meusobno povezati i integrirati u sklopu eksperimentalnog razvojnog laboratorijskog modela inteligentnog alatnog stroja primjenom kojeg e u realnim uvjetima biti provedene potrebne analize.
156
PRILOG
REGRESIJSKA METODA VEKTORSKI
PODRANOG UENJA
Suvremene metode uenja (umjetne inteligencije) svoju su primarnu funkciju pronale u rjeavanju problema raspoznavanja uzoraka i modeliranja neodreenih ili dijelom odreenih sustava i procesa visoke nelinearnosti i kompleksnosti. Pritom je uglavnom nepoznata distribucija vjerojatnosti elemenata, najee visoko dimenzioniranih ulaznih vektora s obzirom na eljene izlaze, a u fazi uenja dostupan je samo manji skup uzoraka temeljem kojih se formira struktura modela (sparse data). Stoga je razvoj novih metoda poboljanih generalizacijskih svojstava i dalje vrlo intenzivan. U tom su se smislu u zadnjih nekoliko godina znaajno intenzivirali napori u razvoju i primjeni nove vrste algoritama uenja, koji bi u dobroj mjeri trebali predstavljati kvalitetna rjeenja navedenih problema. Oni su zasnovani na postavkama preuzetim iz statistike teorije uenja (Statistic Learning Theory, SLT), koje su koritene u razvoju novog pristupa uenju minimiziranjem strukturnog rizika (Structural Risk Minimization, SRM) [110], [111]. Algoritamske realizacije navedenog principa objedinjene su pod metodom vektorski podranog uenja (Support Vector Machines, SVM). Metoda je nazvana prema parametrima uenja odreenima podskupom iz skupa uzoraka za uenje, a koji su zbog svog specifinog utjecaja okarakterizirani terminom vektora podrke (Support
Vectors, SV). Njezina prvobitna namjena i razvoj bili su okrenuti rjeavanju problema
prepoznavanja uzoraka [112], [113], da bi se zatim algoritmi proirili i na probleme estimacije vievarijabilnih funkcija [114], [115]. Imajui u vidu irinu razmatrane materije i injenicu da je u ovom radu SVM metoda koritena u problemima interpolacije/aproksimacije vektora znaajki troenja, u ovome je prilogu detaljnije izloen samo regresijski oblik metode vektorski podranog uenja. Vie informacija vezanih uz teoretske spoznaje, izvode i ostale oblike algoritama koji ovdje nisu razmatrani moe se nai u prethodno citiranim referencama.
157
(1)
gdje je c(x) funkcija gubitaka kojom je opisana razlika izmeu dobivenih i eljenih odziva modela, a dP(x,y) mjera vjerojatnosti. Kako vjerojatnost p(x,y) nije poznata, prethodni se izraz prema [110] moe transformirati u
158
R = + Remp ,
(2)
pri emu je Remp empirijski rizik uenja, a je funkcija kojom je definiran tzv. VC interval povjerenja (VapnikChervonenkis confidence interval). Imajui u vidu da je empirijski rizik odreen, tj. kvantificiran u fazi uenja, gornja se granica stvarnog ili oekivanog rizika uenja ograniava iznosom VC intervala povjerenja. Time je, za razliku od ostalih metoda uenja koje formiraju strukturu modela iskljuivo minimiziranjem empirijskog rizika, primjenom SRM pristupa postojei koncept proiren i nadograen globalnom minimalizacijom pogreke.
(3)
primjer je odabrana funkcija preslikavanja ndimenzijskog ulaznog vektora na jednodimenzionalni izlazni prostor ( R n R 1 ). Pri tome uvedeno dimenzijsko ogranienje funkcije ne utjee na vjerodostojnost u nastavku iznijetog algoritma. Minimiziranje VC intervala povjerenja ostvaruje se minimiziranjem L2 norme vektora parametara w. Dokaz navedene tvrdnje, detaljnije iznesen u [110], izvorno je izveden za klasifikacijski SVM algoritam [113], a kasnije je u istom obliku primijenjen i kod regresijske varijante algoritma. Minimalizacijom w uravnoteuje se kapacitet modela s obzirom na kompleksnost uzoraka za uenje, ime se ostvaruju pozitivna
generalizacijska svojstva, dok se fiksiranjem empirijskog rizika na nekoj prihvatljivoj razini osiguravaju dobri odzivi u fazi uenja. Oekivani se rizik za sluaj regresijskog algoritma moe sada zapisati u formi
R= 1 w 2
2 l
+C
e ( xi ,yi ,f (w , xi ) ) ,
i =1
(4)
gdje je C empirijski odreena konstanta. Prvi je lan u izrazu dijelom modificiran zbog pojednostavljenja daljnjeg rauna. Uvedena promjena pritom ne naruava prethodno
159
1 w 2
Funkcija empirijskog rizika zasnovana je u ovom sluaju na Vapnikovoj linearnoj funkciji gubitaka (pogreke) sa zonom neosjetljivosti (slika P1.)
e ( x i ,y i ,f (w , x i ) ) = max 0, y i w T x i b .
(5)
-podruje
f(w, x)
f (w , x )
i*
y f (w , x )
Slika P1. Funkcija gubitaka sa zonom neosjetljivosti, podruje (tube) Ukoliko je razlika izmeu stvarne i aproksimirane izlazne vrijednosti manja od , ostvarena se pogreka moe tolerirati i zanemariti. U suprotnom, ukoliko se aproksimirana vrijednost nalazi izvan podruja, pogreka e biti jednaka odstupanju razlike izmeu eljenog i dobivenog od radijusa podruja
( y w x b) = , (w x + b y ) = ,
i T i i T i i * i
(6)
gdje oznaava iznos odstupanja uzoraka lociranih iznad podruja od njegove gornje granice, a * odstupanja uzoraka ispod podruja od njegove donje granice. Empirijska pogreka odreena je time odabranom funkcijom gubitaka uz koju se jo koriste i kvadratina, Huberova, Laplaceova funkcija i dr. Uzevi u obzir izraze (4), (5) i (6) funkcija oekivanog rizika poprima konaan oblik
R= 1 w 2
2
+C
(i + i* ) .
i =1
(7)
160
Odreivanje strukture SVM regresijskog modela zasniva se na minimalizaciji prethodnog izraza uz sljedea ogranienja
y i w T x i b + i , w T x i + b y i + i* ,
(8)
i 0,
i*
0, i = 1,...,l.
