14224

بررسي كاربرد روشهاي يادگيري عميق در پيشبيني نتايج در فرايندهاي ماشينكار

1400

دكتر سيدعلي نيكنام، دكتر محمد شهبازي

_

وشهاي مبتني بر داده باعث حركت به سمت توليد بر اساس انقالب صنعتي نسل 4 شده است. در اين ميان يادگيري ماشين و يادگيري عميق نقش موثري در حركت به سمت هوشمند سازي ايفا كردهاند. با توجه به اهميت فرايند ماشينكاري در صنعت، پيشبيني پارامترهاي فرايند از قبيل ميزان سايش ابزار، عمر باقيمانده ابزار و ... كه در نهايت بر روي كيفيت قطعه كار تاثيرگذار خواهند بود، مهم و حياتي خواهد بود. به همين خاطر پايش وضعيت و كنترل فرايند نقش مهمي در كيفيت قطعات توليدي و هزينههاي ساخت قطعات خواهد گذاشت. با توجه به پيچيدگي باال فرايند و گسترش روشهاي مبتني بر داده، نتايج مناسبي از پياده سازي اين روشها در اين نوع از فرايندها به دست آمده است. اين گزارش مروري بر روشهاي پايش وضعيت و كنترل فرايند ماشينكاري را با تمركز بر رويكرد يادگيري عميق ارائه ميدهد. با توجه به گسترش تحليل سيگنالهاي زماني توسط شبكههاي عميق كانولوشني در حوزههاي مختلف، لزوم انجام يك تحقيق كاربردي جهت ارزيابي كارائي اين روشها در كاربردهاي ماشينكاري ضروري به نظر ميرسد

9/21/2022 12:00:00 AM

85097

1403/09/18

Investigating the application of deep learning methods in predicting results in machining processes

ساخت هوشمند، , يادگيري عميق , شبكه عصبي پيچشي , ماشينكاري , هوش مصنوعي , يادگيري ماشين

Smart manufacturing , deep learning , Convolutional neural network , Artificial intelligence , machine learning , Machining