Sensor für Schleifscheibenerkennungssystem

Der Artikel befasst sich mit dem Entwurf und der Implementierung eines auf neuronalem Netzwerk und Fuzzy-Logik basierenden Systems, das die Ausgänge mehrerer Sensoren zur Überwachung des Schleifscheibenzustands kombiniert. Es kann davon ausgegangen werden, dass bei Schleifprozessen der Zustand des Prozesses während einer Schleifscheibenlebensdauer nur von den Veränderungen der Schleiffähigkeit abhängt. Aus diesem Grund spielt die Scheibenzustandsüberwachung eine entscheidende Rolle in jedem automatisierten Überwachungssystem für einen Schleifprozess.

Eine erfolgreiche Zustandsüberwachung von Schleifscheiben hängt in hohem Maße vom Einsatz zuverlässiger und robuster Sensoren ab. In Abwesenheit menschlicher Bediener müssen die Sensoren in der Lage sein, Prozesse zu erkennen. Auffälligkeiten erkennen und Korrekturmaßnahmen einleiten. Es gibt verschiedene Signale, die mit dem Zustand des Prozesses korrelieren und Gegenstand unterschiedlicher Erfassungs- und Verarbeitungstechniken sind. Jedes dieser Signale ist in der Lage, ein Merkmal bereitzustellen, das mit dem interessierenden Phänomen zusammenhängt, wenn auch mit unterschiedlicher Zuverlässigkeit. Daher ist es die beste Lösung, die größtmögliche Menge an Informationen über den Zustand eines Prozesses von einer Reihe verschiedener Sensoren zu sammeln. Um eine solche Idee in die Praxis umzusetzen, sollte ein intelligentes Sensorsystem implementiert werden, das Strategien zur Sensorfusion verkörpert.

In dieser Studie wird ein Überwachungssystem mit mehreren Sensoren vorgeschlagen und dessen Leistung experimentell bewertet. Dieses System umfasst die Messung von Vibration, Schallemission und Schleifkräften. Sie erzeugen die nützlichen Signale für die Schleifscheibenverschleißüberwachung, es muss jedoch die beste Konfiguration der Signale und Signalverarbeitungsmethoden ausgewählt werden.

Dies geschieht durch ein neuronales Feed-Forward-Back-Propagation-Netzwerk. Nach einem Tuning-Vorgang des Netzwerks wurde festgestellt, dass die Anzahl der informativen Features viel geringer ist als der ursprünglich verwendete Satz an Features. Das gleiche neuronale Netz kann auch bei der Entscheidungsfindung eingesetzt werden, da es gleichzeitig in der Lage ist, den Schleifscheibenverschleiß zu modellieren. Darüber hinaus wird ein auf einem neuronalen Netzwerk basierendes Fuzzy-Logic-Entscheidungssystem zur Sensorintegration in die Zustandsüberwachung von Schleifscheiben diskutiert.

Zur Bewertung der vorgeschlagenen Verfahren wurden die beim Schleifen mit verschiedenen Schnittparametern erhobenen Daten herangezogen. Während der Versuche wurde die frische, abgenutzte und teilweise abgenutzte Schleifscheibe beobachtet. Für jedes Messsignal werden einige statistische und spektrale Merkmale berechnet und als Eingabe für Datenauswahl- und Klassifizierungsverfahren verwendet.