Iz navedenog proizlazi da je ovdje rije o kvadratinom optimizacijskom problemu s ogranienjima koji se rjeava primjenom Lagrangeovog funkcionala. On je odreen razlikom izmeu primarne funkcije cilja koju je potrebno minimalizirati i sume umnoaka izmeu svih ogranienja i njima pripadajuih (Lagrangeovih) multiplikatora (9). Pritom problem moe biti rijeen u primarnom prostoru minimiziranjem Lagrangiana s obzirom na parametre w ,b,i i i* ili u dualnom prostoru maksimiziranjem dualnog Lagrangiana
s obzirom na Lagrangeove multiplikatore i , i* ,i i i* . Oba su rjeenja locirana u istoj, optimalnoj toki (toki sedla). Dualna je forma (23), zbog jednostavnijeg zapisa, tj. injenice da ovisi samo o skalarnom produktu elemenata ulaznog vektora, prihvatljiviji oblik Lagrangeova funkcionala. Ova karakteristika dobiva na znaenju poglavito u modeliranju SVM algoritma nelinearne regresije. Rjeavanje razmatranog optimizacijskog problema s ogranienjima zapoinje formiranjem Lagrangiana primarnih varijabli
LP = 1 w 2
l 2
+C
(
i =1
i + i* i + i y i + w T x i + b
i =1 l
i* ( + i* + y i w T x i b ) (i i + i* i* ) .
i =1 i =1
(9)
Traenje njegova minimuma zasniva se na primjeni KarushKuhnTuckerovih (KKT) uvjeta za optimizaciju s ogranienjima. Za postavljeni funkcional i ogranienja iz (8), KKT uvjeti predstavljaju nune i dovoljne uvjete optimalnosti. Openito se moe ustvrditi da e skup varijabli (1, 2, , N) predstavljati optimalno rjeenje funkcije f uz ogranienja g ( n ) 0 ako postoji M brojeva u1, u2, , uM (Lagrangeovi multiplikatori) takvih da su zadovoljeni sljedei KKT uvjeti:
X Y
n f +
uk gk ( n ) = 0 ,
k =1
n
n = 1,...,N ,
uk ( g k ) = 0 ,
161
p
funkciju
uk 0 .
1 f = w 2
+C
(i + i* ) ,
i =1
(10)
uz ogranienja
g1 = y i w T x i b i 0, g2 = w T x i + b y i i* 0, g3 = i 0, g4 = i* 0.
* * Iz KKT uvjeta i uz u = i , i ,i ,i , i = 1,...,l slijedi:
(11)
w f + w+ w=
uk w g k = 0 ,
k =1
i ( x i ) + i* x i = 0 ,
(
i
4
i i*
)x ,
i
( w Lp = 0 ) .
(12)
bf +
uk b g k = 0 ,
k =1
i + i* = 0 ,
(
i
i i*
4
) = 0,
i
( bLp = 0 ) .
(13)
i f +
uk g k = 0 ,
k =1
1 + i + i = 0 ,
i i i
C = i + i , * f +
i
( Lp = 0 ) .
i
(14)
uk g k = 0 ,
k =1
* i
C C
1 + i* + i* = 0 ,
i i i
= i*
+ i* ,
L i* p
=0 .
(15)
162
( (y
* i
i w T x i + b y i + i + = 0 ,
i
w T x i b + i*
) +)=0,
i i = 0, (C i ) i = 0 , i* i* = 0, C i* i* = 0 .
i 0, i* 0, i 0, i* 0.
(20)
+C
i + C i* i i i + i y i
i =1 i =1 i =1 i =1 i =1 l l l l
i w T x i i b i* i* i* i* y i + i* w T x i + i* b i i i* i* ,
i =1 i =1 i =1 i =1 2 i =1 l i =1 l i =1 l i =1 l i =1
(21)
(
i =1
i i* w T x i ( y i ) i ( + y i ) i* +
i =1 i =1 l l l
i + C i* ( i + i ) i ( i* + i* ) i*
i =1 l i =1 i =1 i =1
(22)
( i i* ) .
