شماره ركورد
34341
پديد آورنده
بهرام رفيع زاده قهدريجاني
عنوان
توسعه يك مدل هوش مصنوعي براي ارزيابي ميزان سايش ابزار در فرايند سوراخكاري با استفاده از حسگرهاي ارتعاش و صوت
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي مكانيك - ساخت و توليد
سال تحصيل
1401
تاريخ دفاع
1404/07/15
استاد راهنما
دكتر محمد شهبازي
استاد مشاور
دكتر سيد علي نيكنام
دانشكده
مهندسي مكانيك
چكيده
در فرآيندهاي ماشينكاري، بهويژه سوراخكاري، سايش ابزار يكي از عوامل كليدي مؤثر بر كيفيت محصول، هزينه توليد و زمان توقف ماشين محسوب ميشود. تشخيص و برآورد دقيق ميزان سايش ابزار در حين عمليات ميتواند نقش بسزايي در بهبود بهرهوري و كاهش ضايعات ايفا كند. در اين پژوهش، يك مدل هوش مصنوعي جهت ارزيابي ميزان سايش ابزار در فرآيند سوراخكاري توسعه داده شده است. اين مدل از دادههاي بهدستآمده از حسگرهاي ارتعاش و صوت به وسيله يك تلفن همراه كه بهصورت آزادانه و بدون هيچ نوع فيكسچر اختصاصي، بر روي ميز دستگاه در كنار قطعهكار قرار گرفته بود، تهيه شده است. اين نحوه قرارگيري با هدف شبيهسازي شرايط واقعي محيطهاي صنعتي طراحي شده تا بتوان از قابليتهاي تلفن همراه در كاربردهاي عملي و بدون تجهيزات جانبي خاص بهره برد. ابتدا مجموعهاي از آزمايشهاي كنترلي تحت شرايط مختلف عملياتي، از جمله سرعت برش، نرخ پيشروي و جنس قطعهكار، انجام شد. در ادامه، سيگنالهاي ارتعاش و صوت با استفاده از روشهاي پيشپردازش و تكنيكهاي تبديل سيگنال به تصوير، نظير اسكالوگرام موجك، نمودار بازگشت، نگاشت گرمر و نگاشت فاصله، به فضاي ويژگي مناسب براي ورودي شبكه عصبي كانولوشني منتقل گرديدند. مدل توسعهيافته با الهام از شبكههاي مطرح LeNet و MobileNet، با استفاده از دادههاي آموزشي برچسبدار آموزش ديده و عملكرد آن با معيارهاي مختلفي ارزيابي شد. نتايج نشان ميدهد كه مدل پيشنهادي قادر است زمان شروع فرايند سوراحكاري را با دقت 91 درصدي و تشحيص ميزان سايش ابزار را با دقت 99.2 درصدي پيشبيني نمايد. اين دستاورد ميتواند در توسعه سيستمهاي نظارت هوشمند بر خط بر عمليات سوراخكاري و بهينهسازي لحظهاي فرآيندهاي توليد نقش مؤثري ايفا نمايد.
تاريخ ورود اطلاعات
1404/10/20
عنوان به انگليسي
Development of an Artificial Intelligence Model for evaluating Tool Wear in the Drilling Process Using Vibration and Acoustic Sensors
تاريخ بهره برداري
1/5/2027 12:00:00 AM
دانشجوي وارد كننده اطلاعات
بهرام رفيع زاده قهدريجاني
چكيده به لاتين
In machining processes, particularly drilling, tool wear is a key factor affecting product quality, production cost, and machine downtime, and its accurate detection and estimation during operation can significantly enhance productivity and reduce waste. In this study, an artificial intelligence model was developed to assess tool wear in drilling processes, using vibration and acoustic data collected via a mobile phone freely placed (without any dedicated fixture) on the machine table beside the workpiece, to simulate real industrial conditions and leverage mobile phone capabilities without auxiliary equipment. A series of controlled experiments were carried out under various cutting speeds, feed rates, and workpiece materials, and the collected vibration and acoustic signals were pre‑processed and converted into features suitable for convolutional neural network (CNN) input through signal‑to‑image transformations such as wavelet scalogram, recurrence plot, Gramian Angular Field, and distance map. The proposed model, inspired by LeNet and MobileNet architectures, was trained on labeled datasets and its performance evaluated through multiple metrics, achieving 91% accuracy in predicting drilling process start time and 99.2% accuracy in detecting tool wear, demonstrating strong potential for intelligent online monitoring and real‑time optimization of drilling operations in manufacturing.
كليدواژه هاي فارسي
يادگيري عميق , شبكه عصبي پيچشي , ماشينكاري , هوش مصنوعي
كليدواژه هاي لاتين
Deep learning , convolutional neural network , machining , artificial intelligence
Author
Bahram Rafizadeh Ghahderijani
SuperVisor
Dr. Mohammad Shahbazi