음향 방출 및 인공지능 신경망을 이용한 밀링 가공물의 표면 거칠기 예측

Abstract

제조 환경에서 표면 거칠기 예측은 제품 품질과 생산 시간에 중요하다. 거칠기는 실제 물체가 그 환경과 어떻게 상호작용하는지 결정하는 중요한 역할을 한다. 거친 표면은 보통 매끄러운 표면보다 더 빨리 마모되고 마찰 계수가 더 높다. 표면의 불규칙성이 균열이나 부식의 핵 부지를 형성할 수 있기 때문에 거칠기는 종종 기계적 구성 요소의 성능을 예측하는 좋은 예측 변수이다. 엔지니어링 응용 분야에서 탐지 속도와 정확성을 향상시키는 방법은 항상 연구 중심이었다. 기술이 발전함에 따라 표면 거칠기의 검출 정확도는 더욱 향상되었다. 실제 생산 및 적용 시 제품의 자격은 기술요건 범위 이내여야 하며, 공작물의 표면품질 점검은 더 높은 속도를 요구한다. 밀링은 표면 거칠기에 영향을 미치는 여러 요인이 있는 동적 비선형 가공 공정이다. 본 논문에서는 밀링 표면 거칠기의 두 가지 예측 모델을 구성한다. 하나는 밀링 처리 조건과 음향 배출 기능을 입력으로 사용하고 BP 알고리즘을 사용하여 신경망 표면 거칠기 예측 모델을 구축한다. 또 다른 방법은 밀링 프로세스의 음향 배출 신호를 입력으로 사용하고 CNN 딥 러닝 방법을 사용하여 음향 배출 신호의 특성을 추출하고, 컨볼루션 신경망을 기반으로 밀링 표면 거칠기의 온라인 예측 모델을 설정한다. BP 신경망을 기반으로 한 표면 거칠기 예측 방법은 처리 효율성을 개선하고 처리 시간을 줄이며 처리 비용을 줄이며 생산 관행에 긍정적인 영향과 중요성을 갖는다. BP 신경망 모델은 테스트 세트 데이터를 사용할 때 루트 평균 제곱 오차는 0.4893, 탐지 속도는 빠르고 예측 효과가 좋다. 컨볼루션 신경망에 기초한 표면 거칠기 예측 모델은 종단 간 분석 방법이다. 음향 방출 신호 기능은 컨볼루션 신경망을 통해 추출되며, 전처리 후 컨볼루션에 직접 입력되고 크기가 균일하다. 네트워크에 의해 구성된 모델에서, 다층 컨볼루션과 병합 연산과 완전히 연결된 레이어의 포괄적인 처리를 통해, 공작물의 표면 거칠기가 최종적으로 출력된다. 테스트 세트 데이터를 사용할 경우 루트 평균 제곱 오차는 0.2594이다. 따라서 이 모형은 표면 거칠기 탐지에 좋은 예측 효과를 제공한다. 음향 방출과 CNN을 기반으로 기계적 특성을 실시간으로 모니터링하기 때문에 시스템의 최적 기능에 매우 중요하며 적용 범위가 넓다. 이는 4차 산업 배경에서 더 높은 수준의 제조 능력에 도달할 수 있다.