i =1
Supstitucijom KKT uvjeta (12) (15) u prethodni izraz Lagrangiana primarnih varijabli i konanim sreivanjem tako formiranog izraza dobiva se dualni Lagrangian u formi
LD = 1 l i i* 2 i , j =1
)(
*j x i T x j
( y i ) i ( + y i ) i*
i =1 i =1
(23)
Izrazi (12) (15) karakteristini su za toku optimuma u kojoj parcijalne derivacije primarnog Lagrangiana, s obzirom na njemu pripadajue varijable, iezavaju. Odreivanje navedene toke preko dualnog Lagrangiana podrazumijeva njegovu maksimalizaciju s obzirom na multiplikatore (, * ), imajui u vidu na njih postavljeno ogranienje iz (13) i ogranienja , * [0,C ] koja proizlaze iz (14), (15) i (20). Izraz (23) moe se zapisati i u matrinoj formi standardnog kvadratnog optimizacijskog
163
problema minimiziranja funkcije cilja s ogranienjima, prilikom ega, u ovom sluaju zbog minimiziranja, dolazi do promijene predznaka
LD = 1 T H + f T , 2
(24)
H
gdje
je
* * * = 1 , 2 ,..., l ,1 , 2 ,..., l ,
je
Hessian
matrica se
formi prema
H= G G ; G G ,
elementi
Grammian
matrice
odreuju
Prema tome, iti uzorak za uenje sa svojstvom i 0 ili i* 0 predstavlja vektor podrke. Samo vektori podrke sudjeluju u formiranju regresijske hiperravnine, dok utjecaj ostalih elemenata unutar podruja ostaje priguen. Umnoak multiplikatora svakog itog uzorka za uenje uvijek e biti jednak nuli, jer niti jedan uzorak ne moe istovremeno biti s obje strane podruja neosjetljivosti. Po odreivanju Lagrangeovih multiplikatora nekom od metoda kvadratnog programiranja, iz izraza (16) i (17) odreuju se varijable w vektor parametara (teina) i b pomak. Vektor parametara regresijske hiperravnine odreen je izrazom (12)
w=
( i i* ) x i ,
i =1
(25)
(26)
izraunate na temelju sume iznosa pomaka (bg) svih Nsvg slobodnih vektora podrke na gornjoj granici podruja i sume pomaka (bd) Nsvd slobodnih vektora na njezinoj
164
yi wT xi
i =1
(27)
bd =
yi wT xi +
i =1
(28)
Konano, optimalna regresijska hiperravnina, s obzirom na prethodno definirane parametre strukture, odreena je izrazom
f ( x ,w ) = w T x i + b =
i x +b. ( i i* ) xT i =1 l
(29)
Realizacija SRM principa uenja u prethodno iznijetom algoritmu moe se iitati iz izraza (25) koji predstavlja optimalni vektor parametara (teina). On je dobiven na temelju redukcije (odabira) elemenata iz skupa vektora podrke u postupku rjeavanja kvadratnog optimizacijskog problema. Time je, uz parametar pomaka b, odreena hipoteza koja za danu strukturu algoritma predstavlja optimalno rjeenje. Od niza parametara odreenih navedenim izrazima, dva se parametra i C definiraju
empirijskim putem. Porastom parametra smanjuje se preciznost aproksimacije. Smanjuje se i broj vektora podrke, odnosno VC interval povjerenja, ime se utjee i na redukciju kapaciteta modela. U sluaju aproksimacije uzoraka s visokim udjelom uma bolje je ii na vee iznose parametra, jer e se smanjenjem kapaciteta modela (irenjem podruja) postii bolja generalizacijska svojstva. U suprotnom se zadovoljavajua generalizacijska svojstva uz visoku tonost modela postiu manjim iznosima -na. Parametar "kanjavanja pogreke" C predstavlja takoer ravnoteu izmeu aproksimacijske pogreke i generalizacijskih performansi modela. Njegovim porastom utjee se na smanjenje odstupanja i *, ime se reducira i aproksimacijska pogreka. Istovremeno, meutim, raste ||w||, to uzrokuje porast VC intervala povjerenja, odnosno porast kapaciteta. Iskustvo pokazuje da u sluaju uzoraka s manjim utjecajem uma, parametar C moe poprimiti neku proizvoljno veliku vrijednost, a poetno podeavanje strukture SVM regresijskog modela provodi se modifikacijom parametra (i parametara kernel funkcija koritenih kod nelinearne regresije).
165
x Rn
transformira u vektor
(x) Rm
definiran u m
opisati linearnom regresijskom hiperravninom. Rjeenje optimizacijskog problema u tom novom prostoru (feature space)
f ( x ,w ) = w T ( x ) + b ,
(30)
predstavlja nelinearnu regresijsku funkciju u originalnom ulaznom prostoru (input space) opisanom vektorom x. Iz prethodno iznijetog pristupa mogu se izdvojiti dva potencijalna problema. Prvi je vezan uz odreivanje parametara prostora koji bi trebali osigurati primjenu SVM algoritma linearne regresije, a drugi uz problem predimenzioniranja vektora (curse of
dimensionality). to se tie prvog problema, pokazuje se da je uvijek mogue izdvojiti
niz funkcija (x) pomou kojih se originalni ulazni prostor dade transformirati u neki novi prostor iji se elementi mogu opisati linearnom regresijskom funkcijom. Pri tome je navedena transformacija uvjetovana odabirom pozitivno definitnih kernel funkcija koje se koriste u rjeavanju problema dimenzijske kompleksnosti vektora. Drugi problem, vezan uz porast dimenzije prostora, esto je vrlo izraen. Da bi se, primjerice, formirao polinom ptog reda u ndimenzijskom ulaznom prostoru, potrebno je odrediti
n + p 1 elemenata u prostoru. Oito da porastom dimenzije ulaznog vektora x p
znaajno raste i dimenzija vektora (x), pri emu izraun skalarnog produkta
166
vektor (x) sudjeluje u rjeavanju kvadratnog optimizacijskog problema i u izraunu regresijske funkcije u formi T ( x ) ( x ) , navedeni se problem moe rijeiti zamjenom skalarnog produkta vektora (x) kernel funkcijom
K x i , x j = T ( x i ) x j .
( )
(31)
Kernel funkcija definirana je u ulaznom prostoru, pri emu u potpunosti izostaje potreba za poznavanjem vektora transformacije (x). Primjerice, za x = [ x1 x2 ] i uz odabir
T
2 (x) = x1 2 2 x1 x2 x2 skalarnim se produktom dobiva T
2 T ( x i ) x j = xi1
( )
2 2 xi1 xi 2 xi22 x j1
2 2 2 2 2 x j1 x j 2 x 2 j 2 = xi1 x j1 2 xi1 xi 2 x j1 x j 2 xi 2 x j 2 =
= xT i xj
= K xi , x j .
Zamjenom iznosa skalarnog produkta elemenata vektora (x) iznosima odabrane kernel funkcije koja ovisi samo o elementima ulaznog vektora x omoguena je konstrukcija SVM algoritma i za sluaj beskonano dimenzioniranog prostora. Pritom je odabir funkcije koja predstavlja skalarni produkt vektora u prostoru odreen tzv. Mercerovim uvjetima. Ukratko, ukoliko bilo koja simetrina (kernel) funkcija K(x,y) definirana u ulaznom prostoru ispunjava uvjet pozitivne definitnosti
K ( x,y ) g ( x ) g ( y ) dxdy 0,
g L2 R n ,
( )
(32)
pri emu je g(x) bilo koja funkcija s konanom L2 normom u ulaznom prostoru, tj.
g (x)
dx < ,
(33)
tada se ona moe primijeniti u izraunu skalarnog produkta vektora u prostoru. Detaljna teorijska analiza dana je u [110]. Niz je funkcija koje sa ili bez ikakvih ogranienja udovoljavaju navedenim uvjetima, a najee se koriste
polinomne funkcije
K ( xi , x ) = xT i x
,
d
(34) (35)
K ( xi , x ) = xT x + 1 , i
167
(36)
(37)
(38)
0,5
, itd.
(39)
Parametri kernel funkcija se uz parametre i C takoer odreuju empirijskim putem. Zamjenom skalarnog produkta elemenata vektora (x) odabranom kernel funkcijom dijelom se modificira i prethodno iznijeti algoritam optimiranja. Postupak uenja i dalje se zasniva na maksimiziranju dualnog Lagrangiana
LD = 1 T H + f T , 2
(40)
pri emu dolazi do promjene u izraunu elemenata Grammian matrice od koje je izgraena Hessian matrica H = G G ; G G . Elementi Grammian matrice sada predstavljaju iznose kernel funkcije
G = T ( x i ) x j = K x i , x j , i , j = 1,...,l .
( )
(41)
Po odreivanju Lagrangeovih multiplikatora potrebno je jo odrediti samo parametar pomaka b kako bi se u potpunosti definirao izraz za regresijsku funkciju
f ( x ,w ) = w T ( x ) + b = =
l
( i i* ) T ( x i ) ( x ) + b = ( i i* ) K ( x i , x ) + b ,
i =1 i =1 l
(42)
imajui u vidu da vektor parametara teina w iz (12), (25) u sluaju nelinearne regresije nije eksplicitno definiran. Pomak b je i u ovom sluaju najbolje raunati na temelju prosjene vrijednosti pomaka
168
b=
bg + bd , Nsv g + Nsv d
(43)
gdje se suma iznosa pomaka svih Nsvg slobodnih vektora podrke na gornjoj granici
l yi j *j K x i , x j i =1 j =1
l
) (
za 0 < i < C ,
(44)
l yi j *j K x i , x j i =1 j =1
) (
+ )
za 0 < i* < C .
(45)
Navedenim je izrazima u potpunosti odreen i SVM algoritam za nelinearnu regresiju koji je, uz odabir Gaussove RBF kernel funkcije, primijenjen u formiranju hibridnog estimatora troenja reznih alata (pog. 4.).
169
LITERATURA
LITERATURA
[1]
Y. S. Liang, L. R. Hecker & G. R. Landers, Machining Process Monitoring and Control: The State of the Art, Journal of Manufacturing Science and Engineering, 126, pp. 297-310, 2004. B. Sick, Fusion of Hard and Soft Computing Techniques in Indirect, Online Tool Wear Monitoring, IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews, 32(2), pp. 80-91, 2002. S. Rangwala & D. Dornfeld, Sensor Integration Using Neural Networks for Intelligent Tool Condition Monitoring, ASME Journal of Engineering for Industry, 112, pp. 219-228, 1990. J. Wang, W.S. Tang & C. Roze, Neural Network Applications in Intelligent Manufacturing: An updated Survey, Computational Intelligence in Manufacturing Handbook, pog. 2, CRC Press, Boca Raton, SAD, 2001. K. Jemielniak, Commercial Tool Condition Monitoring Systems, The International Journal Of Advanced Manufacturing Technology, 15, pp. 711-721, 1999. Y. Liu, T. Cheng & L. Zuo, Adaptive Control Constraint of Machining Processes, International Journal Of Advanced Manufacturing Technology, 17, pp. 720-726, 2001. Y. Liu & C. Wang, Neural Network based Adaptive Control and Optimisation in the Milling Process, International Journal Of Advanced Manufacturing Technology, 15, pp. 791-795, 1999. L-D. Yang, J.C. Chen, H-M. Chow & C-T. Lin, Fuzzy-nets-based in-process surface roughness adaptive control system in end-milling operations, International Journal Of Advanced Manufacturing Technology, 28, pp. 236-248, 2006. Y. Koren, Computer Control of Manufacturing Systems, McGraw-Hill, Singapore, 1986.
[2]
[3]
[4]
[5] [6]
[7]
[8]
[9]
[10] K. Danai, Machine Tool Monitoring and Control, Mechanical Systems Design Handbook, pog. 5., CRC Press, Boca Raton, SAD, 2002. [11] R.G. Landers, A.G. Ulsoy & R.J. Furness, Process Monitoring and Control of Machining Operations, Mechanical Systems Design Handbook, pog 6., CRC Press, Boca Raton, SAD, 2002. [12] M.G. Mehrabi, A.G. Ulsoy & Y. Koren, Manufacturing Systems and Their Design Principles, Mechanical Systems Design Handbook, pog. 1., CRC Press, Boca Raton, SAD, 2002. [13] C. S. Leem & D. A. Dornfeld, Design and implementation of sensor-based toolwear monitoring systems, Mechanical Systems and Signal Processing, 10,
170
LITERATURA
pp. 439-458, 1996. [14] G. O'Donnell, P. Young, K. Kelly & G. Byrne, Towards the improvement of tool condition monitoring systems in the manufacturing environment, Journal of Materials Processing Technology, 119, pp. 133-139, 2001. [15] T. Udiljak, Doprinos razvoju metoda za ispitivanje i praenje stupnja istroenosti otrice reznog alata, doktorski rad, Fakultet strojarstva i brodogradnje Sveuilita u Zagrebu, 1996. [16] D.E. Dimla Snr., Sensor signals for tool-wear monitoring in metal cutting operations a review of methods, International Journal of Machine Tools & Manufacture, 8, pp. 1073-1098, 2000. [17] P.W. Prickett & C. Johns, An overview of approaches to end milling tool monitoring, International Journal of Machine Tools & Manufacture, 1, pp.105-122, 1999. [18] C. XiaoQi, Z. Hao & D. Wildermuth, In-Process Tool Monitoring through Acoustic Emission Sensing, SIMTech Technical Report, http://www.simtech.a-star.edu.sg/ research/TechnicalReports/TR0370.pdf, 2001. [19] H.V. Ravindra, Y.G. Srinivasa & R. Krishnamurthy, Acoustic emission for tool condition monitoring in metal cutting, Wear, (1), pp. 78-84, 1997. [20] D.E. Dimla Snr. & P.M. Lister, On-line metal cutting tool condition monitoring I: force and vibration analyses, International Journal of Machine Tools & Manufacture, 40, pp. 739768, 2000. [21] L. Xiaoli, A brief review: acoustic emission method for tool wear monitoring during turning, International Journal of Machine Tools & Manufacture, (2), pp. 157-165, 2002. [22] S. Dolinsek & J. Kopac, Acoustic emission signals for tool wear identification, Wear 225229, pp. 295303, 1999. [23] A. Zawada-Tomkiewicz, Classifying the wear of turning tools with neural networks, Journal of Materials Processing Technology, 109, pp. 300-304, 2001. [24] C. Bradley & Y.S. Wong, Surface Texture Indicators of Tool Wear A Machine Vision Approach, The International Journal of Advanced Manufacturing Technology, 17, pp. 435-443, 2001. [25] D.E. Dimla, Snr., The Correlation of Vibration Signal Features to Cutting Tool Wear in a Metal Turning Operation, The International Journal of Advanced Manufacturing Technology, 19, pp. 705-713, 2002. [26] X.Q. Li, Y.S. Wong & A.Y.C. Nee, Intelligent tool wear identification based on optical scattering image and hybrid artificial intelligence techniques, Proceedings of the Institution of Mechanical Engineers Part B, 213, pp. 191-196, 1999. [27] S.H. Yeo, L.P. Khoo & S.S. Neo, Tool condition monitoring using reflectance of chip surface and neural network, Journal of Intelligent Manufacturing, 11, pp. 507514, 2000. [28] H. Saglam & H. Kacar, Cutting Tool Condition Monitoring Using Surface Texture via Neural Network, Mathematical & Computational Applications, 8(2), pp. 235243, 2003.
171
LITERATURA
[29] N.H. Abu-Zahra & G. Yu, Gradual wear monitoring of turning inserts using wavelet analysis of ultrasound waves, International Journal of Machine Tools & Manufacture, 43, pp. 337343, 2003. [30] P.C. Tseng & A. Chou, The intelligent on-line monitoring of end milling, International Journal of Machine Tools & Manufacture, 42, pp. 8997, 2002. [31] G.C. Smith & S.S. Lee, A method for detecting tool wear on a CNC lathe using a doppler radar detector, The International Journal of Advanced Manufacturing Technology, 25, pp. 270-280, 2005. [32] E. Jantunen, A summary of methods applied to tool condition monitoring in drilling, International Journal of Machine Tools & Manufacture, 42, pp. 997-1010, 2002. [33] R. Polikar, The Engineers Ultimate Guide to Wavelet Analyzes: The Wavelet Tutorial, http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html, 2001. [34] M. Misiti, Y. Misiti, G. Oppenheim & J.-M. Poggi, Wavelet Toolbox User's Guide, http://www.mathworks.com/access/helpdesk/help/pdf_doc/wavelet/wavelet_ug.pdf 2005. [35] B.Y. Lee & Y.S. Tarng, Application of the Discrete Wavelet Transform to the Monitoring of Tool Failure in End Milling Using the Spindle Motor Current, The International Journal of Advanced Manufacturing Technology, 15, pp. 238-243, 1999. [36] Y. Choi, R. Narayanaswami & A. Chandra, Tool wear monitoring in ramp cuts in end milling using the wavelet transform, The International Journal of Advanced Manufacturing Technology, 23, pp. 419-428, 2004. [37] K. Goebel & W. Yan, Feature Selection for Tool Wear Diagnosis Using Soft Computing Techniques, ASME International Mechanical Engineering Congress and Exhibition, Orlando, Florida, USA, November 5-10., 2000. [38] S. Varma & J.S. Baras, Tool Wear Estimation from Acoustic Emissions: A Model Incorporating Wear Rate, Technical research report, Center for Auditory and Acoustic Research, Institute for Systems Research, University of Maryland at College Park, Maryland, USA, 1997. [39] A. Al-Habaibeh & N. Gindy, Self-Learning Algorithm for Automated Design of Condition Monitoring Systems for Milling Operations, The International Journal of Advanced Manufacturing Technology, 18, pp. 448-459, 2001. [40] E.D. Dimla Jr., P.M. Lister & N.J. Leighton, Neural Network Solutions to the Tool Condition Monitoring Problem in Metal Cutting a critical Review of Methods, International Journal of Machine Tools & Manufacture, 9, pp. 1219-1241, 1997. [41] B. Sick, On-line and indirect tool wear monitoring in turning with artificial neural networks: A review of more than a decade of research, Mechanical Systems and Signal Processing, 16(4), pp. 487-546, 2002. [42] A. Ghasempoor, J. Jeswiet & T.N. Moore, Real time implementation of on-line tool condition monitoring in turning, International Journal of Machine Tools & Manufacture, 39, pp. 18831902, 1999. [43] A.J. Freeman & M.D. Skapura, Neural Networks - Algorithms, Applications and Programming Techniques, Addison-Wesley Publishing Co., 1990.
172
LITERATURA
[45] R.M. Hristev, The ANN Book, http://neuron.tuke.sk/math.chtf.stuba.sk/pub /vlado/ NN_books_texts/Hritsev_The_ANN_Book.pdf, 1998. [46] P-T. Huang & J.C. Chen, Neural Network-Based Tool Breakage Monitoring System for End Milling Operations, Journal of Industrial Technology, 16(2), pp. 18, 2000. [47] S.L. Chen & Y.W. Jen, Data fusion neural network for tool condition monitoring in CNC milling machining, International Journal of Machine Tools & Manufacture, 40, pp. 381400, 2000. [48] S.L. Chen & T.H. Chang, Using a data fusion neural network in the tool wear monitoring of a computer numerical control turning machine, Proceedings of the Institution of Mechanical Engineers Part B, 215, pp. 1241-1255, 2001. [49] J.C. Chen & J.C. Chen, An artificial-neural-networks-based in-process tool wear prediction system in milling operations, The International Journal of Advanced Manufacturing Technology, 21, pp. 339-347, 2004. [50] H. Tandon & A. El-Mounayri, Novel Artificial Neural Networks Force Model for End Milling, The International Journal of Advanced Manufacturing Technology, 10, pp. 693-700, 2001. [51] K. Choudhury, V.K. Jain & C.V.V. Rama Rao, On-line Monitoring of Tool Wear in Turning Using a Neural Network, International Journal of Machine Tools & Manufacture, 3, pp. 489-504, 1999. [52] I. Abu-Mahfouz, Drilling wear detection and classification using vibration signals and artificial neural network, International Journal of Machine Tools & Manufacture, 43 pp. 707720, 2003. [53] K. Jemielniak, L. Kwiatkowski & P. Wrzosek, Diagnosis of tool wear based on cutting forces and acoustic emission measures as inputs to a neural network, Journal of Intelligent Manufacturing, 9, pp. 447-455, 1998. [54] E.D. Dimla Snr. & P.M. Lister, On-line metal cutting tool condition monitoring II: tool-state classification using multi-layer perceptron neural networks, International Journal of Machine Tools & Manufacture, 40, pp. 769781, 2000. [55] P.P. Srinivasa, T.N. Nagabhushana & P.K. Ramakrishna Rao, Flank Wear Estimation in Face Milling Based on Radial Basis Function Neural Networks, The International Journal of Advanced Manufacturing Technology, 20, pp. 241247, 2002. [56] R.J. Kuo & P.H. Cohen, Multi-sensor integration for on-line tool wear estimation through radial basis function and fuzzy neural network, Neural Networks, 12, pp. 355-370, 1999. [57] D. Brezak, T. Udiljak, K. Mihoci, D. Majetic, B. Novakovic & J. Kasac, Tool Wear Monitoring Using Radial Basis Function Neural Network, Proceedings of International Joint Conference on Neural Networks - IJCNN 2004, Budapest, Hungary, pp. 1859-1863, 2004. [58] D. Brezak, T. Udiljak, K. Mihoci, D. Majetic, B. Novakovic & J. Kasac, Using Control System Signals for Tool Wear Monitoring in Metal Cutting Process,
173
LITERATURA
Proceedings of the 14th International DAAAM Symposium, Sarajevo, B&H, 2003. [59] S. Elanayar & Y.C. Shin, Radial basis function neural network for approximation and estimation of nonlinear stochastic dynamic systems, Neural Networks 5, pp. 594603, 1994. [60] S. Elanayar & Y.C. Shin, Robust tool wear estimation with radial basis function neural networks, Journal of Dynamic Systems, Measurement, and Control, Transactions of the ASME, 117, pp.459467, 1995. [61] C. Scheffer, P.S. Heyns & F. Klocke, Development of a tool wear-monitoring system for hard turning, International Journal of Machine Tools & Manufacture, 43, pp. 973985, 2003. [62] R.J. Kuo & P.H. Cohen, Intelligent tool wear estimation system through artificial neural networks and fuzzy modeling, Artificial Intelligence in Engineering, 12, pp. 229-242, 1998. [63] R.G. Silva, R.L. Reuben, K.J. Baker & S.J. Wilcox, Tool wear monitoring of turning operations by neural network and expert system classification of a feature set generated from multiple sensors, Mechanical Systems and Signal Processing, 12(2), pp. 208-221, 1998. [64] R.G. Silva, S.J. Wilcox & R.L. Reuben, Development of a System for Monitoring Tool Wear Using Artificial Intelligence Techniques, Proceedings of 2001 ASME International Mechanical Engineering Congress and Exposition, DSC- 24507, 2001. [65] G.S. Hong, M. Rahman & Y.S. Wong, Tool Condition Monitoring in Manufacturing Systems Using Neural Networks, Computer Aided Design, Engineering and Manufacturing (Vol. VII): Artificial Intelligence and Robotics in Manufacturing, pog. 4, CRC Press, Boca Raton, SAD, 2001. [66] S.V. Kamarthi, S.R.T. Kumara & P.H. Cohen, Flank Wear Estimation in Turning Through Wavelet Representation of Acoustic Emission Signals, Journal of Manufacturing Science and Engineering, 122, pp. 12-19, 2000. [67] K. Venkatesh, M. Zhou & R.J. Caudill, Design of artificial neural networks for tool wear monitoring, Journal of Intelligent Manufacturing, 8, pp. 215-226, 1997. [68] C. Scheffer & P.S. Heyns, An industrial tool wear monitoring system for interrupted turning, Mechanical Systems and Signal Processing, 18, pp. 1219 1242, 2004. [69] B. Sick, On-line tool wear classification in turning with time-delay neural networks and process-specific pre-processing, International Joint Conference on Neural Networks IJCNN 1998, Anchorage, Alaska, pp. 84-89, 1998. [70] X. Li, S.K. Tso & J. Wang, Real-Time Tool Condition Monitoring Using Wavelet Transforms and Fuzzy Techniques, IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews, 30(3), pp. 352-357, 2000. [71] V. Susanto & J.C. Chen, Fuzzy Logic Based In-Process Tool-Wear Monitoring System in Face Milling Operations, The International Journal of Advanced Manufacturing Technology, 3, pp. 186-192, 2003. [72] X. Li, H.-X. Li, X.-P. Guan & R. Du, Fuzzy Estimation of Feed-Cutting Force From Current Measurement A Case Study on Intelligent Tool Wear Condition
174
LITERATURA
Monitoring, IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews, 34(4), pp. 506-512, 2004.
[73] M. Balazinski & K. Jemielniak, Tool Conditions Monitoring Using Fuzzy Decision Support System, Proceedings of the V International Conference on Monitoring and Automatic Supervision in Manufacturing, Miedzeszyn, Poland, pp. 115-122, 1998. [74] R. Du & Y. Xu, Monitoring and Diagnosing Manufacturing Processes Using Fuzzy Set Theory, Computational Intelligence in Manufacturing Handbook, pog. 14, 2001. [75] R. Fullr, Neural Fuzzy Systems, Abo Akademi University, 1995. [76] H. Li, C.L.P. Chen & H.P. Huang, Fuzzy Neural Intelligent Systems, CRC Press, Boca Raton, SAD, 2001. [77] X. Li, S. Dong & P.K. Venuvinod, Hybrid Learning for Tool Wear Monitoring, The International Journal of Advanced Manufacturing Technology, 16, pp. 303-307, 2000. [78] X. Li, Fuzzy Neural Network and Wavelet for Tool Condition Monitoring, Computational Intelligence in Manufacturing Handbook, pog. 15, CRC Press, Boca Raton, SAD, 2001. [79] Y. Yao, X. Li & Z. Yuan, Tool wear detection with fuzzy classification and wavelet fuzzy neural network, International Journal of Machine Tools & Manufacture, 39, pp. 15251538, 1999. [80] S. Li & M.A. Elbestawi, Tool Condition Monitoring in Machining by Fuzzy Neural Networks, Journal of Dynamic Systems, Measurement and Control, 118, pp. 665672, 1996. [81] C. Chungchoo & D. Saini, On-line tool wear estimation in CNC turning operations using fuzzy neural network model, International Journal of Machine Tools & Manufacture, 42, pp. 2940, 2002. [82] U. Zuperl & F. Cus, Tool Wear Prediction Adaptive Neuro-Fuzzy System, Proceedings of the 15th International DAAAM Symposium, Vienna, Austria, pp.507-508, 2004. [83] R. Kothamasu, S.H. Huang & I. Marinescu, Intelligent Tool Wear Estimation for Hard Turning: Neural-Fuzzy Modeling and Model Evaluation, Proceedings of 2002 International CIRP Design Seminar, Hong Kong, 2002. [84] S.P. Lo, The Application of an ANFIS and Grey System Method in Turning ToolFailure Detection, The International Journal of Advanced Manufacturing Technology, 19, pp. 564-572, 2002. [85] X. Li, P.K. Venuvinod & M.K. Chen, Feed Cutting Force Estimation from the Current Measurement with Hybrid Learning, The International Journal of Advanced Manufacturing Technology, 16, pp. 859-862, 2000. [86] X. Li, A. Djordjevich & P.K. Venuvinod, Current-Sensor-Based Feed Cutting Force Intelligent Estimation and Tool Wear Condition Monitoring, IEEE Transactions on Industrial Electronics, 47(3), pp. 697-702, 2000. [87] M. Balazinski, E. Czogala, K. Jemielniak & J. Leski, Tool condition monitoring
175
LITERATURA
using artificial intelligence methods, Engineering Applications of Artificial Intelligence, 15, pp. 73-80, 2002.
[88] A.P. Paplinski, Neural Networks - Lecture 9 - Competitive Learning, http://www.csse.monash.edu.au/courseware/cse5301/04/Lnts/L09.pdf, 2004. [89] D. Brezak, Inteligentni sustav za nadzor istroenosti reznog alata, magistarski rad, Fakultet strojarstva i brodogradnje Sveuilita u Zagrebu, 2003. [90] J.C. Chen & W.L. Chen, A tool breakage detection system using an accelerometer sensor, Journal of Intelligent Manufacturing, 10, pp.187-197, 1999. [91] D. Choi, W.T. Kwon & C. N. Chu, Real-Time Monitoring of Tool Fracture in Turning Using Sensor Fusion, The International Journal of Advanced Manufacturing Technology, 15, pp. 305-310, 1999. [92] X. Li, Detection of Tool Flute Breakage in End Milling Using Feed-Motor Current Signatures, IEEE/ASME Transactions on Mechatronics, 6(4), pp. 491-498, 2001. [93] X. Li, On-line detection of the breakage of small diameter drills using current signature wavelet transform, International Journal of Machine Tools & Manufacture, 39, pp. 157164, 1999. [94] X. Li, S. Dong & Z. Yuan, Discrete wavelet transform for tool breakage monitoring, International Journal of Machine Tools & Manufacture, 39, pp. 19351944, 1999. [95] K. Jemielniak & O. Otman, Catastrophic Tool Failure Detection Based on Acoustic Emission Signal Analysis, Annals of the CIRP, (1), p. 31 34, 1998. [96] P.T. Huang, J.C. Chen & C.Y. Chou, A Statistical Approach in Detecting Tool Breakage in End Milling Operations, Journal of Industrial Technology, 15(3), pp. 27, 1999. [97] D.S. Mitrinovi, J.E. Peari & A.E. Fink, Classical and New Inequalities in Analysis, Kluwer Academic Publishers, Netherland, 1993. [98] J. Leski & E. Czogala, A new artificial neural network based fuzzy inference system with moving consequents in ifthen rules and selected applications, Fuzzy Sets and Systems, 108, pp. 289297, 1999. [99] W. Yu, Recursive Least Square, www.ctrl.cinvestav.mx/~yuw/file/id10.pdf, 2003. [100] Y. Koren, Flank Wear Model of Cutting Tools Using Control Theory, ASME Journal of Engineering for Industry, 100(1), pp. 103109, 1978. [101] T. Teitenberg, A. Bayoumi & G. Yucesan, Tool wear modeling through an analytic mechanistic model of milling processes, Wear, 154, pp. 287304, 1992. [102] S.C. Lin & R.J. Yang, ForceBased Model for Tool Wear Monitoring in Face Milling, International Journal of Machining Tools and Manufacture, 35(9), pp. 12011211, 1995. [103] E.O. Ezugwu, K.A. Olajire & J. Bonney, Modeling of tool wear based on component forces, Tribology Letters, 11(1), pp. 5560, 2001. [104] S.K. Choudhury & P. Srinivas, Tool wear prediction in turning, Journal of Materials Processing Technology, 153154, pp. 276280, 2004. [105] Y. Koren & E. Lenz, Mathematical Model of the FlankWear while turning Steel with Carbide Tools, CIRP Proceedings of Manufacturing Systems, 1(2), 1972.
176
LITERATURA
[106] K. Danai & A.G. Ulsoy, A Dynamic State Model for OnLine Tool Wear Estimation in Turning, ASME Journal of Engineering for Industry, 109, pp. 396 399, 1987. [107] M. Riedmiller & H. Braun, A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm, Proceedings of the IEEE International Conference on Neural Networks (ICNN), San Francisco, pp. 586591, 1993. [108] M. Riedmiller, Advanced Supervised learning in Multilayer Perceptrons From Backpropagation to Adaptive Learning Algorithms, International Journal of Computer Standards and Interfaces, Special Issue on Neural Networks, 16, pp. 265278, 1994. [109] C. Igel & M. Husken, Improving the RPROP Learning Algorithm, Proceedings of the Second International Symposium on Neural Computation, NC2000, ICSC Academic Press, pp. 115121, 2000. [110] V. Vapnik, The Nature of Statistical Learning Theory, Springer Verlag Inc., New York, NY, 1995. [111] V. Vapnik, Statistical Learning Theory, J. Wiley & Sons Inc., New York, NY, 1998. [112] C.J.C. Burges, A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery, 2, pp. 121167, Kluwer Academic Publishers, Boston, 1998. [113] S.R. Gunn, Support Vector Machines for Classification and Regression, Technical Report, School of Electronics and Computer Science, University of Southampton, U.K., http://www.ecs.soton.ac.uk/~srg/publications, 1998. [114] A. J. Smola & B. Schlkopf, A Tutorial on Support Vector Regression. NeuroCOLT, Technical Report NC-TR-98-030, Royal Holloway College, University of London, UK, http://www.kernel-machines.org/nips97, 1998. [115] A. Smola, Regression Estimation with Support Vector Learning Machines, http://www.kernel-machines.org/papers/smola96.ps.gz, 1996.
177
Danko Brezak je roen 11. travnja 1974. godine u Zagrebu, gdje je zavrio osnovno i srednjokolsko obrazovanje. Godine 1992. upisuje Fakultet strojarstva i brodogradnje Sveuilita u Zagrebu, gdje diplomira u svibnju 1998. Zavretkom studija odlazi na odsluenje vojnog roka. U lipnju 1999. godine zapoljava se u svojstvu znanstvenog novaka na Zavodu za robotiku i automatizaciju proizvodnih sustava fakulteta na kojem je diplomirao. Iste godine upisuje i poslijediplomski studij, kojeg zavrava u svibnju 2003. obranom magistarskog rada pod nazivom: "Inteligentni sustav za nadzor istroenosti reznog alata". Bavi se istraivanjima na podruju razvoja metoda identifikacije i voenja mehatronikih sustava i procesa, uglavnom primjenom algoritama umjetne inteligencije. Do sada je kao autor ili koautor objavio vie znanstvenih radova. Danko Brezak was born on April 11th, 1974 in Zagreb, Croatia where he attended elementary and high school. In the year 1992 he began his undergraduate study at the Faculty of Mechanical Engineering and Naval Architecture (FSB) University of Zagreb. He received the BSc degree in mechanical engineering in May 1998. and then spent the next year serving in the army. In June 1999 he started to work as a younger researcher in the Department of Robotics and Production System Automation at the same faculty he graduated and begins to attend the postgraduate study. After four years in May 2003 he defended his MSc thesis "Intelligent cutting tool wear monitoring system". His research interests are in the area of development and analysis of mainly artificial intelligence algorithms for identification and control of mechatronic systems. He is an author or co-author of several scientific papers.
178